Sous-revue Nature : un algorithme d'IA décrypte les caractéristiques génétiques des cellules cancéreuses avec une précision de 99 % !

AI a encore réalisé de grandes réalisations.

Cette fois, un nouvel algorithme d'apprentissage automatique d'IA "Ikarus" peut déchiffrer la différence de caractéristiques génétiques entre les cellules cancéreuses et les cellules normales.

Cette recherche a été réalisée par l'équipe du bioinformaticien MDC Altuna Akalin et publiée dans la sous-revue Nature "Genome Biology".

​

Adresse papier : https://genomebiology.biomedcentral.com/articles/10.1186/s13059-022-02683-1#Sec8

Cette étude est établissement, MDC (Centre Max Delbrück), est également l'un des 16 centres de recherche de l'Association Helmholtz, l'une des quatre principales institutions de recherche d'Allemagne.

Puisqu'elle a une si grande expérience, pourquoi cette recherche est-elle si importante ?

En passant au crible une « caractéristique commune » du vaste ensemble de données, les humains ne sont certainement pas aussi bons que l’IA.

Pour distinguer les cellules cancéreuses des cellules normales, il est nécessaire d'éliminer les caractéristiques communes entre elles.

Ikarus développé par l'équipe de recherche du MDC a cette fois découvert des modèles communs dans les cellules tumorales (Pattern), qui consistent en une série de caractéristiques génomiques et sont courants dans divers types de cancer.

De plus, l'algorithme a également détecté des types de gènes qui n'ont jamais été associés au cancer.

L'équipe de recherche a donc posé une question simple :

Est-il possible de créer un classificateur qui distingue correctement les cellules tumorales des cellules normales dans plusieurs types de cancer ?

Et c'est ainsi qu'Ikarus est né. Il comprend deux étapes :

1. Découvrez les caractéristiques complètes des cellules tumorales sous la forme d'ensembles de gènes en intégrant plusieurs ensembles de données unicellulaires annotés par des professionnels ;

2. Former un classificateur de régression logistique robuste pour différencier rigoureusement les tumeurs et les normales ; cellules, suivies d'une propagation en réseau d'étiquettes cellulaires à l'aide de réseaux cellule-cellule personnalisés.

Le chef d'équipe Altuna Akalin a déclaré :

Pour développer un trieur de cellules tumorales in silico robuste, sensible et reproductible, nous travaillons déjà sur plusieurs échantillons uniques de divers types de cancer obtenus à l'aide de différentes technologies de séquençage sur lesquels Ikarus a été testé. ensembles de données cellulaires pour déterminer leur adéquation à différents environnements expérimentaux.

Taux de réussite incroyable

Jan Dohmen, le premier auteur de l'article, a déclaré que l'obtention de données d'entraînement appropriées était un défi majeur alors que les experts font déjà clairement la distinction entre les cellules saines et cancéreuses.

Les ensembles de données de séquençage de cellules uniques sont souvent très complexes.

Cela signifie que les informations qu'ils contiennent sur les caractéristiques moléculaires des cellules individuelles ne sont pas très précises, soit parce que des nombres différents de gènes sont détectés dans chaque cellule, soit parce que les échantillons ne sont pas toujours traités de la même manière.

Dohmen et le Dr Vedran Franke, co-responsables de l'étude, ont déclaré :

Nous avons examiné de nombreuses publications et contacté de nombreux groupes de recherche pour obtenir un ensemble de données suffisant. L’équipe a finalement choisi les données des cellules du cancer du poumon et du cancer colorectal pour former l’algorithme, qui a ensuite été appliqué à des ensembles de données provenant d’autres types de tumeurs.

Pendant la phase d'entraînement, Ikarus doit trouver une "liste de gènes de signature" puis l'utiliser pour classer les cellules.

Nous avons essayé et affiné diverses méthodes, et Ikarus a fini par utiliser deux listes : une pour les gènes du cancer et une autre pour les gènes d'autres cellules, a expliqué Frank.

Après la formation, l'algorithme peut faire la distinction entre les cellules saines et les cellules tumorales dans d'autres types de cancer, comme les échantillons de tissus provenant de patients atteints d'un cancer du foie ou d'un neuroblastome.

Les résultats dans d'autres échantillons sont passionnants et le taux de réussite est étonnamment élevé, jusqu'à 99 %.

"Nous ne nous attendions pas à ce qu'il y ait une signature commune qui pourrait définir avec autant de précision les cellules tumorales dans différents types de cancer", a déclaré Akalin.

"Mais nous ne pouvons toujours pas dire si cette approche fonctionne pour tous les types de cancer", a ajouté Dohmen.

Pas seulement la différenciation des cellules cancéreuses

Pour faire d'Ikarus un outil de diagnostic du cancer fiable, les chercheurs espèrent désormais le tester sur d'autres types de tumeurs.

Lors de premiers tests, Ikarus a démontré que la méthode peut également distinguer d'autres types (et certains sous-types) de cellules des cellules tumorales, ne se limite pas seulement à la détection des cellules tumorales.

Il peut être utilisé pour détecter n'importe quel état cellulaire, tel que le type de cellule, la seule exigence est que l'état cellulaire existe dans au moins deux expériences indépendantes.

Akalin a déclaré :

Nous voulons rendre cette méthode plus complète, la développer davantage afin qu'elle puisse distinguer tous les types de cellules possibles dans une biopsie.

L'application de la classification automatisée des tumeurs sur des ensembles de données de séquençage spatial permet l'annotation directe des échantillons histologiques, facilitant ainsi la pathologie numérique automatisée.

Dans les hôpitaux, les pathologistes examinent souvent simplement des échantillons de tissus de tumeurs au microscope pour identifier différents types de cellules. Il s'agit d'une tâche longue et laborieuse.

Avec Ikarus, cette étape pourrait un jour devenir un processus entièrement automatisé.

De plus, Akalin a noté que ces données peuvent être utilisées pour tirer des conclusions sur l'environnement immédiat de la tumeur. Cela peut aider les médecins à choisir le meilleur traitement. La composition des tissus cancéreux et du microenvironnement indique souvent si un certain traitement ou médicament est efficace.

De plus, l’intelligence artificielle peut également contribuer au développement de nouveaux médicaments.

"Ikarus nous permet d'identifier les gènes susceptibles de provoquer le cancer, puis de cibler ces structures moléculaires avec de nouveaux agents thérapeutiques", a déclaré Akalin.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!