Imaginez que vous regardiez une ville depuis une haute tour. De cette hauteur, vous pouvez voir la forme des rues, la densité des bâtiments et la façon dont les quartiers sont organisés. Vous pouvez distinguer un centre-ville animé d'une banlieue calme simplement en observant l'agencement. Maintenant, imaginez que chaque bâtiment de cette ville est en réalité une cellule vivante, et que les rues sont les tissus du corps humain. Depuis plus d'un siècle, les médecins grimpent sur cette tour, utilisant des microscopes pour observer ces « villes » (tissus) afin de diagnostiquer des maladies comme le cancer. Ils appellent cela l'histopathologie. C'est comme lire la carte d'une ville pour comprendre ce qui se passe à l'intérieur.

Mais voici le rebondissement : l'agencement de la ville n'est pas aléatoire. Il est construit par les règles invisibles des « plans » contenus dans chaque bâtiment : l'ADN. Lorsque l'ADN est endommagé ou muté, cela modifie la façon dont les bâtiments sont construits, dont ils communiquent entre eux et dont le quartier se développe. Pendant longtemps, les scientifiques pensaient qu'il fallait entrer dans chaque bâtiment pour lire ces plans (en utilisant le séquençage de l'ADN coûteux) pour savoir ce qui n'allait pas. Mais et si la forme même de la ville pouvait vous dire tout sur les plans ? Et si vous pouviez regarder la carte et savoir exactement quels gènes sont défectueux, sans jamais avoir à pénétrer dans un seul bâtiment ? C'est la grande question que cet article aborde : la « forme » visuelle d'une tumeur peut-elle nous révéler ses secrets génétiques ?

L'article : « Fuji » – Le traducteur entre la forme et le code

Dans cette étude, une équipe de chercheurs présente un nouveau modèle d'intelligence artificielle qu'ils appellent Fuji. Considérez Fuji non pas seulement comme un outil de reconnaissance d'images, mais comme un traducteur super intelligent qui apprend à parler deux langues à la fois : la langue des images (ce à quoi ressemble une tumeur sous un microscope) et la langue du code (les mutations de l'ADN et les messages de l'ARN à l'intérieur des cellules).

Habituellement, les modèles d'IA entraînés sur des images médicales sont comme des touristes qui apprennent seulement à reconnaître des points de repère. Ils peuvent dire : « Cela ressemble à un poumon » ou « Cela ressemble à une tumeur », mais ils ne comprennent pas pourquoi la tumeur ressemble à cela. Ils traitent l'image comme une simple jolie image. Fuji est différent. Les chercheurs ont appris à Fuji à regarder l'image et à se demander immédiatement : « Quel code génétique a causé cette forme spécifique ? »

Pour ce faire, ils n'ont pas seulement montré des images à Fuji. Ils l'ont nourri d'une bibliothèque massive de 60 546 images de lames entières (de gigantesques photos numériques à haute résolution d'échantillons de tissus) et ont associé chaque image à ses données génétiques correspondantes : 45 675 profils d'ARN (qui indiquent quels gènes sont actifs) et 22 683 séquences du génome complet (le code ADN complet). C'est comme donner à l'IA un million de manuels où chaque page comporte une photo d'une ville à gauche et le plan exact de la construction de cette ville à droite.

Comment Fuji a appris à « voir » les gènes

Les chercheurs ont utilisé une méthode d'entraînement astucieuse en deux étapes, comme un chef cuisinier enseignant à un apprenti.

1. Première étape (Le test de goût) : D'abord, ils ont appris à Fuji à reconnaître la « saveur » de base du tissu. Ils ont utilisé deux autres modèles d'IA puissants (GigaPath et CHIEF) comme « professeurs ». Fuji a appris à observer le tissu et à faire correspondre les motifs visuels, même si le tissu a été préparé de deux manières différentes : certains étaient conservés avec des produits chimiques (FFPE, le standard hospitalier) et d'autres étaient congelés frais (fresh-frozen, utilisé pour la recherche). Fuji a appris à ignorer les différences dans la manière dont le tissu a été conservé pour se concentrer uniquement sur la véritable forme des cellules. Cela est crucial car cela signifie que Fuji peut fonctionner avec les lames que les médecins utilisent quotidiennement.
2. Deuxième étape (L'immersion profonde) : Ensuite, ils ont mis Fuji au défi de relier la forme au code. Ils lui ont donné trois tâches simultanées :
   • Reconstruire l'image : Si l'on cache une partie de l'image, Fuji peut-elle deviner à quoi elle ressemble ? Cela permet de maintenir sa capacité à voir les détails.
   • Reconstruire l'ARN : Fuji peut-elle regarder la forme et deviner ce que disent les messages de l'ARN ? Cela lie le visuel au niveau moléculaire.
   • Décoder les mutations : Fuji peut-elle regarder la forme et deviner quelles « fautes de frappe » génétiques spécifiques (mutations) sont présentes ? C'est le grand tour de magie.

Ce que Fuji a découvert

Une fois entraîné, Fuji a prouvé que la « forme » d'une tumeur est effectivement un reflet direct de son code génétique. Les chercheurs ont découvert que Fuji pouvait prédire des états génétiques complexes avec une précision incroyable, surpassant souvent tous les modèles d'IA précédents.

• Les détectives de l'« instabilité » : L'équipe a testé si Fuji pouvait repérer quand l'ADN d'une tumeur s'effondrait. Ils ont recherché quatre types spécifiques de chaos génétique : l'instabilité des microsatellites (MSI), l'instabilité chromosomique (CIN), la déficience de la recombinaison homologue (HRD) et la duplication du génome entier (WGD). Fuji a réussi ces tests avec une précision (AUC) atteignant 0,98. Pour mettre cela en perspective, si un expert humain était sûr à 80 %, Fuji l'était à 98 %. Il pouvait faire la différence entre un génome stable et un génome chaotique simplement en regardant la lame de tissu.
• L'ADN « supplémentaire » : L'une des découvertes les plus passionnantes concerne l'ADN extrachromosomique (ecDNA). Il s'agit d'un morceau étrange d'ADN circulaire qui flotte en dehors des chromosomes normaux et qui fait croître le cancer très rapidement. Habituellement, il faut des tests complexes et coûteux pour le trouver. Fuji, cependant, a appris à repérer l'« empreinte » unique que l'ecDNA laisse sur la structure du tissu. Chez les patients atteints de gliome de bas grade et de carcinome de l'endomètre, la présence de ces cercles d'ADN invisibles, prédite par Fuji à partir de la lame seule, était un signe fort que le patient aurait une survie plus difficile.
• Les signatures du « tabac » et de la « réparation » : Les chercheurs ont également demandé : Fuji peut-elle dire si une tumeur a été causée par le tabagisme ou par un système de réparation de l'ADN défaillant ? Ils ont découvert que les mutations liées au tabac et les défauts de réparation des mésappariements laissent des marques distinctes et localisées sur l'architecture du tissu. C'est comme si le tabac laissait une sorte de suie spécifique sur les murs de la ville, et Fuji peut pointer exactement où se trouve cette suie. Ces motifs étaient si clairs que Fuji a pu les trouver chez des groupes de patients complètement différents, prouvant que le motif est réel et n'est pas un simple hasard.
• Prédire l'avenir : Fuji ne s'est pas contenté de regarder le passé ; il a regardé l'avenir. Le modèle pouvait prédire la charge mutationnelle tumorale (TMB) (combien de mutations une tumeur possède) et la charge de néoantigènes (à quel point la tumeur est visible pour le système immunitaire). Plus important encore, dans un petit groupe de patients atteints de cancer du poumon, les prédictions de Fuji sur qui répondrait à l'immunothérapie étaient meilleures que celles d'autres modèles. Cela suggère que la forme de la tumeur détient des indices sur la capacité du système immunitaire à la combattre.

Pourquoi cela importe

La chose la plus importante concernant Fuji est qu'il fonctionne sur les lames que les médecins possèdent déjà. La plupart des patients cancéreux dans le monde reçoivent une lame standard (FFPE) qui est conservée avec des produits chimiques. Les modèles d'IA précédents avaient du mal à connecter ces lames standard aux données génétiques, car ces données proviennent généralement d'échantillons congelés à frais. Fuji a résolu ce problème en apprenant à ignorer l'« odeur chimique » de la lame pour se concentrer sur l'« agencement de la ville ».

Les auteurs suggèrent que cela pourrait changer la manière dont le cancer est traité. Au lieu d'attendre des jours ou des semaines pour des tests génétiques coûteux, les médecins pourraient potentiellement utiliser Fuji pour obtenir un « rapport génomique » à partir d'une lame de microscope de routine en quelques minutes. Cela pourrait aider à décider quels patients ont besoin de médicaments ciblés, lesquels pourraient répondre à l'immunothérapie, et lesquels sont à plus haut risque, le tout sans avoir besoin de séquencer l'ADN au préalable.

Bien entendu, l'article précise avec prudence qu'il s'agit d'une « preuve de concept ». Bien que les résultats soient solides et cohérents à travers différents ensembles de données, les prédictions sur l'immunothérapie reposent sur un petit groupe de patients et doivent être testées dans des essais cliniques plus larges et en conditions réelles avant que les médecins puissent s'y fier. Mais l'idée centrale — que la forme visuelle d'une tumeur est une carte lisible de son code génétique — semble être une découverte solide. Fuji nous a montré que si l'on regarde de suffisamment près la ville, on peut lire les plans.