” 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.