Simple Science

La science de pointe expliquée simplement

# Biologie# Bioinformatique

Nouvelles perspectives sur le traitement du carcinome nasopharyngé

Des recherches montrent un score prédictif pour la réponse à la radiothérapie chez les patients atteints de NPC.

― 8 min lire


Prédire la réponse auPrédire la réponse autraitement des NPCatteints de NPC.à la radiothérapie chez les patientsUn nouveau score révèle la sensibilité
Table des matières

Le carcinome nasopharyngé (CNP) est un type de cancer qui commence dans le nasopharynx, la partie supérieure de la gorge derrière le nez. Ce cancer est considéré comme maligne, ce qui veut dire qu'il peut se propager à d'autres parties du corps. Même si le CNP est relativement rare, touchant seulement un petit pourcentage des cas de cancer dans le monde, il a un schéma d'apparition unique, avec la plupart des cas rapportés en Asie de l'Est et du Sud-Est. Ce focus géographique est important quand on considère les options de traitement, car le type et la gravité du CNP peuvent varier selon l'emplacement et la population.

Traitement du carcinome nasopharyngé

La Radiothérapie, qui utilise des radiations haute énergie pour tuer les cellules cancéreuses, est le traitement principal pour le CNP. Au fil des ans, les avancées dans les techniques de radiothérapie ont amélioré les résultats du traitement. Par exemple, une méthode plus récente appelée radiothérapie hyperfractionnée modulée par intensité a montré qu'elle augmente le taux de survie global des patients atteints de CNP. Cependant, tous les patients ne réagissent pas bien au traitement. En fait, un nombre significatif d'entre eux voient le cancer revenir dans la même zone en raison de ce qu'on appelle la résistance aux radiations. Comprendre pourquoi certains patients ne répondent pas à la radiothérapie est crucial pour développer de meilleurs plans de traitement.

Le rôle de l'intelligence artificielle dans le traitement du cancer

Récemment, l'intelligence artificielle (IA) a commencé à jouer un rôle important dans le secteur de la santé, y compris dans le traitement du cancer. L'Apprentissage automatique, une branche de l'IA, peut analyser de gros ensembles de données et trouver des motifs. Cette capacité est utilisée pour créer des modèles qui peuvent prédire comment différents traitements fonctionneront pour chaque patient. Les chercheurs utilisent maintenant l'apprentissage automatique pour développer des outils qui aident à prédire les résultats du traitement pour le CNP, en se concentrant spécifiquement sur la sensibilité d'un patient à la radiothérapie.

Développement d'un score prédictif pour la sensibilité à la radiothérapie

Dans cette étude, les chercheurs ont cherché à créer un score appelé le Score de Radiodépendance au Carcinome Nasopharyngé (CNP-RSS). Ce score aiderait à déterminer comment un patient est susceptible de répondre à la radiothérapie, basé sur des informations génétiques spécifiques provenant de ses cellules cancéreuses. En utilisant des données de plusieurs patients et en appliquant des techniques d'apprentissage automatique, ils ont analysé les niveaux d'expression des Gènes des tumeurs et identifié un ensemble de gènes importants pour prédire la sensibilité à la radiothérapie.

Au départ, ils ont rassemblé des données de deux groupes différents de patients atteints de CNP. Un groupe a fourni des données d'un hôpital, tandis que les données de l'autre groupe provenaient d'une base de données publique. Ils se sont concentrés sur des gènes qui présentaient des niveaux d'expression différents entre les patients qui répondaient bien au traitement et ceux qui ne l'étaient pas. Grâce à cette analyse, ils ont identifié une liste de 71 gènes qui pourraient aider à prédire la réponse d'un patient à la radiothérapie.

Ensuite, ils ont utilisé différentes méthodes d'apprentissage automatique pour créer divers modèles capables d'analyser ces gènes. Après avoir testé plusieurs combinaisons, ils ont trouvé qu'un modèle utilisant "glmBoost" et "NaiveBayes" était le plus efficace pour prédire la sensibilité à la radiothérapie. Ce modèle leur a permis de réduire la complexité des données tout en offrant un résultat fiable.

Validation du score CNP-RSS

Pour confirmer leurs résultats, les chercheurs ont mené plusieurs expériences pour valider le CNP-RSS. Cela incluait l'étude des cellules cancéreuses en laboratoire et la comparaison de l'expression des gènes identifiés dans différentes lignées cellulaires. Ils ont constaté que les gènes liés au CNP-RSS étaient plus souvent exprimés chez les patients qui répondaient bien au traitement.

De plus, ils ont veillé à analyser comment l'environnement de la tumeur pouvait influencer les résultats du traitement. Ils ont examiné les Cellules immunitaires au sein des tumeurs - en particulier comment ces cellules immunitaires interagissaient avec les cellules cancéreuses et comment cela pouvait affecter la sensibilité au traitement. Ils ont utilisé une méthode appelée CIBERSORT pour identifier les différents types de cellules immunitaires présentes dans les tumeurs.

Informations issues de l'analyse unicellulaire

L'étude incluait aussi une analyse plus détaillée axée sur les cellules individuelles au sein des tumeurs. En obtenant des données de séquençage de l'ARN unicellulaire, les chercheurs pouvaient observer comment chaque cellule exprimait les gènes liés au CNP-RSS. Cette approche a aidé à clarifier que les tumeurs sensibles avaient un plus grand nombre de cellules immunitaires, suggérant que ces cellules jouent un rôle important dans la façon dont un patient répond au traitement.

En revanche, les tumeurs qui étaient résistantes au traitement montraient une plus grande prédominance de cellules cancéreuses, ce qui pourrait indiquer que la présence de cellules immunitaires pourrait améliorer l'efficacité de la radiothérapie. Les chercheurs ont souligné l'importance des cellules immunitaires, comme les cellules T et les macrophages, dans la lutte efficace contre le cancer, soulignant encore plus la relation entre le système immunitaire et la réponse à la radiothérapie.

Exploration des gènes clés liés au CNP-RSS

Les chercheurs ont identifié cinq gènes clés qui étaient cruciaux pour le CNP-RSS : SMARCA2, DMC1, CD9, PSG4 et KNG1. Chacun de ces gènes avait des rôles différents dans la réponse du corps au traitement du cancer. Par exemple :

  • SMARCA2 : Ce gène est associé aux processus de croissance et de réparation cellulaire, qui sont critiques après la thérapie par radiation. Il aide à maintenir la stabilité génomique, ce qui est essentiel pour le traitement réussi du cancer.

  • DMC1 : Ce gène joue un rôle dans la réparation des dommages à l'ADN. La radiation peut causer des ruptures dans l'ADN, et si ce gène fonctionne bien, il peut aider les cellules à récupérer de ces dommages, les rendant plus sensibles au traitement.

  • CD9 : Ce gène est impliqué dans les interactions cellulaires et pourrait affecter comment les cellules tumorales réagissent à la radiothérapie en influençant leurs propriétés invasives.

  • PSG4 : Ce gène est lié à la régulation de la réponse immunitaire et pourrait contribuer à améliorer l'efficacité de la radiothérapie.

  • KNG1 : Ce gène est impliqué dans les réponses inflammatoires et pourrait également jouer un rôle dans la façon dont une tumeur réagit à la radiation.

En analysant ces gènes, les chercheurs ont pu mieux comprendre les mécanismes de la sensibilité à la radiothérapie chez les patients atteints de CNP.

Analyse des voies et son importance

Pour mieux comprendre comment le CNP-RSS et ses gènes clés affectent le traitement, les chercheurs ont réalisé une analyse des voies. Cette analyse a révélé que l'expression de certains gènes était liée à diverses voies biologiques cruciales pour la progression du cancer. Par exemple, des voies comme Wnt/β-catenin et les voies de signalisation JAK-STAT ont été trouvées significativement associées aux gènes du CNP-RSS. Ces voies sont connues pour jouer des rôles dans la croissance cellulaire, la réponse immunitaire et l'inflammation, qui peuvent toutes influencer l'efficacité du traitement du cancer.

Conclusion

Le modèle CNP-RSS représente une avancée significative dans la compréhension de la réponse du carcinome nasopharyngé à la radiothérapie. En combinant des données cliniques avec des techniques d'apprentissage automatique, les chercheurs ont pu générer un score fiable qui pourrait aider à prédire les résultats du traitement pour les patients atteints de CNP. Ce score pourrait potentiellement conduire à des plans de traitement plus personnalisés, améliorant les chances de résultats réussis.

À mesure que d'autres études sont menées et que plus de données sur les patients deviennent disponibles, on espère que ces résultats pourront être traduits en meilleurs outils de diagnostic et thérapies pour le CNP. En comprenant les réponses génétiques et immunitaires liées à ce cancer, les professionnels de la santé pourraient optimiser les stratégies de traitement et potentiellement améliorer les taux de survie des patients à l'avenir.

Cette recherche met en évidence l'importance du travail d'équipe entre différents domaines, comme l'oncologie, la bioinformatique et l'immunologie, dans la quête pour vaincre le cancer. Finalement, l'objectif est de s'assurer que tous les patients reçoivent le traitement le plus efficace adapté à leurs besoins uniques.

Source originale

Titre: A multi-gene predictive model for the radiation sensitivity of nasopharyngeal carcinoma based on machine learning

Résumé: BackgroundRadiotherapy resistance is a major obstacle to the long-term survival of nasopharyngeal cancer patients, as it is a primary cause of recurrence and metastasis. Identifying radiotherapy-associated biomarkers can help improve the survival prognosis of nasopharyngeal cancer patients. Consequently, discovering biomarkers associated with radiosensitization is crucial. MethodsWe evaluated 113 combinations of machine learning algorithms and ultimately selected 48 to construct a radiotherapy sensitivity score (NPC-RSS) that can predict radiosensitivity in nasopharyngeal cancer patients. Furthermore, we analyzed the relationship between NPC-RSS and the expression of genes associated with immune and radiotherapy sensitivity profiles. We employed GSEA and ssGSEA to investigate the connection between NPC-RSS and signaling pathways. ResultsWe selected the combined model glmBoost+NaiveBayes, which had the best AUC among 48 models, for our subsequent study. The NPC-RSS, built based on the 18 genes included in this model, can predict the results of the public dataset and the in-house dataset of Zhujiang Hospital, Southern Medical University, with considerable efficiency. The key genes of NPC-RSS are closely associated with immune characteristics, including chemokine and chemokine receptor families, and histocompatibility complex (MHC), and show more active immune processes. Meanwhile, these key genes were significantly associated with the expression of radiosensitization-related genes. Furthermore, GSVA and GSEA analyses demonstrated that different expression levels of key NPC-RSS genes influenced signaling pathways, such as the Wnt/{beta}-catenin signaling pathway, JAK-STAT signaling pathway,NF-kappa B signaling pathway and T cell receptor signaling pathway, which are associated with immunity and disease progression. The consistency of the expression of key genes SMARCA2 and CD9 with NPC-RSS was validated in in-house cell lines. The radiosensitive group, classified according to NPC-RSS, exhibited a more enriched and activated state of immune infiltration compared to the radioresistant group. Moreover, in single-cell samples, NPC-RSS was higher in the radiotherapy-sensitive group, with immune cells playing a predominant role. ConclusionsIn this study, we used machine learning to construct a predictive score, called NPC-RSS, associated with radiosensitivity in nasopharyngeal carcinoma patients; moreover, NPC-RSS is strongly associated with immune characteristics, expression of radiosensitivity-related genes, and signaling pathways related to disease progression. We hope that the NPC-RCC will enable more precise selection of the NPC population of potential beneficiaries of radiation therapy.

Auteurs: Peng Luo, K. Li, J. Liang, N. Li, J. Fang, X. Zhou, j. zhang, A. Lin, H. Meng

Dernière mise à jour: 2024-09-11 00:00:00

Langue: English

Source URL: https://www.biorxiv.org/content/10.1101/2024.06.10.598247

Source PDF: https://www.biorxiv.org/content/10.1101/2024.06.10.598247.full.pdf

Licence: https://creativecommons.org/licenses/by/4.0/

Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.

Merci à biorxiv pour l'utilisation de son interopérabilité en libre accès.

Plus d'auteurs

Articles similaires