Comment l’intelligence artificielle a trouvé les mots pour tuer les cellules cancéreuses
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 de l’Université de Californie à San Francisco (UCSF) et d’IBM Research 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 pourrons 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 au laboratoire de Lims, se sont concentrés sur la partie d’un récepteur situé à l’intérieur de la cellule, contenant des chaînes de
Les acides aminés sont un ensemble de composés organiques utilisés pour fabriquer des protéines. Il existe environ 500 acides aminés naturels connus, bien que seulement 20 apparaissent dans le code génétique. Les protéines sont constituées d’une ou plusieurs chaînes d’acides aminés appelées polypeptides. La séquence de la chaîne d’acides aminés amène le polypeptide à se plier en une forme qui est biologiquement active. Les séquences d’acides aminés des protéines sont codées dans les gènes. Neuf acides aminés protéinogènes sont appelés "essentiel" pour les humains parce qu’ils ne peuvent pas être produits à partir d’autres composés par le corps humain et doivent donc être consommés comme nourriture.
» data-gt-translate-attributes= »[{ » attribute= » »>amino acids, referred to as motifs. Each motif acts as a command word, directing an action inside the cell. How these words are strung together into a sentence determines what commands the cell will execute.
Many of todays CAR-T cells are engineered with receptors instructing them to kill cancer, but also to take a break after a short time, akin to saying, Knock out some rogue cells and then take a breather. As a result, the cancers can continue growing.
The team believed that by combining these words in different ways, they could generate a receptor that would enable the CAR-T cells to finish the job without taking a break. They made a library of nearly 2,400 randomly combined command sentences and tested hundreds of them in T cells to see how effective they were at striking leukemia.
What the Grammar of Cellular Commands Can Reveal About Treating Disease
Next, Daniels partnered with computational biologist Simone Bianco, Ph.D., a research manager at IBM Almaden Research Center at the time of the study and now Director of Computational Biology at Altos Labs. Bianco and his team, researchers Sara Capponi, Ph.D., also at IBM Almeden, and Shangying Wang, Ph.D., who was then a postdoc at IBM and is now at Altos Labs, applied novel machine learning methods to the data to generate entirely new receptor sentences that they predicted would be more effective.
We changed some of the words of the sentence and gave it a new meaning, said Daniels. We predictively designed T cells that killed cancer without taking a break because the new sentence told them, Knock those rogue tumor cells out, and keep at it.
Pairing machine learning with cellular engineering creates a synergistic new research paradigm.
The whole is definitely greater than the sum of its parts, Bianco said. It allows us to get a clearer picture of not only how to design cell therapies, but to better understand the rules underlying life itself and how living things do what they do.
Given the success of the work, added Capponi, We will extend this approach to a diverse set of experimental data and hopefully redefine T-cell design.
The researchers believe this approach will yield cell therapies for autoimmunity, regenerative medicine, and other applications. Daniels is interested in designing self-renewing stem cells to eliminate the need for donated blood.
He said the real power of the computational approach extends beyond making command sentences, to understanding the grammar of the molecular instructions.
That is the key to making cell therapies that do exactly what we want them to do, Daniels said. This approach facilitates the leap from understanding the science to engineering its real-life application.
Reference: Decoding CAR T cell phenotype using combinatorial signaling motif libraries and machine learning by Kyle G. Daniels, Shangying Wang, Milos S. Simic, Hersh K. Bhargava, Sara Capponi, Yurie Tonai, Wei Yu, Simone Bianco and Wendell A. Lim, 8 December 2022, Science.
DOI: 10.1126/science.abq0225
The study was funded by the National Institutes of Health.