Une détection par UV et IA pour sécuriser plus vite les thérapies cellulaires

Une thérapie cellulaire n’est pas un médicament que l’on peut simplement prélever sur une étagère. Elle est fabriquée à partir de cellules vivantes, dans un processus où la qualité microbiologique est déterminante. Si des bactéries ou d’autres microbes contaminent une culture, le produit ne peut pas être administré tel quel. Or, repérer ce problème assez tôt, sans ralentir excessivement la fabrication, reste un défi majeur pour les laboratoires.

Des chercheurs du groupe interdisciplinaire Critical Analytics for Manufacturing Personalized-Medicine (CAMP), au sein de l’alliance de recherche Singapore-MIT Alliance for Research and Technology (SMART), ont développé une approche de contrôle rapide. Menée avec le MIT, A*STAR Skin Research Labs et l’Université nationale de Singapour, elle combine la mesure de la lumière ultraviolette absorbée par le fluide de culture et des algorithmes d’apprentissage automatique. L’objectif est d’identifier automatiquement des signes de contamination dans les produits de thérapie cellulaire en cours de fabrication.

Cette piste n’a pas vocation à banaliser les exigences de stérilité. Elle cherche plutôt à apporter un premier signal beaucoup plus rapide, afin que les équipes puissent intervenir ou déclencher des analyses microbiologiques plus poussées lorsqu’un risque apparaît.

Pourquoi la contamination est-elle un obstacle critique en thérapie cellulaire ?

Les produits de thérapie cellulaire, souvent désignés par l’acronyme anglais CTP pour cell therapy products, reposent sur l’emploi de cellules pour traiter des maladies. Cette branche de la médecine ouvre notamment des perspectives dans les cancers et les maladies inflammatoires. Mais ces produits biologiques sont aussi particulièrement sensibles aux conditions de fabrication : cellules, milieux nutritifs, équipements et manipulations doivent rester exempts de contamination microbienne.

Le problème n’est pas seulement théorique. Une contamination peut affecter l’intégrité d’un lot et imposer de prendre des décisions rapides pendant que le patient attend son traitement. Pour certains produits, fabriqués à partir de cellules d’un patient, le temps est une contrainte particulièrement forte : chaque retard dans la chaîne de production peut retarder l’administration de la dose prévue.

Les procédés classiques de test de stérilité restent indispensables dans le cadre des contrôles microbiologiques, mais ils sont longs. Selon les chercheurs, les méthodes existantes peuvent nécessiter jusqu’à quatorze jours pour révéler une contamination. Ce délai s’accorde mal avec la promesse de traitements personnalisés qui doivent être produits, contrôlés puis délivrés dans un calendrier resserré.

Il faut aussi distinguer deux notions. La détection précoce cherche à repérer rapidement un indice anormal dans un échantillon. Un test de stérilité traditionnel vise, lui, à établir l’absence de contamination selon des procédures microbiologiques. La nouvelle technique présentée par l’équipe CAMP est décrite comme une étape préliminaire dans ce processus de surveillance.

Comment l’absorbance UV révèle-t-elle un signal de contamination ?

La méthode développée s’intéresse au fluide entourant les cellules, plutôt qu’aux cellules elles-mêmes. Elle mesure son absorbance de lumière ultraviolette, c’est-à-dire la part de lumière UV absorbée par les composants présents dans le liquide à différentes longueurs d’onde.

En pratique, un faisceau lumineux traverse l’échantillon. Certaines molécules absorbent une partie de cette lumière, et la quantité absorbée forme un motif, ou profil, qui peut renseigner sur la composition du fluide. Une contamination microbienne est susceptible de modifier ce profil. Le défi consiste alors à ne pas confondre ces variations avec celles qui résultent normalement de l’activité des cellules ou de l’évolution du milieu de culture.

C’est là qu’intervient l’apprentissage automatique. Les algorithmes analysent les motifs d’absorption et tentent de différencier ceux qui sont associés à la présence de microbes de ceux qui correspondent à une culture non contaminée. Le résultat est présenté sous une forme simple : « oui » ou « non » concernant la présence possible d’une contamination.

Cette automatisation répond à deux enjeux. D’abord, elle évite de faire reposer toute l’interprétation sur une lecture manuelle, potentiellement variable selon les opérateurs. Ensuite, elle permet d’envisager des prélèvements réalisés à intervalles réguliers durant la fabrication, sans multiplier les manipulations complexes.

Les chercheurs soulignent également que l’approche évite la coloration des cellules et l’extraction invasive de celles-ci. Autrement dit, le contrôle s’effectue à partir du liquide de culture, ce qui limite les interventions directes sur le produit cellulaire lui-même.

Moins de trente minutes, contre jusqu’à quatorze jours

Le contraste de délai est le point le plus marquant de l’annonce. L’équipe indique que sa méthode produit un résultat en moins de trente minutes. À titre de comparaison, les tests microbiologiques de stérilité habituellement utilisés peuvent prendre jusqu’à quatorze jours.

La rapidité ne signifie pas que l’on peut se passer de toute vérification complémentaire. Dans la logique décrite par les auteurs, la technologie sert à signaler rapidement les lots ou cultures qui méritent une attention renforcée. Les méthodes de microbiologie avancées peuvent alors être mobilisées lorsque le système détecte des indices de contamination.

Cette organisation en deux temps pourrait éviter de mobiliser les ressources les plus lourdes de la même manière pour chaque échantillon. Elle peut aussi permettre d’isoler plus tôt une culture suspecte, avant que le problème ne perturbe davantage la chaîne de production.

Une automatisation pensée pour réduire les écarts de manipulation

Dans un laboratoire de bioproduction, le résultat d’un contrôle dépend non seulement de l’instrument employé, mais aussi de la régularité des prélèvements, de la préparation des échantillons et de leur interprétation. L’automatisation proposée par l’équipe doit précisément réduire ces sources de variation.

Selon Shruthi Pandi Chelvam, ingénieure de recherche senior chez SMART CAMP, cette détection rapide constitue une étape préliminaire essentielle au processus de fabrication des produits de thérapie cellulaire. Le propos souligne le positionnement de la méthode : elle n’est pas présentée comme un simple appareil isolé, mais comme un élément susceptible de s’intégrer au suivi de fabrication.

Rajeev Ram, professeur au MIT, met quant à lui l’accent sur la réduction de la variabilité opératoire et du risque de contamination grâce à l’automatisation et à l’apprentissage automatique. L’intérêt d’une telle combinaison est de standardiser le plus possible l’observation : même type de mesure optique, collecte régulière des données, interprétation fondée sur un modèle plutôt que sur une appréciation individuelle.

Pour les fabricants, l’enjeu est aussi économique. Détecter un problème plus tôt peut éviter de poursuivre inutilement la production d’un lot compromis. Réserver les analyses microbiologiques plus sophistiquées aux situations où un signal est observé peut, selon cette approche, aider à mieux répartir les ressources de contrôle qualité.

Quelles sont les limites et les prochaines étapes ?

Les résultats décrits s’inscrivent à un stade préliminaire. Une méthode d’apprentissage automatique dépend de la diversité et de la qualité des données sur lesquelles elle est évaluée. Elle doit donc être éprouvée face à de multiples situations : types de contaminants, évolutions normales des cultures, conditions de fabrication différentes et populations cellulaires variées.

Les travaux à venir doivent notamment élargir l’application de la méthode à différents contaminants microbiens représentatifs des normes de bonnes pratiques de fabrication. Ces normes encadrent la production afin de garantir une qualité constante et la sécurité des produits de santé. Une approche destinée à intégrer cet environnement doit démontrer sa robustesse dans des conditions proches des opérations réelles.

Les chercheurs prévoient également d’évaluer le modèle sur d’autres types de cellules. Les premiers travaux mentionnent les cellules souches mésenchymateuses, ou MSCs. Ces cellules sont largement étudiées pour leurs usages potentiels en médecine régénérative et en immunomodulation. Cependant, les cultures de cellules peuvent présenter des caractéristiques très différentes selon leur nature, leur milieu ou leur protocole. Une méthode efficace sur les MSCs doit donc encore faire ses preuves au-delà de ce cadre.

Enfin, une réponse binaire est pratique pour l’opérateur, mais elle ne renseigne pas à elle seule sur la nature précise du contaminant. C’est une autre raison pour laquelle l’outil est pensé comme un dispositif de détection précoce, qui oriente ensuite, si besoin, vers des méthodes capables de caractériser plus finement la contamination.

Des applications possibles dans l’alimentation et les boissons

Le principe ne se limite pas nécessairement aux thérapies cellulaires. Les chercheurs envisagent une application dans l’industrie alimentaire et des boissons, où le contrôle microbiologique est lui aussi un élément essentiel de l’assurance qualité.

Le point commun est simple : dans les deux secteurs, une contamination peut modifier un liquide ou un milieu de production, et une détection rapide peut aider à réagir avant que le problème ne se propage dans le processus. Cela ne signifie pas que le même modèle pourra être utilisé tel quel dans tous les contextes. Les signatures d’absorbance, les contaminants visés et les exigences de contrôle diffèrent selon les produits. Mais le couple formé par une mesure optique et des algorithmes de classification offre une piste adaptable.

Dans l’industrie alimentaire, le bénéfice potentiel serait de soutenir la conformité aux normes de qualité microbiologique. Dans la bioproduction médicale, la priorité reste la sécurité d’un produit vivant destiné à un patient. Les contraintes et les conséquences ne sont donc pas identiques, mais le besoin d’une alerte rapide est partagé.

Ce qu’il faut surveiller

La prochaine question sera celle de la généralisation. Il faudra voir si le modèle conserve ses performances lorsqu’il est confronté à une gamme plus large de microbes et à des cultures cellulaires différentes des MSCs. Sa capacité à fonctionner de manière fiable dans des environnements conformes aux bonnes pratiques de fabrication sera également décisive.

Il faudra aussi observer la place concrète que prendra ce contrôle rapide dans les procédures de qualité. Sa valeur réside dans l’accélération de la décision : repérer tôt un risque, sécuriser les opérations et déclencher au bon moment des investigations microbiologiques plus approfondies. Pour les patients qui attendent une thérapie cellulaire, réduire les délais de fabrication sans relâcher la vigilance sanitaire est l’équilibre que cette approche entend améliorer.

À plus long terme, ce travail illustre une évolution plus large de la biotechnologie : l’intelligence artificielle ne sert pas uniquement à concevoir de nouveaux traitements, mais aussi à mieux surveiller les étapes très concrètes qui permettent de les fabriquer. Dans ce domaine, l’utilité d’un algorithme se mesure moins à son caractère spectaculaire qu’à sa capacité à fournir, rapidement et de façon fiable, une information exploitable par les équipes de laboratoire.