Identification de cibles médicamenteuses en immunothérapie par apprentissage automatique et validation dans des explants tumoraux dérivés de patients

Pourquoi cela compte pour les patients atteints de cancer

L’immunothérapie a transformé la prise en charge du cancer, mais la plupart des patients n’en tirent toujours pas bénéfice. Cette étude propose une nouvelle méthode pour trier d’énormes volumes de données biologiques afin de repérer de nouvelles cibles thérapeutiques susceptibles d’aider le système immunitaire à attaquer les tumeurs plus efficacement. En combinant apprentissage automatique avancé et tests sur de vrais échantillons tumoraux de patients, ce travail offre un modèle pour découvrir des stratégies d’immunothérapie de nouvelle génération.

Une carte intelligente pour trouver de nouvelles vulnérabilités du cancer

Les chercheurs ont construit un système appelé MIDAS qui considère le corps humain comme un réseau complexe de gènes et de cellules en interaction. Plutôt que d’analyser un seul type de données à la fois, MIDAS rassemble plusieurs couches d’information : altérations de l’ADN tumoral, activité génique, comportement des cellules immunitaires dans les tumeurs, peptides présentés à la surface des cellules, et influence des variantes génétiques sur la maladie. Ces indices différents sont tissés en une unique carte d’interactions gène–gène, sur laquelle un réseau de neurones graphe apprend des motifs distinguant des cibles d’immunothérapie connues d’autres gènes.

Comment le moteur d’apprentissage est testé

Pour vérifier si MIDAS était réellement utile pour la découverte de médicaments, l’équipe a conçu plusieurs épreuves de robustesse. D’abord, ils ont demandé si des gènes entrés en essais cliniques d’immunothérapie après 2019 étaient bien classés par un modèle entraîné uniquement sur des données disponibles jusqu’à cette année. MIDAS a réussi cet exercice, attribuant des scores plus élevés à ces cibles “futures” qu’à des gènes choisis au hasard. Ensuite, le système avait tendance à attribuer des scores plus élevés aux cibles d’immunothérapie déjà approuvées qu’à celles encore en début d’essais cliniques, bien qu’on ne lui ait pas dit quels gènes y étaient arrivés. Troisièmement, lorsqu’il a été confronté à de nouveaux jeux de données patient non utilisés lors de l’entraînement, MIDAS a retrouvé de nombreux gènes dont les niveaux d’activité diffèrent entre répondeurs et non-répondeurs aux inhibiteurs de points de contrôle, ce qui suggère qu’il capture des caractéristiques réelles de l’interaction tumeur–immunité.

Ce que le modèle apprend sur le système immunitaire

En regardant sous le capot, les auteurs ont constaté que MIDAS se concentre fortement sur des voies déjà connues comme cruciales pour les réponses immunitaires anti-cancer, telles que les signaux qui ordonnent aux cellules T de s’activer ou de se reposer. Les caractéristiques reflétant la régulation des gènes entre eux, ainsi que les liens avec des maladies auto-immunes, se sont révélées particulièrement informatives. Cela a du sens biologiquement : des gènes susceptibles de suractiver le système immunitaire dans des affections auto-immunes pourraient, s’ils sont ciblés avec précaution, aider à déclencher des attaques immunitaires contre les tumeurs. Le réseau d’interactions entre gènes s’est aussi avéré essentiel ; lorsque les connexions du réseau étaient aléatoirement brouillées, les performances du modèle chutaient fortement, montrant que la structure de la carte biologique elle-même est un ingrédient clé.

Des prédictions informatiques au tissu tumoral réel

À partir de sa liste de priorités, MIDAS a mis en évidence une paire de signalisation appelée oncostatine M (OSM) et son récepteur OSMR, ainsi qu’une enzyme régulatrice PTPN22. Des travaux antérieurs chez l’animal suggéraient que OSM–OSMR pouvait favoriser des environnements pro-tumeur, mais cela n’avait pas été exploré en profondeur dans le tissu cancéreux humain. L’équipe a testé ces cibles à l’aide d’explants tumoraux dérivés de patients, de petits morceaux de mélanome cultivés brièvement hors du corps qui préservent la composition originale en cellules tumorales et immunitaires. Le blocage de la signalisation OSM–OSMR dans ces explants a entraîné une diminution du nombre de cellules T CD8 dites dysfonctionnelles, un état associé à de meilleures réponses à l’immunothérapie, et des niveaux réduits de la molécule CCL4, liée aux macrophages favorisant la tumeur. En revanche, l’inhibition de PTPN22 a produit des changements plus subtils dans le comportement des cellules T qui n’ont pas atteint une signification statistique claire dans cette petite série.

Ce que cela signifie pour les traitements futurs du cancer

Globalement, l’étude montre que MIDAS peut exploiter des données complexes pour repérer des cibles médicamenteuses pertinentes dans de véritables tumeurs humaines, et pas seulement dans des lignées cellulaires ou des modèles de laboratoire simplifiés. Le travail soutient l’idée que la signalisation OSM–OSMR contribue à façonner un microenvironnement tumoral immunosuppresseur et que bloquer cette voie pourrait être une stratégie d’immunothérapie prometteuse méritant des tests supplémentaires en oncologie. Plus largement, l’approche démontre comment la combinaison de données patients riches, d’intelligence artificielle basée sur les réseaux et de tests fonctionnels sur tissu dérivé de patients peut rendre la recherche de nouvelles cibles d’immunothérapie du cancer plus efficace et mieux ancrée dans la biologie humaine.

Citation: Augustine, M., Nene, N.R., Fu, H. et al. Immunotherapy drug target identification using machine learning and patient-derived tumour explant validation. Nat Mach Intell 8, 670–689 (2026). https://doi.org/10.1038/s42256-026-01201-3

Mots-clés: immunothérapie du cancer, découverte de cibles médicamenteuses, réseaux de neurones graphiques, microenvironnement tumoral, apprentissage automatique en oncologie