Peter Ellman, Président et Directeur Général de Certis Oncology Solutions – Série d’entretiens

Certis Oncology Solutions, dirigée par Peter Ellman, Président et Directeur Général, est une entreprise de technologie des sciences de la vie dédiée à réaliser la promesse de l’oncologie de précision. Le produit de l’entreprise est Oncology Intelligence® — des données de réponse thérapeutique hautement prédictives dérivées de modèles de cancer avancés. Certis s’associe à des chercheurs médecins et à des chercheurs de l’industrie pour élargir l’accès à l’oncologie de précision et combler le fossé critique entre les études précliniques et les essais cliniques.

Pouvez-vous décrire le problème plus large dans la recherche sur le cancer que le CertisOI Assistant est en train de résoudre ?

Le taux d’échec des candidats-médicaments expérimentaux en oncologie est élevé. Il a été récemment rapporté qu’en 2023, 90 % des programmes d’oncologie ont finalement échoué. Ce chiffre constitue une amélioration remarquable par rapport à la tendance historique, qui oscillait autour de 96 % jusqu’en 2022. Compte tenu du coût de développement des médicaments, un taux d’échec de 90 % n’est pas durable. Imaginez comment les patients bénéficieraient si le taux de réussite était même de 50 %.

CertisOI Assistant répond immédiatement à deux problèmes très importants qui contribuent à ce taux d’échec :

• Sélection améliorée des modèles précliniques : De nombreux composés montrent des résultats prometteurs dans les études précliniques mais échouent à démontrer un effet thérapeutique suffisant chez l’homme. La plupart des membres de la communauté scientifique pointent les modèles précliniques comme partie du problème. Choisir des modèles précliniques avec la signature d’expression génique correcte (et utiliser des greffes orthotopiques pour les études décisives) peut améliorer la « traduction » en clinique.
• Identification plus précoce et meilleure des biomarqueurs : S’appuyer sur des biomarqueurs qui ne prédissent pas avec précision la réponse thérapeutique peut entraîner des essais cliniques échoués. CertisOI Assistant est intégré à CertisAI, notre plate-forme prédictive d’IA/ML en attente de brevet, permettant l’identification de biomarqueurs prédictifs plus tôt dans le processus de développement de médicaments.

Comment le CertisOI Assistant utilise-t-il l’IA pour améliorer l’accès aux données sur le cancer, et ce qui le distingue des autres outils d’IA dans le domaine ?

Le CertisOI Assistant fournit des capacités d’analyse de données avancées et de modélisation prédictive via une interface en langage naturel facile à utiliser. Il se distingue de plusieurs manières :

• Intégration complète des données : L’assistant intègre un large éventail de données sur le cancer, notamment des informations sur les patients, les caractéristiques des tumeurs, les profils génétiques et les prédictions de réponse aux médicaments. Cette approche holistique permet une analyse plus complète que les outils qui se concentrent sur des types de données isolés.
• Prédictions basées sur l’IA : L’assistant utilise des algorithmes d’IA pour prédire la réponse et la résistance aux médicaments, offrant des informations sur lesquels traitements seront probablement efficaces pour des modèles de cancer spécifiques. Cette capacité prédictive est cruciale pour la médecine personnalisée et le distingue des outils qui s’appuient uniquement sur des données historiques.
• Interface utilisateur conviviale : En fournissant une interface intuitive pour interroger et analyser des ensembles de données complexes, l’assistant facilite l’accès et l’interprétation des données sur le cancer pour les chercheurs sans nécessiter de compétences techniques avancées.
• Concentration sur les modèles précliniques : L’assistant se spécialise dans la recherche préclinique sur le cancer, en particulier les modèles PDX et les lignées cellulaires, offrant des informations uniques sur le développement précoce des médicaments et la biologie des tumeurs.
• Visualisations interactives : L’assistant prend en charge les visualisations interactives, telles que les études de pharmacologie et de croissance tumorale, permettant aux chercheurs d’explorer les données de manière plus engageante et informative.

Comment l’outil transforme-t-il des données complexes en informations exploitables, notamment pour les chercheurs travaillant sur la sensibilité aux médicaments ou les données génomiques ?

CertisOI Assistant utilise un flux de travail structuré pour transformer les données brutes en informations significatives. Il s’agit d’interroger un ensemble de données complet sur le cancer, d’analyser les données et de présenter les résultats dans un format clair et interprétable. Voici comment cela fonctionne :

• Interrogation des données : CertisOI Assistant peut accéder à une base de données relationnelle contenant des informations détaillées sur les modèles de cancer, notamment des données sur les patients, les caractéristiques des tumeurs, les données génomiques et les prédictions de réponse aux médicaments. Il utilise des requêtes SQL pour extraire des données pertinentes en fonction des besoins spécifiques du chercheur.
• Analyse des données : Une fois les données récupérées, CertisOI Assistant peut effectuer diverses analyses, telles que l’identification de mutations courantes, la corrélation de l’expression génique avec la sensibilité aux médicaments ou l’évaluation des résultats d’études de pharmacologie. Il peut également classer et filtrer les données pour mettre en évidence les résultats les plus significatifs.
• Visualisation : L’assistant peut présenter les données sous forme de tableaux, générer des graphiques interactifs pour les études de pharmacologie et de croissance tumorale, et afficher des images d’histologie. Cette visualisation aide les chercheurs à saisir rapidement les modèles et les relations complexes dans les données.
• Interprétation et informations : En fournissant une interprétation claire des données, y compris des prédictions de sensibilité ou de résistance aux médicaments, CertisOI Assistant aide les chercheurs à prendre des décisions éclairées concernant les stratégies thérapeutiques potentielles ou les directions expérimentales futures.
• Personnalisation et flexibilité : Les chercheurs peuvent personnaliser leurs requêtes pour se concentrer sur des types de cancer spécifiques, des marqueurs génétiques ou des réponses aux traitements, permettant une analyse hautement personnalisée qui correspond à leurs objectifs de recherche.

Comment le CertisOI Assistant améliore-t-il la capacité des chercheurs à sélectionner des modèles de cancer, à concevoir des stratégies de biomarqueurs ou à effectuer des validations in silico ?

J’ai abordé les deux premiers domaines – la section des modèles de cancer et la conception de stratégies de biomarqueurs – au début de cet entretien, je me concentrerai donc sur la réalisation de validations in silico. CertisOI Assistant fournit un environnement virtuel pour tester et valider des hypothèses liées à l’efficacité des médicaments, à l’engagement des cibles et à la découverte de biomarqueurs sans nécessiter d’expériences de laboratoire immédiates. Cela leur permet de raffiner rapidement leurs hypothèses et de concentrer leurs efforts expérimentaux sur les voies les plus prometteuses.

Voici quelques exemples :

• Prédictions de réponse aux médicaments : Utiliser des prédictions basées sur l’IA pour la réponse et la résistance aux médicaments pour évaluer comment différents modèles sont susceptibles de répondre à des médicaments spécifiques. Cela peut aider à valider la potentialité d’un médicament in silico avant de passer aux études in vitro ou in vivo.
• Profiling génomique et moléculaire : Analyser les données génomiques, y compris les mutations, l’expression génique et les variations de copie numérique, pour identifier des cibles potentielles et valider leur pertinence par rapport au mécanisme d’action du médicament. Cela peut aider à comprendre la base moléculaire de la sensibilité ou de la résistance aux médicaments.
• Découverte de biomarqueurs : Corréler les caractéristiques moléculaires avec les prédictions de réponse aux médicaments pour identifier des biomarqueurs prédictifs potentiels. Cela peut guider la sélection de populations de patients plus susceptibles de bénéficier d’une thérapie particulière.
• Exploration de la thérapie combinée : Explorer les prédictions de synergie médicamenteuse pour identifier des combinaisons de médicaments prometteuses qui pourraient améliorer les résultats thérapeutiques. Cela peut fournir des informations sur les stratégies de combinaison potentielles qui peuvent être validées expérimentalement.
• Analyse histologique : Utiliser des images d’histologie pour valider les effets morphologiques des médicaments sur les tissus tumoraux, fournissant ainsi des preuves supplémentaires pour le mécanisme d’action et la potentialité d’efficacité du médicament.
• Comparaisons intermodèles : Comparer différents modèles pour comprendre comment les différents contextes génétiques influencent la réponse aux médicaments, aidant ainsi à valider les hypothèses sur le rôle de gènes ou de voies spécifiques in silico.
• Écran virtuel : Effectuer un écran virtuel de médicaments contre une large gamme de modèles pour donner la priorité aux candidats pour une validation expérimentale ultérieure.

Pouvez-vous partager des exemples de la manière dont les chercheurs sont censés utiliser cet outil pour améliorer leurs flux de travail ou réaliser des percées ?

L’exemple le plus simple est la sélection de modèles précliniques. Chaque étude préclinique commence par la sélection de modèles de tumeurs. CertisOI Assistant élimine l’effort manuel de ce processus et apporte une grande précision dans la sélection des modèles optimaux pour toute étude donnée.

Un autre exemple est le développement d’une stratégie de biomarqueurs. L’approche traditionnelle consiste à hypothéser quels biomarqueurs ou biomarqueurs pourraient être liés au mécanisme d’action du médicament, puis à tester ces hypothèses dans des études précliniques, ce qui est généralement un processus itératif. Si les données précliniques sont prometteuses, les chercheurs doivent valider les biomarqueurs prédictifs dans des essais cliniques chez l’homme — et comme discuté, le taux d’échec est élevé.

CertisOI Assistant aide les chercheurs à identifier et à valider des biomarqueurs d’expression génique plus précis et prédictifs plus tôt dans le processus de développement, et avec moins d’itérations que le flux de travail traditionnel — ce qui économise du temps, de l’argent et améliore les chances de succès commercial.

Quels types de modèles de cancer ou de jeux de données l’outil prend-il en charge, et comment cette largeur de gamme profite-t-elle à la communauté de recherche ?

La version actuelle de CertisOI donne aux chercheurs accès à la bibliothèque en constante expansion de Certis de modèles de tumeurs PDX et PDX-dérivés et à l’ensemble de l’encyclopédie des lignées cellulaires cancéreuses (CCLE) de modèles. Les algorithmes de la plate-forme s’appuient également sur des données provenant de la génomique de la sensibilité aux médicaments dans le cancer (GDSC), du Consortium international du génome du cancer (ICGC), de CI ALMANAC, d’O’Neil et d’autres ensembles de données. Cette approche holistique de l’intégration des données permet une analyse plus complète que les outils qui se concentrent sur des types de données isolés.

Le CertisOI Assistant est conçu pour être convivial. Comment vous assurez-vous qu’il est accessible aux chercheurs qui n’ont peut-être pas d’expertise technique étendue ?

Plusieurs fonctionnalités rendent CertisOI Assistant accessible aux chercheurs à tous les niveaux :

• Interface intuitive : L’interface est conçue pour être intuitive et facile à naviguer, permettant aux utilisateurs d’effectuer des requêtes et des analyses complexes sans avoir besoin de comprendre les détails techniques sous-jacents.
• Flux de travail guidés : L’assistant fournit des flux de travail guidés pour des tâches de recherche courantes, telles que l’interrogation des prédictions de réponse aux médicaments, l’analyse des données génomiques et l’exploration des études de pharmacologie. Cela aide les utilisateurs à se concentrer sur leurs questions de recherche sans se laisser détourner par des complexités techniques.
• Traitement du langage naturel : Les utilisateurs peuvent interagir avec l’assistant en utilisant des requêtes en langage naturel, ce qui facilite l’accès à l’information dont ils ont besoin pour ceux qui n’ont pas d’expertise technique. L’assistant interprète les requêtes et les traduit en requêtes de base de données appropriées.
• Documentation complète : Une documentation détaillée et des didacticiels aident les utilisateurs à comprendre comment utiliser efficacement l’assistant. Cela inclut des guides étape par étape, des exemples et des explications de concepts clés.
• Visualisations interactives : L’assistant fournit des visualisations interactives pour l’analyse des données, telles que des graphiques et des images d’histologie, permettant aux utilisateurs d’explorer et d’interpréter les données de manière visuelle sans avoir besoin d’écrire du code.
• Soutien réactif : Les utilisateurs peuvent accéder à un soutien réactif pour les aider avec toute question ou problème. Cela leur permet de recevoir de l’aide rapidement et de poursuivre leur recherche sans retard inutile.
• Requêtes personnalisables : Bien que l’assistant fournisse des flux de travail par défaut, il permet également la personnalisation, permettant aux utilisateurs de personnaliser les requêtes en fonction de leurs besoins de recherche spécifiques sans nécessiter de connaissances techniques approfondies.

La collaboration est un aspect clé de la recherche. Comment le CertisOI Assistant facilite-t-il la collaboration entre les chercheurs ou les institutions ?

Avec CertisOI Assistant, les chercheurs de différentes équipes ou institutions peuvent accéder au même ensemble de données et outils, leur permettant de travailler en collaboration sur des projets de recherche partagés ou des questions de recherche. La plate-forme facilite également le téléchargement et le partage de requêtes de données, de résultats et d’informations entre les membres de l’équipe, de sorte que chacun peut contribuer efficacement au projet.

Quels sont les plus grands défis pour élargir l’adoption de l’IA dans la recherche sur le cancer, et comment peuvent-ils être abordés ?

Des défis importants incluent la sécurité des données, l’intégration des données et la confiance dans les prédictions basées sur l’IA. Je ne suis pas un expert en sécurité des données ou en intégration des données, mais de grands esprits travaillent à résoudre ces défis. En ce qui concerne la confiance dans les prédictions générées par l’IA, nous devons disposer de moyens efficaces et crédibles pour valider ces prédictions.

Certis a adopté une approche à deux volets pour cela : la validation in silico via des études de validation internes et croisées, et la validation in vivo — en réalisant des études sur des modèles de souris cliniquement pertinents pour évaluer l’exactitude des prédictions de notre plate-forme. Avec le temps, ces outils seront également validés cliniquement chez des patients humains — mais bien sûr, cela prendra beaucoup de temps et d’argent, ainsi que la volonté de changer le paradigme actuel de traitement du cancer. La communauté médicale et réglementaire devra cesser de s’appuyer sur la façon dont les choses ont toujours été faites et adopter le pouvoir des analyses computationnelles pour éclairer les décisions.

Comment envisagez-vous que des outils comme le CertisOI Assistant façonneront l’avenir du traitement du cancer et de la médecine de précision ?

La médecine moderne ne dispose pas encore d’un excellent moyen de faire correspondre les patients aux traitements idéaux. Dans l’ensemble, seuls 10 % des patients atteints de cancer bénéficient d’un avantage clinique des traitements appariés aux mutations d’ADN tumorales. Cela nuit non seulement à la santé des patients, mais aussi à leur situation financière. Une estimation de 2,5 milliards — avec un B — est gaspillée sur des thérapies inefficaces. Il est triste de constater que 42 % des patients atteints de cancer épuisent complètement leurs actifs dès la deuxième année de leur diagnostic.

Des outils comme CertisOI Assistant et CertisAI nous aideront à réaliser la promesse de la médecine de précision — obtenir pour les gens le traitement optimal pour leur forme unique de cancer la première fois, chaque fois…. Et pour démocratiser l’accès à des soins plus efficaces et personnalisés.

Je vous remercie pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Certis Oncology Solutions.