L'IA lit les tumeurs du sein comme un livre ouvert
Depuis plusieurs années, la médecine personnalisée a fait de l'hétérogénéité tumorale l'un de ses chevaux de bataille. Car une même tumeur peut renfermer plusieurs visages, plusieurs identités biologiques, plusieurs comportements. Cette variabilité interne complique le travail des chercheurs, rend les traitements moins efficaces et favorise les rechutes.
Mais que se passerait-il si l'on pouvait explorer chaque cellule tumorale individuellement ? Lire sa programmation génétique, son degré de différenciation, sa capacité à proliférer, à se cacher du système immunitaire ? C'est exactement ce qu'a réussi une équipe américaine avec AAnet, un outil d'intelligence artificielle conçu pour lire les tumeurs comme un livre ouvert.
Leurs travaux, parus en juin 2025 dans Cancer Discovery — revue de très haut niveau de l'AACR —, marquent un tournant dans l'analyse fine des tumeurs du sein.
Comprendre l'outil AAnet : une IA au service de la cartographie cellulaire
AAnet (Archetype Analysis Network) repose sur une combinaison de deep learning et de techniques de transcriptomique à cellule unique (scRNA-seq) et spatiale. Concrètement, l'IA apprend à identifier des "archétypes" cellulaires — c'est-à-dire des profils géniques types, qui désignent des comportements biologiques spécifiques.
Dans cette étude, les chercheurs ont analysé des tumeurs issues de patientes atteintes de cancers du sein triple négatif, HER2+ ou ER+. Le modèle AAnet a permis de distinguer cinq grands groupes cellulaires distincts à l'intérieur même des masses tumorales.
Chaque groupe présente des caractéristiques propres :
- activité mitotique intense
- hypoxie et stress oxydatif
- interactions immunitaires locales
- métabolisme spécifique
- ou encore différenciation terminale
Ce niveau de lecture cellule-par-cellule dépasse ce que la pathologie classique ou même les outils d'analyse spatial standard pouvaient identifier. AAnet agit comme un décodeur cellulaire, capable de détecter des nuances invisibles à l'œil nu (et même au microscope).
Pourquoi c'est un tournant pour la cancérologie ?
Car l'existence de ces différents types cellulaires dans une tumeur n'est pas une simple curiosité biologique : elle explique en partie les résistances aux traitements et les échecs de certaines chimiothérapies ou immunothérapies.
Un enjeu clinique majeur
Les traitements actuels ciblent généralement une population dominante — mais que se passe-t-il quand une autre, minoritaire, résiste et relance la machine tumorale ? AAnet offre ici un outil puissant pour mieux comprendre cette dynamique, anticiper les comportements de rechute, et surtout adapter les thérapies aux sous-populations cellulaires présentes.
En identifiant des archétypes, les cliniciens pourraient un jour prévoir la réponse d'une tumeur à un traitement, voire combiner plusieurs approches pour couvrir l'ensemble des cellules.
Et demain ? Un outil transposable et personnalisable
Bien que l'étude se concentre sur le cancer du sein, l'approche AAnet est transposable à d'autres tumeurs solides. En effet, la stratégie de détection d'archétypes s'appuie sur des signatures géniques et non sur un tissu particulier.
Perspectives d'avenir
Cela ouvre la voie à une médecine encore plus personnalisée, où chaque patient pourrait avoir une cartographie cellulaire de sa propre tumeur, à partir de laquelle serait défini un protocole de soin adapté.
Dans cette perspective, les outils d'IA comme AAnet ne remplacent pas les cliniciens ou chercheurs, mais deviennent leurs partenaires d'analyse, capables de traiter des volumes massifs de données et de révéler des patterns invisibles autrement.
L'IA permet aujourd'hui d'entrer au cœur même des tumeurs, cellule par cellule, pour mieux les comprendre et mieux les combattre. AAnet est une étape importante vers une oncologie de précision, où chaque patient pourrait bénéficier d'une stratégie adaptée à l'architecture réelle de son cancer.
Lire dans les tumeurs comme dans un livre ? C'est désormais possible. Et ce n'est que le début.
📃 Pour aller plus loin
📔 Article scientifique complet : Cancer Discovery, juin 2025
https://aacrjournals.org/cancerdiscovery/article/doi/10.1158/2159-8290.CD-24-0684
