À gauche, capture d'écran d'une observation réelle des déplacements de lymphocytes T CD8+, sans traitement. À droite, capture d'écran vidéo générée par intelligence artificielle simulant l’effet du CK666, une molécule utilisée en recherche pour perturber la mobilité cellulaire. La simulation fait apparaître une diminution globale de la mobilité des cellules, cohérente avec les observations expérimentales réalisées sous CK666.
Observer les écosystèmes tumoraux dans la durée
Les progrès de la vidéomicroscopie permettent aujourd’hui de suivre, pendant plusieurs jours, l’évolution de cellules et leurs interactions. Associées à de nouveaux modèles tumoraux en trois dimensions, les technologies dites de Tumor-on-Chip, ou « tumeur sur puce », ouvrent ainsi de nouvelles perspectives pour étudier les écosystèmes tumoraux et observer les effets de traitements anticancéreux en temps réel.
Ces observations produisent toutefois des volumes de données aussi riches que complexes. Les cellules présentent des comportements hétérogènes, dont les variations restent difficiles à repérer et à quantifier avec les outils classiques d’analyse d’images. Comment identifier, dans ces séquences, les changements qui révèlent une réponse au traitement ?
Générer des vidéos pour rendre les différences visibles
Le projet porté par Arnaud Aillaud propose de développer une méthode d’analyse reposant sur des modèles génératifs profonds : des modèles d’intelligence artificielle capables d’apprendre à produire des images et des vidéos.
Le principe consiste à apprendre au système à générer deux vidéos étroitement liées, représentant les mêmes cellules dans des conditions légèrement différentes. Leur superposition doit permettre de faire apparaître des écarts mesurables dans la dynamique cellulaire, afin de mieux caractériser les interactions à l’œuvre.
Cette approche associe deux expertises : la génération conditionnelle d’images, pour rendre les différences entre conditions plus interprétables, et la génération de vidéos, pour prendre en compte l’évolution des phénomènes dans le temps. Les ressources de calcul mises à disposition par GENCI soutiennent le développement de ces modèles d’apprentissage profond.
Mieux décrypter la réponse à une immunothérapie
Dans un premier temps, la méthode est testée sur des vidéos de lymphocytes T CD8+ issus d’une culture d’origine humaine, observés en l’absence de cellules tumorales. Les vidéos présentées simulent l'effet de molécules expérimentales, comme CK666 ou Y-27632, utilisées en laboratoire pour modifier la motilité cellulaire. À terme, cette approche sera appliquée à des modèles de tumeurs sur puce de cancer du sein triple négatif et de cancer du poumon à petites cellules.
Les chercheurs étudieront la réponse de ces écosystèmes tumoraux à une immunothérapie ciblant le point de contrôle immunitaire PD-1. L’objectif est d’analyser plus finement les changements de dynamique et d’interaction entre les cellules en présence du traitement, pour mieux comprendre les mécanismes de cette réponse.
Le projet relève à ce stade du développement méthodologique et de la recherche sur des modèles expérimentaux. Il vise à fournir de nouveaux outils de compréhension des phénomènes biologiques, dont le potentiel devra être évalué au fil des validations.
Le calcul au service de la recherche sur le cancer
L’approche sera également explorée en embryologie, pour analyser les dynamiques du développement embryonnaire. Ces deux champs d’application partagent un même défi : extraire une information biologique pertinente de séquences d’images complexes.
À l’occasion d’Octobre Rose, ce projet illustre la contribution du calcul intensif et de l’intelligence artificielle à la recherche sur le cancer du sein. En donnant aux chercheurs les moyens de développer de nouvelles méthodes d’analyse, GENCI accompagne une ambition : mieux comprendre les interactions cellulaires et leur évolution face aux traitements.
Le projet porté par Arnaud Aillaux a bénéficie de 20.000 heures GPU sur le supercalculateur Jean Zay, hébergé et opéré par l'IDRIS - CNRS
Les vidéos ont été acquises à l'Institut Curie par l'équipe de Maria Carla Parrini, équipe Stress et cancer
Les modèles d'IA ont été développés par Arnaud Aillaux à l'Institut de Biologie de l'ENS (IBENS) sous la supervision d'Auguste Genovesio