L'utilisation du docétaxel est associée à une réduction significative des décès par cancer de la prostate dans un groupe à très mauvais pronostic

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

Accueil » Psychologie » Troubles mentaux » Enfant » Un modèle d’IA peut aider à prédire les résultats de survie des patients atteints de cancer

Les enquêteurs du UCLA Health Jonsson Comprehensive Cancer Center ont développé un modèle d’intelligence artificielle (IA) basé sur des facteurs épigénétiques qui est capable de prédire avec succès les résultats pour les patients dans plusieurs types de cancer.

Les chercheurs ont découvert qu’en examinant 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 groupes distincts afin de mieux prédire les résultats pour les patients dans divers types de cancer que les mesures traditionnelles telles que le grade du cancer. et scène.

Ces résultats, décrits dans Biologie des communicationsjettent également les bases du développement de thérapies ciblées visant à 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 Hilary Coller, co-auteur principal, professeur de biologie moléculaire, cellulaire et du développement et membre du UCLA Health Jonsson Comprehensive Cancer Center et le centre Eli et Edythe Broad de médecine régénérative et de recherche sur les cellules souches de l’UCLA.

“Cependant, l’émergence de technologies avancées de séquençage de nouvelle génération a permis à davantage de personnes de se rendre compte que l’état de la chromatine et les niveaux 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. chromatine – comme si les protéines histones sont modifiées ou si les bases d’acide nucléique de l’ADN contiennent des groupes méthyles supplémentaires – qui peuvent affecter 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 les mutations dans les gènes codant pour les facteurs épigénétiques peuvent affecter la susceptibilité au cancer d’un individu, on sait peu de choses sur l’impact des niveaux de ces facteurs sur la progression du cancer. Ce manque de connaissances est crucial pour bien comprendre comment l’épigénétique affecte les résultats pour les patients, a noté Coller.

Pour voir s’il existait une relation entre les modèles épigénétiques et les résultats cliniques, les chercheurs ont analysé les modèles d’expression de 720 facteurs épigénétiques pour classer les tumeurs de 24 types de cancer différents en groupes distincts.

Sur les 24 types de cancer chez l’adulte, l’équipe a constaté que pour 10 des cancers, les groupes 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 grade inférieur, le carcinome hépatocellulaire du foie et l’adénocarcinome du poumon, où les différences étaient significatives pour 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 dépendait 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 même constaté ce lien dans les quelques types de cancer pédiatriques que nous avons analysés. Cela peut être utile pour décider de la pertinence spécifique au cancer du ciblage 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 arriver pour les cinq types de cancer présentant des différences significatives dans les mesures de survie.

Les scientifiques ont découvert que le modèle pouvait diviser avec succès les patients atteints de ces cinq types de cancer 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 moins bons résultats.

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

“Le modèle pan-cancer d’IA est formé et testé sur les 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 basés sur des facteurs épigénétiques similaires pourraient être générés pour les cancers pédiatriques afin de voir quels facteurs influencent le processus décisionnel par rapport aux modèles construits sur les cancers adultes.”

“Notre recherche contribue à fournir une feuille de route pour des modèles d’IA similaires pouvant être générés via des listes accessibles au public de facteurs épigénétiques pronostiques”, a déclaré le premier auteur de l’étude, Michael Cheng, étudiant diplômé du programme interdépartemental de bioinformatique de l’UCLA. “La feuille de route montre comment identifier certains facteurs influents dans différents types de cancer et contient un potentiel passionnant pour prédire des cibles spécifiques pour le traitement du cancer.”

★★★★★

A lire également