GraphNovo : Révolutionner le traitement du cancer avec l’apprentissage automatique

Patrick Lesggie

Le GraphNovo de l’Université de Waterloo, utilisant l’apprentissage machine, améliore considérablement la précision du séquençage des peptides dans les cellules, offrant des avancées dans le traitement personnalisé du cancer et le développement de vaccins.

La percée dans l’IA pourrait permettre le développement de médicaments hautement personnalisés pour traiter des maladies graves.

La technologie de l’apprentissage machine aide les scientifiques à examiner la composition de cellules inconnues, ce qui pourrait conduire à la médecine personnalisée pour le cancer et d’autres maladies graves.

Des chercheurs de l’Université de Waterloo ont mis au point GraphNovo, un nouveau programme offrant une compréhension plus précise des séquences peptidiques dans les cellules. Les peptides sont des chaînes d’acides aminés présents dans les cellules et sont des éléments de construction aussi importants et uniques que l’ADN ou l’ARN.

Immunothérapie et séquençage des peptides

Chez une personne en bonne santé, le système immunitaire peut identifier correctement les peptides des cellules irrégulières ou étrangères, telles que les cellules cancéreuses ou les bactéries nocives, et ensuite cibler ces cellules pour les détruire. Pour les personnes dont le système immunitaire est affaibli, le domaine prometteur de l’immunothérapie vise à reprogrammer leur système immunitaire pour identifier ces envahisseurs dangereux.

« Ce que veulent faire les scientifiques, c’est séquencer ces peptides entre le tissu normal et le tissu cancéreux pour reconnaître les différences », a déclaré Zeping Mao, doctorant à la Faculté d’informatique Cheriton et développeur de GraphNovo sous la direction du Dr Ming Li.

Le processus de séquençage est particulièrement difficile pour les maladies nouvellement découvertes ou les cellules cancéreuses qui n’ont peut-être jamais été analysées auparavant. Alors que les scientifiques peuvent s’appuyer sur une base de données peptidiques existante lors de l’analyse de maladies ou d’organismes ayant déjà été étudiés, le cancer de chaque personne et leur système immunitaire sont uniques.

Pour construire rapidement un profil des peptides dans une cellule inconnue, les scientifiques utilisent une méthode appelée séquençage de novo de peptides, qui utilise la spectrométrie de masse pour analyser rapidement un nouvel échantillon. Ce processus peut laisser certains peptides incomplets ou totalement absents de la séquence.

GraphNovo : Un bond en avant dans la précision du séquençage

En utilisant l’apprentissage machine, GraphNovo améliore considérablement la précision de l’identification des séquences peptidiques en comblant ces lacunes avec la masse précise de la séquence peptidique. Un tel bond en avant sera probablement extrêmement bénéfique dans divers domaines médicaux, notamment dans le traitement du cancer et la fabrication de vaccins contre des affections telles que Ebola et COVID-19. Les chercheurs ont réalisé cette percée grâce à l’engagement de Waterloo dans les avancées dans l’interface entre la technologie et la santé.

« Si nous n’avons pas un algorithme suffisamment performant, nous ne pouvons pas élaborer de traitements », a déclaré Mao. « Pour l’instant, tout cela est théorique. Mais bientôt, nous pourrons l’utiliser dans le monde réel. »

Référence : “Mitigating the missing-fragmentation problem in de novo peptide sequencing with a two-stage graph-based deep learning model” par Zeping Mao, Ruixue Zhang, Lei Xin et Ming Li, 19 octobre 2023, Nature Machine Intelligence.

DOI : 10.1038/s42256-023-00738-x