IA générative et cancer : comment Google et Yale ont identifié un médicament pour  » réveiller  » le système immunitaire

Une intelligence artificielle développée par Google (DeepMind) et l’université Yale a identifié un usage inédit pour un médicament existant susceptible d’aider le système immunitaire à détecter certaines tumeurs. La découverte, présentée dans une prépublication, a été validée par des expériences en laboratoire, mais elle reste à confirmer par des essais précliniques et cliniques.

Un modèle de langage spécialisé en biologie unicellulaire

Le modèle, baptisé C2S-Scale (Cell2Sentence-Scale 27B), est un grand modèle de langage (LLM) de plus de 27 milliards de paramètres entraîné sur des profils génétiques issus de plus de 50 millions de cellules, convertis en texte. Conçu pour  » comprendre  » et prédire le comportement des cellules individuelles, il permet de simuler en quelques heures des effets que des expériences en laboratoire prendraient beaucoup plus de temps et coûteraient davantage.

Comment l’IA a été utilisée

Les chercheurs ont demandé au modèle d’évaluer l’effet de plus de 4 000 molécules sur des  » patients numériques  » représentant différents contextes immunitaires. L’objectif était d’identifier des composés capables de transformer des tumeurs  » froides  » – peu détectées par le système immunitaire – en tumeurs  » chaudes « , visibles par les lymphocytes T et donc plus susceptibles de répondre à l’immunothérapie.

• Simulation de milliers d’interactions molécule-cellule sur des échantillons numériques.
• Comparaison entre contexte immunitaire  » positif  » et  » neutre « , avec ou sans interférons.
• Sélection de candidats déjà approuvés ou en développement pour accélérer la validation.

Résultat : le Silmitasertib mis en lumière

Le modèle a prédit que le Silmitasertib, un médicament initialement conçu pour bloquer une enzyme favorisant la survie des cellules tumorales, pouvait, en combinaison avec de faibles doses d’interférons, augmenter la présentation d’antigènes à la surface des cellules cancéreuses. Cette présentation sert de  » carte d’identité  » permettant aux lymphocytes T de reconnaître et d’attaquer les cellules malignes.

Les expérimentations in vitro menées par les auteurs ont montré, selon le blog de Google et la prépublication, une augmentation d’environ 50 % de la présentation d’antigènes avec la combinaison Silmitasertib-interféron. Les auteurs estiment que cette stratégie pourrait potentiellement rendre visibles une large proportion des tumeurs jusque-là insensibles à l’immunothérapie.

Promesses et limites

• Validation expérimentale initiale en laboratoire compatible avec la prédiction de l’IA.
• La prépublication n’a pas encore été évaluée par les pairs, étape nécessaire pour consolider ces résultats.
• Des essais précliniques (modèles animaux) puis cliniques (chez l’humain) sont indispensables avant toute application thérapeutique : plusieurs mois voire des années sont à prévoir.
• Des experts interrogés soulignent le potentiel important de la méthode tout en rappelant que, à ce stade, il y a davantage de promesse que de preuve définitive.

Contexte plus large : l’IA dans la découverte de médicaments

Cette avancée s’inscrit dans l’essor de la médecine  » prédictive  » et de l’utilisation des LLM en biologie et en pharmacologie. Selon des données récentes, le nombre de molécules liées à l’IA ayant atteint des essais cliniques a fortement augmenté ces dernières années. Quelques chiffres et exemples cités par les chercheurs :

• En 2023, 67 molécules identifiées ou optimisées avec l’aide de l’IA ont atteint des essais cliniques, contre une seule huit ans plus tôt (source : cabinet de conseil).
• Le Rentosertib, décrit comme généré par IA, a atteint la phase 2 des essais cliniques en 2023.
• Les auteurs de la prépublication évoquent des taux de réussite supérieurs en phase 1 pour les molécules issues d’algorithmes d’IA (80-90 %) mais un rendement comparable aux moyennes historiques en phase 2 (environ 40 %).

Ces éléments suggèrent que l’IA peut accélérer la génération d’hypothèses et la sélection de candidats thérapeutiques, réduisant le temps et le coût du développement, tout en nécessitant des validations expérimentales et cliniques rigoureuses.

Conclusion

La prédiction de C2S-Scale et sa validation in vitro constituent un signal encourageant sur la capacité des modèles de langage spécialisés à orienter la recherche oncologique. Néanmoins, il reste nécessaire d’attendre des évaluations indépendantes et des essais plus avancés avant de pouvoir parler d’une nouvelle option thérapeutique pour les patients.