Parfois, partir de zéro est la meilleure façon d’avancer.

Près d’un an après avoir commencé ses études au doctorat, Jeff s’est trouvé coincé. Il utilisait des algorithmes d’apprentissage automatique pour étudier l’évolution des cancers, mais il a constaté que plus les données expérimentales devenaient complexes plus les algorithmes existants échouaient.

Jeff avait entrepris de cartographier la façon dont les cancers individuels évoluaient au fil du temps, comme entre le diagnostic et la récidive, ou entre la survenue de la tumeur primaire et l’apparition de métastases. Advenant une réussite, ses algorithmes pourraient nous aider à comprendre quels changements cellulaires sont cancérigènes, quels changements permettent aux cellules cancéreuses de survivre au traitement et quelles cellules cancéreuses doivent être ciblées.

Face à ce qui semblait être des obstacles interminables, il a conclu que les algorithmes existants ne suffiraient pas – il devait tout recommencer.

En reprenant du début avec une nouvelle perspective, Jeff a travaillé avec son superviseur Quaid Morris, docteur en neurosciences computationnelles, dans le but de simplifier le problème. Chaque cellule cancéreuse a des milliers de mutations – des changements dans son ADN – qui la différencient des cellules normales. Ces mutations permettent aux cellules cancéreuses de se multiplier de façon fulgurante et d’envahir les autres tissus. Plutôt que d’essayer de comprendre en une seule fois comment ces mutations se sont produites, comme le font les algorithmes existants, Jeff et Quaid ont examiné le problème sous un autre angle en utilisant des paires de mutation.

Ils ont conçu une méthode qui permet de déterminer quelle mutation dans chaque paire s’est produite avant l’autre. Grâce à ces connaissances, ils peuvent ensuite reconstruire l’histoire complète de l’évolution d’un cancer, ce qui pourrait aider à prédire comment la maladie devrait répondre au traitement. Ultimement, leur méthode pourrait aider des cliniciens à choisir les traitements en gardant une longueur d’avance sur les mutations des cellules cancéreuses.

« À mesure que nos collaborateurs obtiennent des données plus approfondies sur chaque cancer, nous pouvons les aider à avoir une description précise du développement de la maladie et à prévoir la réponse au traitement, explique Jeff. Ces connaissances offrent un potentiel énorme et pourraient aider les cliniciens à mettre au point des traitements individualisés, adaptés à la maladie de chaque patient. »