https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/04\/HMZ_Drug_Training_Animation_Final.mp4<\/a><\/video><\/div>\nPlus concr\u00e8tement, notre mod\u00e8le est appliqu\u00e9 \u00e0 un ensemble de donn\u00e9es de s\u00e9quen\u00e7age de l\u2019ARN en cellule unique concernant des cellules trait\u00e9es \u00e0 l\u2019aide de diff\u00e9rents m\u00e9dicaments et dosages, et son apprentissage suit les trois \u00e9tapes ci-dessous :<\/p>\n
Tout d\u2019abord, un r\u00e9seau d\u2019encodeur transforme l\u2019expression g\u00e9nique associ\u00e9e \u00e0 une cellule dans l\u2019ensemble de donn\u00e9es en une \u00ab repr\u00e9sentation de cellule. \u00bb Un r\u00e9seau d\u2019int\u00e9gration traduit le traitement appliqu\u00e9 \u00e0 cette cellule en une \u00ab repr\u00e9sentation de traitement. \u00bb En liaison avec ce dernier, un r\u00e9seau discriminateur garantit que les repr\u00e9sentations de cellule et de traitement ne contiennent pas d\u2019informations sur chacune d\u2019entre elles. Ensuite, nous cr\u00e9ons une \u00ab repr\u00e9sentation du goulot d\u2019\u00e9tranglement \u00bb en combinant les repr\u00e9sentations de cellule et de traitement. Enfin, un r\u00e9seau d\u00e9codeur traduit la repr\u00e9sentation du goulot d\u2019\u00e9tranglement en un vecteur d\u2019expression g\u00e9nique. Le mod\u00e8le est entra\u00een\u00e9 de sorte que le r\u00e9sultat du d\u00e9codeur corresponde \u00e0 l\u2019expression g\u00e9nique initialement disponible dans l\u2019ensemble de donn\u00e9es.<\/p>\n
Dans l\u2019\u00e9tape 1 de ce processus d\u2019apprentissage, nous estimons comment \u00ab annuler \u00bb l\u2019effet d\u2019un traitement pour une cellule et dans les \u00e9tapes 2 et 3, nous estimons comment \u00ab appliquer \u00e0 nouveau \u00bb ce m\u00eame traitement \u00e0 la m\u00eame cellule. Bien que les traitements \u00ab annul\u00e9 \u00bb et \u00ab appliqu\u00e9 \u00bb soient identiques pendant la phase d\u2019apprentissage, nous intervenons dans ce processus pour utiliser notre mod\u00e8le CPA afin de r\u00e9pondre aux questions contrefactuelles comme : \u00ab Quelle aurait \u00e9t\u00e9 l\u2019expression g\u00e9nique de la cellule si on lui avait appliqu\u00e9 le traitement B au lieu du traitement A ? \u00bb<\/p>\n
Pour r\u00e9pondre \u00e0 ces questions, nous \u00ab annulons \u00bb le traitement A \u00e0 l\u2019\u00e9tape 1 et nous appliquons le traitement B aux \u00e9tapes 2 et 3. Le CPA n\u2019est pas d\u00e9pendant du s\u00e9quen\u00e7age de l\u2019ARN en cellule unique et il ne s\u2019y limite pas. Il peut \u00eatre facilement appliqu\u00e9 dans des donn\u00e9es de s\u00e9quen\u00e7age de l\u2019ARN de masse plus conventionnelles, par exemple, et ais\u00e9ment \u00e9tendu \u00e0 des relev\u00e9s g\u00e9nomiques multimodaux.<\/p>\n
Obtenir des pr\u00e9visions fiables pour de nouvelles combinaisons de m\u00e9dicaments<\/strong><\/p>\nPour tester le CPA, nous l\u2019avons appliqu\u00e9 \u00e0 cinq ensembles de donn\u00e9es de s\u00e9quen\u00e7age de l\u2019ARN rendus publics contenant des mesures et des r\u00e9sultats pour diff\u00e9rents m\u00e9dicaments, dosages et d\u2019autres perturbations observ\u00e9es sur les cellules canc\u00e9reuses. Nous avons divis\u00e9 chaque ensemble de donn\u00e9es en trois cat\u00e9gories : apprentissage, test et hors distribution. Nous avons mesur\u00e9 les performances de notre mod\u00e8le \u00e0 l\u2019aide d\u2019un indicateur R2 repr\u00e9sentant la qualit\u00e9 des pr\u00e9visions concernant l\u2019expression des g\u00e8nes individuels.<\/p>\n
Sur tous les ensembles de donn\u00e9es, les scores R2 sont rest\u00e9s constants entre l\u2019apprentissage et le test. De plus, les indicateurs R2 pour les ensembles hors distribution ont \u00e9t\u00e9 \u00e9lev\u00e9s. Cela signifie que les pr\u00e9visions du CPA concernant les effets des combinaisons cl\u00e9s de m\u00e9dicaments et des dosages sur les cellules canc\u00e9reuses correspondent de mani\u00e8re fiable \u00e0 celles obtenues dans l\u2019ensemble de donn\u00e9es de test. Pour tester les limites du mod\u00e8le, nous avons r\u00e9duit la quantit\u00e9 de donn\u00e9es d\u2019apprentissage et augment\u00e9 la quantit\u00e9 de donn\u00e9es hors distribution. Malgr\u00e9 une diminution consid\u00e9rable des performances, les pr\u00e9visions \u00e9taient loin d\u2019\u00eatre al\u00e9atoires. Le mod\u00e8le n\u2019est pas con\u00e7u pour une utilisation dans des sc\u00e9narios si extr\u00eames, bien qu\u2019il soit int\u00e9ressant de cerner ses capacit\u00e9s d\u2019apprentissage.<\/p>\n
Perspectives d\u2019avenir<\/strong><\/p>\nNous esp\u00e9rons que les biologistes ainsi que les chercheurs de l’industrie pharmaceutique et universitaires s\u2019appuieront sur cet outil open source afin d\u2019acc\u00e9l\u00e9rer le processus d\u2019identification des combinaisons optimales de m\u00e9dicaments pour diff\u00e9rentes maladies. Ses API et son pack Python pr\u00eats \u00e0 l\u2019emploi sont con\u00e7us pour aider les chercheurs \u00e0 se connecter \u00e0 des ensembles de donn\u00e9es et \u00e0 examiner des pr\u00e9visions sans aucune comp\u00e9tence en machine learning.<\/p>\n
En offrant aux laboratoires pharmaceutiques des outils assist\u00e9s par l\u2019IA, nous esp\u00e9rons acc\u00e9l\u00e9rer consid\u00e9rablement le processus d\u2019identification des combinaisons optimales de m\u00e9dicaments et d\u2019autres interventions, ce qui pourrait aboutir \u00e0 l\u2019\u00e9laboration de meilleurs traitements pour les maladies complexes comme le cancer et les nouvelles maladies comme le COVID-19.<\/p>\n
\u00c0 plus long terme, le CPA ouvre la voie \u00e0 de toutes nouvelles possibilit\u00e9s en mati\u00e8re de d\u00e9veloppement de traitements m\u00e9dicamenteux. \u00c0 l\u2019avenir, il pourrait non seulement acc\u00e9l\u00e9rer les recherches sur la r\u00e9affectation des m\u00e9dicaments, mais aussi permettre un jour la personnalisation des traitements en fonction des r\u00e9ponses des cellules individuelles, un des enjeux les plus importants pour les progr\u00e8s de la m\u00e9decine.<\/p>\n","protected":false},"excerpt":{"rendered":"La recherche de nouvelles m\u00e9thodes permettant de r\u00e9adapter ou de combiner des m\u00e9dicaments existants s\u2019est av\u00e9r\u00e9e un outil performant pour traiter des maladies complexes. Des m\u00e9dicaments utilis\u00e9s pour soigner un certain type de cancer, par exemple, ont permis de renforcer efficacement des traitements ciblant d\u2019autres cellules canc\u00e9reuses. On soigne souvent les tumeurs malignes complexes \u00e0 l\u2019aide d\u2019une combinaison de m\u00e9dicaments, commun\u00e9ment appel\u00e9e \u00ab cocktail de m\u00e9dicaments \u00bb afin de pr\u00e9parer une attaque concert\u00e9e contre de multiples types de cellules. Les cocktails de m\u00e9dicaments permettent non seulement d\u2019\u00e9viter la r\u00e9sistance aux m\u00e9dicaments, mais \u00e9galement de diminuer les effets secondaires nocifs. Cependant, il est extr\u00eamement difficile de trouver une combinaison efficace de m\u00e9dicaments existants avec un dosage appropri\u00e9 en partie parce que les possibilit\u00e9s sont quasiment infinies. Aujourd\u2019hui, Facebook AI et le centre de recherche allemand Helmholtz Zentrum M\u00fcnchen pr\u00e9sentent une nouvelle m\u00e9thode qui va permettre d\u2019acc\u00e9l\u00e9rer la d\u00e9couverte de nouvelles combinaisons de m\u00e9dicaments efficaces. Nous avons cr\u00e9\u00e9 et publi\u00e9 en open source le tout premier mod\u00e8le d\u2019IA qui pr\u00e9voit les effets des combinaisons de m\u00e9dicaments, les dosages, la planification et d\u2019autres types d\u2019interventions telles que l\u2019invalidation ou la suppression d\u2019un g\u00e8ne. Nous avons publi\u00e9 en open source ce mod\u00e8le baptis\u00e9 CPA (Compositional Perturbation Autoencoder) comprenant une API et un pack Python tr\u00e8s simples d\u2019utilisation. Nous avons d\u00e9taill\u00e9 notre travail dans un article d\u00e9sormais disponible en tant que pr\u00e9publication pour la communaut\u00e9 des chercheurs sur bioRxiv. Cet article sera \u00e9galement soumis \u00e0 la publication dans une revue scientifique avec comit\u00e9 de lecture. Les m\u00e9thodes computationnelles permettant d\u2019explorer de nouvelles combinaisons se sont limit\u00e9es jusqu\u2019\u00e0 pr\u00e9sent aux interactions m\u00e9dicamenteuses incluses dans l\u2019ensemble de donn\u00e9es d\u2019apprentissage, et s\u2019av\u00e8rent d\u00e9faillantes lors du traitement de modifications mol\u00e9culaires de grande dimension, comme les diff\u00e9rents dosages et la planification. Le CPA utilise une technique d\u2019auto-supervision innovante pour observer les cellules trait\u00e9es avec une quantit\u00e9 limit\u00e9e de combinaisons de m\u00e9dicaments et pr\u00e9voit les effets des combinaisons in\u00e9dites. Prenons un exemple simplifi\u00e9 : disons que les donn\u00e9es contiennent des informations concernant l\u2019incidence des m\u00e9dicaments sur diff\u00e9rents types de cellules A, B, C et A+B. Le mod\u00e8le peut d\u00e9couvrir l\u2019impact individuel de chaque m\u00e9dicament selon le type de cellule (c\u2019est-\u00e0-dire sur diff\u00e9rents types de cellules), puis il recombine ces donn\u00e9es afin d\u2019extrapoler les combinaisons A+C et B+C ou m\u00eame les interactions entre A+B et C+D. Les chercheurs pharmaceutiques peuvent utiliser le CPA pour g\u00e9n\u00e9rer des hypoth\u00e8ses, orienter leur processus de conception exp\u00e9rimental et r\u00e9duire les milliards de possibilit\u00e9s afin de mener des exp\u00e9riences en laboratoire. Auparavant, il aurait fallu des ann\u00e9es et de nombreuses exp\u00e9riences sur des lign\u00e9es cellulaires pour tester diff\u00e9rentes combinaisons de 100 m\u00e9dicaments et dosages, par exemple. Les chercheurs peuvent \u00e0 pr\u00e9sent examiner toutes les combinaisons possibles in silico (gr\u00e2ce \u00e0 la simulation) en seulement quelques heures et s\u00e9lectionner les meilleurs r\u00e9sultats pour s\u2019en servir comme des hypoth\u00e8ses \u00e0 valider et \u00e0 suivre. De fa\u00e7on plus g\u00e9n\u00e9rale, ce travail promeut l\u2019IA qui peut mener un raisonnement de composition ayant des implications au-del\u00e0 du domaine biom\u00e9dical. Par exemple, ces recherches pourraient permettre \u00e0 l\u2019IA d\u2019am\u00e9liorer sa compr\u00e9hension du langage. Le raisonnement de composition donne un sens au langage et permet les repr\u00e9sentations d\u2019id\u00e9es nuanc\u00e9es sur le monde qui nous entoure. D\u00e9couvrir des milliards d\u2019interactions m\u00e9dicamenteuses gr\u00e2ce \u00e0 l\u2019auto-supervision En biologie, le s\u00e9quen\u00e7age de l\u2019ARN en cellule unique a rapidement \u00e9volu\u00e9 ces derni\u00e8res ann\u00e9es, g\u00e9n\u00e9rant d\u2019\u00e9normes volumes de donn\u00e9es avec une granularit\u00e9 in\u00e9dite. Aujourd\u2019hui, les chercheurs et les scientifiques utilisent le s\u00e9quen\u00e7age de l\u2019ARN en cellule unique comme m\u00e9thode de mesure des expressions g\u00e9niques ARN des cellules individuelles au niveau mol\u00e9culaire et ils \u00e9tudient les effets des diff\u00e9rentes perturbations, telles que les combinaisons de m\u00e9dicaments ou la suppression d\u2019un g\u00e8ne, sur les syst\u00e8mes biologiques. Des chercheurs universitaires et des scientifiques ont d\u00e9velopp\u00e9 et publi\u00e9 des ensembles de donn\u00e9es de s\u00e9quen\u00e7age de l\u2019ARN en cellule unique, portant sur des milliers, voire des millions, de cellules et comportant jusqu\u2019\u00e0 20 000 relev\u00e9s par cellule afin de faire progresser les recherches biom\u00e9dicales. De telles donn\u00e9es de grande dimension servent de banc d’essai pour le machine learning afin de repousser les limites des pr\u00e9visions combinatoires. Jusqu\u2019ici, il n\u2019y avait pas d\u2019approche efficace permettant de pr\u00e9dire les effets des combinaisons de m\u00e9dicaments in\u00e9dites et d\u2019autres perturbations. Il est difficile de r\u00e9aliser des pr\u00e9visions \u00e0 partir de ce type de donn\u00e9es, car les mod\u00e8les d\u2019IA ont besoin d\u2019apprendre \u00e0 g\u00e9n\u00e9raliser, voire \u00e0 extrapoler, les aspects int\u00e9ressants de la structure des donn\u00e9es sans s\u2019appuyer sur des donn\u00e9es d\u2019apprentissage caract\u00e9ris\u00e9es en vue de r\u00e9aliser des pr\u00e9visions portant sur de nouvelles conditions. Pour r\u00e9soudre ce probl\u00e8me, nous avons utilis\u00e9 une technique d\u2019apprentissage auto-supervis\u00e9e nomm\u00e9e auto-encodage nous permettant de compresser et de d\u00e9compresser les donn\u00e9es. Ainsi, l\u2019ordinateur est oblig\u00e9 de synth\u00e9tiser les donn\u00e9es pour \u00e9tablir des mod\u00e8les de pr\u00e9vision utiles. Dans notre cas, l\u2019apprentissage de l\u2019auto-encodage est bas\u00e9 sur les vecteurs d\u2019expression g\u00e9nique non caract\u00e9ris\u00e9s de diff\u00e9rentes pathologies. Le fonctionnement de l\u2019apprentissage de notre mod\u00e8le repose d\u2019abord sur l\u2019isolement des principales caract\u00e9ristiques dans une cellule, comme les effets d\u2019un m\u00e9dicament, d\u2019une combinaison, d\u2019un dosage, d\u2019une planification, d\u2019une suppression de g\u00e8ne ou d\u2019un type de cellule sp\u00e9cifique. Ensuite, il recombine de mani\u00e8re autonome ces caract\u00e9ristiques pour pr\u00e9voir leurs effets sur les expressions g\u00e9niques de la cellule. Pour faire une comparaison, on peut se repr\u00e9senter le fonctionnement du CPA en imaginant que les diff\u00e9rentes caract\u00e9ristiques des cellules (effets des m\u00e9dicaments, combinaisons, dosage et planification) sont des \u00e9l\u00e9ments vestimentaires composant la \u00ab tenue \u00bb port\u00e9e par une cellule (chapeau, \u00e9charpe, lunettes ou bonnet, par exemple). Pendant la phase d\u2019apprentissage, le CPA identifie la cellule \u00ab habill\u00e9e \u00bb, supprime ensuite les \u00e9l\u00e9ments vestimentaires pour habiller \u00e0 nouveau la cellule afin d\u2019en apprendre davantage sur tous les \u00e9l\u00e9ments vestimentaires et la cellule sous-jacente. Pendant la phase de test, le CPA peut pr\u00e9voir les meilleures tenues (ou effets optimaux de combinaisons) : par exemple, si un chapeau et une \u00e9charpe sp\u00e9cifiques vont bien ensemble. Plus concr\u00e8tement, notre mod\u00e8le est appliqu\u00e9 \u00e0 un ensemble de donn\u00e9es de s\u00e9quen\u00e7age de l\u2019ARN en cellule unique concernant des cellules trait\u00e9es \u00e0 l\u2019aide de diff\u00e9rents m\u00e9dicaments et dosages, et son apprentissage suit les trois \u00e9tapes ci-dessous : Tout d\u2019abord, un r\u00e9seau d\u2019encodeur transforme l\u2019expression g\u00e9nique associ\u00e9e \u00e0 une cellule dans l\u2019ensemble de donn\u00e9es en une \u00ab repr\u00e9sentation de cellule. \u00bb Un r\u00e9seau d\u2019int\u00e9gration traduit le traitement appliqu\u00e9 \u00e0 cette cellule en une \u00ab repr\u00e9sentation de traitement. \u00bb En liaison avec ce dernier, un r\u00e9seau discriminateur garantit que les repr\u00e9sentations de cellule et de traitement ne contiennent pas d\u2019informations sur chacune d\u2019entre elles. Ensuite, nous cr\u00e9ons une \u00ab repr\u00e9sentation du goulot d\u2019\u00e9tranglement \u00bb en combinant les repr\u00e9sentations de cellule et de traitement. Enfin, un r\u00e9seau d\u00e9codeur traduit la repr\u00e9sentation du goulot d\u2019\u00e9tranglement en un vecteur d\u2019expression g\u00e9nique. Le mod\u00e8le est entra\u00een\u00e9 de sorte que le r\u00e9sultat du d\u00e9codeur corresponde \u00e0 l\u2019expression g\u00e9nique initialement disponible dans l\u2019ensemble de donn\u00e9es. Dans l\u2019\u00e9tape 1 de ce processus d\u2019apprentissage, nous estimons comment \u00ab annuler \u00bb l\u2019effet d\u2019un traitement pour une cellule et dans les \u00e9tapes 2 et 3, nous estimons comment \u00ab appliquer \u00e0 nouveau \u00bb ce m\u00eame traitement \u00e0 la m\u00eame cellule. Bien que les traitements \u00ab annul\u00e9 \u00bb et \u00ab appliqu\u00e9 \u00bb soient identiques pendant la phase d\u2019apprentissage, nous intervenons dans ce processus pour utiliser notre mod\u00e8le CPA afin de r\u00e9pondre aux questions contrefactuelles comme : \u00ab Quelle aurait \u00e9t\u00e9 l\u2019expression g\u00e9nique de la cellule si on lui avait appliqu\u00e9 le traitement B au lieu du traitement A ? \u00bb Pour r\u00e9pondre \u00e0 ces questions, nous \u00ab annulons \u00bb le traitement A \u00e0 l\u2019\u00e9tape 1 et nous appliquons le traitement B aux \u00e9tapes 2 et 3. Le CPA n\u2019est pas d\u00e9pendant du s\u00e9quen\u00e7age de l\u2019ARN en cellule unique et il ne s\u2019y limite pas. Il peut \u00eatre facilement appliqu\u00e9 dans des donn\u00e9es de s\u00e9quen\u00e7age de l\u2019ARN de masse plus conventionnelles, par exemple, et ais\u00e9ment \u00e9tendu \u00e0 des relev\u00e9s g\u00e9nomiques multimodaux. Obtenir des pr\u00e9visions fiables pour de nouvelles combinaisons de m\u00e9dicaments Pour tester le CPA, nous l\u2019avons appliqu\u00e9 \u00e0 cinq ensembles de donn\u00e9es de s\u00e9quen\u00e7age de l\u2019ARN rendus publics contenant des mesures et des r\u00e9sultats pour diff\u00e9rents m\u00e9dicaments, dosages et d\u2019autres perturbations observ\u00e9es sur les cellules canc\u00e9reuses. Nous avons divis\u00e9 chaque ensemble de donn\u00e9es en trois cat\u00e9gories : apprentissage, test et hors distribution. Nous avons mesur\u00e9 les performances de notre mod\u00e8le \u00e0 l\u2019aide d\u2019un indicateur R2 repr\u00e9sentant la qualit\u00e9 des pr\u00e9visions concernant l\u2019expression des g\u00e8nes individuels. Sur tous les ensembles de donn\u00e9es, les scores R2 sont rest\u00e9s constants entre l\u2019apprentissage et le test. De plus, les indicateurs R2 pour les ensembles hors distribution ont \u00e9t\u00e9 \u00e9lev\u00e9s. Cela signifie que les pr\u00e9visions du CPA concernant les effets des combinaisons cl\u00e9s de m\u00e9dicaments et des dosages sur les cellules canc\u00e9reuses correspondent de mani\u00e8re fiable \u00e0 celles obtenues dans l\u2019ensemble de donn\u00e9es de test. Pour tester les limites du mod\u00e8le, nous avons r\u00e9duit la quantit\u00e9 de donn\u00e9es d\u2019apprentissage et augment\u00e9 la quantit\u00e9 de donn\u00e9es hors distribution. Malgr\u00e9 une diminution consid\u00e9rable des performances, les pr\u00e9visions \u00e9taient loin d\u2019\u00eatre al\u00e9atoires. Le mod\u00e8le n\u2019est pas con\u00e7u pour une utilisation dans des sc\u00e9narios si extr\u00eames, bien qu\u2019il soit int\u00e9ressant de cerner ses capacit\u00e9s d\u2019apprentissage. Perspectives d\u2019avenir Nous esp\u00e9rons que les biologistes ainsi que les chercheurs de l’industrie pharmaceutique et universitaires s\u2019appuieront sur cet outil open source afin d\u2019acc\u00e9l\u00e9rer le processus d\u2019identification des combinaisons optimales de m\u00e9dicaments pour diff\u00e9rentes maladies. Ses API et son pack Python pr\u00eats \u00e0 l\u2019emploi sont con\u00e7us pour aider les chercheurs \u00e0 se connecter \u00e0 des ensembles de donn\u00e9es et \u00e0 examiner des pr\u00e9visions sans aucune comp\u00e9tence en machine learning. En offrant aux laboratoires pharmaceutiques des outils assist\u00e9s par l\u2019IA, nous esp\u00e9rons acc\u00e9l\u00e9rer consid\u00e9rablement le processus d\u2019identification des combinaisons optimales de m\u00e9dicaments et d\u2019autres interventions, ce qui pourrait aboutir \u00e0 l\u2019\u00e9laboration de meilleurs traitements pour les maladies complexes comme le cancer et les nouvelles maladies comme le COVID-19. \u00c0 plus long terme, le CPA ouvre la voie \u00e0 de toutes nouvelles possibilit\u00e9s en mati\u00e8re de d\u00e9veloppement de traitements m\u00e9dicamenteux. \u00c0 l\u2019avenir, il pourrait non seulement acc\u00e9l\u00e9rer les recherches sur la r\u00e9affectation des m\u00e9dicaments, mais aussi permettre un jour la personnalisation des traitements en fonction des r\u00e9ponses des cellules individuelles, un des enjeux les plus importants pour les progr\u00e8s de la m\u00e9decine.","protected":false},"author":164097090,"featured_media":22190,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[243897944],"tags":[243898123,243898104,38631,243898122,134004,243898121],"class_list":["post-22186","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-intelligence-artificielle","tag-cancer","tag-covid","tag-fair","tag-ia","tag-intelligence-artificielle","tag-recherche"],"yoast_head":"\n
L\u2019IA trouve des combinaisons de m\u00e9dicaments efficaces pour acc\u00e9l\u00e9rer la lutte contre des maladies complexes | \u00c0 propos de Meta<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"L\u2019IA trouve des combinaisons de m\u00e9dicaments efficaces pour acc\u00e9l\u00e9rer la lutte contre des maladies complexes | \u00c0 propos de Meta\" \/>\n<meta property=\"og:description\" content=\"La recherche de nouvelles m\u00e9thodes permettant de r\u00e9adapter ou de combiner des m\u00e9dicaments existants s\u2019est av\u00e9r\u00e9e un outil performant pour traiter des maladies complexes. Des m\u00e9dicaments utilis\u00e9s pour soigner un certain type de cancer, par exemple, ont permis de renforcer efficacement des traitements ciblant d\u2019autres cellules canc\u00e9reuses. On soigne souvent les tumeurs malignes complexes \u00e0 l\u2019aide d\u2019une combinaison de m\u00e9dicaments, commun\u00e9ment appel\u00e9e \u00ab cocktail de m\u00e9dicaments \u00bb afin de pr\u00e9parer une attaque concert\u00e9e contre de multiples types de cellules. Les cocktails de m\u00e9dicaments permettent non seulement d\u2019\u00e9viter la r\u00e9sistance aux m\u00e9dicaments, mais \u00e9galement de diminuer les effets secondaires nocifs. Cependant, il est extr\u00eamement difficile de trouver une combinaison efficace de m\u00e9dicaments existants avec un dosage appropri\u00e9 en partie parce que les possibilit\u00e9s sont quasiment infinies. Aujourd\u2019hui, Facebook AI et le centre de recherche allemand Helmholtz Zentrum M\u00fcnchen pr\u00e9sentent une nouvelle m\u00e9thode qui va permettre d\u2019acc\u00e9l\u00e9rer la d\u00e9couverte de nouvelles combinaisons de m\u00e9dicaments efficaces. Nous avons cr\u00e9\u00e9 et publi\u00e9 en open source le tout premier mod\u00e8le d\u2019IA qui pr\u00e9voit les effets des combinaisons de m\u00e9dicaments, les dosages, la planification et d\u2019autres types d\u2019interventions telles que l\u2019invalidation ou la suppression d\u2019un g\u00e8ne. Nous avons publi\u00e9 en open source ce mod\u00e8le baptis\u00e9 CPA (Compositional Perturbation Autoencoder) comprenant une API et un pack Python tr\u00e8s simples d\u2019utilisation. Nous avons d\u00e9taill\u00e9 notre travail dans un article d\u00e9sormais disponible en tant que pr\u00e9publication pour la communaut\u00e9 des chercheurs sur bioRxiv. Cet article sera \u00e9galement soumis \u00e0 la publication dans une revue scientifique avec comit\u00e9 de lecture. Les m\u00e9thodes computationnelles permettant d\u2019explorer de nouvelles combinaisons se sont limit\u00e9es jusqu\u2019\u00e0 pr\u00e9sent aux interactions m\u00e9dicamenteuses incluses dans l\u2019ensemble de donn\u00e9es d\u2019apprentissage, et s\u2019av\u00e8rent d\u00e9faillantes lors du traitement de modifications mol\u00e9culaires de grande dimension, comme les diff\u00e9rents dosages et la planification. Le CPA utilise une technique d\u2019auto-supervision innovante pour observer les cellules trait\u00e9es avec une quantit\u00e9 limit\u00e9e de combinaisons de m\u00e9dicaments et pr\u00e9voit les effets des combinaisons in\u00e9dites. Prenons un exemple simplifi\u00e9 : disons que les donn\u00e9es contiennent des informations concernant l\u2019incidence des m\u00e9dicaments sur diff\u00e9rents types de cellules A, B, C et A+B. Le mod\u00e8le peut d\u00e9couvrir l\u2019impact individuel de chaque m\u00e9dicament selon le type de cellule (c\u2019est-\u00e0-dire sur diff\u00e9rents types de cellules), puis il recombine ces donn\u00e9es afin d\u2019extrapoler les combinaisons A+C et B+C ou m\u00eame les interactions entre A+B et C+D. Les chercheurs pharmaceutiques peuvent utiliser le CPA pour g\u00e9n\u00e9rer des hypoth\u00e8ses, orienter leur processus de conception exp\u00e9rimental et r\u00e9duire les milliards de possibilit\u00e9s afin de mener des exp\u00e9riences en laboratoire. Auparavant, il aurait fallu des ann\u00e9es et de nombreuses exp\u00e9riences sur des lign\u00e9es cellulaires pour tester diff\u00e9rentes combinaisons de 100 m\u00e9dicaments et dosages, par exemple. Les chercheurs peuvent \u00e0 pr\u00e9sent examiner toutes les combinaisons possibles in silico (gr\u00e2ce \u00e0 la simulation) en seulement quelques heures et s\u00e9lectionner les meilleurs r\u00e9sultats pour s\u2019en servir comme des hypoth\u00e8ses \u00e0 valider et \u00e0 suivre. De fa\u00e7on plus g\u00e9n\u00e9rale, ce travail promeut l\u2019IA qui peut mener un raisonnement de composition ayant des implications au-del\u00e0 du domaine biom\u00e9dical. Par exemple, ces recherches pourraient permettre \u00e0 l\u2019IA d\u2019am\u00e9liorer sa compr\u00e9hension du langage. Le raisonnement de composition donne un sens au langage et permet les repr\u00e9sentations d\u2019id\u00e9es nuanc\u00e9es sur le monde qui nous entoure. D\u00e9couvrir des milliards d\u2019interactions m\u00e9dicamenteuses gr\u00e2ce \u00e0 l\u2019auto-supervision En biologie, le s\u00e9quen\u00e7age de l\u2019ARN en cellule unique a rapidement \u00e9volu\u00e9 ces derni\u00e8res ann\u00e9es, g\u00e9n\u00e9rant d\u2019\u00e9normes volumes de donn\u00e9es avec une granularit\u00e9 in\u00e9dite. Aujourd\u2019hui, les chercheurs et les scientifiques utilisent le s\u00e9quen\u00e7age de l\u2019ARN en cellule unique comme m\u00e9thode de mesure des expressions g\u00e9niques ARN des cellules individuelles au niveau mol\u00e9culaire et ils \u00e9tudient les effets des diff\u00e9rentes perturbations, telles que les combinaisons de m\u00e9dicaments ou la suppression d\u2019un g\u00e8ne, sur les syst\u00e8mes biologiques. Des chercheurs universitaires et des scientifiques ont d\u00e9velopp\u00e9 et publi\u00e9 des ensembles de donn\u00e9es de s\u00e9quen\u00e7age de l\u2019ARN en cellule unique, portant sur des milliers, voire des millions, de cellules et comportant jusqu\u2019\u00e0 20 000 relev\u00e9s par cellule afin de faire progresser les recherches biom\u00e9dicales. De telles donn\u00e9es de grande dimension servent de banc d’essai pour le machine learning afin de repousser les limites des pr\u00e9visions combinatoires. Jusqu\u2019ici, il n\u2019y avait pas d\u2019approche efficace permettant de pr\u00e9dire les effets des combinaisons de m\u00e9dicaments in\u00e9dites et d\u2019autres perturbations. Il est difficile de r\u00e9aliser des pr\u00e9visions \u00e0 partir de ce type de donn\u00e9es, car les mod\u00e8les d\u2019IA ont besoin d\u2019apprendre \u00e0 g\u00e9n\u00e9raliser, voire \u00e0 extrapoler, les aspects int\u00e9ressants de la structure des donn\u00e9es sans s\u2019appuyer sur des donn\u00e9es d\u2019apprentissage caract\u00e9ris\u00e9es en vue de r\u00e9aliser des pr\u00e9visions portant sur de nouvelles conditions. Pour r\u00e9soudre ce probl\u00e8me, nous avons utilis\u00e9 une technique d\u2019apprentissage auto-supervis\u00e9e nomm\u00e9e auto-encodage nous permettant de compresser et de d\u00e9compresser les donn\u00e9es. Ainsi, l\u2019ordinateur est oblig\u00e9 de synth\u00e9tiser les donn\u00e9es pour \u00e9tablir des mod\u00e8les de pr\u00e9vision utiles. Dans notre cas, l\u2019apprentissage de l\u2019auto-encodage est bas\u00e9 sur les vecteurs d\u2019expression g\u00e9nique non caract\u00e9ris\u00e9s de diff\u00e9rentes pathologies. Le fonctionnement de l\u2019apprentissage de notre mod\u00e8le repose d\u2019abord sur l\u2019isolement des principales caract\u00e9ristiques dans une cellule, comme les effets d\u2019un m\u00e9dicament, d\u2019une combinaison, d\u2019un dosage, d\u2019une planification, d\u2019une suppression de g\u00e8ne ou d\u2019un type de cellule sp\u00e9cifique. Ensuite, il recombine de mani\u00e8re autonome ces caract\u00e9ristiques pour pr\u00e9voir leurs effets sur les expressions g\u00e9niques de la cellule. Pour faire une comparaison, on peut se repr\u00e9senter le fonctionnement du CPA en imaginant que les diff\u00e9rentes caract\u00e9ristiques des cellules (effets des m\u00e9dicaments, combinaisons, dosage et planification) sont des \u00e9l\u00e9ments vestimentaires composant la \u00ab tenue \u00bb port\u00e9e par une cellule (chapeau, \u00e9charpe, lunettes ou bonnet, par exemple). Pendant la phase d\u2019apprentissage, le CPA identifie la cellule \u00ab habill\u00e9e \u00bb, supprime ensuite les \u00e9l\u00e9ments vestimentaires pour habiller \u00e0 nouveau la cellule afin d\u2019en apprendre davantage sur tous les \u00e9l\u00e9ments vestimentaires et la cellule sous-jacente. Pendant la phase de test, le CPA peut pr\u00e9voir les meilleures tenues (ou effets optimaux de combinaisons) : par exemple, si un chapeau et une \u00e9charpe sp\u00e9cifiques vont bien ensemble. Plus concr\u00e8tement, notre mod\u00e8le est appliqu\u00e9 \u00e0 un ensemble de donn\u00e9es de s\u00e9quen\u00e7age de l\u2019ARN en cellule unique concernant des cellules trait\u00e9es \u00e0 l\u2019aide de diff\u00e9rents m\u00e9dicaments et dosages, et son apprentissage suit les trois \u00e9tapes ci-dessous : Tout d\u2019abord, un r\u00e9seau d\u2019encodeur transforme l\u2019expression g\u00e9nique associ\u00e9e \u00e0 une cellule dans l\u2019ensemble de donn\u00e9es en une \u00ab repr\u00e9sentation de cellule. \u00bb Un r\u00e9seau d\u2019int\u00e9gration traduit le traitement appliqu\u00e9 \u00e0 cette cellule en une \u00ab repr\u00e9sentation de traitement. \u00bb En liaison avec ce dernier, un r\u00e9seau discriminateur garantit que les repr\u00e9sentations de cellule et de traitement ne contiennent pas d\u2019informations sur chacune d\u2019entre elles. Ensuite, nous cr\u00e9ons une \u00ab repr\u00e9sentation du goulot d\u2019\u00e9tranglement \u00bb en combinant les repr\u00e9sentations de cellule et de traitement. Enfin, un r\u00e9seau d\u00e9codeur traduit la repr\u00e9sentation du goulot d\u2019\u00e9tranglement en un vecteur d\u2019expression g\u00e9nique. Le mod\u00e8le est entra\u00een\u00e9 de sorte que le r\u00e9sultat du d\u00e9codeur corresponde \u00e0 l\u2019expression g\u00e9nique initialement disponible dans l\u2019ensemble de donn\u00e9es. Dans l\u2019\u00e9tape 1 de ce processus d\u2019apprentissage, nous estimons comment \u00ab annuler \u00bb l\u2019effet d\u2019un traitement pour une cellule et dans les \u00e9tapes 2 et 3, nous estimons comment \u00ab appliquer \u00e0 nouveau \u00bb ce m\u00eame traitement \u00e0 la m\u00eame cellule. Bien que les traitements \u00ab annul\u00e9 \u00bb et \u00ab appliqu\u00e9 \u00bb soient identiques pendant la phase d\u2019apprentissage, nous intervenons dans ce processus pour utiliser notre mod\u00e8le CPA afin de r\u00e9pondre aux questions contrefactuelles comme : \u00ab Quelle aurait \u00e9t\u00e9 l\u2019expression g\u00e9nique de la cellule si on lui avait appliqu\u00e9 le traitement B au lieu du traitement A ? \u00bb Pour r\u00e9pondre \u00e0 ces questions, nous \u00ab annulons \u00bb le traitement A \u00e0 l\u2019\u00e9tape 1 et nous appliquons le traitement B aux \u00e9tapes 2 et 3. Le CPA n\u2019est pas d\u00e9pendant du s\u00e9quen\u00e7age de l\u2019ARN en cellule unique et il ne s\u2019y limite pas. Il peut \u00eatre facilement appliqu\u00e9 dans des donn\u00e9es de s\u00e9quen\u00e7age de l\u2019ARN de masse plus conventionnelles, par exemple, et ais\u00e9ment \u00e9tendu \u00e0 des relev\u00e9s g\u00e9nomiques multimodaux. Obtenir des pr\u00e9visions fiables pour de nouvelles combinaisons de m\u00e9dicaments Pour tester le CPA, nous l\u2019avons appliqu\u00e9 \u00e0 cinq ensembles de donn\u00e9es de s\u00e9quen\u00e7age de l\u2019ARN rendus publics contenant des mesures et des r\u00e9sultats pour diff\u00e9rents m\u00e9dicaments, dosages et d\u2019autres perturbations observ\u00e9es sur les cellules canc\u00e9reuses. Nous avons divis\u00e9 chaque ensemble de donn\u00e9es en trois cat\u00e9gories : apprentissage, test et hors distribution. Nous avons mesur\u00e9 les performances de notre mod\u00e8le \u00e0 l\u2019aide d\u2019un indicateur R2 repr\u00e9sentant la qualit\u00e9 des pr\u00e9visions concernant l\u2019expression des g\u00e8nes individuels. Sur tous les ensembles de donn\u00e9es, les scores R2 sont rest\u00e9s constants entre l\u2019apprentissage et le test. De plus, les indicateurs R2 pour les ensembles hors distribution ont \u00e9t\u00e9 \u00e9lev\u00e9s. Cela signifie que les pr\u00e9visions du CPA concernant les effets des combinaisons cl\u00e9s de m\u00e9dicaments et des dosages sur les cellules canc\u00e9reuses correspondent de mani\u00e8re fiable \u00e0 celles obtenues dans l\u2019ensemble de donn\u00e9es de test. Pour tester les limites du mod\u00e8le, nous avons r\u00e9duit la quantit\u00e9 de donn\u00e9es d\u2019apprentissage et augment\u00e9 la quantit\u00e9 de donn\u00e9es hors distribution. Malgr\u00e9 une diminution consid\u00e9rable des performances, les pr\u00e9visions \u00e9taient loin d\u2019\u00eatre al\u00e9atoires. Le mod\u00e8le n\u2019est pas con\u00e7u pour une utilisation dans des sc\u00e9narios si extr\u00eames, bien qu\u2019il soit int\u00e9ressant de cerner ses capacit\u00e9s d\u2019apprentissage. Perspectives d\u2019avenir Nous esp\u00e9rons que les biologistes ainsi que les chercheurs de l’industrie pharmaceutique et universitaires s\u2019appuieront sur cet outil open source afin d\u2019acc\u00e9l\u00e9rer le processus d\u2019identification des combinaisons optimales de m\u00e9dicaments pour diff\u00e9rentes maladies. Ses API et son pack Python pr\u00eats \u00e0 l\u2019emploi sont con\u00e7us pour aider les chercheurs \u00e0 se connecter \u00e0 des ensembles de donn\u00e9es et \u00e0 examiner des pr\u00e9visions sans aucune comp\u00e9tence en machine learning. En offrant aux laboratoires pharmaceutiques des outils assist\u00e9s par l\u2019IA, nous esp\u00e9rons acc\u00e9l\u00e9rer consid\u00e9rablement le processus d\u2019identification des combinaisons optimales de m\u00e9dicaments et d\u2019autres interventions, ce qui pourrait aboutir \u00e0 l\u2019\u00e9laboration de meilleurs traitements pour les maladies complexes comme le cancer et les nouvelles maladies comme le COVID-19. \u00c0 plus long terme, le CPA ouvre la voie \u00e0 de toutes nouvelles possibilit\u00e9s en mati\u00e8re de d\u00e9veloppement de traitements m\u00e9dicamenteux. \u00c0 l\u2019avenir, il pourrait non seulement acc\u00e9l\u00e9rer les recherches sur la r\u00e9affectation des m\u00e9dicaments, mais aussi permettre un jour la personnalisation des traitements en fonction des r\u00e9ponses des cellules individuelles, un des enjeux les plus importants pour les progr\u00e8s de la m\u00e9decine.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/\" \/>\n<meta property=\"og:site_name\" content=\"\u00c0 propos de Meta\" \/>\n<meta property=\"article:published_time\" content=\"2021-04-16T13:00:50+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/04\/HMZ_Hero-FINAL.jpg?resize=1024,576\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"576\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"hopscotch\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@METAfrance\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Meta\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"8 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/\"},\"author\":\"Facebook company\",\"headline\":\"L\u2019IA trouve des combinaisons de m\u00e9dicaments efficaces pour acc\u00e9l\u00e9rer la lutte contre des maladies complexes\",\"datePublished\":\"2021-04-16T13:00:50+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/\"},\"wordCount\":2047,\"publisher\":{\"@id\":\"https:\/\/about.fb.com\/fr\/#organization\"},\"image\":{\"@id\":\"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080\",\"keywords\":[\"cancer\",\"covid\",\"FAIR\",\"IA\",\"intelligence artificielle\",\"recherche\"],\"articleSection\":[\"Intelligence Artificielle\"],\"inLanguage\":\"fr-FR\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/\",\"url\":\"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/\",\"name\":\"L\u2019IA trouve des combinaisons de m\u00e9dicaments efficaces pour acc\u00e9l\u00e9rer la lutte contre des maladies complexes | \u00c0 propos de Meta\",\"isPartOf\":{\"@id\":\"https:\/\/about.fb.com\/fr\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080\",\"datePublished\":\"2021-04-16T13:00:50+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/\"]}],\"author\":\"\u00c0 propos de Meta\"},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/#primaryimage\",\"url\":\"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080\",\"contentUrl\":\"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080\",\"width\":1920,\"height\":1080},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/about.fb.com\/fr\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"L\u2019IA trouve des combinaisons de m\u00e9dicaments efficaces pour acc\u00e9l\u00e9rer la lutte contre des maladies complexes\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/about.fb.com\/fr\/#website\",\"url\":\"https:\/\/about.fb.com\/news\/\",\"name\":\"\u00c0 propos de Meta\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/about.fb.com\/fr\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/about.fb.com\/fr\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\",\"alternateName\":[\"Meta Newsroom\",\"Meta\"]},{\"@type\":\"Organization\",\"@id\":\"https:\/\/about.fb.com\/fr\/#organization\",\"name\":\"Meta\",\"url\":\"https:\/\/about.fb.com\/fr\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/about.fb.com\/fr\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/10\/meta-social-16x9-1.jpg?fit=8000%2C4500\",\"contentUrl\":\"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/10\/meta-social-16x9-1.jpg?fit=8000%2C4500\",\"width\":8000,\"height\":4500,\"caption\":\"Meta\"},\"image\":{\"@id\":\"https:\/\/about.fb.com\/fr\/#\/schema\/logo\/image\/\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"L\u2019IA trouve des combinaisons de m\u00e9dicaments efficaces pour acc\u00e9l\u00e9rer la lutte contre des maladies complexes | \u00c0 propos de Meta","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/","og_locale":"fr_FR","og_type":"article","og_title":"L\u2019IA trouve des combinaisons de m\u00e9dicaments efficaces pour acc\u00e9l\u00e9rer la lutte contre des maladies complexes | \u00c0 propos de Meta","og_description":"La recherche de nouvelles m\u00e9thodes permettant de r\u00e9adapter ou de combiner des m\u00e9dicaments existants s\u2019est av\u00e9r\u00e9e un outil performant pour traiter des maladies complexes. Des m\u00e9dicaments utilis\u00e9s pour soigner un certain type de cancer, par exemple, ont permis de renforcer efficacement des traitements ciblant d\u2019autres cellules canc\u00e9reuses. On soigne souvent les tumeurs malignes complexes \u00e0 l\u2019aide d\u2019une combinaison de m\u00e9dicaments, commun\u00e9ment appel\u00e9e \u00ab cocktail de m\u00e9dicaments \u00bb afin de pr\u00e9parer une attaque concert\u00e9e contre de multiples types de cellules. Les cocktails de m\u00e9dicaments permettent non seulement d\u2019\u00e9viter la r\u00e9sistance aux m\u00e9dicaments, mais \u00e9galement de diminuer les effets secondaires nocifs. Cependant, il est extr\u00eamement difficile de trouver une combinaison efficace de m\u00e9dicaments existants avec un dosage appropri\u00e9 en partie parce que les possibilit\u00e9s sont quasiment infinies. Aujourd\u2019hui, Facebook AI et le centre de recherche allemand Helmholtz Zentrum M\u00fcnchen pr\u00e9sentent une nouvelle m\u00e9thode qui va permettre d\u2019acc\u00e9l\u00e9rer la d\u00e9couverte de nouvelles combinaisons de m\u00e9dicaments efficaces. Nous avons cr\u00e9\u00e9 et publi\u00e9 en open source le tout premier mod\u00e8le d\u2019IA qui pr\u00e9voit les effets des combinaisons de m\u00e9dicaments, les dosages, la planification et d\u2019autres types d\u2019interventions telles que l\u2019invalidation ou la suppression d\u2019un g\u00e8ne. Nous avons publi\u00e9 en open source ce mod\u00e8le baptis\u00e9 CPA (Compositional Perturbation Autoencoder) comprenant une API et un pack Python tr\u00e8s simples d\u2019utilisation. Nous avons d\u00e9taill\u00e9 notre travail dans un article d\u00e9sormais disponible en tant que pr\u00e9publication pour la communaut\u00e9 des chercheurs sur bioRxiv. Cet article sera \u00e9galement soumis \u00e0 la publication dans une revue scientifique avec comit\u00e9 de lecture. Les m\u00e9thodes computationnelles permettant d\u2019explorer de nouvelles combinaisons se sont limit\u00e9es jusqu\u2019\u00e0 pr\u00e9sent aux interactions m\u00e9dicamenteuses incluses dans l\u2019ensemble de donn\u00e9es d\u2019apprentissage, et s\u2019av\u00e8rent d\u00e9faillantes lors du traitement de modifications mol\u00e9culaires de grande dimension, comme les diff\u00e9rents dosages et la planification. Le CPA utilise une technique d\u2019auto-supervision innovante pour observer les cellules trait\u00e9es avec une quantit\u00e9 limit\u00e9e de combinaisons de m\u00e9dicaments et pr\u00e9voit les effets des combinaisons in\u00e9dites. Prenons un exemple simplifi\u00e9 : disons que les donn\u00e9es contiennent des informations concernant l\u2019incidence des m\u00e9dicaments sur diff\u00e9rents types de cellules A, B, C et A+B. Le mod\u00e8le peut d\u00e9couvrir l\u2019impact individuel de chaque m\u00e9dicament selon le type de cellule (c\u2019est-\u00e0-dire sur diff\u00e9rents types de cellules), puis il recombine ces donn\u00e9es afin d\u2019extrapoler les combinaisons A+C et B+C ou m\u00eame les interactions entre A+B et C+D. Les chercheurs pharmaceutiques peuvent utiliser le CPA pour g\u00e9n\u00e9rer des hypoth\u00e8ses, orienter leur processus de conception exp\u00e9rimental et r\u00e9duire les milliards de possibilit\u00e9s afin de mener des exp\u00e9riences en laboratoire. Auparavant, il aurait fallu des ann\u00e9es et de nombreuses exp\u00e9riences sur des lign\u00e9es cellulaires pour tester diff\u00e9rentes combinaisons de 100 m\u00e9dicaments et dosages, par exemple. Les chercheurs peuvent \u00e0 pr\u00e9sent examiner toutes les combinaisons possibles in silico (gr\u00e2ce \u00e0 la simulation) en seulement quelques heures et s\u00e9lectionner les meilleurs r\u00e9sultats pour s\u2019en servir comme des hypoth\u00e8ses \u00e0 valider et \u00e0 suivre. De fa\u00e7on plus g\u00e9n\u00e9rale, ce travail promeut l\u2019IA qui peut mener un raisonnement de composition ayant des implications au-del\u00e0 du domaine biom\u00e9dical. Par exemple, ces recherches pourraient permettre \u00e0 l\u2019IA d\u2019am\u00e9liorer sa compr\u00e9hension du langage. Le raisonnement de composition donne un sens au langage et permet les repr\u00e9sentations d\u2019id\u00e9es nuanc\u00e9es sur le monde qui nous entoure. D\u00e9couvrir des milliards d\u2019interactions m\u00e9dicamenteuses gr\u00e2ce \u00e0 l\u2019auto-supervision En biologie, le s\u00e9quen\u00e7age de l\u2019ARN en cellule unique a rapidement \u00e9volu\u00e9 ces derni\u00e8res ann\u00e9es, g\u00e9n\u00e9rant d\u2019\u00e9normes volumes de donn\u00e9es avec une granularit\u00e9 in\u00e9dite. Aujourd\u2019hui, les chercheurs et les scientifiques utilisent le s\u00e9quen\u00e7age de l\u2019ARN en cellule unique comme m\u00e9thode de mesure des expressions g\u00e9niques ARN des cellules individuelles au niveau mol\u00e9culaire et ils \u00e9tudient les effets des diff\u00e9rentes perturbations, telles que les combinaisons de m\u00e9dicaments ou la suppression d\u2019un g\u00e8ne, sur les syst\u00e8mes biologiques. Des chercheurs universitaires et des scientifiques ont d\u00e9velopp\u00e9 et publi\u00e9 des ensembles de donn\u00e9es de s\u00e9quen\u00e7age de l\u2019ARN en cellule unique, portant sur des milliers, voire des millions, de cellules et comportant jusqu\u2019\u00e0 20 000 relev\u00e9s par cellule afin de faire progresser les recherches biom\u00e9dicales. De telles donn\u00e9es de grande dimension servent de banc d’essai pour le machine learning afin de repousser les limites des pr\u00e9visions combinatoires. Jusqu\u2019ici, il n\u2019y avait pas d\u2019approche efficace permettant de pr\u00e9dire les effets des combinaisons de m\u00e9dicaments in\u00e9dites et d\u2019autres perturbations. Il est difficile de r\u00e9aliser des pr\u00e9visions \u00e0 partir de ce type de donn\u00e9es, car les mod\u00e8les d\u2019IA ont besoin d\u2019apprendre \u00e0 g\u00e9n\u00e9raliser, voire \u00e0 extrapoler, les aspects int\u00e9ressants de la structure des donn\u00e9es sans s\u2019appuyer sur des donn\u00e9es d\u2019apprentissage caract\u00e9ris\u00e9es en vue de r\u00e9aliser des pr\u00e9visions portant sur de nouvelles conditions. Pour r\u00e9soudre ce probl\u00e8me, nous avons utilis\u00e9 une technique d\u2019apprentissage auto-supervis\u00e9e nomm\u00e9e auto-encodage nous permettant de compresser et de d\u00e9compresser les donn\u00e9es. Ainsi, l\u2019ordinateur est oblig\u00e9 de synth\u00e9tiser les donn\u00e9es pour \u00e9tablir des mod\u00e8les de pr\u00e9vision utiles. Dans notre cas, l\u2019apprentissage de l\u2019auto-encodage est bas\u00e9 sur les vecteurs d\u2019expression g\u00e9nique non caract\u00e9ris\u00e9s de diff\u00e9rentes pathologies. Le fonctionnement de l\u2019apprentissage de notre mod\u00e8le repose d\u2019abord sur l\u2019isolement des principales caract\u00e9ristiques dans une cellule, comme les effets d\u2019un m\u00e9dicament, d\u2019une combinaison, d\u2019un dosage, d\u2019une planification, d\u2019une suppression de g\u00e8ne ou d\u2019un type de cellule sp\u00e9cifique. Ensuite, il recombine de mani\u00e8re autonome ces caract\u00e9ristiques pour pr\u00e9voir leurs effets sur les expressions g\u00e9niques de la cellule. Pour faire une comparaison, on peut se repr\u00e9senter le fonctionnement du CPA en imaginant que les diff\u00e9rentes caract\u00e9ristiques des cellules (effets des m\u00e9dicaments, combinaisons, dosage et planification) sont des \u00e9l\u00e9ments vestimentaires composant la \u00ab tenue \u00bb port\u00e9e par une cellule (chapeau, \u00e9charpe, lunettes ou bonnet, par exemple). Pendant la phase d\u2019apprentissage, le CPA identifie la cellule \u00ab habill\u00e9e \u00bb, supprime ensuite les \u00e9l\u00e9ments vestimentaires pour habiller \u00e0 nouveau la cellule afin d\u2019en apprendre davantage sur tous les \u00e9l\u00e9ments vestimentaires et la cellule sous-jacente. Pendant la phase de test, le CPA peut pr\u00e9voir les meilleures tenues (ou effets optimaux de combinaisons) : par exemple, si un chapeau et une \u00e9charpe sp\u00e9cifiques vont bien ensemble. Plus concr\u00e8tement, notre mod\u00e8le est appliqu\u00e9 \u00e0 un ensemble de donn\u00e9es de s\u00e9quen\u00e7age de l\u2019ARN en cellule unique concernant des cellules trait\u00e9es \u00e0 l\u2019aide de diff\u00e9rents m\u00e9dicaments et dosages, et son apprentissage suit les trois \u00e9tapes ci-dessous : Tout d\u2019abord, un r\u00e9seau d\u2019encodeur transforme l\u2019expression g\u00e9nique associ\u00e9e \u00e0 une cellule dans l\u2019ensemble de donn\u00e9es en une \u00ab repr\u00e9sentation de cellule. \u00bb Un r\u00e9seau d\u2019int\u00e9gration traduit le traitement appliqu\u00e9 \u00e0 cette cellule en une \u00ab repr\u00e9sentation de traitement. \u00bb En liaison avec ce dernier, un r\u00e9seau discriminateur garantit que les repr\u00e9sentations de cellule et de traitement ne contiennent pas d\u2019informations sur chacune d\u2019entre elles. Ensuite, nous cr\u00e9ons une \u00ab repr\u00e9sentation du goulot d\u2019\u00e9tranglement \u00bb en combinant les repr\u00e9sentations de cellule et de traitement. Enfin, un r\u00e9seau d\u00e9codeur traduit la repr\u00e9sentation du goulot d\u2019\u00e9tranglement en un vecteur d\u2019expression g\u00e9nique. Le mod\u00e8le est entra\u00een\u00e9 de sorte que le r\u00e9sultat du d\u00e9codeur corresponde \u00e0 l\u2019expression g\u00e9nique initialement disponible dans l\u2019ensemble de donn\u00e9es. Dans l\u2019\u00e9tape 1 de ce processus d\u2019apprentissage, nous estimons comment \u00ab annuler \u00bb l\u2019effet d\u2019un traitement pour une cellule et dans les \u00e9tapes 2 et 3, nous estimons comment \u00ab appliquer \u00e0 nouveau \u00bb ce m\u00eame traitement \u00e0 la m\u00eame cellule. Bien que les traitements \u00ab annul\u00e9 \u00bb et \u00ab appliqu\u00e9 \u00bb soient identiques pendant la phase d\u2019apprentissage, nous intervenons dans ce processus pour utiliser notre mod\u00e8le CPA afin de r\u00e9pondre aux questions contrefactuelles comme : \u00ab Quelle aurait \u00e9t\u00e9 l\u2019expression g\u00e9nique de la cellule si on lui avait appliqu\u00e9 le traitement B au lieu du traitement A ? \u00bb Pour r\u00e9pondre \u00e0 ces questions, nous \u00ab annulons \u00bb le traitement A \u00e0 l\u2019\u00e9tape 1 et nous appliquons le traitement B aux \u00e9tapes 2 et 3. Le CPA n\u2019est pas d\u00e9pendant du s\u00e9quen\u00e7age de l\u2019ARN en cellule unique et il ne s\u2019y limite pas. Il peut \u00eatre facilement appliqu\u00e9 dans des donn\u00e9es de s\u00e9quen\u00e7age de l\u2019ARN de masse plus conventionnelles, par exemple, et ais\u00e9ment \u00e9tendu \u00e0 des relev\u00e9s g\u00e9nomiques multimodaux. Obtenir des pr\u00e9visions fiables pour de nouvelles combinaisons de m\u00e9dicaments Pour tester le CPA, nous l\u2019avons appliqu\u00e9 \u00e0 cinq ensembles de donn\u00e9es de s\u00e9quen\u00e7age de l\u2019ARN rendus publics contenant des mesures et des r\u00e9sultats pour diff\u00e9rents m\u00e9dicaments, dosages et d\u2019autres perturbations observ\u00e9es sur les cellules canc\u00e9reuses. Nous avons divis\u00e9 chaque ensemble de donn\u00e9es en trois cat\u00e9gories : apprentissage, test et hors distribution. Nous avons mesur\u00e9 les performances de notre mod\u00e8le \u00e0 l\u2019aide d\u2019un indicateur R2 repr\u00e9sentant la qualit\u00e9 des pr\u00e9visions concernant l\u2019expression des g\u00e8nes individuels. Sur tous les ensembles de donn\u00e9es, les scores R2 sont rest\u00e9s constants entre l\u2019apprentissage et le test. De plus, les indicateurs R2 pour les ensembles hors distribution ont \u00e9t\u00e9 \u00e9lev\u00e9s. Cela signifie que les pr\u00e9visions du CPA concernant les effets des combinaisons cl\u00e9s de m\u00e9dicaments et des dosages sur les cellules canc\u00e9reuses correspondent de mani\u00e8re fiable \u00e0 celles obtenues dans l\u2019ensemble de donn\u00e9es de test. Pour tester les limites du mod\u00e8le, nous avons r\u00e9duit la quantit\u00e9 de donn\u00e9es d\u2019apprentissage et augment\u00e9 la quantit\u00e9 de donn\u00e9es hors distribution. Malgr\u00e9 une diminution consid\u00e9rable des performances, les pr\u00e9visions \u00e9taient loin d\u2019\u00eatre al\u00e9atoires. Le mod\u00e8le n\u2019est pas con\u00e7u pour une utilisation dans des sc\u00e9narios si extr\u00eames, bien qu\u2019il soit int\u00e9ressant de cerner ses capacit\u00e9s d\u2019apprentissage. Perspectives d\u2019avenir Nous esp\u00e9rons que les biologistes ainsi que les chercheurs de l’industrie pharmaceutique et universitaires s\u2019appuieront sur cet outil open source afin d\u2019acc\u00e9l\u00e9rer le processus d\u2019identification des combinaisons optimales de m\u00e9dicaments pour diff\u00e9rentes maladies. Ses API et son pack Python pr\u00eats \u00e0 l\u2019emploi sont con\u00e7us pour aider les chercheurs \u00e0 se connecter \u00e0 des ensembles de donn\u00e9es et \u00e0 examiner des pr\u00e9visions sans aucune comp\u00e9tence en machine learning. En offrant aux laboratoires pharmaceutiques des outils assist\u00e9s par l\u2019IA, nous esp\u00e9rons acc\u00e9l\u00e9rer consid\u00e9rablement le processus d\u2019identification des combinaisons optimales de m\u00e9dicaments et d\u2019autres interventions, ce qui pourrait aboutir \u00e0 l\u2019\u00e9laboration de meilleurs traitements pour les maladies complexes comme le cancer et les nouvelles maladies comme le COVID-19. \u00c0 plus long terme, le CPA ouvre la voie \u00e0 de toutes nouvelles possibilit\u00e9s en mati\u00e8re de d\u00e9veloppement de traitements m\u00e9dicamenteux. \u00c0 l\u2019avenir, il pourrait non seulement acc\u00e9l\u00e9rer les recherches sur la r\u00e9affectation des m\u00e9dicaments, mais aussi permettre un jour la personnalisation des traitements en fonction des r\u00e9ponses des cellules individuelles, un des enjeux les plus importants pour les progr\u00e8s de la m\u00e9decine.","og_url":"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/","og_site_name":"\u00c0 propos de Meta","article_published_time":"2021-04-16T13:00:50+00:00","og_image":[{"width":1024,"height":576,"url":"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/04\/HMZ_Hero-FINAL.jpg?resize=1024,576","type":"image\/jpeg"}],"author":"hopscotch","twitter_card":"summary_large_image","twitter_creator":"@METAfrance","twitter_misc":{"Written by":"Meta","Est. reading time":"8 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/#article","isPartOf":{"@id":"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/"},"author":"Facebook company","headline":"L\u2019IA trouve des combinaisons de m\u00e9dicaments efficaces pour acc\u00e9l\u00e9rer la lutte contre des maladies complexes","datePublished":"2021-04-16T13:00:50+00:00","mainEntityOfPage":{"@id":"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/"},"wordCount":2047,"publisher":{"@id":"https:\/\/about.fb.com\/fr\/#organization"},"image":{"@id":"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/#primaryimage"},"thumbnailUrl":"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080","keywords":["cancer","covid","FAIR","IA","intelligence artificielle","recherche"],"articleSection":["Intelligence Artificielle"],"inLanguage":"fr-FR"},{"@type":"WebPage","@id":"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/","url":"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/","name":"L\u2019IA trouve des combinaisons de m\u00e9dicaments efficaces pour acc\u00e9l\u00e9rer la lutte contre des maladies complexes | \u00c0 propos de Meta","isPartOf":{"@id":"https:\/\/about.fb.com\/fr\/#website"},"primaryImageOfPage":{"@id":"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/#primaryimage"},"image":{"@id":"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/#primaryimage"},"thumbnailUrl":"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080","datePublished":"2021-04-16T13:00:50+00:00","breadcrumb":{"@id":"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/"]}],"author":"\u00c0 propos de Meta"},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/#primaryimage","url":"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080","contentUrl":"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080","width":1920,"height":1080},{"@type":"BreadcrumbList","@id":"https:\/\/about.fb.com\/fr\/news\/2021\/04\/lia-trouve-des-combinaisons-de-medicaments-efficaces-pour-accelerer-la-lutte-contre-des-maladies-complexes\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/about.fb.com\/fr\/"},{"@type":"ListItem","position":2,"name":"L\u2019IA trouve des combinaisons de m\u00e9dicaments efficaces pour acc\u00e9l\u00e9rer la lutte contre des maladies complexes"}]},{"@type":"WebSite","@id":"https:\/\/about.fb.com\/fr\/#website","url":"https:\/\/about.fb.com\/news\/","name":"\u00c0 propos de Meta","description":"","publisher":{"@id":"https:\/\/about.fb.com\/fr\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/about.fb.com\/fr\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR","alternateName":["Meta Newsroom","Meta"]},{"@type":"Organization","@id":"https:\/\/about.fb.com\/fr\/#organization","name":"Meta","url":"https:\/\/about.fb.com\/fr\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/about.fb.com\/fr\/#\/schema\/logo\/image\/","url":"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/10\/meta-social-16x9-1.jpg?fit=8000%2C4500","contentUrl":"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/10\/meta-social-16x9-1.jpg?fit=8000%2C4500","width":8000,"height":4500,"caption":"Meta"},"image":{"@id":"https:\/\/about.fb.com\/fr\/#\/schema\/logo\/image\/"}}]}},"jetpack_featured_media_url":"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/04\/HMZ_Hero-FINAL.jpg?fit=1920%2C1080","jetpack-related-posts":[],"jetpack_sharing_enabled":true,"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/about.fb.com\/fr\/wp-json\/wp\/v2\/posts\/22186","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/about.fb.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/about.fb.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/about.fb.com\/fr\/wp-json\/wp\/v2\/users\/164097090"}],"replies":[{"embeddable":true,"href":"https:\/\/about.fb.com\/fr\/wp-json\/wp\/v2\/comments?post=22186"}],"version-history":[{"count":2,"href":"https:\/\/about.fb.com\/fr\/wp-json\/wp\/v2\/posts\/22186\/revisions"}],"predecessor-version":[{"id":22193,"href":"https:\/\/about.fb.com\/fr\/wp-json\/wp\/v2\/posts\/22186\/revisions\/22193"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/about.fb.com\/fr\/wp-json\/wp\/v2\/media\/22190"}],"wp:attachment":[{"href":"https:\/\/about.fb.com\/fr\/wp-json\/wp\/v2\/media?parent=22186"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/about.fb.com\/fr\/wp-json\/wp\/v2\/categories?post=22186"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/about.fb.com\/fr\/wp-json\/wp\/v2\/tags?post=22186"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"\"](\"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/04\/HMZ_Drug_Infographic_2-FINAL.jpg?w=890&resize=890%2C407\")
<\/p>\n![\"\"](\"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/04\/HMZ_Drug_Infographic_1-FINAL.jpg?w=890&resize=890%2C433\")
<\/p>\n![\"\"](\"https:\/\/about.fb.com\/fr\/wp-content\/uploads\/sites\/12\/2021\/04\/HMZ_Quote-FINAL.jpg?w=890&resize=890%2C460\")
<\/p>\n