Une équipe de chercheurs dirigée par Orly Alter, à l'Université de l'Utah, a mis au point une nouvelle approche d'intelligence artificielle inspirée de la mécanique quantique pour personnaliser les traitements du cancer. Cette méthode, publiée dans la revue APL Quantum et présentée en janvier 2024, vise à surmonter les limites des algorithmes d'apprentissage automatique traditionnels en oncologie. Les modèles d'IA classiques nécessitent des bases de données massives, contenant souvent des millions d'exemplaires pour un nombre restreint de caractéristiques génétiques. Cette contrainte rend leur application difficile dans les essais cliniques, où le recrutement de patients est généralement limité à quelques dizaines ou centaines de personnes. Pour modéliser intégralement le génome humain, une approche conventionnelle nécessiterait des dizaines de billions d'échantillons, ce qui est irréalisable. La technique développée à l'Université de l'Utah contourne ce problème en traitant des données multidimensionnelles avec un nombre minimal de patients. En s'appuyant sur les concepts quantiques d'intrication et de superposition, le framework utilise des algorithmes de décomposition spectrale multitensorielle. Ce procédé segmente les millions de caractéristiques moléculaires issues des tumeurs et du sang des patients en ensembles orthogonaux de motifs liés. Cette approche permet d'extraire des informations pertinentes à chaque niveau des données biologiques, même avec un petit volume d'échantillons. Lors d'analyses sur des cas de neuroblastome, un cancer infantile fréquent, l'algorithme a isolé deux nouveaux prédicteurs de l'espérance de vie et de la réponse aux traitements. Ces marqueurs ont systématiquement surpassé les biomarqueurs conventionnels et se sont révélés reproductibles sur des cohortes traitées à différents moments et dans divers établissements. Contrairement aux réseaux de neurones qui fonctionnent comme des boîtes noires opaques, les prédicteurs issus de cette méthode sont entièrement interprétables. Ils identifient des mécanismes pathologiques précis et signalent des cibles géniques à modifier pour sensibiliser les tumeurs aux médicaments. L'équipe a d'ailleurs confirmé expérimentalement ces prédictions sur le glioblastome chez l'adulte à l'aide de l'outil d'édition génétique CRISPR-Cas9, validant ainsi la pertinence clinique de leurs modèles. Cette avancée technologique trouve déjà une application commerciale via la startup Prism AI Therapeutics, Inc., née de la spinoff universitaire. L'entreprise aide les laboratoires pharmaceutiques à optimiser le développement de médicaments en ciblant les profils moléculaires des patients les plus susceptibles de bénéficier des essais cliniques. À terme, l'équipe ambitionne de généraliser cette méthodologie à un seul individu, atteignant ainsi l'objectif ultime de la médecine de précision. En raison de son indépendance vis-à-vis du type de données, l'algorithme pourrait également être transposé à d'autres secteurs, comme la recherche sur l'énergie durable.