L’adénocarcinome du pancréas qui représente la quatrième cause de cancer en termes d’incidence reste une tumeur mal comprise et l’ensemble des traitements insuffisamment efficaces. Depuis quelques années, la prise en charge des patients cancéreux s’est individualisée et tente de proposer des traitements à la carte en prenant en compte divers paramètres tumoraux. Pour le cancer du pancréas, la pertinence des hypothèses biologiques pour le pronostic et le traitement des patients, a été très peu évaluée si bien qu’a coté des facteurs cliniques et histologiques, il n’existe pas de marqueurs moléculaires clairement identifiés. <p>Dans la première partie de nos traveaux, nous avons évalué l’intérêt pronostique d’une série de biomarqueurs dont les chimiorécepteurs CXCR4 et CXCR7. CXCR4 est exprimé par les ACP et joue un rôle dans la migration des cellules cancéreuses au travers la matrice extracellulaire, l’adressage métastatique, l’angiogénèse et la vasculogénèse tumorale. CXCR7 est impliqué dans la prolifération cellulaire. Ces deux chimiorécepteurs partagent le même ligand, CXCL12, qui est synthétisé par les cellules stellaires pancréatiques activées et est retrouvé en quantité importante dans le stroma fibrotique tumoral. L’expression de CXCR4 est en partie dépendante du facteur de transcription HIF-1&61537; (hypoxia inducible factor). L’expression de CXCR4, CXCR7, HIF-1&61537; et de Ki-67 à été évaluée par immunohistochimie et confrontée aux facteurs pronostiques classiques (cliniques et anatomopatholologiques). En analyse multivariée, le niveau d’expression de CXCR4 était un facteur pronostique indépendant associé à la survie sans récidive et la survie globale. De plus le niveau d’expression de CXCR4 était associé à la présence de métastase ganglionnaire sur la pièce opératoire et au risque de récidive hépatique.<p>Dans un deuxième temps, les protéines impliquées dans la métabolisation de la gemcitabine ont été évaluées à partir d’une cohorte de patients traités par radiochimiothérapie dans le cadre de deux protocoles cliniques multicentriques de phase II. La gemcitabine pénètre dans la cellule à travers la membrane plasmique soit par diffusion facilitée par des transporteurs nucléosidiques spécifiques appelés hENT (human equilibrative nucleoside transporter), soit par des transporteurs actifs Na+-dépendants ou hCNT (human concentrative nucleoside transporter). Dans la cellule, elle est métabolisée pour générer ses dérivés cytotoxiques actifs. La gemcitabine va tout d’abord être phosphorylée en dérivé monophosphate par la déoxycytidine kinase (dCK). La dCK est considérée comme étant l’enzyme limitante du métabolisme de la gemcitabine. Deux autres étapes de phosphorylation vont suivre faisant tout d’abord intervenir l’uridylate kinase (UMK) puis une troisième kinase qui, elle, est ubiquitaire.<p>In vitro, dans des lignées cellulaires d’adénocarcinome pancréatique, la résistance intrinsèque à la gemcitabine est associée à une diminution ou à une perte d’expression de hENT1 et de la dCK. En plus de son activité cytotoxique directe, la gemcitabine est un puissant radiosensibilisateur. La capacité de cet analogue pyrimidique à potentialiser les effets de la radiothérapie est en partie liée à sa capacité de pénétration. L’expression de hENT1, de hCNT3 et de la dCK a été évaluée et corrélée à la survie sans récidive et la survie globale des patients. En analyse multifactorielle, hENT1 et la dCK sont des facteurs pronostiques indépendants pour la survie sans récidive et la survie globale alors que hCNT3 est un facteur indépendant pour la survie globale. De plus l’analyse combinée de hENT1 et de hCNT3 s’avèrait plus discriminante dans l’identification des patients à haut rique de récidive que l’analyse de chacun de ces facteurs pris isolémment.<p> / Doctorat en Sciences médicales / info:eu-repo/semantics/nonPublished

Au travers d’études cliniques et biologiques, de méta-analyses et de revues systématiques de la littérature, nous avons étudié les CBNPC de stade III sur le plan thérapeutique et cherché des facteurs pronostiques pour la survie dans le but d’améliorer la classification internationale et, à terme, de permettre une meilleure prise en charge des patients inclus dans ce groupe hétérogène de tumeurs.<p>Dans le cadre d’essais randomisés, nous avons montré qu’un abord multimodal et multidisciplinaire permettait d’améliorer le pronostic des patients atteints d’un CBNPC de stade III. Le traitement des tumeurs non résécables implique une combinaison de chimiothérapie et de radiothérapie, dont l’administration concomitante doit être proposée aux patients aptes à la tolérer. La chimiothérapie doit être incluse dans le schéma thérapeutique des tumeurs potentiellement résécables. Elle permet une résection chirurgicale complète chez des patients sélectionnés dont la tumeur était initialement non résécable.<p>Nous avons déterminé que des caractéristiques cliniques (l’indice de performance et l’âge), biologiques (les taux sanguins de polynucléaires neutrophiles, d’hémoglobine et de plaquettes, la bilirubinémie) et propres à la tumeur (l’extension locale [T3-4] et ganglionnaire [N3]) avaient une valeur pronostique indépendante pour la survie. Ceci nous a permis d’aboutir à une proposition de modification de la classification internationale concernant les CBNPC de stade III.<p>Bien que pris individuellement, les facteurs biologiques que nous avons étudiés (p53, EGF-R, TTF-1, Mdm2) n’aient pas de valeur pronostique pour la survie, nous avons montré que la combinaison EGF-R+/TTF1- était un facteur pronostique indépendant en analyse multivariée pour la survie spécifique au cancer bronchique.<p>Nous avons finalement évalué le rôle pronostique de la tomodensitométrie par émission de positrons et de la mesure semi-quantitative de captation du 18F-FDG (SUV) sur la survie des patients atteints de CBNPC et montré qu’un SUV élevé était un facteur de mauvais pronostic pour la survie. / Doctorat en Sciences médicales / info:eu-repo/semantics/nonPublished

the majority of patients with early breast cancer receive some form of systemic adjuvant therapy (chemo-, endocrine, and/or targeted therapy). Despite the increase in adjuvant therapy prescription, little progress has been made with respect to assisting oncologists to determine which breast cancer patients, particularly those deemed at “lower risk” of relapse, require chemotherapy or other systemic therapy and which women can safely be treated with loco-regional treatment alone. For these reasons, the identification of prognostic and predictive markers that will assist the clinician in selecting the most suitable form of medical therapy has become very high priority as well as a real challenge in translational research. <p>\ / Doctorat en Sciences biomédicales et pharmaceutiques / info:eu-repo/semantics/nonPublished

This thesis addresses the use of machine learning techniques to develop clinical diagnostic tools for breast cancer using molecular data. These tools are designed to assist physicians in their evaluation of the clinical outcome of breast cancer (referred to as prognosis).<p>The traditional approach to evaluating breast cancer prognosis is based on the assessment of clinico-pathologic factors known to be associated with breast cancer survival. These factors are used to make recommendations about whether further treatment is required after the removal of a tumor by surgery. Treatment such as chemotherapy depends on the estimation of patients' risk of relapse. Although current approaches do provide good prognostic assessment of breast cancer survival, clinicians are aware that there is still room for improvement in the accuracy of their prognostic estimations.<p>In the late nineties, new high throughput technologies such as the gene expression profiling through microarray technology emerged. Microarrays allowed scientists to analyze for the first time the expression of the whole human genome ("transcriptome"). It was hoped that the analysis of genome-wide molecular data would bring new insights into the critical, underlying biological mechanisms involved in breast cancer progression, as well as significantly improve prognostic prediction. However, the analysis of microarray data is a difficult task due to their intrinsic characteristics: (i) thousands of gene expressions are measured for only few samples; (ii) the measurements are usually "noisy"; and (iii) they are highly correlated due to gene co-expressions. Since traditional statistical methods were not adapted to these settings, machine learning methods were picked up as good candidates to overcome these difficulties. However, applying machine learning methods for microarray analysis involves numerous steps, and the results are prone to overfitting. Several authors have highlighted the major pitfalls of this process in the early publications, shedding new light on the promising but overoptimistic results. <p>Since 2002, large comparative studies have been conducted in order to identify the key characteristics of successful methods for class discovery and classification. Yet methods able to identify robust molecular signatures that can predict breast cancer prognosis have been lacking. To fill this important gap, this thesis presents an original methodology dealing specifically with the analysis of microarray and survival data in order to build prognostic models and provide an honest estimation of their performance. The approach used for signature extraction consists of a set of original methods for feature transformation, feature selection and prediction model building. A novel statistical framework is presented for performance assessment and comparison of risk prediction models.<p>In terms of applications, we show that these methods, used in combination with a priori biological knowledge of breast cancer and numerous public microarray datasets, have resulted in some important discoveries. In particular, the research presented here develops (i) a robust model for the identification of breast molecular subtypes and (ii) a new prognostic model that takes into account the molecular heterogeneity of breast cancers observed previously, in order to improve traditional clinical guidelines and state-of-the-art gene signatures./Cette thèse concerne le développement de techniques d'apprentissage (machine learning) afin de mettre au point de nouveaux outils cliniques basés sur des données moleculaires. Nous avons focalisé notre recherche sur le cancer du sein, un des cancers les plus fréquemment diagnostiqués. Ces outils sont développés dans le but d'aider les médecins dans leur évaluation du devenir clinique des patients cancéreux (cf. le pronostique).<p>Les approches traditionnelles d'évaluation du pronostique d'un patient cancéreux se base sur des critères clinico-pathologiques connus pour être prédictifs de la survie. Cette évaluation permet aux médecins de décider si un traitement est nécessaire après l'extraction de la tumeur. Bien que les outils d'évaluation traditionnels sont d'une aide importante, les cliniciens sont conscients de la nécessité d'améliorer de tels outils.<p>Dans les années 90, de nouvelles technologies à haut-débit, telles que le profilage de l'expression génique par biopuces à ADN (microarrays), ont été mises au point afin de permettre aux scientifiques d'analyser l'expression de l'entièreté du génôme de cellules cancéreuses. Ce nouveau type de données moléculaires porte l'espoir d'améliorer les outils pronostiques traditionnels et d'approfondir nos connaissances concernant la génèse du cancer du sein. Cependant ces données sont extrêmement difficiles à analyser à cause (i) de leur haute dimensionalité (plusieurs dizaines de milliers de gènes pour seulement quelques centaines d'expériences); (ii) du bruit important dans les mesures; (iii) de la collinéarité entre les mesures dûe à la co-expression des gènes.<p>Depuis 2002, des études comparatives à grande échelle ont permis d'identifier les méthodes performantes pour l'analyse de groupements et la classification de données microarray, négligeant l'analyse de survie pertinente pour le pronostique dans le cancer du sein. Pour pallier ce manque, cette thèse présente une méthodologie originale adaptée à l'analyse de données microarray et de survie afin de construire des modèles pronostiques performants et robustes. <p>En termes d'applications, nous montrons que cette méthodologie, utilisée en combinaison avec des connaissances biologiques a priori et de nombreux ensembles de données publiques, a permis d'importantes découvertes. En particulier, il résulte de la recherche presentée dans cette thèse, le développement d'un modèle robuste d'identification des sous-types moléculaires du cancer du sein et de plusieurs signatures géniques améliorant significativement l'état de l'art au niveau pronostique. / Doctorat en Sciences / info:eu-repo/semantics/nonPublished