Intelligence artificielle basée sur l'apprentissage profond pour étudier l'absorption de nanoparticules ciblées par des cellules TNBC

Le cancer du sein triple négatif (TNBC) est le sous-type de cancer du sein le plus agressif chez les femmes. Il présente le pronostic le plus défavorable avec des options thérapeutiques limitées. Des transporteurs nanoparticulaires intelligents émergent comme des approches prometteuses dans le traitement du TNBC en raison de leurs caractéristiques favorables, telles que la livraison spécifique de différents cargaisons aux cellules cancéreuses. Cependant, l'absorption des nanoparticules par les cellules tumorales et la libération subséquente du médicament sont des facteurs essentiels pris en compte pendant le processus de développement du médicament. Les analyses qualitatives contemporaines basées sur l'imagerie sont lourdes et sujettes à des biais humains. Les algorithmes basés sur l'apprentissage profond ont été bien établis dans divers contextes de santé avec un potentiel prometteur dans la découverte et le développement de médicaments. Dans cette étude, la performance de cinq modèles de réseaux de neurones convolutionnels différents a été évaluée. Dans cette recherche, nous avons étudié deux modèles séquentiels depuis le début et trois modèles pré-entraînés, VGG16, ResNet50 et Inception V3. Ces modèles ont été entraînés à l'aide d'images confocales de cellules traitées avec des nanoparticules chargées d'un agent anticancéreux fluorescent. Des analyses comparatives et de validation croisée ont ensuite été réalisées sur tous les modèles pour obtenir des résultats plus significatifs. Nos modèles ont montré une grande précision dans la prédiction d'une absorption et d'une libération de médicaments élevées ou faibles dans les cellules TNBC, indiquant un grand potentiel de translation en pratique pour aider à déterminer l'absorption cellulaire aux premiers stades du développement du médicament dans n'importe quel domaine de recherche.