Presque 50 nouveaux traitements contre le cancer sont approuvés chaque année, une avancée encourageante. Toutefois, pour les patients et leurs médecins, il devient de plus en plus difficile de suivre ces innovations et de choisir la thérapie la plus adaptée à chaque cas, compte tenu de la particularité de chaque tumeur. Dr. Altuna Akalin, chef de la plateforme technologique Bioinformatique et Sciences des données Omiques au Berlin Institute for Medical Systems Biology (MDC-BIMSB), travaille depuis plusieurs années sur des outils d’intelligence artificielle capables de permettre des diagnostics plus précis et des traitements personnalisés. Son équipe a récemment développé Flexynesis, un outil innovant basé sur l’apprentissage profond (deep learning) qui permet d’analyser simultanément divers types de données : omiques (ADN, ARN, protéines), textes médicaux traités (rapports cliniques) et images d’imagerie (scanner, IRM). Cette capacité d’intégration multimodale permet aux cliniciens d’améliorer les diagnostics, les pronostics et les stratégies thérapeutiques. Flexynesis, décrit dans une étude publiée dans Nature Communications, répond à un besoin crucial : la plupart des méthodes existantes basées sur l’apprentissage profond sont rigides, conçues pour des tâches spécifiques, difficiles à installer ou à réutiliser. En revanche, Flexynesis est conçu comme un outil flexible, disponible via plusieurs plateformes (PyPI, Guix, Docker, Bioconda, Galaxy), facilitant son intégration dans les pipelines de recherche. « Nous menons plusieurs projets translationnels avec des médecins souhaitant identifier des biomarqueurs à partir de données omiques corrélés aux issues cliniques », explique Dr. Bora Uyar, premier auteur et co-auteur correspondant de l’étude. L’apprentissage profond, qui utilise des réseaux neuronaux complexes de centaines de couches, est particulièrement adapté à l’analyse des maladies complexes comme le cancer, où les anomalies biologiques s’accumulent à plusieurs niveaux (génétique, transcriptomique, protéomique). Flexynesis permet d’identifier non seulement le type de cancer, mais aussi les traitements les plus efficaces pour un patient donné, tout en évaluant leur impact sur la survie. Il peut également aider à déterminer l’origine d’une métastase inconnue ou à repérer des biomarqueurs pertinents pour le diagnostic et le pronostic. Contrairement à Onconaut, un outil précédent d’Akalin basé sur des biomarqueurs connus et des données de essais cliniques, Flexynesis intègre des données brutes et non structurées, offrant une approche plus complète. Bien que les données omiques ne soient pas encore couramment collectées dans les hôpitaux allemands — contrairement aux États-Unis, où elles sont régulièrement discutées dans les comités de tumeurs multidisciplinaires —, Akalin souligne que les résultats montrent une forte capacité prédictive de l’efficacité des traitements. L’outil est conçu pour être accessible même sans expertise en IA, avec une interface en ligne et des guides d’utilisation. Il vise à réduire les barrières à l’intégration de données multimodales dans les pratiques cliniques, en particulier dans les centres de recherche et les hôpitaux sans équipe spécialisée en intelligence artificielle. En résumé, Flexynesis représente une avancée majeure vers une médecine personnalisée plus intégrée et accessible, combinant puissance de l’IA et praticité pour améliorer les soins oncologiques. Son déploiement pourrait transformer la prise de décision thérapeutique, notamment dans les cancers rares ou complexes, en permettant une analyse holistique des données biologiques, cliniques et d’imagerie.