L’objectif du projet était de développer des modèles d’apprentissage profond (DL) permettant de prédire la réponse aux médicaments en monothérapie et en thérapie combinée dans le cancer, ainsi que d’identifier des biomarqueurs de sensibilité aux traitements.
L’équipe a développé plusieurs modèles DL. TINDL prédit la réponse clinique aux médicaments des tumeurs à partir de lignées cellulaires cancéreuses, en exploitant l’expression génique et les informations tissulaires des échantillons. En utilisant des techniques d’intelligence artificielle explicable (XAI), il identifie systématiquement les gènes contribuant de manière significative à la prédiction, en tant que cibles thérapeutiques potentielles pour surmonter la résistance aux médicaments.
BiG DRP+ étend les capacités de prédiction de la réponse aux médicaments des modèles précédents à une grande variété de médicaments et de familles de médicaments, incluant à la fois les chimiothérapies et les thérapies ciblées. Il exploite l’expression génique, la structure chimique des médicaments et les valeurs de réponse aux traitements grâce à un réseau de convolution sur graphes hétérogènes, afin de prédire la réponse à un large éventail de médicaments.
Enfin, MARSY est un modèle d’apprentissage profond multitâche qui prédit non seulement la réponse à des médicaments individuels, mais permet également d’estimer les scores de synergie de combinaisons de médicaments contre le cancer. De plus, l’équipe a mené une étude sur les approches XAI appliquées à la prédiction de la réponse aux médicaments afin d’établir des lignes directrices et des bonnes pratiques pour rendre les modèles DL interprétables.
Les modèles computationnels développés, désormais accessibles à la communauté, offrent un cadre polyvalent de « essais cliniques in silico ». Ce cadre permet de déterminer la meilleure stratégie thérapeutique pour un patient et de proposer de nouvelles combinaisons de médicaments pour traiter et/ou surmonter la résistance aux traitements anticancéreux, avec un impact potentiel sur la vie de millions de personnes au Canada et dans le monde.