Des scientifiques de l’EPFL ont mis au point un modèle d’IA qui analyse les tissus tumoraux de nombreux types de cancer. À terme, il doit permettre de mieux identifier et prédire la réponse au traitement ainsi que l’évolution de l’état des patientes et patients.Une tumeur ne se résume pas à ses cellules cancéreuses. Les cellules immunitaires, les vaisseaux sanguins et autres tissus environnants influencent la façon dont un cancer se développe et réagit au traitement. Deux tumeurs avec les mêmes types de cellules peuvent réagir de manière très différente à un même traitement, selon la disposition de ces cellules. La protéomique spatiale étudie cette organisation au niveau moléculaire, mais les données obtenues, qui contiennent de nombreuses variables différentes, sont difficiles à interpréter et à comparer d’une étude à l’autre.Pour relever ce défi, le groupe Intelligence artificielle en médecine moléculaire, dirigé par Charlotte Bunne, rattachée aux facultés Informatique et de communications et Sciences de la vie de l’EPFL, a conçu Virtual Tissues (VirTues), un modèle de base pour la biologie tissulaire. Il apprend à partir de données de protéomique spatiale issues de différentes études et portant sur divers types de cancer. Il peut être utilisé pour étudier la biologie à différentes échelles, des cellules individuelles aux coupes tissulaires entières, en passant par l’évolution clinique des patientes et patients. Ces travaux ont été publiés dans Nature.Mesurer des dizaines de protéines à la fois« Savoir que telles cellules sont présentes ne constitue qu’une partie du tableau, précise Charlotte Bunne. Nous devons aussi connaitre où elles se trouvent et comment elles interagissent. » Répondre à cette question pour un grand nombre de patientes et patients relève autant d’un problème de calcul que d’un problème biologique.« En oncologie, la quantité de données générées par l’analyse des tissus a connu une croissance exponentielle ces dernières années », avance Andreas Wicki, oncologue à l’Université de Zurich et à l’Hôpital universitaire de Zurich, qui a participé à ces travaux. « La modélisation informatique est un atout essentiel pour rendre ces données exploitables au profit des patients en milieu clinique. »Comme VirTues peut intégrer des protéines mesurées dans différentes études, pour différents types de cancer et différents panels, tout nouvel échantillon de tissu peut être comparé et analysé dans le même cadre. Chaque nouvelle étude s’appuie sur la représentation apprise par le modèle et l’enrichit, au lieu de devoir créer un nouveau modèle à partir de zéro.« Cette flexibilité est l’un des principaux atouts de VirTues », assure Johann Wenckstern, doctorant au sein du groupe de Charlotte Bunne et premier auteur de l’étude. « Elle nous permet d’intégrer des ensembles de données dans un atlas unique, d’analyser des tissus issus de différentes études de la même manière et de confirmer rapidement des découvertes chez différents groupes de patients. »Les données tissulaires peuvent répondre à de nombreuses questions biologiques et cliniques différentes, mais la plupart des modèles computationnels sont conçus pour en traiter une à la fois. En revanche, VirTuessuit la logique des modèles de base utilisés pour le langage : il est entraîné de manière générale plutôt que pour une seule tâche prédéfinie, et, au lieu d’apprendre les relations entre les mots, il apprend les relations entre les protéines, les cellules et leur contexte spatial, créant ainsi une représentation commune pouvant être appliquée à différentes analyses.Deux avancées majeures « En tant qu’outil d’analyse, VirTues traite des questions pour lesquelles un laboratoire aurait besoin de méthodes distinctes, poursuit Charlotte Bunne. On peut l’utiliser pour comparer des groupes de patientes et patients, déterminer quels schémas spatiaux les distinguent et découvrir des biomarqueurs spatiaux associés à la progression de la maladie et à la réponse au traitement. La question change, mais le modèle sous-jacent reste le même. »Grâce à VirTues, l’équipe a réalisé deux avancées majeures. Tout d’abord, elle a constitué le plus grand ensemble de données ouvertes de mesures protéomiques spatiales à ce jour, comprenant plus de 12 000 images provenant de plus de 5 000 personnes réparties dans 31 cohortes cliniques. Deuxièmement, elle a développé une nouvelle architecture Transformer, un type de modèle d’IA conçu pour apprendre des schémas complexes dans de grands ensembles de données, qui permet à VirTues d’apprendre à partir de données protéomiques spatiales issues de différentes études, même lorsque des ensembles de protéines différents sont mesurés.« Les possibilités offertes par un tel modèle de base pour l’oncologie de précision sont remarquables : elles vont d’une compréhension très précise des types de cellules et des états d’une tumeur à l’indication d’un meilleur choix thérapeutique », explique Olivier Michielin, responsable de l’oncologie de précision à l’Hôpital universitaire de Genève, qui a aussi participé à l’étude. « L’intégration de VirTues dans nos comités tumoraux locaux et nationaux d’oncologie de précision devrait constituer la prochaine étape logique. »Construire un patient virtuelCes travaux s’inscrivent dans le cadre d’un projet plus vaste de cinq ans intitulé « Virtual Patient Labs : simulation et diagnostics basés sur l’IA pour l’oncologie de précision ». Ce projet, pour lequel Charlotte Bunne a reçu le prix Lopez-Loreta 2026, permettra de créer un modèle computationnel fonctionnel de la biologie d’une personne, à partir de ses propres données. Il est suffisamment détaillé pour que les cliniciennes et les cliniciens puissent l’utiliser afin de prédire l’évolution d’une maladie et le traitement susceptible d’être efficace. VirTues fournit la composante tissulaire, qui sera combinée à la pathologie de routine, aux informations génétiques, aux données cliniques et à d’autres dossiers du patient.« Un atlas n’a d’utilité clinique que s’il permet d’y intégrer un nouveau patient ou patiente. Un échantillon prélevé à Genève peut être comparé à des milliers d’échantillons collectés ailleurs. Cela replace l’échantillon tissulaire individuel dans un contexte biologique et clinique beaucoup plus large, résume Charlotte Bunne. Mais décrire l’état d’un patient ou d’une patiente n’est qu’une première étape. Le plus difficile est de passer de la description d’un tissu à la prédiction de son évolution sous un traitement donné. Il faut désormais tester dans quels cas cela peut améliorer les décisions cliniques. »Autres contributeursUniversité de ZurichHôpital universitaire de ZurichUniversité de GenèveHôpitaux universitaires de Genève