Il y a un petit pourcentage de patients atteints de cancer chez qui les médecins ne peuvent pas déterminer où il a commencé . Il est donc beaucoup plus difficile de choisir un traitement pour ces patients.
En effet, de nos jours, de nombreux médicaments anticancéreux sont développés pour tuer des tumeurs spécifiques. Par conséquent, il est très important de connaître son origine afin d'adapter le médicament pour l'éliminer.
Désormais, une nouvelle méthode développée par des chercheurs du MIT et du Dana-Farber Cancer Institute pourrait faciliter l'identification des sites d'origine de ces cancers énigmatiques. À l'aide de l'apprentissage automatique, les chercheurs ont créé un modèle informatique capable d'analyser la séquence d'environ 400 gènes et d'utiliser ces informations pour prédire l'origine d'une tumeur donnée dans le corps.
Dans leurs recherches, les experts ont démontré qu'ils pouvaient classer avec précision au moins 40 % des tumeurs d'origine inconnue avec une grande confiance, dans un ensemble de données d'environ 900 patients. Cette approche a permis de multiplier par 2,2 le nombre de patients qui auraient pu être éligibles à une thérapie génomiquement ciblée, en fonction de l'origine de leur cancer.
"C'était la découverte la plus importante de notre article, que ce modèle pourrait potentiellement être utilisé pour aider les décisions de traitement, guidant les cliniciens vers des traitements personnalisés pour les patients atteints de cancers primitifs inconnus", a expliqué Intae Moon, un étudiant diplômé en génie électrique et technologie de MIT, qui est l'auteur principal de la nouvelle étude publiée dans Nature Medicine .
origines mystérieuses
Chez 3 à 5 % des patients atteints de cancer, en particulier dans les cas où les tumeurs se sont métastasées dans tout le corps, les oncologues n'ont pas de moyen facile de déterminer où le cancer a commencé. Ces tumeurs sont classées comme cancers primitifs inconnus (CUP).
Ce manque de connaissances empêche souvent les médecins de donner aux patients des médicaments « de précision », qui sont généralement approuvés pour des types spécifiques de cancer où ils sont connus pour fonctionner. Ces traitements ciblés ont tendance à être plus efficaces et à avoir moins d'effets secondaires que les traitements utilisés pour un large éventail de cancers, qui sont couramment prescrits aux patients atteints de CPI.
"Un nombre important de personnes développent ces cancers primitifs inconnus chaque année, et comme la plupart des thérapies sont approuvées dans un site spécifique, où il faut connaître le site primaire pour les appliquer, elles ont des options de traitement très limitées", a déclaré Alexander Gusev, professeur agrégé de médecine à la Harvard Medical School et au Dana-Farber Cancer Institute , qui est également l'auteur principal de l' article scientifique.
Des experts du Laboratoire d'informatique et d'intelligence artificielle ont analysé les données génétiques régulièrement collectées à Dana-Farber pour voir si elles pouvaient être utilisées pour prédire le type de cancer.
Ces données consistent en des séquences génétiques d'environ 400 gènes qui sont souvent mutés dans le cancer. Les chercheurs ont formé un modèle d'apprentissage automatique sur les données de près de 30 000 patients chez qui on avait diagnostiqué l'un des 22 types de cancer connus. Cet ensemble de données comprenait des patients du Memorial Sloan Kettering Cancer Center et du Vanderbilt-Ingram Cancer Center, ainsi que de Dana-Farber.
À l'aide de ces informations, les chercheurs ont testé le modèle résultant sur environ 7 000 tumeurs qui n'avaient jamais été vues auparavant, mais dont le site d'origine était connu. Ce modèle, que les chercheurs ont appelé OncoNPC, a pu prédire leurs origines avec une précision de 80 %. Pour les tumeurs avec des prédictions de haute confiance, qui représentaient environ 65 % du total, leur précision est passée à environ 95 %.
Suite à ces résultats encourageants, les chercheurs ont utilisé le modèle pour analyser un pool d'environ 900 tumeurs de patients CUP, tous de Dana-Farber. Ils ont découvert que pour 40 % de ces tumeurs, le modèle pouvait faire des prédictions de haute confiance.
Les chercheurs ont ensuite comparé les prédictions du modèle avec une analyse des mutations germinales ou héréditaires dans un sous-ensemble de tumeurs avec les données disponibles, ce qui peut révéler si les patients ont une prédisposition génétique à développer un type particulier de cancer.
Les chercheurs ont découvert que les prédictions du modèle étaient beaucoup plus susceptibles de correspondre au type de cancer le plus fortement prédit par les mutations germinales que tout autre type de cancer.
Décisions relatives aux médicaments
Pour valider davantage les prédictions du modèle, les chercheurs ont comparé les données sur le temps de survie des patients CUP avec le pronostic typique du type de cancer prédit par le modèle.
Ils ont découvert que les patients atteints de CUP dont on prévoyait qu'ils auraient un cancer avec un mauvais pronostic, comme le cancer du pancréas, présentaient des temps de survie proportionnellement plus courts. Pendant ce temps, les patients CUP qui devaient avoir des cancers qui ont généralement de meilleurs pronostics, tels que les tumeurs neuroendocrines, avaient des temps de survie plus longs.
Une autre indication que les prédictions du modèle pourraient être utiles est venue de l'examen des types de traitements que les patients CUP analysés dans l'étude avaient reçus. Environ 10% de ces patients avaient reçu un traitement ciblé, basé sur la meilleure estimation de leurs oncologues de l'endroit où leur cancer avait commencé. Parmi ces patients, ceux qui ont reçu un traitement correspondant au type de cancer prédit par le modèle s'en sont mieux sortis que les patients qui ont reçu un traitement généralement administré pour un type de cancer différent de celui prédit par le modèle.
À l'aide de ce modèle, les chercheurs ont également identifié 15 % supplémentaires de patients (une augmentation de 2,2 fois) qui auraient pu recevoir un traitement ciblé existant si leur type de cancer avait été connu. Au lieu de cela, ces patients ont fini par recevoir des médicaments de chimiothérapie plus généraux.
"Cela rend potentiellement ces résultats plus exploitables sur le plan clinique, car nous n'exigeons pas l'approbation d'un nouveau médicament. Ce que nous disons, c'est que cette population peut désormais être éligible à des traitements de précision qui existent déjà », déclare Gusev.
Les chercheurs espèrent maintenant étendre leur modèle pour inclure d'autres types de données, telles que des images de pathologie et des images radiologiques, afin de fournir une prédiction plus complète en utilisant plusieurs modalités de données. Cela donnerait également au modèle une vue holistique des tumeurs, lui permettant de prédire non seulement le type de tumeur et l'évolution du patient, mais potentiellement même un traitement optimal.
Continuer à lire