Analyse Fusionnelle Multi-Omiques par Apprentissage Automatique pour la Prédiction de la Survie dans le Cancer du Sein Métastatique HER2-Négatif : Une Étude Observationnelle Prospective Multicentrique
La médecine de précision en oncologie vise à identifier les patients ayant les meilleures chances de réponse aux thérapies. Malgré des avancées significatives, les modèles de prédiction de survie basés sur une seule plateforme n’ont pas atteint les objectifs de précision escomptés. L’ADN tumoral circulant (ctDNA), évalué par biopsie liquide, reflète l’hétérogénéité tumorale, et son taux permet de surveiller la réponse au traitement. Par ailleurs, les cellules tumorales circulantes (CTC), impliquées dans la cascade métastatique, sont reconnues comme des facteurs pronostiques défavorables. La valeur ajoutée d’une analyse fusionnelle multi-omiques pour améliorer les modèles prédictifs nécessite une exploration approfondie.
Cette étude, approuvée par le Comité d’Éthique Indépendant du National Cancer Center, a recueilli le consentement éclairé de tous les patients. Elle a caractérisé les paramètres biologiques d’un sous-ensemble de patientes atteintes d’un cancer du sein métastatique (CSM) HER2-négatif, incluses dans l’étude CAMELLIA. Soixante-dix patientes ont reçu un régime de chimiothérapie associant docétaxel et capécitabine (TX) : capécitabine (1000 mg/m², 2 fois/jour, jours 1–14, toutes les 3 semaines) et docétaxel (75 mg/m², jour 1, toutes les 3 semaines) pendant 6 cycles. Des scanners thoraciques injectés (épaisseur de coupe 5 mm, intervalle 0) ont été réalisés, et des échantillons sanguins (5 mL, 2 tubes) ont été prélevés au départ pour le séquençage haut débit du ctDNA et l’analyse des CTC. La technologie CanPatrol® a été optimisée pour détecter les clusters de CTC. Des sondes couvrant 1,5 Mpb et 1021 gènes liés au cancer ont été utilisées pour identifier les variants somatiques dans le ctDNA.
Les mutations ont été enrichies via le package R clusterProfiler en interrogeant les bases de données Gene Ontology (GO) et KEGG. Les caractéristiques du ctDNA et des CTC ont été fusionnées par analyse de corrélation canonique (CCA) pour former une matrice unique. 1218 caractéristiques radiomiques TEP ont été extraites (segmentation manuelle via Pyradiomics), normalisées en Z-scores, et réduites en dimension (seuil de variance 0,010). La sélection des variables a combiné le test de Wilcoxon–Mann–Whitney (p < 0,20) et une régression de Cox univariée (indice de concordance [C-index] >0,50).
La survie sans progression (SSP) et la survie globale (SG) ont été analysées en validation croisée leave-one-out (taille d’échantillon limitée). Le score de risque a été dichotomisé via l’indice de Youden. Les performances des modèles ont été évaluées par le C-index de Harrell et les courbes ROC tempodépendantes (AUC).
Sur 70 patientes incluses, 180 mutations ont été identifiées. L’enrichissement fonctionnel a révélé 25 gènes associés au cancer du sein (p = 1,91 × 10⁻¹⁸ ; p ajustée = 3,96 × 10⁻¹⁶). 950 CTC ont été détectées, avec une prédominance de caractéristiques texturales (Figure Supplémentaire 5). Trois modèles prédictifs ont été développés : (1) clinique seul, (2) clinique + CCA, (3) fusion multi-omiques. Pour la SSP, le modèle multi-omiques a montré un C-index de 0,725 (HR 3,812 ; IC95% 2,245–6,472 ; p < 0,0001), supérieur aux autres (p = 0,0086 et 0,0137). L’AUC ROC tempodépendante variait entre 0,866 et 0,918 à 1–3 ans.
Pour la SG, le modèle multi-omiques a atteint un C-index de 0,811 (HR 5,992 ; IC95% 3,145–11,419 ; p < 0,0001), avec une AUC de 0,815–0,989. Sa robustesse a été confirmée dans les sous-groupes (âge <50 ans, métastases hépatiques/pulmonaires, antécédents de thérapies adjuvantes ou endocriniennes).
Cette étude intègre pour la première fois la radiomique, les CTC et le ctDNA pour modéliser l’écosystème tumoral. Contrairement aux approches antérieures, elle combine des données macroscopiques (phénotypes cliniques, radiomiques), cellulaires (CTC) et moléculaires (ctDNA). Le processus de fusion optimisé permet une prédiction précise de l’évolution tumorale, facilitant le choix des candidats à la chimiothérapie palliative.
Les limites incluent la faible taille d’échantillon (nécessitant une validation externe) et l’absence d’études interventionnelles prospectives. En conclusion, les modèles fusionnels multi-omiques préthérapeutiques surpassent les modèles clinicopathologiques conventionnels, soulignant le potentiel de l’intelligence artificielle pour l’intégration de biomarqueurs périphériques en oncologie de précision.
doi.org/10.1097/CM9.0000000000002625