SIMCO : Stanford Medicine Dévoile Un Système De Jumeau Numérique À L'échelle Cellulaire Unique, Basé Sur 9 Médicaments Et 218 Millions De Globules Blancs, Pour Accélérer Le Développement De Traitements Contre La Prématurité

La prématurité (c'est-à-dire une grossesse de moins de 37 semaines) n'est pas un concept inconnu, mais beaucoup de futurs parents ne prennent véritablement conscience des risques élevés et des dangers associés à la prématurité qu'au moment où leur bébé naît prématurément. La prématurité survient souvent sans avertissement, même en l'absence de signes avant-coureurs ou de facteurs de risque connus, et il ne s'agit pas simplement d'une « naissance un peu plus tôt ». Plus l'âge gestationnel est faible, moins la maturité des organes tels que les systèmes respiratoire et nerveux est élevée, et plus nombreux sont les obstacles sanitaires à franchir.

Selon les données statistiques, une grossesse sur dix aboutit à une naissance prématurée dans le monde ; ce qui est encore plus inquiétant, c'est que la prématurité reste à ce jour la principale cause de décès chez les enfants de moins de cinq ans.

Heureusement, la prématurité n'est pas imprévisible ni impossible à prévenir. Les recherches actuelles indiquent que, bien que les causes soient complexes, plus de 60 % des accouchements prématurés sont des accouchements prématurés spontanés (spontaneous preterm labor, sPTL), et leur survenue est étroitement liée à un déséquilibre de la régulation immunitaire maternelle pendant la grossesse. Il est donc crucial de cibler la modulation immunitaire et d'intervenir sur le moment du déclenchement du travail. Cependant, à l'heure actuelle, la validation clinique pendant la grossesse est limitée par des contraintes éthiques et économiques, rendant extrêmement difficile la mise en œuvre à grande échelle de stratégies de prévention.

Face à ce défi, une équipe dirigée par Stanford Medicine a développé un système de jumeau numérique de précision au niveau de la cellule unique, piloté par l'intelligence artificielle, nommé Simulated Immunome Modeling of Clinical Outcomes (SIMCO). Ce système peut simuler le système immunitaire maternel pour tester des médicaments destinés à prévenir la prématurité. Au lieu de faire directement participer des femmes enceintes aux essais, il permet de tester virtuellement diverses combinaisons de médicaments via des jumeaux numériques, facilitant ainsi la validation à grande échelle des stratégies de prévention du sPTL. De plus, cette méthode pourrait à l'avenir guider des protocoles personnalisés pour des cas spécifiques dans le cadre d'essais cliniques.

Les résultats de ces recherches ont été publiés dans la revue Science Advances sous le titre « Single-cell–level digital twins for preterm birth prevention strategies ».

Points forts de la recherche :

• Mise en place du système de jumeau numérique immunitaire SIMCO, à résolution de cellule unique, pour surmonter les difficultés des essais cliniques pendant la grossesse.

• Identification de médicaments candidats et de combinaisons thérapeutiques présentant un potentiel de prévention de la prématurité, et élucidation des mécanismes moléculaires cellulaires.

• Introduction du modèle d'apprentissage par transport optimal dans l'immunologie obstétricale, offrant un nouveau paradigme computationnel pour une prévention personnalisée et précise de la prématurité.

Lien vers l'article :

https://www.science.org/doi/10.1126/sciadv.aed2741

Création d'un grand jeu de données de perturbation médicamenteuse in vitro couvrant entièrement le niveau de la cellule unique

Ensemble d'entraînement : Atlas de perturbation de masse cytométrique à l'échelle de la cellule unique (mass cytometry single-cell perturbation atlas)

Concernant les méthodes traditionnelles, en raison de l'absence de résolution au niveau de la cellule unique, les modèles existants peinent à détecter les mécanismes spécifiques aux types cellulaires et les effets hors cible, ce qui entrave également la conception de protocoles d'intervention personnalisés. Pour résoudre ce problème, les chercheurs ont spécifiquement généré un atlas de perturbation de masse cytométrique à l'échelle de la cellule unique pour l'entraînement du modèle SIMCO.

Plus précisément (comme illustré ci-dessous / dans le tableau), l'étude a recruté 8 volontaires non enceintes (au cours de la première semaine du cycle menstruel) et 11 volontaires au deuxième trimestre de la grossesse (entre 20+0 et 27+7 semaines d'aménorrhée), afin de réaliser un dépistage de multiples médicaments évaluant l'effet immunomodulateur de 9 candidats (chlorthalidone, maprotiline, metformine, lansoprazole, pravastatine, rifabutine, acide salicylique (SA), SA+lansoprazole (SALPZ), 5-méthyltétrahydrofolate (THF)) sur la prévention du sPTL.

Il convient de noter que ce test a été réalisé à l'hôpital Stanford University dans la ville de Stanford, en Californie (États-Unis), et a obtenu l'approbation du comité d'éthique (IRB) (numéro de protocole 68417). Tous les volontaires étaient des femmes âgées de 18 à 45 ans, avec un IMC < 40, et ne suivaient aucun traitement immunomodulateur en cours. Le deuxième trimestre a été choisi comme point de prélèvement car il se situe encore dans la phase de maintien de la grossesse, avant l'activation progressive des voies inflammatoires précédant l'accouchement, ce qui permet de capturer l'impact potentiel des candidats sur l'immunome des femmes enceintes. Les échantillons du groupe témoin non enceint ont été prélevés au début du cycle menstruel, durant la phase folliculaire précoce, afin de refléter un état hormonal bas.

Pour chaque candidat, l'étude a sélectionné la forme du composé prédominante dans le sang après administration orale ; pour certains médicaments, leurs métabolites actifs correspondants ont été utilisés (comme le THF et le SA). Les concentrations expérimentales ont été définies en fonction des concentrations plasmatiques in vivo correspondant aux doses orales standard. Comme indiqué dans le tableau ci-dessous :

Le criblage a été configuré avec 96 conditions de test, chaque condition nécessitant seulement 100 μl d'échantillon de sang total. Le traitement expérimental a été effectué dans les 30 à 60 minutes suivant le prélèvement sanguin in vivo. Pour chaque condition, des perturbations pharmacologiques simultanées ont été mises en place avec 8 traitements (comprenant LPS, IFN-α, IL-33, GM-CSF, TNFα, un mélange IL2/4/6, PI, ainsi qu'un contrôle sans stimulation), incubés ensemble pendant 2 heures, afin de détecter des réponses immunitaires spécifiques aux types cellulaires et aux stimuli, proches des états physiologiques.

Pour éviter les biais de lot, tout en enregistrant les erreurs de tri par code-barres et les taux de récupération cellulaire, l'étude a adopté un nouveau schéma de code-barres par spectrométrie de masse pour l'élimination des doublets, développé récemment. Ce schéma sélectionne des combinaisons de 4 isotopes parmi 9 (Pd104, Pd105, Pd106, Pd108, Pd110, Pt194, Pt195, Pt196 et Au197), générant au total 126 code-barres disponibles, parmi lesquels les 96 les plus purs ont été sélectionnés pour correspondre aux 96 conditions expérimentales.

Parallèlement, une analyse par cytométrie en masse a été réalisée simultanément pour évaluer les réponses fonctionnelles de 28 sous-populations de cellules immunitaires via les changements d'expression de 12 protéines intracellulaires phosphorylées et de 8 marqueurs d'activation. Au final, la carte des perturbations à l'échelle de la cellule unique construite couvre 80 conditions de perturbation et 218 millions de leucocytes. Pour chaque individu, la combinaison de 8 stimuli × 28 sous-populations de cellules immunitaires × 20 protéines fonctionnelles a permis d'obtenir un total de 4 480 caractéristiques par groupe.

Ensemble de test : jeu de données indépendant en cytométrie en masse collecté par Stelzer et al. (Independent dataset)

Ce jeu de données provient d'un jeu de données longitudinal en cytométrie en masse publié précédemment par l'équipe de recherche, utilisé principalement comme jeu de données de référence clinique pour les expériences de simulation. Il comprend des prélèvements sanguins effectués chez 63 volontaires au cours des 120 derniers jours précédant un accouchement spontané, avec 1 à 3 prélèvements par personne. Pour les simulations, seuls 177 échantillons non stimulés ont été utilisés : 153 échantillons à terme (provenant de 58 patients) et 14 échantillons prématurés (provenant de 5 patients). Comme illustré ci-dessous :

CellOT+Stabl construit un système de jumeau numérique à l'échelle de la cellule unique pour simuler les effets thérapeutiques

L'objectif principal de la conception de SIMCO n'est pas simplement de prédire si une femme enceinte accouchera prématurément, mais plutôt d'atteindre l'objectif clinique de prévention de l'accouchement prématuré en appliquant des interventions pharmacologiques personnalisées à des patients spécifiques. En d'autres termes, il s'agit de déterminer si les médicaments peuvent modifier l'issue clinique finale et s'ils produisent des résultats efficaces pour chaque patient. Sur cette base, l'équipe de recherche a proposé une approche de conception innovante pour SIMCO, combinant la simulation des réponses immunitaires à l'échelle de la cellule unique et la modélisation des issues cliniques pour répondre aux besoins susmentionnés. Plus précisément, cela se décompose en trois étapes, comme illustré ci-dessous :

Première étape : SIMCO utilise l'apprentissage par transport optimal (OT) de CellOT pour s'entraîner sur des jeux de données de perturbation à l'échelle de la cellule unique en haute dimension, et encode les réponses immunitaires après perturbation pharmacologique à la résolution de la cellule unique ; CellOT réalise l'apprentissage OT basé sur un réseau de neurones convexe entrée (Input convex neural network), comprenant 4 couches cachées entièrement connectées. Son avantage réside dans sa capacité à prédire avec une grande précision les réponses de perturbation hétérogènes des cellules uniques. Dans cette étude, les chercheurs ont affiné la structure du réseau en ajoutant une structure en goulot d'étranglement à quatre couches (128, 128, 64 et 32), et ont réduit la dimension de l'espace latent de 50 à 42 pour éviter le surapprentissage, avec un cycle d'entraînement fixé à 50 000 epochs.

Deuxième étape : SIMCO transfère les lois de perturbation cellulaire unique apprises à un autre jeu de données indépendant en immunomique, ce jeu ne contenant que des échantillons de référence (non stimulés ou non traités) ainsi que les issues cliniques associées correspondantes. Ensuite, sur la base de ces échantillons de référence, SIMCO simule les réponses immunitaires des cellules uniques face aux perturbations (par exemple, stimulation in vitro ou traitement médicamenteux), générant ainsi pour chaque patient une paire de jumeaux numériques immunomiques de contrôle, l'un recevant le médicament candidat et l'autre ne le recevant pas.

Troisième étape : SIMCO utilise l'algorithme d'apprentissage automatique sparse Stabl pour construire un modèle de prédiction multivarié des issues cliniques, basé sur l'ensemble d'entraînement des patients et les données immunitaires simulées. Sur l'ensemble de test des patients réservé, SIMCO compare les prédictions pour chaque patient entre les deux types de jumeaux numériques (traité vs non traité). Cette différence permet de quantifier l'impact du médicament sur l'issue clinique, permettant à SIMCO de modéliser le potentiel immunomodulateur des médicaments candidats et d'aider à l'élaboration de plans de traitement personnalisés.

En ce qui concerne les paramètres spécifiques des ressources de calcul, CellOT est exécuté en utilisant le package Python officiel CellOT version 0.1. L'entraînement est déployé sur la plateforme cloud Sherlock de Stanford, avec une demande de mémoire maximale de 32 Go, une durée d'exécution maximale de 20 heures par tâche et un maximum de 16 GPU utilisés par tâche. Stabl est exécuté en utilisant le package Python Stabl 1w. L'analyse de données de base comprend la correction de la variabilité temporelle, la régularisation des jeux de données, etc., et dépend des packages Python Scipy 1.10.4, scikit-learn 1.5.2, pandas 2.2.3 et numpy 1.26.4. La visualisation utilise seaborn 0.13.2 et matplotlib 3.10.3.

Les jumeaux numériques au niveau cellulaire posent les bases de la prévention personnalisée de la prématurité à l'avenir

L'étude a d'abord validé les capacités du modèle de prédiction des perturbations cellulaires individuelles SIMCO. SIMCO est entraîné séparément par type cellulaire : sur la base des témoins DMSO (échantillons non stimulés), il apprend la réponse cellulaire à la stimulation ; dans chaque condition de stimulation, toujours sur la base des témoins DMSO, il apprend la réponse induite par le traitement médicamenteux. Lors des simulations de transfert entre jeux de données, le modèle n'utilise que les 13 marqueurs fonctionnels communs entre le jeu de données perturbé et le jeu de données indépendant pour l'entraînement. La méthode d'évaluation utilise une stratégie de validation croisée quadruple, incluant trois indicateurs : l'erreur absolue moyenne (MAE), le coefficient de détermination (R²) et la distance maximale de moyenne des carrés (MMD).

Les résultats (comme illustrés ci-dessous) montrent que SIMCO surpasse toutes les lignes de base d'entraînement sur tous les indicateurs, indiquant sa capacité à capturer avec précision l'hétérogénéité des patients et à réaliser une modélisation précise des perturbations individualisées. En comparant les marqueurs ayant une réponse forte (différence arcsinh > 0,1) sous stimulation IL-2/4/6, la distribution des valeurs simulées correspond à celle des valeurs mesurées, prouvant que le modèle SIMCO peut caractériser avec précision l'hétérogénéité cellulaire au niveau des cellules individuelles. Fait encore plus remarquable, l'erreur de simulation est fortement corrélée aux différences intrinsèques de réponse au signal entre les patients (coefficient de Spearman R=0,93) ; même face aux réponses de signal présentant les plus grandes différences individuelles, SIMCO parvient à préserver les différences relatives entre les patients sans effacer les distinctions individuelles.

L'étude a ensuite continué à valider la prédiction par SIMCO de l'impact des traitements sur la date d'accouchement. L'étude a d'abord construit un modèle multivarié épars basé sur les données des jumeaux numériques cellulaires individuels non traités, capable de prédire avec précision le temps restant jusqu'à l'accouchement (coefficient de corrélation de Pearson R=0,64, racine carrée de l'erreur quadratique moyenne (RMSE) = 24,1 jours, dont 24 jours pour le groupe à terme ; 25,4 jours pour le groupe prématuré). De plus, en combinant la prédiction de la date d'accouchement avec les points temporels d'échantillonnage pour estimer la durée de grossesse prévue, SIMCO peut distinguer avec précision les modèles de jumeaux numériques à terme et prématurés, avec AUROC=0,75 (IC 95 % 0,59-0,88) et AUPRC=0,29 (0,12-0,54), comme illustré ci-dessous.

Il est à noter que l'ajout des caractéristiques simulées par CellOT améliore significativement les performances de prédiction de SIMCO par rapport à l'utilisation seule des caractéristiques réelles des données non stimulées : le coefficient de corrélation de Pearson passe de 0,34 à 0,61, l'AUROC augmente de 0,69 à 0,75 et l'AUPRC progresse de 0,24 à 0,34 ; même comparé aux modèles multivariés construits à partir des caractéristiques réelles complètes du jeu de données indépendant, l'ajout des caractéristiques simulées par CellOT permet d'obtenir une amélioration stable mais modeste des performances, par exemple le coefficient de corrélation de Pearson passe de 0,79 à 0,82.

Les chercheurs ont ensuite utilisé SIMCO pour simuler la différence de prédiction du temps de travail entre les jumeaux numériques traités par des médicaments candidats et ceux non traités, montrant que la Maprotiline, le THF et le SALPZ peuvent globalement retarder la date d'accouchement prédite. En revanche, d'autres médicaments candidats présentent des effets biphasiques en fonction des fenêtres temporelles de la grossesse.

En ce qui concerne les effets cumulatifs du traitement sur les patients, comparés selon la durée de la grossesse, les trois médicaments ayant l'effet le plus fort dans les résultats de simulation SIMCO sont le THF (moyenne 24,7 jours, écart interquartile (IQR) = 11,4-45,9), la Maprotiline (moyenne 18,8 jours, IQR = 8,6-27,5) et le SALPZ (moyenne 17,3 jours, IQR = 11,4-33,8). Bien entendu, tous les patients ne bénéficient pas nécessairement d'un traitement spécifique dans la pratique clinique réelle ; c'est pourquoi les chercheurs ont également quantifié l'hétérogénéité de ces trois médicaments parmi les patients : la proportion de patients bénéficiant des protocoles THF, SALPZ et Maprotiline est respectivement de 90,5 %, 87,3 % et 82,5 % ; alors que l'utilisation isolée du SA ne permet de prolonger la gestation que chez 46 % des patients.

De plus, l’étude a élucidé les mécanismes de la boîte noire dans l’expérience, offrant des aperçus mécanistiques sur les stimuli et les médicaments. Les caractéristiques clés utilisées pour prédire le moment de l’accouchement sont au nombre de 21, dont 5 parmi les 10 premières représentent les réponses des voies de signalisation des lymphocytes T CD4⁺. Il convient de noter que la diminution des niveaux de pSTAT3 en réponse au GM-CSF, au TNF-α, au PI et à l’IFN-α est corrélée aux points temporels précoces de la grossesse, ce qui signifie que l’activation de STAT3 s’intensifie à mesure que l’accouchement approche. Parallèlement, les niveaux basaux de pS6 et les niveaux de pS6 induits par le TNF-α dans les granulocytes diminuent à l’approche de l’accouchement. À l’inverse, la THF et la SALPZ compensent ces caractéristiques immunitaires liées à la progression de la grossesse en inhibant de manière continue la signalisation pSTAT3 dans les lymphocytes T CD4⁺ naïfs et en renforçant la réponse pS6 dans les granulocytes. Globalement, la THF et la SALPZ ont eu un effet bénéfique sur 7 des 10 premières caractéristiques.

Cependant, l’étude a également découvert que certains médicaments font évoluer certains marqueurs immunitaires vers des caractéristiques associées au stade tardif de la grossesse et à l’imminence de l’accouchement. Par exemple, la THF et la SALPZ inhibent fortement l’activation de pMK2 dans les cellules non-macrophages (ncMCs) après stimulation par le PI, et inhibent l’activation de pCREB dans les monocytes intermédiaires (intMCs) après stimulation par le GM-CSF, alors que ces caractéristiques devraient normalement présenter une activation plus précoce avant l’accouchement. Lors de la prédiction des résultats du jumeau numérique thérapeutique, SIMCO ne juge pas qu’un médicament favorise l’accouchement prématuré en raison d’un seul « signal défavorable ». Il intègre intrinsèquement les effets multiples de la modulation immunitaire sur l’ensemble des cellules, des conditions de stimulation et des voies de signalisation, calcule l’effet net et évalue ainsi systématiquement et quantitativement si le médicament prolonge ou raccourcit finalement la durée de la grossesse.

Conclusion

En résumé, face à l’accouchement prématuré, défi mondial majeur en matière de fertilité, le système de jumeau numérique mono-cellulaire SIMCO nous ouvre de nouvelles perspectives. Les essais cliniques d’interventions médicamenteuses pendant la grossesse ont longtemps été contraints par des considérations éthiques et des coûts élevés, rendant difficile la validation préliminaire à grande échelle des candidats. SIMCO offre une nouvelle approche combinant expériences in vitro et criblage virtuel par calcul, permettant d’évaluer en priorité le potentiel des candidats médicaments avant leur passage aux essais humains. Cet outil mono-cellulaire permet de prédire l’effet des médicaments sur l’état immunitaire maternel et le moment de l’accouchement, et pourrait à l’avenir servir de référence pour la conception de protocoles personnalisés de prévention de l’accouchement prématuré.

L’étude a également découvert que le protocole combiné SALPZ possède des caractéristiques de modulation immunitaire uniques, distinctes de celles de l’aspirine ou du lansoprazole en monothérapie. L’effet thérapeutique n’est pas une simple addition, ce qui suggère l’existence d’interactions entre les médicaments. Le cadre SIMCO lui-même, ainsi que les candidats tels que la THF et la SALPZ qui ont montré un potentiel lors des simulations, indiquent des pistes prometteuses pour les recherches mécanistiques futures et les essais cliniques dans la prévention de l’accouchement prématuré.