Prédire la réponse cellulaire aux médicaments grâce à une IA innovante

Comprendre comment les cellules répondent à une molécule est essentiel pour développer des thérapies efficaces, notamment contre le cancer ou les maladies chroniques. Pourtant, malgré les progrès récents en IA, cette prédiction reste complexe, surtout lorsqu’il s’agit de nouveaux traitements encore jamais testés.

Une équipe menée par la Pre Marianna Rapsomaniki, du Centre de la science des données biomédicales, en collaboration avec IBM Research, propose une approche innovante pour relever ce défi. Leur méthode, appelée Conditional Monge Gap (CMonge), s’appuie sur un outil mathématique puissant : le transport optimal.

Leurs études font l’objet d’une publication dans la revue Nature Machine Intelligence, qui leur consacre la couverture de son dernier numéro.

Un défi spécifique à la biologie unicellulaire

En biologie unicellulaire, il n’est pas possible d’observer une même cellule avant et après traitement, car les techniques de mesure sont destructives. Les chercheurs disposent donc uniquement de populations distinctes de cellules non traitées et traitées.

Cette contrainte impose un changement de perspective : il ne s’agit plus de prédire l’évolution d’une cellule donnée, mais de modéliser la transformation d’une distribution cellulaire dans son ensemble. Ce type de problème se prête difficilement aux approches classiques d’apprentissage supervisé.

Le transport optimal comme cadre conceptuel

Initialement développé pour déterminer le coût minimal du déplacement d’une distribution de masse vers une autre, le transport optimal est aujourd’hui utilisé en biologie pour modéliser des transitions cellulaires, comme la différenciation ou la réponse à des perturbations.

Cependant, de nombreuses approches existantes restent limitées : elles apprennent généralement des modèles spécifiques à chaque traitement, sans mutualisation de l’information. Cela devient difficile à étendre lorsque le nombre de molécules et de conditions expérimentales augmente, et limite la capacité à généraliser à de nouveaux composés.

Quels sont les atouts de cette nouvelle méthode ?

CMonge propose de dépasser cette limitation en introduisant un modèle unique, conditionné par des informations contextuelles : identité du médicament, dose administrée, ou encore combinaison thérapeutique. Cette approche permet de capturer des structures communes entre différentes perturbations tout en tenant compte de leurs spécificités.

Les auteurs ont évalué leur méthode sur deux jeux de données majeurs : l’un portant sur les profils transcriptomiques induits par 187 composés, l’autre sur des réponses protéiques dans des modèles de cancer. Dans ces contextes, CMonge atteint des performances comparables- et parfois supérieures- aux méthodes existantes, tout en permettant un apprentissage mutualisé entre conditions.

Un résultat particulièrement notable concerne la capacité de généralisation du modèle. Les chercheurs montrent que CMonge est capable de prédire la réponse cellulaire à des traitements non observés lors de l’entraînement, avec des performances encourageantes.

Contrairement à de nombreux modèles qui se limitent à prédire des valeurs moyennes, CMonge permet de mieux capturer l’ensemble de la distribution cellulaire, y compris sa variabilité. Cet aspect est important, car les réponses biologiques reposent souvent sur des populations cellulaires hétérogènes.

Un autre point d’intérêt concerne la capacité du modèle à apprendre à partir de la structure moléculaire des composés. Des études antérieures montrent que l’intégration d’informations biologiques, comme le mécanisme d’action, peut améliorer les prédictions. Toutefois, lorsque le modèle est entraîné sur un grand nombre de conditions, des représentations fondées uniquement sur la structure chimique peuvent également permettre d’obtenir des prédictions précises.

Cette observation est pertinente pour la découverte de médicaments : les mécanismes d’action ne sont pas toujours connus pour de nouvelles molécules, contrairement à leur structure chimique.

Une approche prometteuse pour l’IA en biomédecine

CMonge illustre une direction intéressante pour l’IA en biologie : exploiter des cadres mathématiques adaptés aux propriétés des systèmes biologiques, en complément des approches basées sur des modèles de grande taille.

En modélisant explicitement les transformations de populations cellulaires, cette méthode ouvre des perspectives pour le développement de modèles prédictifs plus robustes, avec des applications potentielles en recherche biomédicale et en découverte de médicaments.