Réseaux moléculaires artificiels (AMoNet) pour les immunothérapies ciblées : production du logiciel

Les méthodes d’apprentissage profond devraient être plus efficaces que les biomarqueurs uniques ou les signatures  » statiques  » pour la prédiction des comportements dynamiques des cellules cancéreuses. Nous développons une nouvelle approche, appelée AMoNet, à la frontière entre l’apprentissage profond et la biologie des systèmes, en générant des cellules virtuelles optimisées pour simuler l’effet des immunothérapies au sein de tumeurs porteuses d’altérations moléculaires, de manière dynamique. Le modèle apprend efficacement les comportements des systèmes biologiques à partir de données publiques et non publiques. Son potentiel de généralisation combinatoire est en cours d’évaluation sur de larges cohortes de patients caractérisés sur le plan moléculaire et traités dans le cadre d’essais cliniques précoces avec immunothérapies. Cette approche « end-to-end » et interprétable vise à anticiper le comportement des tumeurs sous différentes séquences de traitement, facilitant ainsi les approches thérapeutiques personnalisées en temps réel, tout en initiant une méthode originale d’apprentissage profond adapté aux problématiques biologiques et cliniques de l’onco-immunologie.

Sujets relatifs

APPEL À PROJET 14 / 2025
Développement d’un anticorps thérapeutique ciblant les macrophages associés aux tumeurs dans le cancer du poumon
Mary Poupot
Centre de Recherche en Cancérologie ed Toulouse
APPEL À PROJET 14 / 2025
Epigenomic Profiling of Circulating Free DNA (cfDNA) to Characterize the Dynamic Evolution of Extensive Stage Small Cell Lung Cancer Molecular Subtypes During First-Line Chemo-Immunotherapy (EPICIRC SCLC).
Simon Baldacci
CHU de Lille
APPEL À PROJET 14 / 2025
Nouvelles immunothérapies anti-tumorales dans les tumeurs rhabdoïdes : ciblage des rétrovirus endogènes
Valeria Manriquez
Institut Curie - Centre de Recherche