Développement de modèles d'intelligence artificielle pour prédire la réponse aux combinaisons de médicaments chez les patients atteints d'un cancer ayant un mauvais pronostic

Chercheurs principaux : Amin Emad, Morag Park
Thème : Intelligence artificielle (IA)/Santé
Concours : Données omiques contre le cancer (DOCC)
Statut : En cours
Début : 1er oct. 2020
Fin : 30 sept. 2022
Budget : 300 000,00 $



PROJET EN COLLABORATION AVEC IVADO ET ONCOPOLE

 

Le cancer est un problème de santé majeur au Canada et au Québec. La médecine de précision promet d’améliorer le pronostic des patients en adaptant le traitement aux caractéristiques de la maladie. Pourtant, de nombreux patients atteints d’un cancer ne bénéficient que de « soins standards », généralement des chimiothérapies toxiques pour leur type de cancer, ayant pour la plupart un faible taux de réponse et des effets secondaires puissants, au détriment de traitements de précision. Par exemple, un certain type de cancer du sein appelé « triple négatif », qui représente environ 15 % de tous les cancers du sein, est le sous-type de cancer du sein le plus agressif. Or, il manque de traitements ciblés. En outre, de nombreux patients présentant une réponse initiale aux chimiothérapies développent ensuite une résistance, suivie d’une progression de la maladie et d’une récidive.

 

 

Une approche prometteuse pour améliorer le pronostic des patients et venir à bout de la résistance aux médicaments consiste à combiner les traitements dont la combinaison précise dépasse les bénéfices de chacun de traitements individuels (on parle d’un « effet synergique »). Toutefois, prédire les combinaisons précises de traitements à utiliser pour un individu reste un défi majeur pour la médecine de précision. Une raison pour ceci est que si deux traitements ont un effet synergique en culture cellulaire dans un laboratoire, le patient peut néanmoins être résistant à ce traitement combinatoire à cause des caractéristiques moléculaires et cliniques de sa maladie. Si auparavant, des facteurs tels que le type de cancer ou les symptômes permettaient d’identifier les options thérapeutiques, le profilage moléculaire « omique » des tumeurs (l’analyse d’expression de dizaines de milliers de ses gènes) offre aujourd’hui une abondance de données pour relever ce défi grâce à l’intelligence artificielle (IA). En particulier, les approches avancées « d’apprentissage profond » qui ont la capacité de modéliser des relations non linéaires complexes entre les caractéristiques moléculaires et la réponse aux médicaments ont le potentiel de révolutionner la médecine de précision.   

 

 

Dans ce projet, nous proposons de développer de tels modèles d'apprentissage profond pour permettre la prédiction de la réponse des patients atteints de cancer aux thérapies combinées de précision en utilisant leurs caractéristiques "omiques" moléculaires et cliniques disponibles. Les modèles proposés ici, qui seront rendus accessibles à la communauté, donneront lieu à un cadre polyvalent « d’essais cliniques in silico » que nous pourrons tester expérimentalement. Ce cadre permettra de déterminer le meilleur traitement pour un patient et de suggérer de nouvelles combinaisons de médicaments pour traiter et/ou surmonter la résistance aux médicaments anticancéreux, ce qui, en fin de compte, aura un impact sur la vie de millions de personnes au Canada et dans le monde entier.

 

Centre de génomique responsable : Génome Québec

Partenaires : IVADO, Oncopole