L’apprentissage automatique peut contribuer à améliorer la production de médicaments à partir de cultures cellulaires en affinant et en quantifiant les expériences sur les milieux de culture cellulaire. C’est le point de vue de Bei-Wen Ying, PhD, chercheur à l’Université de Tsukuba au Japon.
Ying, qui a fait une présentation au PEGS Europe en novembre, estime que les expériences visant à optimiser les milieux de croissance cellulaire doivent être reproductibles. Toutefois, cela n’a pas toujours été le cas dans les sciences de la vie.
«Pour les biologistes et les scientifiques de la vie, améliorer les cultures cellulaires pour stimuler la production (de médicaments) est une sorte d’art», explique-t-elle.
« Nous pouvons fabriquer des voitures et des fusées compliquées, mais nous ne pouvons même pas produire la plus petite cellule et, par conséquent, pour les biologistes en culture cellulaire, l’amélioration de la productivité (dépend traditionnellement) de leurs connaissances et de leur expérience (personnelles). »
Approche basée sur les données
Comme elle l’explique, cette approche pratique peut entraîner des problèmes. « Il n’y a pas de règle en matière d’optimisation moyenne. C’est pourquoi c’est un art », explique-t-elle.
En revanche, l’apprentissage automatique est une approche basée sur les données pour trouver le support le plus productif parmi d’innombrables combinaisons possibles, ajoute-t-elle.
Lors d’expériences impliquant l’informatique, toute expérience doit être réalisée quantitativement de la même manière à chaque fois.
« Vous devez changer la manière dont les expériences biologiques sont réalisées, en utilisant la science des données et l’apprentissage automatique pour garantir qu’elles sont réalisées de manière contrôlée et prédictive », explique Ying.
La mise en œuvre de l’apprentissage automatique nécessite d’énormes quantités de données à analyser par les algorithmes, ce qui à son tour nécessite la robotique. L’équipe de Ying a mené une expérience utilisant l’apprentissage automatique sur les données collectées par des lecteurs de plaques automatisés. Ces données collectées à partir de plaques à 96 puits contenaient des cellules dans différentes conditions de culture.
De vastes ensembles de données peuvent être utilisés par l’apprentissage automatique pour faire des prédictions afin de mieux choisir les conditions des milieux de culture, explique-t-elle. Par exemple, l’équipe a découvert qu’il existait un compromis entre la vitesse de croissance cellulaire, le taux de division cellulaire et la concentration maximale de cellules.
« Le modèle vous dit : soit vous avez besoin de plus de cellules, soit elles doivent croître rapidement – vous ne pouvez pas avoir les deux », dit-elle.
En outre, dit-elle, l’expérience modèle montre que, pour une croissance cellulaire rapide, les sulfures et/ou d’autres composants pourraient être plus importants que le glucose en tant que composants de l’alimentation cellulaire.
Comme elle l’explique, ces prédictions peuvent aider à optimiser et à améliorer la productivité cellulaire dans la fabrication et ne seraient pas possibles sans l’apprentissage automatique.
« Si vous ne travailliez pas sur ces études », dit-elle, « vous penseriez que le glucose comme source de carbone (pour les cellules) est la meilleure solution. »
