Si le cancer est une des 1éres causes de mortalité dans le monde (environ 1 décès sur 6), a diagnostic précoce augmente les chances d’en guérir. Des chercheurs du Koch Institute for Integrative Cancer Research du MIT et du Massachusetts General Hospital (MGH) ont utilisé le deep learning et construit un classificateur de perceptron multicouche développemental (D-MLP) to identify the origin of cancer. Leur étude titled “Developmental Deconvolution for Classification of Cancer Origin” a été publiée fin août par Cancer Discovery.
Le cancer primitif inconnu (CPI ou CPU en anglais) is a cancer qui s’est déjà propagé à d’autres organes du corps (métastases), mais dont les médecins n’ont pas trouvé la tumeur initiale. Généralement 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 deep learning pourrait aider à classer les cancers primitifs inconnus en examinant de plus près les programs d’expression génique liés au développement et à la différenciation cellulaires précoces.
Salil Garg, Chercheur clinique Charles W. (1955) et Jennifer C. Johnson at the Institut Koch et pathologiste à l’HGM, author principal de l’étude, explique:
«Parfois, vous pouvez apply tous les outils que les pathologistes ont àofferir, et vous êtes toujours sans réponse. Des outils d’apprentissage automatique comme celui-ci pourraient allow 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 deep learning
Les cells cancéreuses ont an aspect and a comportement très différents des cellules normales, en partie à cause d’altérations importantes de la manière dont leurs gènes sont exprimés. Les progrès du profilage unicellulaire et les efforts déployés pour cataloguer différents modèles d’expression cellulaire dans des atlas cellulaires, ont fourni de nombreuses données containing des indices sur l’igine de différents cancers. The deep learning est une technologie idéale pour exploiter ces données.
Pour rendre leur modèle plus effective, les chercheurs ont dû réduire le nombre de caractéristiques tout en extrayant les informations plus pertinentes, et ont concentré 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 cells se divisent, se développent, changent de forme et migrent. Lorsque la tumeur se developpe, les cellules cancéreuses perdent de nombreux traits spécialisés d’un mature cells. On peut les comparer à des cellules embryonnaires 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 between les cellules tumorales et embryonnaires:
- the Atlas du génome du cancer (TCGA), here content des données sur l’expression génique de 33 types de tumeurs;
- the Atlas des cellules organogenèses de souris (MOCA), here décrit 56 trajectoires distinctes de cellules embryonnaires au fur et à mesure qu’elles se développent et se différencient.
Enrico Moiso, postdoctorant au MIT, également auteur principal de l’étude, explique:
«The outils de solution unicellulaire ont radicalement change the façon dont nous étudions la biologie du cancer, ma comment nous rendons cette révolution percutante pour les patients est une autre question. Avec l’émergence d’atlas cellulaires développementaux, en particulier ceux qui se concentrent sur les premières phases de l’organogenèse telles que le MOCA, nous pouvons étendre nos outils au-delà des informations histologiques et génomiques et ouvrir la porte à de nouvelles façons de profiler et d’identifier les tumeurs et de développer de nouveaux traitements. “
Les chercheurs ont decompose the expression génique d’échantillons tumoraux du TCGA en composants individels correspondant à a moment précis d’une trajectoire de développement et leur ont attribué à chacun une valeur mathématique.
Ils ont ensuite construit un modèle de deep learninga perceptron multicouche développemental (D-MLP), here notes une tumeur pour ses composants de développement et predit ensuite son origin.
Classification des tumeurs
Après la formation, the D-MLPs a été appliqué à 52 nouveaux échantillons de cancers parmi les cas les plus difficulties rencontrés à l’HGM de 2017 à 2020, qui n’avaient pu être diagnostiqués. Le modèle a classé les tumeurs en quatre catégories et a fourni des predictions et d’autres informations here pouring guide the 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 abdomen. The D-MLPs strongly predict the cancer of the ovary and, in effect, a mass avait is trouvée dans l’ovaire six mois plus tard, a l’igine de ce cancer.
Les results de cette étude ont fourni an atlas des origines du développement tumoral, an outil for the diagnostic pathology and suggesting that the classification du développement peut être une approche useful for les tumeurs des patients.
Pour leurs prochains travaux, les chercheurs envisagent d’accroître la puissance predictive de leur modèle en ajoutant d’autres types de données, notamment des informations collectedées en radiologie, en microscopie et dans d’autres types of tumor imagerie.
Salil Garg concluded:
“L’expression génique du développement ne représente qu’une petite partie de tous les facteurs qui pourraient être utilisés for diagnostiquer et traiter les cancers L’intégration de la radiologie, de la pathologie et de l’Information sur l’expression des gènes est la veritable prochaine étape de la médecine personnalisée pour les patients attitudes de cancer. “
Sources of the article:
- Enrico Moiso, Koch Institute for Integrative Cancer Research, Massachusetts Institute of TechnologyCambridge MA et Broad Institute of Harvard-MITCambridge MA;
- Alexander Farahani, Department of Pathology, Massachusetts General Hospital, Harvard Medical SchoolBoston MA;
- Hetal D. Marble, Department of Pathology, Massachusetts General Hospital, Harvard Medical SchoolBoston MA;
- Austin Hendricks,Koch Institute for Integrative Cancer Research, Massachusetts Institute of TechnologyCambridge MA;
- Samuel Mildrum, Koch Institute for Integrative Cancer Research, Massachusetts Institute of TechnologyCambridge MA;
- Stuart Levine, Koch Institute for Integrative Cancer Research, Massachusetts Institute of TechnologyCambridge MA;
- Jochen K. Lennerz, Department of Pathology, Massachusetts General Hospital, Harvard Medical SchoolBoston MA;
- Salil Garg, Koch Institute for Integrative Cancer Research, Massachusetts Institute of TechnologyCambridge MA.
