Classifier les cancers primitifs non nécessitants grâce au deep learning

Si le cancer est l’une des 1ères causes de mortalité dans le monde (environ 1 décès sur 6), un diagnostic précoce augmente les chances de guérison. Des chercheurs du Koch Institute for Integrative Cancer Research du MIT et du Massachusetts General Hospital (MGH) ont utilisé le l’apprentissage en profondeur et intégré un classificateur de perceptron multicouche développemental (D-MLP) pour identifier l’origine du cancer. Leur étude intitulée « Developmental Deconvolution for Classification of Cancer Origin » a été publiée fin août par Cancer Discovery.

Le cancer primitif inconnu (CPI ou CPU en anglais) est un cancer qui s’est déjà propagé à d’autres organes du corps (métastases), mais les médecins n’ont pas retrouvé la tumeur initiale. Souvent de petite taille, il est cependant très agressif, les oncologues doivent donc rapidement mettre en place des traitements non ciblés, souvent toxiques pour le patient.

Cette nouvelle approche basée sur le l’apprentissage en profondeur pourrait aider à classer les cancers primitifs inconnus en examinant de plus près les programmes d’expression génique liés au développement et à la différencia cellulaire précoces.

Salil Garg, Chercheur clinique Charles W. (1955) et Jennifer C. Johnson à l’Institut Koch et pathologiste à l’HGM, auteur principal de l’étude, expliquent :

« Parfois, vous pouvez appliquer tous les outils que les pathologistes ont à offrir, et vous êtes toujours sans réponse. Des outils d’apprentissage automatique comme celui ci potreint permettent aux oncologues de choisir des traitements plus efficaces et de donner plus de conseils à leurs patients. »

Une étude basée sur l’expression génique et le l’apprentissage en profondeur

Les cellules cancéreuses ont un aspect et un comportement très différents des cellules normales, en partie à cause d’altérations importantes dans l’expression de leurs gènes. Les progrès du profilage unicellulaire et les efforts déployés pour cataloguer les différences modèles d’expression cellularul dans des atlas cellularulaires, ont fourni de nombreuses données contenant des indices sur l’origine des cancers différences. Lee l’apprentissage en profondeur est une technologie idéale pour exploiter ces données.

Pour rendre leur modèle plus efficace, les chercheurs ont dû réduire le nombre de caractéristiques tout en extrayant les informations les plus pertinentes, et ont focalisé le modèle sur les signes de voies de développement altérées dans les cellules cancéreuses.

Lors du développement d’un embryon, les cellules indifférenciées se spécialisent dans divers organes, de nombreuses voies orientent la façon dont les cellules se divisent, se développent, changent de forme et migrent. Lorsque la tumeur se développe, les cellules cancéreuses de nombreux traits spécialisés d’une cellule mature. On peut les comparer à des cellules embryonaires sous certains aspects, car elles ont la capacité de proliférer, de se transformer et de métastaser.

Les chercheurs ont comparé deux atlas de grandes cellules, identifiant les corrélations entre les cellules tumorales et embryonaires :

  • l’Atlas du génome du cancer (TCGA), qui contient des données sur l’expression génique de 33 types de tumeurs ;
  • l’Atlas des cellules organogenèses de souris (MOCA), qui décrit 56 trajectoires distinctes de cellules embryonnaires au fur et à mesure qu’elles se développent et se différencient.

Enrico Moiso, postdoctoral au MIT, également auteur principal de l’étude, explique :

« Les outils de résolution unicellulaire ont radicalement changé la façon dont nous étudions la biologie du cancer, mais nous rendons cette révolution percutante pour les patients est une autre question. Avec l’émergence des atlas cellulaires du développement, notamment ceux qui portent sur les premières étapes de l’organogenèse comme MOCA, nous pouvons étendre nos outils au-delà des informations histologiques et génomiques et ouvrir la porte à de nouvelles voies de profiler et d’identifier les tumeurs et de développeur de nouveaux traitements. »

Les chercheurs ont décomposé l’expression générique d’éxampillons tumoraux du TCGA en individus composés correspondant à un précis d’une trajectoire de développement et leur ont attribué à chacun une valeur mathématique.

Ils ont ensuite été intégrés à un modèle de l’apprentissage en profondeurun perceptron développemental multicouche (D-MLP), qui note une tumeur pour ses composés de développement et prédit ensuite son origine.

Classification des tumeurs

Après la formation, le D-MLP a été appliqué à 52 nouveaux échantillons de cancers parmi les cas les plus difficiles rencontrés à l’HGM de 2017 à 2020, qui n’ont pu être diagnostiqués. Le modèle a classé les tumeurs en quatre catégories et a fourni des prédictions et d’autres informations qui pourraient guider le diagnostic et le traitement de ces patients.

L’un de ces 52 échantillons provenait d’une patiente ayant des antécédents de cancer du sein qui présentait des signes d’un cancer agressif dans les espaces fluides autour de l’abdomen. Le D-MLP a fortement prédit le cancer de l’ovaire et, en effet, une masse avait été trouvée dans l’ovaire six mois plus tard, à l’origine de ce cancer.

Les résultats de cette étude ont fourni un atlas des origines du développement tumoral, un outil pour la pathologie diagnostique et sugent que la classification du développement peut être une approche utile pour les tumeurs des patients.

Pour leurs prochains travaux, les chercheurs envisagent d’augmenter la puissance prédictive de leur modèle en ajoutant d’autres types de données, notamment des informations collectées en radiologie, en microscopie et dans d’autres types d’imagerie tumorale.

Salil Garg a conclu :

“L’expression des gènes du développement ne représente pas qu’une infime partie de tous les facteurs qui pourraient être utilisés pour diagnostiquer et traiter les cancers. L’intégration de la radiologie, de la pathologie et de l’information sur l’expression des gènes est la véritable prochaine étape de la médecine personnalisée pour des patients atteints du cancer. »

Sources de l’article :

  • Enrico Moiso, Institut Koch pour la recherche intégrative sur le cancer, Massachusetts Institute of TechnologyCambridge MA et Institut large de Harvard-MITCambridge MA;
  • Alexandre Farahani, Département de pathologie, Massachusetts General Hospital, Harvard Medical SchoolBoston MA;
  • Hetal D. Marbre, Département de pathologie, Massachusetts General Hospital, Harvard Medical SchoolBoston MA;
  • Austin Hendricks,Institut Koch pour la recherche intégrative sur le cancer, Massachusetts Institute of TechnologyCambridge MA;
  • Samuel Mildrum, Institut Koch pour la recherche intégrative sur le cancer, Massachusetts Institute of TechnologyCambridge MA;
  • Stuart Levin, Institut Koch pour la recherche intégrative sur le cancer, Massachusetts Institute of TechnologyCambridge MA;
  • Jochen K. Lennerz, Département de pathologie, Massachusetts General Hospital, Harvard Medical SchoolBoston MA;
  • Salil Garg, Institut Koch pour la recherche intégrative sur le cancer, Massachusetts Institute of TechnologyCambridge MA.

Leave a Comment