Un cadre IA « humain dans la boucle » développé par Penn Medicine pour accélérer la découverte de cibles en thérapie CAR-T

Le 25 juin 2026, des chercheurs de Penn Medicine (Perelman School of Medicine, Université de Pennsylvanie), sous la direction de Daniel Baker, Carl June et Zoltan Arany, ont publié une étude dans la revue Cell décrivant un cadre d'IA « humain dans la boucle » qui intègre de grands modèles de langage (LLM) aux données de séquençage ARN unicellulaire (scRNA-seq) pour découvrir et prioriser systématiquement de nouvelles cibles de thérapie CAR-T . Leur candidat antigène principal est GPNMB (glycoprotéine B non métastatique du mélanome) ; les cellules CAR-T dirigées contre GPNMB se sont révélées efficaces dans des modèles murins de mélanome, de leucémie et de cancer colorectal . Le cadre est conçu pour être modulaire, adaptable à toute maladie et compatible avec n'importe quel LLM, dans le but d'accélérer considérablement la découverte de cibles pour les tumeurs solides et au-delà — réduisant un processus qui peut prendre des mois ou des années à seulement quelques semaines .

Comment fonctionne le cadre d'IA « humain dans la boucle »

• Intégration des données : L'équipe a combiné quatre jeux de données publics de séquençage ARN unicellulaire de cancers de la peau avec des données provenant de bases de données publiques, puis a appliqué des directives biologiques spécifiques pour prioriser plus de 10 000 antigènes de surface potentiels en fonction de critères pertinents pour les CAR-T (expression spécifique à la tumeur, accessibilité en surface, etc.) .
• Nomination par LLM : Plusieurs grands modèles de langage de pointe ont été utilisés pour nommer les cibles idéales à partir de cette liste priorisée .
• Répétition pour réduire les hallucinations : L'ensemble du processus de nomination a été répété indépendamment 1 000 fois pour atténuer les risques connus des LLM tels que les hallucinations, et les résultats ont été agrégés en une liste finale .
• Examen par des experts humains : Des scientifiques ont ensuite examiné cette liste et effectué une validation biologique (confirmation de l'expression en surface, construction de CAR, tests précliniques) .
• Rapidité : L'ensemble du pipeline piloté par l'IA a pris moins de quelques semaines, contre des mois ou des années avec les méthodes manuelles .

L'antigène principal identifié : GPNMB

• GPNMB (glycoprotéine B non métastatique du mélanome) est ressorti comme le meilleur candidat du cadre .
• Les cellules CAR-T ciblant GPNMB ont montré une activité anti-tumorale significative dans des modèles murins de mélanome, leucémie et cancer colorectal, démontrant un potentiel multi-cancers .

Comment l'approche vise à accélérer la découverte de cibles au-delà des cancers du sang

• Conception agnostique : Le cadre a été construit pour être modulaire et généralisable à tout type de cancer ou de maladie, sans se limiter aux jeux de données sur le cancer de la peau utilisés pour la preuve de concept .
• Utilisation de données publiques : Il fonctionne sur des jeux de données accessibles au public, démocratisant la découverte de cibles au-delà des institutions ayant accès à des échantillons cliniques ou à un séquençage propriétaire .
• Indépendant du LLM : Le cadre n'est pas lié à un LLM spécifique, ce qui permet de l'appliquer aux futurs modèles plus avancés .
• Objectif : Les chercheurs ont explicitement conçu l'approche pour lever le goulot d'étranglement de la découverte de cibles de surface sûres et efficaces pour les tumeurs solides — le principal obstacle à l'extension de la thérapie CAR-T au-delà des cancers du sang pour lesquels elle est actuellement approuvée par la FDA .