Le machine learning améliore la prédiction des néoantigènes immunogènes

Certaines formes de cancer renferment de nombreuses mutations, mais seule une sous-population restreinte, généralement quelques dizaines, peut être intégrée dans la stratégie d'immunothérapie. Ainsi, l'étape cruciale du processus d'immunothérapie consiste à choisir soigneusement les mutations ayant le plus grand potentiel de réussite pour l’immunothéapie.

L’étude* menée par Markus Müller et dirigée par Michal Bassani-Sternberg, a analysé les données de séquençage d'une centaine de patients atteints de cancer. Allant au-delà des caractéristiques conventionnelles de priorisation des néoantigènes, l'étude a identifié des déterminants clés tels que l'emplacement du néo-peptide dans les points chauds de présentation HLA, la promiscuité de liaison et l'oncogénicité du gène muté, fournissant des informations cruciales pour la prédiction de l'immunogénicité.

En intégrant des méthodes d'apprentissage automatique, l'équipe a développé des classificateurs qui ont prédit avec précision l'immunogénicité des néoantigènes dans des ensembles de données divers, améliorant de 30% le classement des néoantigènes. De plus, la recherche a abouti à des ensembles de données normalisés précieux pour faire progresser et évaluer les algorithmes associés dans les immunothérapies basées sur les néoantigènes.

Cette recherche novatrice ouvre de nouvelles perspectives pour les immunothérapies en offrant une compréhension approfondie de la sélection des néoantigènes et de son impact sur l'immunogénicité, visant en fin de compte à révolutionner les stratégies de traitement du cancer.

La recherche a été soutenue par le Ludwig Institute pour la Recherche sur le Cancer, l'Hôpital Universitaire de Lausanne (CHUV), l'Université de Lausanne (UNIL), la Fondation Suisse pour la Recherche sur le Cancer et le Fonds National Suisse de la Recherche Scientifique.

* Machine learning methods and harmonized datasets improve immunogenic neoantigen prediction