Une nouvelle approche informatique augmente l’accessibilité au profilage des tumeurs unicellulaires pour améliorer les résultats du traitement

Une nouvelle approche informatique augmente l’accessibilité au profilage des tumeurs unicellulaires pour améliorer les résultats du traitement

Accueil » Parents » Étapes » Enfant » Une nouvelle approche informatique augmente l’accessibilité au profilage des tumeurs unicellulaires pour améliorer les résultats du traitement

Pour améliorer les thérapies contre le cancer et d’autres maladies, les chercheurs s’efforcent d’identifier des cibles thérapeutiques spécifiques aux tissus et des biomarqueurs diagnostiques chez chaque patient. L’identification de cibles et de biomarqueurs spécifiques peut être réalisée en analysant la composition cellulaire des tumeurs au niveau unicellulaire. Bien que les technologies de profilage tissulaire telles que le séquençage de l’ARN unicellulaire et de l’ARN mononucléaire fournissent des informations spécifiques au type de cellule avec une résolution sans précédent, leur mise en œuvre présente des défis techniques et financiers qui empêchent leur adoption généralisée en milieu clinique.

Dans une nouvelle étude publiée dans Biologie du génomedes chercheurs du Baylor College of Medicine, de l’Université de Gand et d’institutions collaboratrices rapportent une stratégie qui peut potentiellement surmonter les limites de l’utilisation à grande échelle des données scRNA-seq en clinique.

« Notre objectif dans cette étude est de développer une approche qui rendrait les analyses de séquençage d’ARN unicellulaire (scRNA-seq) accessibles à un plus grand nombre de patients et à leurs médecins, permettant ainsi aux médecins de personnaliser les décisions de traitement dans le but d’améliorer les résultats pour leurs patients. » a déclaré l’auteur co-correspondant, le Dr Pavel Sumazin, professeur agrégé de pédiatrie et membre du Dan L Duncan Comprehensive Cancer Center de Baylor.

Comment scnRNA-seq peut-il améliorer les décisions et les résultats thérapeutiques ?

L’un des défis du traitement du cancer est que les tumeurs deviennent souvent résistantes au traitement. Pour comprendre comment cela se produit, les chercheurs analysent la composition de la tumeur.

“Nous savons depuis des années que toutes les cellules d’une tumeur ne sont pas identiques. Une tumeur est composée de cellules cancéreuses et d’autres cellules qui ne sont pas cancéreuses mais peuvent influencer la croissance tumorale et sa réponse aux thérapies”, a déclaré Sumazin.

“Les cellules cancéreuses de chaque tumeur peuvent varier en termes de présentation, de génétique et de réponses thérapeutiques. Certaines cellules peuvent être sensibles tandis que d’autres sont résistantes à la chimiothérapie. Les cellules chimiorésistantes sont souvent responsables de la persistance de la tumeur et des conséquences négatives pour les patients. Nous voulons pouvoir identifiez les cellules chimiorésistantes avant le début du traitement, ce qui nous permettra de sélectionner des traitements ciblant à la fois les cellules cancéreuses chimiosensibles et chimiorésistantes.

Souvent, la plupart des cellules cancéreuses d’une tumeur sont chimiosensibles et une petite proportion est résistante à la chimiothérapie, ce qui rend leur identification difficile.

Depuis 20 ans, les gens analysent en masse l’ARN des tumeurs. Cette approche fournit une moyenne des ARN présents dans toutes ces cellules. “Par exemple, si 97 % des cellules sont chimiosensibles et 3 % chimiorésistantes, la plupart de ce que nous détectons appartient aux cellules chimiosensibles, c’est-à-dire les cellules qui prédominent. Par conséquent, le profilage de la tumeur est presque aveugle à sa composante chimiorésistante et à sa traduction dans le la clinique est un défi”, a déclaré Sumazin.

Cette situation a changé au cours des 10 dernières années. Les chercheurs ont développé des méthodes telles que scRNA-seq qui leur permettent d’étudier des cellules individuelles dans un échantillon de tissu même si leur abondance relative est faible ; par conséquent, les scientifiques peuvent identifier des cellules chimiorésistantes rares dans des échantillons diagnostiques.

De plus, s’il y a des cellules chimiorésistantes dans l’échantillon tumoral, le scRNA-seq peut révéler la différence entre les cellules cancéreuses chimiorésistantes et chimiosensibles, une information précieuse lors de la planification d’un traitement contre le cancer.

“Si le patient a des cellules chimiorésistantes, nous pouvons alors traiter le cancer avec une thérapie combinée qui attaque à la fois les cellules chimiosensibles et chimiorésistantes”, a déclaré Sumazin. “Cette approche nous permet de prendre des décisions personnalisées et d’améliorer les résultats du traitement pour chaque patient.”

SQUID améliore l’accessibilité aux données scRNA-seq

L’inconvénient de l’utilisation du scRNA-seq pour améliorer les résultats thérapeutiques est que la méthode nécessite des ressources techniques qui ne sont pas disponibles dans la plupart des hôpitaux. De plus, elle coûte environ 20 fois plus cher que l’analyse d’ARN en masse, de l’ordre de 5 000 dollars par patient (2023), et n’est donc pas accessible à tous les patients.

“Ici, nous voulions améliorer cette situation en fournissant un moyen de rendre les analyses d’ARN unicellulaire accessibles à un plus grand nombre de personnes”, a déclaré Sumazin. “Nous avons conçu SQUID, une approche informatique permettant de prédire la composition en ARN unicellulaire d’un échantillon de tumeur en utilisant uniquement les données de l’analyse globale de l’échantillon. SQUID peut révéler si des cellules chimiorésistantes se trouvent dans l’échantillon de tumeur et à quelle chimiothérapie elles sont sensibles. “.

Les chercheurs ont ensuite comparé les performances de SQUID avec celles d’autres méthodes informatiques également conçues pour prédire les informations sur l’ARN unicellulaire à partir de données groupées. “Nous avons constaté que SQUID surpassait considérablement les autres méthodes”, a déclaré Sumazin.

“Même les meilleures méthodes n’étaient pas en mesure de prédire les résultats du traitement du cancer, mais SQUID a anticipé les résultats du traitement pour les deux types de cancer pédiatrique avec lesquels nous travaillons, le neuroblastome et la leucémie myéloïde aiguë. Cela représente une avancée significative dans le domaine car les méthodes permettant de prédire la composition globale avaient ça ne fonctionnait pas bien avant.”

Sumazin et ses collègues ont augmenté la précision de l’analyse de l’ARN, ce qui est pertinent non seulement sur le plan académique, mais a également des implications cliniques réelles. Dans un futur contexte clinique, un médecin pourrait commander une analyse globale d’ARN pour l’échantillon de tumeur d’un patient, ce qui coûte de l’ordre de 100 $, puis utiliser SQUID pour prédire le profil d’ARN unicellulaire de l’échantillon de tumeur en utilisant les données de l’échantillon de tumeur. analyse.

“Cette approche nécessite un effort et un coût supplémentaires relativement faibles, et les avantages peuvent largement dépasser tout coût d’installation initial”, a déclaré Sumazin. “La vision à long terme est de simplifier davantage ce processus et de prouver son utilité clinique. De plus, nous espérons pouvoir étendre son utilisation à d’autres affections au-delà du cancer, comme celles du cœur, du cerveau ou des poumons.”

★★★★★

A lire également