Le cancer est une maladie caractérisée par la croissance et la division anormales des cellules dans le corps. Les tumeurs peuvent affecter n’importe quelle partie du corps et peuvent être bénignes (non cancéreuses) ou malignes (cancéreuses), se propageant à d’autres parties du corps par la circulation sanguine ou le système lymphatique.
Un modèle prédictif a été développé qui permet aux chercheurs d’encoder des instructions que les cellules doivent exécuter.
Des scientifiques au Université de Californie, San Francisco (UCSF) et Recherche IBM ont créé une bibliothèque virtuelle de milliers de “phrases de commande” pour les cellules utilisant l’apprentissage automatique. Ces « phrases » sont basées sur des combinaisons de « mots » qui dirigent les cellules immunitaires modifiées pour trouver et éliminer en continu les cellules cancéreuses.
Cette recherche, récemment publiée dans la revue La scienceest la première fois que des techniques informatiques avancées sont appliquées à un domaine qui a traditionnellement progressé par l’expérimentation par essais et erreurs et l’utilisation de molécules préexistantes plutôt que synthétiques pour concevoir des cellules.
Cette avancée permet aux scientifiques de prédire quels éléments – naturels ou synthétisés – ils doivent inclure dans une cellule pour lui donner les comportements précis nécessaires pour répondre efficacement à des maladies complexes.
“Il s’agit d’un changement vital pour le domaine”, a déclaré Wendell Lim, Ph.D., professeur émérite Byers de pharmacologie cellulaire et moléculaire, qui dirige l’UCSF Cell Design Institute et a dirigé l’étude. “Ce n’est qu’en ayant ce pouvoir de prédiction que nous pouvons arriver à un endroit où nous pouvons rapidement concevoir de nouvelles thérapies cellulaires qui réalisent les activités souhaitées.”
Rencontrez les mots moléculaires qui font des phrases de commande cellulaires
Une grande partie de l’ingénierie cellulaire thérapeutique consiste à choisir ou à créer des récepteurs qui, ajoutés à la cellule, lui permettront d’exercer une nouvelle fonction. Les récepteurs sont des molécules qui relient la membrane cellulaire pour détecter l’environnement extérieur et fournir à la cellule des instructions sur la façon de réagir aux conditions environnementales.
Mettre le bon récepteur dans un type de cellule immunitaire appelé cellule T peut le reprogrammer pour reconnaître et tuer les cellules cancéreuses. Ces soi-disant récepteurs antigéniques chimériques (CAR) ont été efficaces contre certains cancers mais pas contre d’autres.
Lim et l’auteur principal Kyle Daniels, Ph.D., chercheur dans le laboratoire de Lim, se sont concentrés sur la partie d’un récepteur situé à l’intérieur de la cellule, contenant des chaînes de
” data-gt-translate-attributes=”[{“attribute=””>acidesaminés[{“attribute=””>aminoacids, appelés motifs. Chaque motif agit comme un « mot » de commande, dirigeant une action à l’intérieur de la cellule. La façon dont ces mots sont liés dans une « phrase » détermine les commandes que la cellule exécutera.
De nombreuses cellules CAR-T d’aujourd’hui sont conçues avec des récepteurs leur ordonnant de tuer le cancer, mais aussi de faire une pause après un court laps de temps, ce qui revient à dire : « Éliminez certaines cellules voyous et respirez ensuite ». En conséquence, les cancers peuvent continuer à se développer.
L’équipe pensait qu’en combinant ces “mots” de différentes manières, ils pourraient générer un récepteur qui permettrait aux cellules CAR-T de terminer le travail sans prendre de pause. Ils ont créé une bibliothèque de près de 2 400 phrases de commande combinées au hasard et en ont testé des centaines dans des lymphocytes T pour voir leur efficacité dans la lutte contre la leucémie.
Ce que la grammaire des commandes cellulaires peut révéler sur le traitement des maladies
Ensuite, Daniels s’est associé à la biologiste computationnelle Simone Bianco, Ph.D., directrice de recherche au centre de recherche IBM Almaden au moment de l’étude et maintenant directrice de la biologie computationnelle chez Altos Labs. Bianco et son équipe, les chercheurs Sara Capponi, Ph.D., également chez IBM Almeden, et Shangying Wang, Ph.D., qui était alors postdoctorant chez IBM et est maintenant chez Altos Labs, ont appliqué de nouvelles méthodes d’apprentissage automatique aux données pour générer des phrases réceptrices entièrement nouvelles qui, selon eux, seraient plus efficaces.
“Nous avons changé certains des mots de la phrase et lui avons donné un nouveau sens”, a déclaré Daniels. “Nous avons conçu de manière prédictive des lymphocytes T qui tuaient le cancer sans faire de pause parce que la nouvelle phrase leur disait:” Éliminez ces cellules tumorales voyous et continuez. “”
L’association de l’apprentissage automatique et de l’ingénierie cellulaire crée un nouveau paradigme de recherche synergique.
“Le tout est définitivement plus grand que la somme de ses parties”, a déclaré Bianco. “Cela nous permet d’avoir une image plus claire non seulement de la façon de concevoir des thérapies cellulaires, mais aussi de mieux comprendre les règles qui sous-tendent la vie elle-même et comment les êtres vivants font ce qu’ils font.”
Compte tenu du succès des travaux, a ajouté Capponi, “Nous allons étendre cette approche à un ensemble diversifié de données expérimentales et, espérons-le, redéfinir la conception des lymphocytes T.”
Les chercheurs pensent que cette approche produira des thérapies cellulaires pour l’auto-immunité, la médecine régénérative et d’autres applications. Daniels s’intéresse à la conception de cellules souches auto-renouvelables pour éliminer le besoin de don de sang.
Il a déclaré que le véritable pouvoir de l’approche informatique s’étend au-delà de la création de phrases de commande, à la compréhension de la grammaire des instructions moléculaires.
“C’est la clé pour fabriquer des thérapies cellulaires qui font exactement ce que nous voulons qu’elles fassent”, a déclaré Daniels. “Cette approche facilite le passage de la compréhension de la science à l’ingénierie de son application dans la vie réelle.”
Référence : “Décodage du phénotype des cellules CAR T à l’aide de bibliothèques de motifs de signalisation combinatoires et d’apprentissage automatique” par Kyle G. Daniels, Shangying Wang, Milos S. Simic, Hersh K. Bhargava, Sara Capponi, Yurie Tonai, Wei Yu, Simone Bianco et Wendell A Lim, le 8 décembre 2022, La science.
DOI : 10.1126/science.abq0225
L’étude a été financée par les National Institutes of Health.
