Une étude publiée dans Nature Machine Intelligence, et mise en couverture de la revue, propose une manière de prédire la réaction de populations cellulaires à un médicament avant tout test en laboratoire. Plutôt que d’augmenter la taille des modèles, la méthode CMonge (Conditional Monge Gap) s’appuie sur le cadre mathématique du transport optimal pour apprendre comment des populations entières de cellules se déplacent en réponse à des molécules, à des doses et à des combinaisons de traitements.
Avec une fraction des paramètres utilisés par des approches comparables, elle se généralise à des composés jamais rencontrés tout en préservant l’hétérogénéité des données cellulaires, l’un des aspects les plus difficiles de ce type de données. Le travail a été mené par Marianna Rapsomaniki, professeure à l’UNIL et cheffe de groupe au Centre de science des données biomédicales du CHUV, avec Jannis Born (IBM Research), et réalisé par Alice Driessen, Dhruva Rajwade et Benedek Harsanyi.