Au MIT, une méthode pour mieux tester les combinaisons de traitements

Explorer un traitement isolé ne suffit pas toujours à expliquer le comportement d’une cellule malade. Dans le cancer, les maladies génétiques ou d’autres pathologies complexes, plusieurs gènes et mécanismes biologiques peuvent agir simultanément. Les scientifiques doivent donc souvent étudier l’effet combiné de plusieurs perturbations, par exemple en ciblant plusieurs gènes dans une même cellule. C’est une nécessité scientifique, mais aussi un casse-tête expérimental : le nombre de combinaisons possibles peut rapidement se chiffrer en milliards.

Des chercheurs du Massachusetts Institute of Technology, le MIT, ont développé un cadre théorique pour aider les équipes de recherche à affronter cette complexité. Leur proposition ne consiste pas à prédire directement quel médicament guérira une maladie. Elle vise plus en amont : mieux concevoir les expériences destinées à mesurer les interactions entre différents traitements ou perturbations biologiques.

L’idée centrale est d’utiliser une approche probabiliste. Au lieu de sélectionner à l’avance un petit ensemble de combinaisons à tester, chaque unité étudiée, telle qu’une cellule, reçoit aléatoirement une combinaison de traitements selon des niveaux de dosage choisis par les chercheurs. À mesure que l’expérience avance, les données recueillies aident ensuite à définir les dosages les plus informatifs pour la suite.

Pourquoi les combinaisons de traitements sont-elles si difficiles à étudier ?

Dans un protocole classique, un biologiste peut appliquer un traitement A à un premier groupe de cellules, un traitement B à un deuxième groupe, puis A et B ensemble à un troisième. Cette comparaison permet de voir si l’association produit un effet différent de la somme des effets observés séparément.

Le problème change totalement d’échelle lorsqu’il faut analyser de nombreux gènes ou traitements. Avec quelques variables seulement, toutes les possibilités restent gérables. Mais à mesure que leur nombre augmente, tester chacune des combinaisons devient trop coûteux, trop long, voire matériellement impossible. Or une cellule cancéreuse peut dépendre de plusieurs mécanismes à la fois. Neutraliser un seul gène peut n’avoir qu’un effet limité, tandis que la perturbation simultanée de deux ou plusieurs gènes peut produire un effet marqué.

Cette situation renvoie à la notion d’interaction. Deux traitements interagissent lorsque leur effet conjoint n’est pas correctement décrit par l’addition de leurs effets individuels. Une combinaison peut notamment être :

• plus efficace que prévu, ce qui peut signaler une interaction favorable ;
• moins efficace que prévu, ce qui peut révéler une redondance biologique ;
• sans effet notable, malgré l’efficacité apparente de chacun des traitements pris séparément ;
• difficile à interpréter si le plan expérimental ne distingue pas correctement les effets propres de chaque intervention.

Dans le domaine de la génétique, ces perturbations peuvent consister à modifier ou à cibler plusieurs gènes dans des cellules. L’objectif est alors de comprendre lesquels jouent un rôle dans la croissance cellulaire, la survie d’une cellule malade ou la réponse à une thérapie.

Le risque souvent invisible du biais de sélection

Face à des milliards de possibilités, les scientifiques sont obligés de choisir un sous-ensemble de combinaisons. Ce choix est raisonnable en pratique, mais il peut créer un biais de sélection. Autrement dit, les données produites reflètent surtout les combinaisons que l’équipe a décidé de tester, pas nécessairement l’ensemble des interactions réellement présentes dans le système biologique.

Ce biais ne résulte pas forcément d’une erreur. Il découle parfois de contraintes très concrètes : quantité limitée de cellules, prix des réactifs, durée des manipulations, capacité des instruments ou nombre réduit de cycles expérimentaux. Une équipe peut naturellement privilégier les couples de gènes déjà connus dans la littérature. Elle risque alors de passer à côté d’interactions plus inattendues.

Les approches traditionnelles peuvent aussi conduire à une répartition déséquilibrée des essais. Certaines combinaisons sont observées souvent, d’autres jamais. Les modèles statistiques qui tentent ensuite de déduire les interactions réelles disposent donc d’une information incomplète, structurée par les choix initiaux de l’expérimentateur.

Le cadre proposé par les chercheurs du MIT cherche donc moins à multiplier aveuglément les manipulations qu’à faire en sorte que chaque expérience apporte une information utile sur les interactions recherchées.

Une attribution aléatoire, pilotée par les niveaux de dosage

La méthode repose sur une idée probabiliste : chaque unité expérimentale reçoit aléatoirement une combinaison de traitements. Une unité peut être une cellule, mais le principe théorique s’applique plus largement à tout ensemble d’éléments soumis à des interventions.

Les chercheurs définissent des niveaux de dosage. Ces niveaux déterminent la probabilité qu’une cellule absorbe ou reçoive les différents traitements. Lorsque les dosages sont élevés, la probabilité d’absorption augmente. Lorsqu’ils sont plus faibles, les combinaisons sont distribuées autrement au sein de la population de cellules.

Cette randomisation ne signifie pas que le protocole devient imprécis ou laissé au hasard. Au contraire, le hasard est intégré dans un cadre mathématique explicite. Comme l’attribution des perturbations est connue et contrôlée statistiquement, les chercheurs peuvent estimer plus rigoureusement les effets associés aux traitements et à leurs combinaisons.

L’enjeu est important : plutôt que de demander « quelles quelques combinaisons allons-nous tester ? », le protocole pose une autre question, plus large : « quelle distribution de combinaisons et de dosages nous donnera les données les plus informatives ? ».

Des expériences qui s’ajustent au fil des résultats

Le deuxième apport du cadre théorique est son caractère adaptatif. Les résultats obtenus lors d’une première série expérimentale sont réintroduits dans l’analyse. Le cadre peut alors indiquer une stratégie de dosage plus appropriée pour les séries suivantes.

Ce mécanisme s’apparente à une boucle d’apprentissage : les premières observations servent à réduire l’incertitude, puis les choix suivants cherchent à combler les zones où les données manquent ou restent ambiguës. L’expérience ne se contente donc pas de répéter un plan fixé au départ. Elle évolue en fonction de ce qui a déjà été mesuré.

Cette logique est particulièrement pertinente lorsque les ressources sont limitées. En laboratoire, chaque série d’essais peut mobiliser du temps, des équipements et des matériaux coûteux. Si un protocole identifie plus vite les configurations réellement informatives, il peut réduire le nombre d’expériences nécessaires tout en améliorant la précision de l’estimation finale.

Les simulations menées avec cette approche ont présenté les taux d’erreur les plus faibles lors de la comparaison entre les résultats estimés et les résultats réels. Cela ne signifie pas que le cadre supprimera toutes les incertitudes biologiques. Les systèmes vivants restent variables et les mesures expérimentales comportent toujours une part de bruit. Mais la méthode fournit une façon plus structurée de répartir l’effort expérimental.

Ce que cette approche peut changer pour la recherche sur le cancer et les gènes

L’une des applications les plus évidentes concerne la recherche en cancérologie. Les cellules cancéreuses accumulent souvent plusieurs altérations génétiques et peuvent activer des mécanismes de contournement lorsqu’un seul d’entre eux est bloqué. Comprendre les interactions entre plusieurs cibles est donc essentiel pour identifier des pistes de traitement combiné.

Un tel cadre peut aussi éclairer l’étude des troubles génétiques. Certaines maladies ne résultent pas nécessairement d’un mécanisme isolé, mais d’interactions entre plusieurs facteurs biologiques. Un protocole capable de sonder efficacement de nombreuses perturbations combinées pourrait aider à mieux cartographier ces relations.

Il faut toutefois distinguer plusieurs étapes. Le cadre du MIT concerne avant tout la conception d’expériences et l’estimation d’interactions à partir de données expérimentales. Entre l’identification d’une interaction intéressante dans des cellules et la création d’un médicament, le parcours reste long. Il faut confirmer le résultat, comprendre le mécanisme, évaluer la sécurité, puis mener des études précliniques et cliniques selon les règles applicables.

L’intérêt de la méthode se situe précisément au début de cette chaîne. Si les scientifiques peuvent obtenir des données moins biaisées et plus précises, ils disposent d’une base plus solide pour sélectionner les hypothèses à approfondir.

Les limites à garder en tête

Aussi prometteur soit-il, un cadre théorique ne remplace pas le travail biologique et médical. Sa qualité dépend notamment de la pertinence du système étudié, de la fiabilité des mesures et de la façon dont les traitements sont effectivement délivrés aux cellules. Un modèle expérimental peut ne pas reproduire toute la complexité d’un organisme vivant ou d’une tumeur chez un patient.

Les chercheurs souhaitent d’ailleurs raffiner leur approche en prenant en compte des facteurs supplémentaires, notamment les interférences entre unités. Dans une expérience cellulaire, une unité ne se comporte pas forcément de manière totalement indépendante des autres. Les cellules peuvent s’influencer par leur environnement ou par des mécanismes biologiques partagés. Ignorer ces liens peut affecter l’interprétation des résultats.

La question de l’interaction entre les unités rappelle une réalité fondamentale de la biologie : les données ne sont jamais de simples lignes dans un tableau. Elles proviennent de systèmes vivants, où les effets de contexte comptent. Une méthode statistique robuste doit donc continuer à évoluer avec les techniques de laboratoire et avec la compréhension des mécanismes biologiques.

Ce qu’il faut surveiller

La prochaine étape sera de mesurer la capacité de ce cadre à s’intégrer à des expériences réelles de grande ampleur, au-delà des simulations déjà réalisées. Son utilité dépendra de sa faculté à guider concrètement les choix de dosage, à tenir compte des interférences entre unités et à produire des estimations fiables dans des contextes biologiques variés.

Pour la recherche biomédicale, l’enjeu dépasse une simple amélioration statistique. Mieux étudier les interactions complexes pourrait permettre de repérer plus efficacement des associations de cibles biologiques pertinentes, de limiter les expériences peu informatives et, à terme, d’accélérer la compréhension de maladies difficiles à traiter. L’intelligence du dispositif ne consiste pas à remplacer les scientifiques : elle sert à mieux organiser l’exploration d’un espace expérimental devenu trop vaste pour être parcouru de manière classique.