Indice Kinic : un modèle prédictif piloté par intelligence artificielle et un cadre de découverte de médicaments multicybles pour les patients atteints de carcinome hépatocellulaire

Pourquoi cette recherche compte

Le cancer du foie est l’un des cancers les plus meurtriers au monde, en partie parce que les tumeurs varient fortement d’un patient à l’autre et résistent souvent aux traitements actuels. Cette étude présente une nouvelle méthode pour classer les patients atteints de cancer du foie en groupes de risque et, simultanément, rechercher de nouveaux médicaments adaptés à leur maladie. En utilisant des techniques avancées d’intelligence artificielle (IA), les auteurs ont construit un outil appelé Indice Kinic qui relie de subtils marquages chimiques sur les protéines à la survie des patients et à des cibles médicamenteuses prometteuses.

Un nouveau marquage chimique aux grandes conséquences

Ces dernières années, des scientifiques ont découvert un nouveau type d’étiquette chimique sur les protéines des cellules hépatiques, appelée isoniotinylation. Ces petits marquages peuvent modifier la façon dont l’ADN est compacté et la manière dont les gènes liés au cancer sont activés ou réprimés. L’équipe a rassemblé de larges jeux de données provenant de centaines de tumeurs hépatiques et de foies sains pour repérer les gènes dont l’activité est liée à cette nouvelle modification. Ils ont identifié des dizaines de ces gènes et montré que beaucoup d’entre eux s’insèrent dans des voies biologiques contrôlant la gestion des lipides, le métabolisme des médicaments et d’autres composés, ainsi que la croissance et la dissémination des cancers.

Classer les patients en risques plus élevés et plus faibles

Pour traduire ces découvertes en application clinique, les scientifiques ont utilisé l’apprentissage automatique pour regrouper les patients atteints de cancer du foie en fonction de l’activité des gènes associés à l’isoinotinylation. Deux sous‑groupes principaux sont apparus. Un sous‑groupe présentait une activité renforcée de certains gènes et une survie globale nettement plus mauvaise. Ce groupe à haut risque montrait également des signes d’un environnement tumoral plus agressif : division cellulaire accélérée, instabilité génétique accrue et un paysage immunitaire suggérant que les tumeurs pouvaient échapper aux défenses de l’organisme. L’autre sous‑groupe présentait des voies de détoxication et de métabolisme plus actives et avait de meilleurs résultats, laissant entendre que ces profils moléculaires pourraient aider les cliniciens à prévoir l’évolution des patients.

Un score IA qui met en lumière deux gènes clés

À partir de ces profils, les chercheurs ont élaboré l’Indice Kinic, un score piloté par IA combinant plusieurs méthodes d’apprentissage automatique pour prédire le risque de décès d’un patient. Ils ont testé plus d’une centaine de combinaisons de modèles et choisi celle qui offrait les meilleures performances à la fois dans une grande base de données sur le cancer et dans une cohorte indépendante de patients. Le score s’est avéré être un prédicteur robuste et indépendant de la survie, même après ajustement sur l’âge et le stade tumoral. De manière importante, une technique appelée SHAP, qui explique les décisions des modèles d’IA, a mis en avant deux gènes — CYP2C9 et G6PD — comme étant les plus influents. Des analyses en cellule unique et spatiales ont montré que ces deux gènes sont principalement actifs dans des cellules hépatiques malignes à fort potentiel de dissémination, et que leur activité est étroitement liée aux interactions entre les tumeurs et les cellules immunitaires et de soutien voisines.

Des scores de risque aux médicaments candidats

L’étude ne s’est pas arrêtée à la simple pronostication. L’équipe a utilisé un cadre d’apprentissage profond appelé GraphBAN pour cribler plus de 200 000 composés chimiques en vue de leur capacité à se lier à CYP2C9 et G6PD. Ils ont ensuite appliqué un outil d’IA qui prédit l’absorption, le métabolisme et la tolérance d’un composé dans l’organisme, réduisant la liste à quelques molécules de type médicament. Des simulations de docking informatique ont suggéré que deux candidats, chacun ciblant l’une des protéines clés, s’inséraient bien dans des poches très favorables de leurs cibles et formaient des complexes stables au fil du temps. Ces résultats proposent des points de départ concrets pour de nouveaux médicaments conçus pour perturber les points faibles métaboliques des tumeurs hépatiques mis en évidence par l’Indice Kinic.

Ce que cela signifie pour les soins futurs

En termes simples, ce travail montre comment l’IA peut relier trois étapes cruciales des soins oncologiques modernes : comprendre comment un nouveau marquage protéique façonne le comportement tumoral, transformer ce savoir en un score de risque qui distingue les patients fragiles des patients plus stables, et cibler rapidement de nouveaux candidats‑médicaments qui atteignent les bonnes cibles moléculaires. Si ces résultats sont confirmés par des études complémentaires et des essais cliniques, l’Indice Kinic pourrait aider les cliniciens à identifier les patients atteints de cancer du foie nécessitant des traitements plus intensifs, à sélectionner des thérapies adaptées à la biologie de leur tumeur et à guider le développement de médicaments multi‑cibles anticipant et contrant la résistance aux traitements.

Citation: Zhou, J., Jiang, Y., Yu, M. et al. Kinic index: an artificial intelligence-driven predictive model and multitarget drug discovery framework for hepatocellular carcinoma patients. npj Precis. Onc. 10, 132 (2026). https://doi.org/10.1038/s41698-026-01324-1

Mots-clés: carcinome hépatocellulaire, oncologie de précision, intelligence artificielle, modification épigénétique, découverte de médicaments