Nous vous rappelons que la réunion mensuelle en ligne de Club de biologie synthétique (club SB) se tiendra AUJOURD'HUI Lundi 27 juin 2022 à 12h00 (EST).. S'il vous plaît, Cliquez ici pour vous inscrire après quoi vous recevrez le lien de la rencontre (zoom).

Titre: "Apprentissage automatique interprétable pour la découverte dans le domaine du cancer"

Présentateur: Haitham Elmarakeby, instructeur au Dana-Farber Cancer Institute, Harvard Medical School, Broad Institute of MIT et Harvard, États-Unis

Temps: Lundi 27 juin 2022 à 12h00 (EST).

Endroit: En ligne (via Zoom). Le lien zoom de la rencontre vous est fourni par mail après votre inscription. Cliquez ici enregistrer.

Résumé: Malgré les progrès réalisés dans le traitement du cancer de la prostate, y compris la thérapie de privation d'androgènes, le cancer de la prostate métastatique résistant à la castration (mCRPC) reste largement incurable. Les avancées récentes dans la collecte et le partage de grandes quantités d'enregistrements génomiques de patients atteints d'un cancer de la prostate primaire et métastatique n'ont pas encore été associées aux avancées dans le développement de modèles informatiques pour faire la lumière sur la biologie sous-jacente du mCRPC. Ici, nous avons développé un modèle d'apprentissage en profondeur biologiquement informé (P-NET) qui peut identifier avec précision des échantillons de cancer de la prostate avancé en fonction de leurs profils génomiques. En utilisant une architecture de modèle clairsemée qui code différentes entités biologiques, notamment des gènes, des voies et des processus biologiques, nous avons pu interpréter le modèle d'une manière qui ne correspond pas aux modèles d'apprentissage en profondeur typiques. De manière systématique et impartiale, P-NET a récupéré la biologie connue du mCRPC via la perturbation AR, TP53, RB1 et PTEN, ainsi que des gènes moins attendus tels que MDM4. Nous avons montré expérimentalement que MDM4 médie la résistance à l'enzalutamide, montrant qu'il peut être une cible thérapeutique potentielle. Nous prévoyons que notre modèle sera utile à la fois pour prédire les résultats cliniques des patients atteints de cancer et pour générer des hypothèses biologiques afin de mieux comprendre la biologie sous-jacente du cancer.