Τα αστροκυττώματα αποτελούν το συχνότερο τύπο πρωτοπαθών όγκων του κεντρικού νευρικού συστήματος (ΚΝΣ) και παραδοσιακά θεωρούνται ότι σχετίζονται με ιδιαίτερα δυσμενή πρόγνωση. Η Συστημική προσέγγιση της καρκινογένεσης, εστιάζοντας στην αποκρυπτογράφηση του τρόπου λειτουργίας και δυναμικής αλληλεπίδρασης πολύπλοκων παθοβιολογικών δικτύων, προσφέρει σήμερα καινούριες ερευνητικές προοπτικές και πιθανές εναλλακτικές, περισσότερο αποτελεσματικές θεραπευτικές στρατηγικές. Οι οιστρογονικοί υποδοχείς και οι συν – ρυθμιστές της μεταγραφής συνιστούν κομβικά σημεία “συνομιλίας” (cross – talk) πολύπλοκων μοριακών οδών του κυττάρου, διαμεσολαβώντας πλήθος κυτταρικών λειτουργιών φυσιολογικά αλλά και σε παθολογικές καταστάσεις, ανάμεσα στις οποίες και ο καρκίνος. Οι παράγοντες EZH2 και SOX2 θεωρούνται μόρια κλειδιά του ρυθμιστικού μεταγραφικού κυκλώματος που χαρακτηρίζει το stemness. Η αποσαφήνιση της συμπεριφοράς του συγκεκριμένου αυτού δικτύου στα διάφορα νεοπλάσματα και ρόλος του σε σχέση με την απόκτηση ιδιότητας καρκινικού stem κυττάρου, θεωρείται καθοριστικής σημασίας στην προσπάθεια ερμηνείας του φαινομένου του καρκίνου ως πολύπλοκο προσαρμόσιμο σύστημα, που θα αναδείξει εναλλακτικούς θεραπευτικούς στόχους και θα επιτρέψει περισσότερο αποτελεσματικές σε σχέση με τις υπάρχουσες παρεμβάσεις. Σκοπός. Υπό το πρίσμα της Συστημικής προσέγγισης της κατανόησης της κακοήθους ανάπτυξης και εξέλιξης των αστροκυτταρικών όγκων, η παρούσα μελέτη διερεύνησε τα επίπεδα έκφρασης του Οιστρογονικού υποδοχέα β (ERβ), και των συν – ρυθμιστών AIB1, TIF2 and PELP1, όπως και την έκφραση των παραγόντων EZH2 και SOX2 σε αστροκυττώματα grade II ως IV και τη συσχέτιση μεταξύ του προφίλ έκφρασης των συγκεκριμένων παραγόντων, με κλινικοπαθολογικά δεδομένα. Υλικό και μέθοδος. Η έκφραση των πρωτεϊνών ERβ, AIB1, TIF2, PELP1, EZH2 και SOX2 εκτιμήθηκε σε 86 περιπτώσεις αστροκυτταρικών όγκων χρησιμοποιώντας τη μέθοδο της ανοσοϊστοχημείας. Είκοσι grade II αστροκυττώματα, 22 grade III αναπλαστικά αστροκυττώματα και 46 grade IV πλειόμορφα γλοιοβλαστώματα (GBM) συμπεριλήφθησαν στη συγκεκριμένη μελέτη. Η μέθοδος με χρήση συστήματος ανίχνευσης EnVision (Envision, Dako, CA, USA) ή MACH4 Universal HRP-Polymer Detection (Biocare Medical, CA, USA) και πρωτογενή αντισώματα έναντι των ERβ (Biogenex, CA, USA), AIB1 (BD Biosciences, Ca, USA), TIF2 (BD Biosciences, Ca, USA), PELP-1/MNAR (Novus Biologicals, CO, USA) EZH2 (Novocastra, UK) και SOX2 (R&D Systems, Inc.) χρησιμοποιήθηκαν στην παρούσα μελέτη. Σε κάθε περιστατικό και για κάθε δείκτη εκτιμήθηκε το ποσοστό των καρκινικών κυττάρων που εμφάνιζαν θετική ανοσοχρώση. Αντιπροσωπευτικές περιοχές επιλέχθηκαν κατόπιν σάρωσης του πλακιδίου σε οπτικό πεδίο μικρής μεγέθυνσης (Χ100), ενώ η καταμέτρηση των θετικών κυττάρων πραγματοποιήθηκε σε μεγάλης μεγέθυνσης πεδίο (400X). Η στατιστική ανάλυση έγινε με τη χρήση του SPSS στατιστικού πακέτου (SPSS©, Release 17.0, Chicago, IL, USA). Τιμές p<0.05 θεωρήθηκαν ως στατιστικά σημαντικές. Αποτελέσματα. Σημαντική μείωση των επιπέδων του ERβ παρατηρήθηκε παράλληλα με την αύξηση του grade. Επιπλέον, η υψηλή ERβ έκφραση αναδείχθηκε ως ανεξάρτητος θετικός προγνωστικός παράγοντας της συνολικής επιβίωσης κατά την πολυπαραγοντική ανάλυση. Η έκφραση των AIB1, TIF2 και PELP1, δε συσχετίσθηκε με αυτή του ERβ, και ακολούθησε αντιστρόφως ανοδική τάση, παράλληλα με την αύξηση του grade. Η στατιστική ανάλυση περαιτέρω, ανέδειξε μία σημαντική αύξηση τόσο των επιπέδων EZH2 όσο και SOX2 στα grade III και IV σε σχέση με τα grade II αστροκυττώματα. Ισχυρή συσχέτιση παρατηρήθηκε ως προς την έκφραση των δύο δεικτών σε όλες τις κατά grade υποομάδες. Η Kaplan-Meier ανάλυση έδειξε ότι, η υψηλή EZH2 και SOX2 πρωτεϊνική έκφραση συνιστούν αρνητικό παράγοντα πρόγνωσης τόσο στο σύνολο των ασθενών όσο και κατόπιν διαστρωμάτωσης κατά grade. Τέλος, η πολυπαραγοντική Cox ανάλυση συνυπολογίζοντας την ηλικία, το φύλο, το grade και την έκφραση των δύο πρωτεϊνών έδειξε ότι μόνο η υψηλή EZH2 έκφραση μαζί με το υψηλό grade, αποτελούν ανεξάρτητους παράγοντες δυσμενούς πρόγνωσης. Συμπεράσματα. Οι παράγοντες ERβ, AIB1, TIF2 και PELP1 ενέχονται στους παθογενετικούς μηχανισμούς ανάπτυξης και εξέλιξης των αστροκυτταρικών όγκων, με τον ERβ να διαδραματίζει προστατευτικό ρόλο και τους AIB1, TIF2 και PELP1 να εμφανίζουν ογκο – προαγωγό δράση. Το ογκογενετικό δυναμικό των παραγόντων AIB1, TIF2 και PELP1 φαίνεται πως διαμεσολαβείται μέσω ανεξάρτητων του οιστρογονικού υποδοχέα μηχανισμών. Η έκφραση του ERβ, διαχωρίζοντας κλινικές εκβάσεις σε ασθενείς ιδίου grade, θα μπορούσε να αποτελέσει ένα χρήσιμο εργαλείο κατά τη λήψη εξατομικευμένων κλινικών αποφάσεων. Οι παράγοντες EZH2 και SOX2, θα μπορούσαν να χρησιμοποιηθούν ως εν δυνάμει δείκτες καρκινικών stem κυττάρων σε αστροκυτταρικούς όγκους, να βοηθήσουν τη βελτιστοποίηση τόσο διαγνωστικών όσο και προγνωστικών διαδικασιών στην κλινική πράξη, και να κατευθύνουν την ανάπτυξη εξατομικευμένων στρατηγικών θεραπείας. / Astrocytic tumors are the most common primary neoplasms of the central nervous system (CNS) and have traditionally been associated with disappointing clinical outcomes. The current challenge is to develop more efficacious and targeted therapeutic paradigms, exploiting the knowledge derived from the systems approach of understanding the complex networks underlying tumor formation and progression. Estrogen receptor beta (ERβ) and co-regulators of transcription AIB1, TIF2 and PELP1, are key components of complex cellular networks and integrate diverse signaling afferents with transcription programs controlling various physiological cellular processes and a variety of disease states including cancer. SOX2 and EZH2 represent crucial components of the reciprocal regulatory circuit that controls stemness. Elucidating the behavior of this particular network in cancer and its role in the formation of putative cancer stem cells is considered essential for the understanding of cancer as an adaptive complex system and subsequently allowing the discovery of more successful therapeutic designs. Purpose. In the context of the systems approach of comprehending tumorigenesis in astrocytomas, we sought to investigate the expression of ERβ and co – regulatory proteins AIB1, TIF1 and PELP1, as well as parallel expression of SOX2 and EZH2 in astrocytomas of various grades, and correlate the protein expression profiles with clinicopathological parameters and patients’ prognosis. Materials and methods. Expression of ERβ, AIB1, TIF2, PELP1, EZH2 and SOX2 was evaluated in 86 cases of astrocytic tumors, using Immunohistochemistry, on formalin-fixed paraffin-embedded tissue sections. Twenty grade II astrocytomas, 22 grade III anaplastic astrocytomas and 46 grade IV glioblastomas multiforme (GBM) were included in this study. Polymer based technique (Envision, Dako, CA, USA) or MACH4 Universal HRP-Polymer Detection (Biocare Medical, CA, USA) and primary antibodies against ERβ1 (Biogenex, CA, USA), AIB1 (BD Biosciences, Ca, USA), TIF2 (BD Biosciences, Ca, USA), PELP-1/MNAR (Novus Biologicals, CO, USA) EZH2 (Novocastra, UK) and SOX2 (R&D Systems, Inc.) were used. In each case, the percentage of cells exhibiting positive staining was determined. Representative areas were selected at low power (x100) magnification. Cell counts were performed at a 400X magnification. Data were analyzed using the SPSS statistical package (SPSS©, Release 17.0, Chicago, IL, USA). The level of significance was set at p-value <0.05. Results. ERβ levels were significantly decreased with the progression of tumors’ grade. High expression of ERβ was an independent favorable prognostic factor on multivariate analysis. Expression of AIB1, TIF2 and PELP1, was not correlated to ERβ expression and followed an opposite trend, with increasing levels in grade III and IV relative to grade II tumors. Univariate survival analysis revealed that high AIB1, TIF2 and PELP1 expression was associated with worse prognosis. Statistical analysis further revealed significantly higher expression of EZH2 and SOX2 in high grade III and IV astrocytomas, compared to low grade II astrocytomas. Strong correlation between EZH2 and SOX2 was also detected within all subgroups according to grade. Kaplan-Meier showed that EZH2 and SOX2 high expression was predictive of worse overall survival in the whole cohort as well as after subgroup analysis by grade. Finally, multivariate Cox analysis that included age, gender, grade, and expression of both proteins, revealed that high EZH2 together with higher grade were strong negative prognostic factors. Conclusions. ERβ, AIB1, TIF2 and PELP1 appear to play an important role in the pathogenesis of astrocytic tumors, with ERβ exhibiting a protective effect, whereas AIB1, TIF2 and PELP1 facilitate malignant progression. AIB1, TIF2 και PELP1 contribution in tumor progression is speculated to be achieved through ERβ independent pathways. Moreover, the expression status of ERβ, by distinguish patient subpopulations with different prognosis within the same grade, could be a useful tool accommodating personalized clinical decision-making. EZH2 and SOX2 may serve as potential cancer stem cell markers in astrocytomas and as such help optimizing diagnostic and prognostic assessments and devising novel individually tailored treatment strategies.

Le glioblastome multiforme (GBM) est une tumeur de grade IV représentant 49% de toutes les tumeurs cérébrales. Malgré des modalités de traitement agressives (radiothérapie, chimiothérapie et résection chirurgicale), le pronostic est mauvais avec une survie globale médiane de 12 à 14 mois. Les aractéristiques issues de la neuro imagerie des GBM peuvent fournir de nouvelles opportunités pour la classification, le pronostic et le développement de nouvelles thérapies ciblées pour faire progresser la pratique clinique. Cette thèse se concentre sur le développement de modèles pronostiques exploitant des caractéristiques de radiomique extraites des images multimodales IRM (T1 pré- et post-contraste, T2 et FLAIR). Le contexte méthodologique proposé consiste à i) recaler tous les volumes multimodaux IRM disponibles et en segmenter un volume tumoral unique, ii) extraire des caractéristiques radiomiques et iii) construire et valider les modèles pronostiques par l’utilisation d’algorithmes d’apprentissage automatique exploitant des cohortes cliniques multicentriques de patients. Le coeur des méthodes développées est fondé sur l’extraction de radiomiques (incluant des paramètres d’intensité, de forme et de textures) pour construire des modèles pronostiques à l’aide de deux algorithmes d’apprentissage, les machines à vecteurs de support (support vector machines, SVM) et les forêts aléatoires (random forest, RF), comparées dans leur capacité à sélectionner et combiner les caractéristiques optimales. Les bénéfices et l’impact de plusieurs étapes de pré-traitement des images IRM (re-échantillonnage spatial des voxels, normalisation, segmentation et discrétisation des intensités) pour une extraction de métriques fiables ont été évalués. De plus les caractéristiques radiomiques ont été standardisées en participant à l’initiative internationale de standardisation multicentrique des radiomiques. La précision obtenue sur le jeu de test indépendant avec les deux algorithmes d’apprentissage SVM et RF, en fonction des modalités utilisées et du nombre de caractéristiques combinées atteignait 77 à 83% en exploitant toutes les radiomiques disponibles sans prendre en compte leur fiabilité intrinsèque, et 77 à 87% en n’utilisant que les métriques identifiées comme fiables.Dans cette thèse, un contexte méthodologique a été proposé, développé et validé, qui permet la construction de modèles pronostiques dans le cadre des GBM et de l’imagerie multimodale IRM exploitée par des algorithmes d’apprentissage automatique. Les travaux futurs pourront s’intéresser à l’ajout à ces modèles des informations contextuelles et génétiques. D’un point de vue algorithmique, l’exploitation de nouvelles techniques d’apprentissage profond est aussi prometteuse. / Glioblastoma multiforme (GBM) is a WHO grade IV tumor that represents 49% of ail brain tumours. Despite aggressive treatment modalities (radiotherapy, chemotherapy and surgical resections) the prognosis is poor, as médian overall survival (OS) is 12-14 months. GBM’s neuroimaging (non-invasive) features can provide opportunities for subclassification, prognostication, and the development of targeted therapies that could advance the clinical practice. This thesis focuses on developing a prognostic model based on multimodal MRI-derived (Tl pre- and post-contrast, T2 and FLAIR) radiomics in GBM. The proposed methodological framework consists in i) registering the available 3D multimodal MR images andsegmenting the tumor volume, ii) extracting radiomics iii) building and validating a prognostic model using machine learning algorithms applied to multicentric clinical cohorts of patients. The core component of the framework rely on extracting radiomics (including intensity, shape and textural metrics) and building prognostic models using two different machine learning algorithms (Support Vector Machine (SVM) and Random Forest (RF)) that were compared by selecting, ranking and combining optimal features. The potential benefits and respective impact of several MRI pre-processing steps (spatial resampling of the voxels, intensities quantization and normalization, segmentation) for reliable extraction of radiomics was thoroughly assessed. Moreover, the standardization of the radiomics features among methodological teams was done by contributing to “Multicentre Initiative for Standardisation of Radiomics”. The accuracy obtained on the independent test dataset using SVM and RF reached upto 83%- 77% when combining ail available features and upto 87%-77% when using only reliable features previously identified as robust, depending on number of features and modality. In this thesis, I developed a framework for developing a compréhensive prognostic model for patients with GBM from multimodal MRI-derived “radiomics and machine learning”. The future work will consists in building a unified prognostic model exploiting other contextual data such as genomics. In case of new algorithm development we look forward to develop the Ensemble models and deep learning-based techniques.