Les cellules cancéreuses du sein se disséminent du site primaire aux organes secondaires, où elles restent dormantes pendant des mois, voire des années. Cette période de dormance se traduit par une latence clinique entre la résection chirurgicale des tumeurs mammaires primitives et le diagnostic d'une rechute métastatique chez environ 30 % des patientes atteintes d'un cancer du sein. Les mécanismes de survie et de croissance ultérieure de ces cellules tumorales disséminées (CTD) dormantes restent largement inconnus, ce qui entrave la prise en charge clinique des patientes concernés. Des facteurs intrinsèques et extrinsèques dictent le destin et le comportement des DTC dans les organes secondaires. Notre travail dans les chapitres deux et trois visait à révéler les gènes et les voies de signalisation contribuant au devenir du DTC en ce qui concerne les deux catégories de facteurs. Dans le chapitre deux, nous avons exploité les sous-lignées de cancer du sein murin 4T07 et 4T1 qui modélisent les deux destins de rester dormant ou de se transformer en métastases visibles, respectivement, après dissémination spontanée à partir de la tumeur mammaire primaire. Nous avons appliqué un pipeline de criblage CRISPR à l'échelle du génome pour explorer les dépendances génétiques différentielles des deux lignées, c’est à dire leur réseau de signalisation intrinsèquement différent. En comparaison avec les cellules sujettes à la dormance, les cellules métastatiques démontrent une activité PI3K de classe I élevée. Contre-intuitivement, les cellules sujettes à la dormance affichent une activité mTORC1 plus élevée qui pourrait être attribuée à un positionnement lysosomal périphérique constant. Le blocage de ce positionnement périphérique a réduit la charge des DTC dans les poumons et l'incidence des métastases visibles, ce qui suggère qu'il pourrait s'agir d'un mécanisme de survie médicamenteux pour les DTC du sein. Dans le chapitre trois, nous avons effectué un criblage CRISPR in vivo à l'échelle du génome dans des cellules sujettes à la dormance, ce qui a mené à l’identification du gène non caractérisé Mob3c comme un régulateur potentiel de la dormance. Le niveau d'expression de Mob3c dans les modèles de dormance par rapport à ses homologues prolifératifs a soutenu la prédiction du criblage selon laquelle Mob3c pourrait être un suppresseur de métastases. Des cribles basés sur la protéomique et des tests d'interactions protéine-protéine ont suggéré que MOB3C interagit avec le complexe endonucléase RNase P, qui catalyse différentes fonctions cellulaires essentielles, y compris la maturation de l'ARNt. Les analyses cliniques axées sur les rechutes métastatiques (c'est-à-dire la survie sans métastases à distance et sans progression) chez les patientes atteintes d'un cancer du sein ont validé les résultats précliniques décrits dans les deux chapitres, soutenant une signification et un impact potentiels des connaissances moléculaires révélées. / Breast cancer cells disseminate from the primary site to secondary organs, where they remain dormant for months to years. This dormancy period is reflected in a clinical latency between the surgical resection of the primary breast tumors and diagnosing a metastatic relapse in about 30% of breast cancer patients. Mechanisms of survival and subsequent outgrowth of these dormant disseminated tumor cells (DTCs) remain largely unknown, hence hindering clinical management of affected patients. Intrinsic and extrinsic factors dictate the fate and behavior of DTCs in secondary organs. Our work in chapters two and three aimed at revealing genes and pathways contributing to the DTC fate with respect to the two categories of factors. In chapter two, we leveraged the 4T07 and 4T1 murine breast cancer sublines that model the two fates of either remaining dormant or outgrowing into visible metastases, respectively, after spontaneous dissemination from the primary mammary tumor. We applied a genome wide CRISPR screening pipeline to explore the differential genetic dependencies of the two lines, hence their intrinsically different signaling wiring. In comparison to the dormancy-prone cells, metastatic cells display high class I PI3K activity. Counterintuitively, dormancy-prone cells display higher mTORC1 activity that could be attributed to a constant peripheral lysosomal positioning. Blocking this peripheral positioning reduced the DTC burden in the lungs and the incidence of visible metastases, suggesting that this might be a druggable survival mechanism for breast DTCs. In chapter three, we carried out an in vivo genome-wide knockout CRISPR screen in dormancy-prone cells, that put forward the uncharacterized gene, Mob3c, as a potential pro-dormancy gene. Mob3c expression level in models of dormancy in comparison with proliferative counterparts, supported the screen prediction of Mob3c potentially being a metastasis suppressor. Proteomics-based screens and protein-protein interaction assays suggested that MOB3C interacts with the endonuclease RNase P complex, that catalyzes different essential cellular functions including tRNA maturation. Metastatic relapse-focused clinical analyses (i.e., distant metastasis- and progression-free survival) in breast cancer patients validated the outlined preclinical findings in the two chapters, supporting a potential significance and impact of the revealed molecular insights.

Pour les patients diagnostiqués avec un cancer au stade précoce, les décisions de traitement dépendent de l’évaluation du risque de rechute métastatique. Les outils de pronostic actuels sont fondés sur des approches purement statistiques, sans intégrer les connaissances disponibles sur les processus biologiques à l’oeuvre. L’objectif de cette thèse est de développer des modèles prédictifs du processus métastatique en utilisant une approche de modélisation mécaniste et la modélisation à effets mixtes. Dans la première partie, nous étendons un modèle mathématique du processus métastatique pour décrire la croissance de la tumeur primaire et de la masse métastatique totale chez des souris traitées avec le sunitinib (un inhibiteur de tyrosine kinase ayant une action anti-angiogénique) administré comme traitement néoadjuvant (i.e. avant exérèse de la tumeur primaire). Le modèle est utilisé pour tester des hypothèses expliquant les effets différentiels du sunitinib sur la tumeur primaire et les métastases. Des algorithmes d’apprentissage statistique sont utilisés pour évaluer la valeur prédictive des biomarqueurs sur les paramètres du modèle.Dans la deuxième partie de cette thèse, nous développons un modèle mécaniste pour la prédiction du temps de rechute métastatique et le validons sur des données cliniques des patientes atteintes d’un cancer du sein localisé. Ce modèle offre des prédictions personnalisées des métastases invisibles au moment du diagnostic, ainsi que des simulations de la croissance métastatique future, et il pourrait être utilisé comme un outil de prédiction individuelle pour aider à la gestion des patientes atteintes de cancer du sein. / For patients diagnosed with early-stage cancer, treatment decisions depend on the evaluation of the risk of metastatic relapse. Current prognostic tools are based on purely statistical approaches that relate predictor variables to the outcome, without integrating any available knowledge of the underlying biological processes. The purpose of this thesis is to develop predictive models of the metastatic process using an established mechanistic modelling approach and the statistical mixed-effects modelling framework.In the first part, we extend the mathematical metastatic model to describe primary tumour and metastatic dynamics in response to neoadjuvant sunitinib in clinically relevant mouse models of spontaneous metastatic breast and kidney cancers. The calibrated model is then used to test possible hypothesis for the differential effects of sunitinib on primary tumour and metastases, and machine learning algorithms are applied to assess the predictive power of biomarkers on the model parameters.In the second part of this thesis, we develop a mechanistic model for the prediction of the time to metastatic relapse and validate it on a clinical dataset of breast cancer patients. This model offers personalised predictions of the invisible metastatic burden at the time of diagnosis, as well as forward simulations of metastatic growth, and it could be used as a personalised prediction tool to assist in the routine management of breast cancer patients.