Characterizing the landscape of gene process dependencies in cancer
Cette étude présente BioBombe, un cadre d'IA/ML qui analyse les données de DepMap pour identifier des dépendances complexes de processus géniques au-delà des cibles monogéniques, révélant ainsi de nouvelles vulnérabilités cancéreuses et permettant la prédiction et la validation de candidats médicaments efficaces pour l'oncologie de précision.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Le cancer est une maladie d'instructions brisées. À l'intérieur d'une cellule saine, les gènes agissent comme une vaste bibliothèque de manuels, indiquant à la cellule quand croître, quand s'arrêter et comment se réparer. Lorsque le cancer s'installe, ces manuels sont corrompus. Pendant des décennies, l'approche médicale pour réparer cela a consisté à trouver le manuel le plus brisé et à tenter de le remplacer. Cette stratégie, connue sous le nom d'oncologie de précision, a sauvé des vies en associant des médicaments spécifiques à des erreurs génétiques précises, comme une mutation dans un seul gène qui stimule la croissance d'une tumeur. Cependant, cette méthode a atteint une limite. Elle ne fonctionne que pour une petite fraction des patients car le cancer est rarement causé par une seule instruction brisée. Au lieu de cela, les tumeurs survivent en s'appuyant sur des réseaux complexes et coordonnés de nombreux gènes travaillant ensemble, un peu comme une machine qui continue de fonctionner même si un engrenage est bloqué, parce que les autres engrenages se sont ajustés pour compenser.
Pour comprendre comment ces machines continuent de fonctionner, les chercheurs doivent regarder au-delà des engrenages individuels et voir le système dans son ensemble. C'est le défi relevé par une nouvelle étude de chercheurs de l'Université du Colorado Anschutz et du Children's Hospital Colorado. Ils ont posé une question fondamentale : si nous ne pouvons pas simplement regarder un seul gène brisé, pouvons-nous cartographier l'intégralité du réseau de dépendances dont une cellule cancéreuse a besoin pour survivre ? En traitant les cellules cancéreuses non pas comme des collections de gènes isolés, mais comme des systèmes complexes, l'équipe a développé un moyen de découvrir les groupes de gènes cachés qui constituent les véritables bouées de sauvetage des tumeurs. Leurs travaux suggèrent que l'avenir du traitement du cancer pourrait ne pas résider dans le ciblage de gènes uniques, mais dans la perturbation de l'ensemble des processus biologiques que ces gènes soutiennent.
Les chercheurs se sont tournés vers une base de données publique massive appelée le Cancer Dependency Map, qui contient les résultats d'expériences où des scientifiques ont systématiquement désactivé des milliers de gènes dans des centaines de lignées cellulaires cancéreuses différentes pour voir lesquels étaient indispensables à la survie des cellules. Traditionnellement, les scientifiques analysent ces données en examinant quels gènes uniques sont essentiels. La nouvelle étude a toutefois appliqué un cadre d'apprentissage informatique sophistiqué appelé BioBombe à ces données. Au lieu de demander « quel gène est essentiel ? », l'ordinateur a été entraîné à trouver des modèles à travers des milliers de gènes simultanément. Il cherchait des groupes de gènes qui, lorsqu'ils sont désactivés ensemble, provoquent la mort de la cellule, révélant que la survie de la cellule dépendait de processus biologiques spécifiques, tels que la façon dont elle se divise ou la façon dont elle génère de l'énergie.
Pour s'assurer que ces modèles étaient réels et non de simples bruits aléatoires, l'équipe ne s'est pas appuyée sur un seul modèle informatique. Ils ont entraîné des centaines de modèles différents, chacun examinant les données d'une manière légèrement différente et recherchant des modèles de tailles différentes. Cette approche leur a permis de capturer une gamme beaucoup plus large de signaux biologiques que n'importe quelle méthode unique. L'ordinateur a réussi à identifier des milliers de ces groupes de gènes, que les chercheurs appellent « dépendances de processus géniques ». Lorsqu'ils ont examiné ce que ces groupes faisaient réellement, ils ont constaté qu'ils correspondaient à des fonctions biologiques critiques connues. Par exemple, les modèles ont mis en évidence des groupes de gènes impliqués dans la division cellulaire et des groupes impliqués dans le cycle de l'acide citrique, un processus que les cellules utilisent pour créer de l'énergie. Crucialement, l'étude a montré que ces groupes n'étaient pas de simples collections aléatoires de gènes ; ils représentaient des systèmes biologiques cohérents sur lesquels les cellules cancéreuses comptaient.
La véritable puissance de cette approche est apparue lorsque les chercheurs ont connecté ces groupes de gènes à la sensibilité aux médicaments. Ils ont comparé les cartes de processus géniques qu'ils avaient construites avec des données sur la façon dont des centaines de lignées cellulaires cancéreuses réagissaient à des milliers de médicaments différents. Ils ont découvert que des groupes de gènes spécifiques étaient fortement liés au fait qu'un médicament tuerait une cellule ou échouerait à fonctionner. Par exemple, ils ont confirmé que les tumeurs dépendant fortement d'une voie spécifique impliquant une protéine appelée p53 étaient sensibles à une classe de médicaments conçus pour cibler cette voie. Plus important encore, la méthode a révélé de nouvelles possibilités. Dans les gliomes, un type de tumeur cérébrale notoirement difficile à traiter, l'analyse a pointé vers des vulnérabilités spécifiques dans la fonction mitochondriale et la division cellulaire. Elle a également identifié un médicament appelé cladribine, déjà approuvé pour d'autres conditions, comme un candidat potentiel pour tuer les cellules de gliome pédiatrique de haut grade.
Pour tester si ces prédictions informatiques tenaient bon dans le monde réel, les chercheurs ont apporté leurs conclusions au laboratoire. Ils se sont concentrés sur le gliome pédiatrique de haut grade, un cancer cérébral infantile rare et agressif pour lequel il existe peu de traitements efficaces. En utilisant des données de séquençage d'ARN provenant de tumeurs de patients, ils ont prédit quels processus géniques étaient actifs dans ces cellules spécifiques. Sur la base de ces prédictions, ils ont sélectionné trois médicaments à tester : l'axitinib, la cladribine et la 3-déazaneplanocine A. Ils ont traité les cellules de tumeur cérébrale avec ces médicaments et ont mesuré la capacité de survie des cellules. Les résultats étaient prometteurs. Les trois médicaments ont montré une capacité à tuer les cellules cancéreuses, mais la cladribine s'est distinguée. La prédiction de l'ordinateur sur la sensibilité des cellules à la cladribine correspondait mieux aux résultats expérimentaux réels que les prédictions pour les deux autres médicaments. Cela a confirmé que le modèle informatique pouvait traduire avec succès une carte génétique complexe en une prédiction pratique de l'efficacité d'un médicament.
L'étude ne prétend pas avoir résolu le cancer ou trouvé un remède pour chaque patient. Les chercheurs reconnaissent que leurs modèles ne sont pas parfaits ; certaines prédictions étaient fortes, tandis que d'autres étaient plus faibles, et tous les médicaments testés n'ont pas fonctionné exactement comme l'ordinateur le suggérait. Ils notent également que les données utilisées proviennent de lignées cellulaires cultivées en boîte, ce qui peut ne pas imiter parfaitement l'environnement complexe d'une tumeur à l'intérieur d'un corps humain. Cependant, ce travail constitue une preuve de concept claire. Il démontre qu'en utilisant l'intelligence artificielle pour observer la vue d'ensemble du fonctionnement conjoint des gènes, les scientifiques peuvent trouver de nouvelles cibles thérapeutiques que les approches par gène unique ignorent. L'étude suggère que la voie de la médecine de précision consiste à passer d'une focalisation sur les pièces brisées individuelles à une focalisation sur l'ensemble du système défaillant, offrant une nouvelle façon d'identifier quels médicaments pourraient empêcher une tumeur spécifique de survivre.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.