Le système immunitaire humain est un réseau composé de milliards de cellules qui circulent en permanence dans tout le corps. Le réseau cellulaire orchestre les interactions avec chaque organe et tissu pour remplir une liste incroyablement longue de fonctions que les scientifiques s’efforcent encore de comprendre. Toute cette complexité limite notre capacité à prédire quels patients répondront aux traitements et lesquels pourraient souffrir d’effets secondaires débilitants.
Ce problème conduit souvent les sociétés pharmaceutiques à cesser de développer des médicaments qui pourraient aider certains patients, et à interrompre les essais cliniques même lorsque les médicaments donnent des résultats prometteurs pour certaines personnes.
Désormais, Immunai aide à prédire comment les patients réagiront aux traitements en établissant une carte complète du système immunitaire. La société a constitué une vaste base de données appelée AMICA, qui combine plusieurs couches de données sur l’expression des gènes et des protéines dans les cellules avec des données d’essais cliniques pour faire correspondre les bons médicaments aux bons patients.
«Notre point de départ a été de créer ce que j’appelle Google Maps pour le système immunitaire», explique Noam Solomon, co-fondateur et PDG d’Immunai. « Nous avons commencé par le séquençage de l’ARN unicellulaire, et au fil du temps, nous avons ajouté de plus en plus de « omiques » : génomique, protéomique, épigénomique, toutes pour mesurer l’expression et la fonction cellulaires du système immunitaire, pour mesurer l’environnement immunitaire de manière holistique. Ensuite, nous avons commencé à travailler avec des sociétés pharmaceutiques et des hôpitaux pour établir le profil du système immunitaire des patients subissant des traitements afin d’identifier réellement les mécanismes d’action et de résistance fondamentaux des produits thérapeutiques.
La base Big Data d’Immunai est le résultat de l’expérience unique de ses fondateurs. Solomon et le co-fondateur Luis Voloch ’13, SM ’15 sont diplômés en mathématiques et en informatique. En fait, Solomon était postdoctorant au département de mathématiques du MIT au moment de la création d’Immunai.
Solomon définit la mission d’Immunai comme mettant fin à la divergence qui dure depuis des décennies entre l’informatique et les sciences de la vie. Il estime que le principal facteur à l’origine de l’explosion de l’informatique a été la loi de Moore : notre capacité à augmenter de façon exponentielle le nombre de transistors sur une puce au cours des 60 dernières années. Dans l’industrie pharmaceutique, c’est l’inverse qui se produit : une estimation, le coût de développement d’un nouveau médicament double environ tous les neuf ans. Le phénomène a été surnommé la loi d’Eroom (« Eroom » pour « Moore » épelé à l’envers).
Solomon estime que cette tendance affaiblit les arguments en faveur du développement de nouveaux médicaments, avec d’énormes conséquences pour les patients.
« Pourquoi Les sociétés pharmaceutiques devraient-elles investir dans la découverte si elles n’obtiennent pas de retour sur investissement ? demande Salomon. « Aujourd’hui, il n’y a que 5 à 10 % de chances qu’un essai clinique donné réussisse. Ce que nous avons construit grâce à une cartographie très robuste et granulaire du système immunitaire est une opportunité d’améliorer les étapes précliniques et cliniques du développement de médicaments.
Un changement de plans
Solomon est entré à l’université de Tel Aviv à l’âge de 14 ans et a obtenu son baccalauréat en informatique à 19 ans. Il a obtenu deux doctorats en Israël, l’un en informatique et l’autre en mathématiques, avant de venir au MIT en 2017 en tant que postdoc pour poursuivre ses études en mathématiques. carrière de chercheur.
Cette année-là, Salomon rencontra Voloch, qui avait déjà obtenu une licence et une maîtrise en mathématiques et en informatique du MIT. Mais les chercheurs sont vite confrontés à un problème qui va les faire sortir de leur zone de confort et changer le cours de leur carrière.
Le grand-père de Voloch recevait à l’époque un cocktail de traitements contre le cancer. Le cancer est entré en rémission, mais il a souffert de terribles effets secondaires qui l’ont amené à arrêter de prendre ses médicaments.
Voloch et Solomon ont commencé à se demander si leur expertise pourrait aider des patients comme le grand-père de Voloch.
« Lorsque nous avons réalisé que nous pouvions avoir un impact, nous avons pris la décision difficile d’arrêter nos études et de commencer une nouvelle aventure », se souvient Solomon. « C’était le point de départ d’Immunai. »
Voloch et Solomon se sont rapidement associés aux cofondateurs scientifiques d’Immunai, Ansu Satpathy, alors chercheur à l’Université de Stanford, et à Danny Wells, chercheur au Parker Institute for Cancer Immunotherapy. Satpathy et Wells avaient montré que le séquençage de l’ARN unicellulaire pouvait être utilisé pour mieux comprendre pourquoi les patients réagissent différemment à un traitement anticancéreux courant.
L’équipe a commencé à analyser les données de séquençage d’ARN unicellulaire publiées dans des articles scientifiques, en essayant de relier les biomarqueurs courants aux résultats pour les patients. Ils ont ensuite intégré les données de la base de données de santé publique Biobank du Royaume-Uni, constatant qu’ils étaient en mesure d’améliorer les prédictions de leurs modèles. Bientôt, ils ont incorporé des données provenant d’hôpitaux, d’instituts de recherche universitaires et de sociétés pharmaceutiques, analysant des informations sur la structure, la fonction et l’environnement des cellules – multiomique – pour obtenir une image plus claire de l’activité immunitaire.
« Le séquençage d’une seule cellule vous donne des mesures que vous pouvez mesurer dans des milliers de cellules, où vous pouvez examiner 20 000 gènes différents, et ces mesures vous donnent un profil immunitaire », explique Solomon. « Lorsque vous mesurez tout cela au fil du temps, en particulier avant et après le traitement, et que vous comparez les patients qui répondent avec ceux qui ne répondent pas, vous pouvez appliquer des modèles d’apprentissage automatique pour comprendre pourquoi. »
Ces données et modèles constituent AMICA, ce qu’Immunai appelle la plus grande base de connaissances immunitaires au niveau cellulaire au monde. AMICA signifie Atlas multiomique annoté des cellules immunitaires. Il analyse les données multiomiques unicellulaires de près de 10 000 patients et les données d’ARN en vrac de 100 000 patients sur plus de 800 types de cellules et 500 maladies.
Au cœur de l’approche d’Immunai se trouve l’accent mis sur le système immunitaire, que d’autres entreprises évitent en raison de sa complexité.
« Nous ne voulons pas ressembler à d’autres groupes qui étudient principalement les microenvironnements tumoraux », explique Solomon. « Nous examinons le système immunitaire parce que le système immunitaire est le dénominateur commun. C’est le seul système impliqué dans chaque maladie, dans la réponse de votre corps à tout ce que vous rencontrez, qu’il s’agisse d’une infection virale ou bactérienne ou d’un médicament que vous recevez – même dans la façon dont vous vieillissez.
Transformer les données en meilleurs traitements
Immunai s’est déjà associé à certaines des plus grandes sociétés pharmaceutiques du monde pour les aider à identifier des traitements prometteurs et à mettre en place des essais cliniques réussis. Les connaissances d’Immunai peuvent aider les partenaires à prendre des décisions cruciales concernant les calendriers de traitement, la posologie, les combinaisons de médicaments, la sélection des patients, etc.
« Tout le monde parle de l’IA, mais je pense que l’aspect le plus intéressant de la plateforme que nous avons construite est le fait qu’elle soit intégrée verticalement, du laboratoire humide à la modélisation informatique avec plusieurs itérations », explique Solomon. « Par exemple, nous pouvons effectuer un profilage immunitaire unicellulaire d’échantillons de patients, puis nous téléchargeons ces données sur le cloud et nos modèles informatiques génèrent des informations, et avec ces informations, nous effectuons une validation in vitro ou in vivo pour voir si nos modèles ont raison et les améliorent de manière itérative.
En fin de compte, Immunai souhaite permettre un avenir dans lequel les expériences en laboratoire pourront se transformer de manière plus fiable en de nouvelles recommandations et de nouveaux traitements percutants pour les patients.
« Les scientifiques peuvent guérir presque tous les types de cancer, mais uniquement chez la souris », explique Solomon. « Dans les modèles précliniques, nous savons comment guérir le cancer. Chez les êtres humains, dans la plupart des cas, ce n’est toujours pas le cas. Pour surmonter ce problème, la plupart des scientifiques recherchent de meilleurs modèles ex vivo ou in vivo. Notre approche consiste à être plus agnostique quant au système modèle, mais à alimenter la machine avec de plus en plus de données provenant de plusieurs systèmes modèles. Nous démontrons que nos algorithmes peuvent à plusieurs reprises battre les meilleurs critères en identifiant les principales caractéristiques immunitaires précliniques qui correspondent aux résultats pour les patients.
