PaccMan, INtERAcT et PIMKL : ce sont les 3 solutions d’apprentissage automatique contre le cancer que présentent les chercheurs Matteo Manica (sciences cognitives) et Joris Cadow (data science) dans un article publié le 22 juillet 2019 sur le blog de recherche d’IBM. Ces initiatives seront détaillées lors de la 18e Conférence européenne sur la biologie informatique (ECCB) et de la 27e Conférence sur les systèmes intelligents de biologie moléculaire (ISMB), deux événements qui se tiennent simultanément à Bâle (Suisse) du 21 au 25 juillet 2019. Les chercheurs soulignent qu’elles ont été conçues dans l’objectif de « mieux comprendre les principaux moteurs et mécanismes moléculaires » des cancers ainsi que « les différences de composition tumorale observées » pour les différents types de cancer.
• Avec PaccMann, « l‘apprentissage en profondeur peut aider à prévoir et à expliquer l’efficacité des médicaments », expliquent les 2 experts. La solution, dont l’acronyme signifie « Prévision de la sensibilité des composés anticancéreux par réseaux de neurones multimodaux basés sur l’attention », utilise « des données provenant de sources disparates pour aider à prédire comment les cellules d’un tissu cancéreux réagiront à un médicament donné ». Les chercheurs estiment qu’identifier à un stade précoce les composés qui s’avéreront les plus efficaces permettrait de réduire les coûts liés à la recherche de nouveaux médicaments, alors qu’actuellement « développer et faire approuver un seul médicament anticancéreux peut coûter des centaines de millions de dollars », indiquent-ils.
• L’outil INtERAcT (pour « Inférence de réseaux d’interaction à partir de représentations vectorielles de mots ») est capable d’automatiser l’extraction de connaissances à partir de publications scientifiques. « Une énorme quantité de connaissances sur les interactions protéiques est enfouie sous forme de textes non structurés, d’images et de graphiques » dans les quelque 17 000 articles publiés annuellement sur le cancer, un chiffre très supérieur aux capacités de lecture de tout scientifique, expliquent les 2 spécialistes. INtERAcT permet de quantifier les interactions entre protéines à partir d’un grand nombre de publications biomédicales sans qu’aucune édition ou annotation manuelle de ces textes ne soit nécessaire.
• Le programme PIMKL (pour « Apprentissage multi-noyau induit par trajectoire ») vise pour sa part à prévoir la progression du cancer à partir de données moléculaires extraites d’échantillons de tissus malades et à classifier les patients en conséquence afin d’améliorer la personnalisation des thérapies. IBM a déployé PIMKL sur son cloud, de sorte que les chercheurs peuvent accéder au service web ou utiliser le code source, et exploiter leurs propres données pour mener des expériences.