Un modèle d’IA peut aider à prédire les résultats de survie des patients atteints de cancer

Les chercheurs ont découvert qu’en étudiant les modèles d’expression génique des facteurs épigénétiques – facteurs qui influencent la manière dont les gènes sont activés ou désactivés – dans les tumeurs, ils pouvaient les classer en différents groupes afin de mieux prédire les résultats pour les patients atteints de différents types de cancer qu’avec des mesures traditionnelles telles que z Grade et stade du cancer.

Ces résultats, décrits dans Biologie de la communicationjettent également les bases du développement de thérapies ciblées pour réguler les facteurs épigénétiques dans le traitement du cancer, tels que les histones acétyltransférases et les remodeleurs de la chromatine SWI/SNF.

“Traditionnellement, le cancer a été considéré principalement comme le résultat de mutations génétiques au sein d’oncogènes ou de suppresseurs de tumeurs”, a déclaré la co-auteure principale Hilary Coller, professeur de biologie moléculaire, cellulaire et développementale et membre du UCLA Health Jonsson Comprehensive Cancer Center et du Eli et Edythe Broad Center de médecine régénérative et de recherche sur les cellules souches à l’UCLA. « Cependant, l’avènement des technologies avancées de séquençage de nouvelle génération a amené davantage de personnes à se rendre compte que l’état de la chromatine et la quantité de facteurs épigénétiques qui maintiennent cet état sont importants pour le cancer et sa progression. Il existe différents aspects de l’état de la chromatine. » La chromatine – par exemple si les protéines histones sont altérées ou si les bases d’acide nucléique de l’ADN contiennent des groupes méthyles supplémentaires – peut avoir un impact sur les résultats du cancer. Comprendre ces différences entre les tumeurs pourrait nous aider à en savoir plus sur les raisons pour lesquelles certains patients réagissent différemment aux traitements et pourquoi leurs résultats varient.

Alors que des études antérieures ont montré que des mutations dans les gènes codant pour des facteurs épigénétiques peuvent influencer la susceptibilité d’un individu au cancer, on sait peu de choses sur la façon dont les niveaux de ces facteurs affectent la progression du cancer. Ce manque de connaissances est essentiel pour comprendre pleinement l’impact de l’épigénétique sur les résultats pour les patients, a noté Coller.

Pour découvrir s’il existe un lien entre les modèles épigénétiques et les résultats cliniques, les chercheurs ont analysé les modèles d’expression de 720 facteurs épigénétiques afin de classer les tumeurs de 24 types de cancer différents en différents groupes.

Sur les 24 cancers adultes, l’équipe a constaté que les groupes dans 10 des cancers étaient associés à des différences significatives dans les résultats pour les patients, notamment la survie sans progression, la survie spécifique à la maladie et la survie globale.

Cela était particulièrement vrai pour le carcinome corticosurrénalien, le carcinome rénal à cellules claires, le gliome cérébral de bas grade, le carcinome hépatocellulaire du foie et l’adénocarcinome du poumon, où les différences étaient significatives dans toutes les mesures de survie.

Les groupes avec de mauvais résultats avaient tendance à avoir un stade de cancer plus élevé, une tumeur de plus grande taille ou des indicateurs de propagation plus graves.

“Nous avons vu que l’efficacité pronostique d’un facteur épigénétique dépend du tissu d’origine du type de cancer”, a déclaré Mithun Mitra, co-auteur principal de l’étude et scientifique associé du projet au laboratoire Coller. « Nous avons constaté cette association même dans les quelques cancers infantiles que nous avons analysés. Cela peut être utile pour décider de la pertinence spécifique au cancer du traitement thérapeutique de ces facteurs.

L’équipe a ensuite utilisé les niveaux d’expression des gènes des facteurs épigénétiques pour former et tester un modèle d’IA afin de prédire les résultats pour les patients. Ce modèle a été spécialement conçu pour prédire ce qui pourrait se produire dans les cinq types de cancer pour lesquels il existait des différences significatives dans les mesures de survie.

Les scientifiques ont découvert que le modèle était capable de diviser avec succès les patients atteints de ces cinq cancers en deux groupes : un avec une chance significativement plus élevée d’obtenir de meilleurs résultats et un autre avec une chance plus élevée d’obtenir de pires résultats.

Ils ont également constaté que les gènes les plus importants pour le modèle d’IA présentaient un chevauchement significatif avec les gènes de signature définissant le cluster.

“Le modèle d’IA pan-cancer est en cours de formation et de test sur des patients adultes de la cohorte TCGA et il serait bon de le tester sur d’autres ensembles de données indépendants pour explorer sa large applicabilité”, a déclaré Mitra. “Des modèles similaires basés sur des facteurs épigénétiques pourraient être créés pour les cancers infantiles afin de voir quels facteurs influencent le processus décisionnel par rapport aux modèles pour les cancers adultes.”

“Notre recherche contribue à fournir une feuille de route pour des modèles d’IA similaires qui peuvent être construits à partir de listes accessibles au public de facteurs épigénétiques pronostiques”, a déclaré l’auteur principal de l’étude, Michael Cheng, étudiant diplômé du programme interdépartemental de bioinformatique de l’UCLA. “La feuille de route montre comment des facteurs d’influence spécifiques peuvent être identifiés dans différents types de cancer et recèle un potentiel passionnant pour prédire des cibles spécifiques pour le traitement du cancer.”

L’étude a été financée en partie par des subventions du National Cancer Institute, du Cancer Research Institute, de la Melanoma Research Alliance, de la Melanoma Research Foundation, des National Institutes of Health et de l’UCLA Spore in Prostate Cancer.