Mécanismes de résistance précoces dans le traitement du cancer
Cette étude révèle comment les cellules cancéreuses résistent au traitement dès le début.
― 9 min lire
Table des matières
- Aperçu de la recherche
- Création d'une signature de résistance
- Analyse des premières réponses au traitement
- Identification des clusters de résistance activés
- Caractéristiques fonctionnelles des clusters de résistance activés
- Recherche d'états de résistance communs à travers les lignées cellulaires
- Exploration des associations entre classes de médicaments
- Examen des Facteurs de transcription conduisant à la résistance
- Pertinence clinique des états de résistance
- Conservation évolutive des mécanismes de résistance
- Conclusion
- Source originale
Les traitements contre le cancer comme la chimiothérapie et les thérapies ciblées font souvent face à un gros défi : les cellules cancéreuses peuvent devenir résistantes à ces traitements. Cette résistance est une des principales causes d'échec des traitements, entraînant le retour du cancer et, dans de nombreux cas, la mort des patients. Les chercheurs ont identifié plusieurs façons dont les cellules cancéreuses peuvent résister aux traitements. Traditionnellement, on pensait que les modifications de l’ADN de ces cellules étaient la principale raison de cette résistance. Cependant, des études récentes suggèrent que les changements dans la façon dont les gènes sont activés ou désactivés, appelés épigénétique, peuvent aussi jouer un rôle significatif.
Certaines cellules cancéreuses peuvent passer à différents états qui les rendent plus résilientes aux traitements, et certaines de ces cellules résistantes peuvent déjà exister avant le début du traitement. Ces cellules sont appelées cellules persister tolérantes aux médicaments (DTP). Comprendre comment et quand ces états de résistance se développent peut aider à trouver de meilleures stratégies de traitement.
Cet article examine si les premières réponses aux traitements contre le cancer partagent des similitudes avec la résistance à long terme et si ces réponses sont conservées à travers l’évolution. Nous discutons également des implications cliniques de ces découvertes.
Aperçu de la recherche
Pour explorer ces questions, les chercheurs ont collecté des données de trois lignées cellulaires cancéreuses bien connues : A549, K562, et MCF7, qui ont été traitées avec 188 médicaments différents et ensuite analysées 24 heures après le traitement. Ils ont comparé les schémas d'activité génique dans ces cellules à des motifs connus provenant de lignées cellulaires qui avaient déjà développé une résistance lors d'études précédentes. Ils ont aussi observé des réponses similaires dans des bactéries et des champignons pour vérifier s'il y avait des mécanismes partagés entre différentes formes de vie.
L'étude cherchait à déterminer si les premières réponses géniques aux médicaments s'alignaient avec la résistance à long terme et si ces réponses restaient similaires à travers l'évolution.
Création d'une signature de résistance
Les chercheurs ont d'abord établi une liste de gènes qui sont souvent activés lorsque les cellules cancéreuses développent une résistance au traitement. Cette liste comprenait 882 gènes identifiés dans plusieurs études. Ils ont aussi vérifié la fiabilité de ces gènes en analysant des données provenant d'un autre type de cancer dans le temps. En comparant les expressions géniques à différentes étapes, ils ont réussi à réduire cela à une liste plus spécifique de 97 gènes qui sont constamment actifs dans les cellules résistantes.
Analyse des premières réponses au traitement
Ensuite, les chercheurs ont examiné les réponses des cellules naïves (non traitées) et celles 24 heures après le traitement. Ils ont vérifié à quel point ces cellules exprimaient la signature de résistance des 97 gènes. Leur analyse a montré que certaines cellules dans chaque type de cancer avaient des scores plus élevés pour les gènes de résistance avant le traitement, tandis que d'autres ont commencé à exprimer ces gènes peu après le début du traitement.
Cela indiquait que certaines cellules étaient intrinsèquement plus résistantes, tandis que d'autres développaient une résistance en réponse au médicament.
Identification des clusters de résistance activés
Les chercheurs ont regroupé les cellules en fonction de leurs schémas d'expression génique en clusters. Ils ont calculé les chances de trouver plus de cellules résistantes actives dans des groupes spécifiques par rapport à la population entière. Ils ont trouvé plusieurs clusters qui avaient un ratio significativement plus élevé de cellules résistantes actives par rapport à d'autres groupes. Ils ont désigné ces clusters comme Clusters de Résistance Activés (RAC).
Ils ont aussi examiné si le ratio de ces cellules résistantes changeait avec les doses de médicaments. Dans de nombreux RAC, ils ont observé que des doses plus élevées de médicaments entraînaient une augmentation du nombre de cellules résistantes.
Caractéristiques fonctionnelles des clusters de résistance activés
Après avoir identifié ces RAC, les chercheurs ont cherché à mieux comprendre leurs fonctions. Ils ont évalué chaque cluster cellulaire pour des voies liées au cancer reconnues. L'analyse a révélé que bien que les RAC partageaient des traits communs, ils montraient aussi des schémas distincts, suggérant des rôles fonctionnels différents dans la résistance.
Une caractéristique commune à tous les RAC était l’activité élevée associée à l’hypoxie (niveaux bas d’oxygène) et à la transition épithéliale-mésenchymateuse (EMT), qui peuvent toutes deux aider à la survie cellulaire pendant le traitement.
Recherche d'états de résistance communs à travers les lignées cellulaires
Encouragés par les similitudes qu'ils ont trouvées parmi les RAC dans les différentes lignées cellulaires, les chercheurs ont voulu voir s'il y avait des états de résistance partagés. Ils ont regroupé les RAC de toutes les trois lignées cellulaires en fonction de similitudes d'expression génique, identifiant deux groupes principaux qu'ils ont appelés superclusters. Ces superclusters ont révélé à la fois des caractéristiques uniques et des chevauchements de résistance à travers les différents types de cancer.
Exploration des associations entre classes de médicaments
Étant donné que l'étude couvrait un large éventail de médicaments, les chercheurs ont examiné comment des classes spécifiques de médicaments étaient liées à différents états de résistance. Ils ont découvert qu'un des superclusters était principalement composé de cellules traitées avec des médicaments ciblant des changements dans la régulation des gènes, tandis que l'autre incluait des cellules traitées avec divers médicaments. Ils ont noté que certains états de résistance pouvaient apparaître de manière cohérente à travers plusieurs classes de médicaments.
Facteurs de transcription conduisant à la résistance
Examen desPour approfondir, les chercheurs ont examiné les facteurs de transcription, qui sont des protéines qui aident à contrôler l'activité des gènes. Ils ont généré des listes de facteurs de transcription qui étaient significativement actifs dans leurs superclusters. Des facteurs notables ont été examinés pour voir si les désactiver augmenterait la sensibilité aux traitements.
Ils ont réalisé un criblage CRISPR pour déterminer si désactiver des facteurs de transcription spécifiques rendrait les cellules cancéreuses plus sensibles à un certain traitement médicamenteux. Les résultats ont indiqué que des facteurs de transcription spécifiques contribuaient aux mécanismes de résistance, et leur ciblage pourrait potentiellement ressensibiliser les cellules aux traitements.
Pertinence clinique des états de résistance
Étant donné le lien entre les signatures géniques de résistance et la survie des patients, les chercheurs ont analysé si ces signatures pouvaient prédire comment les patients pourraient répondre aux thérapies. Ils ont évalué la relation entre les signatures géniques de résistance et les résultats des patients dans différents cancers. Ils ont trouvé qu'une expression plus élevée des signatures de résistance était souvent liée à une survie moins bonne dans certains types de cancer.
Ils ont aussi examiné des échantillons pré-traitement de patients pour voir s'ils avaient des mécanismes de résistance existants. Les données ont suggéré que les patients qui ont rapidement rechuté après le traitement avaient des scores de résistance plus élevés, indiquant que ces mécanismes existaient avant le traitement.
Conservation évolutive des mécanismes de résistance
Pour explorer si les mécanismes de résistance identifiés étaient présents chez d'autres organismes, les chercheurs ont examiné des gènes apparentés dans la levure et les bactéries. Ils ont découvert que des signatures géniques de résistance similaires étaient présentes, ce qui indique que ces mécanismes pourraient être conservés au cours de l'évolution.
L'analyse fonctionnelle des gènes partagés a révélé des voies communes, soulignant l'idée que les réponses fondamentales au stress pourraient être similaires à travers différentes formes de vie. Cela suggère que la capacité de résister au traitement pourrait avoir des racines biologiques profondes.
Conclusion
Cette recherche met en lumière comment des signatures géniques spécifiques associées à la résistance aux traitements contre le cancer peuvent se former tôt dans le traitement et comment ces réponses ont évolué. Les résultats suggèrent que comprendre ces mécanismes est crucial pour développer de nouvelles stratégies pour combattre le cancer. En révélant non seulement les états résistants existants dans le cancer mais aussi leurs connexions avec des schémas évolutifs chez d'autres organismes, la recherche offre une vue d'ensemble complète de la résistance en biologie du cancer.
Les études futures pourraient explorer davantage des méthodes pour contrer ces mécanismes de résistance, ouvrant la voie à des options de traitement plus efficaces et à de meilleurs résultats pour les patients. Les connaissances acquises sur l'identification des signatures de résistance précoces et la compréhension de leur pertinence clinique peuvent finalement informer de nouvelles thérapies ciblant ces cellules cancéreuses résilientes.
Titre: Transcriptional Characterization of Resistance in Early Drug Response
Résumé: Therapeutic resistance is the leading cause of treatment failure and death from cancer. While resistance can be driven by genetic mutations, mounting evidence also points to an epigenetic basis of resistance. Much of this epigenetic, or non-genetic, resistance has been attributed to drug-resistant transcriptional cell states that are either induced by drug treatment or pre-exist in a fraction of cells selected by treatment. However, the extent to which long-term resistance is manifested in the early inherent cellular response to drugs is poorly understood, and which aspects, if any, of this early response to drug-induced transcriptional response are evolutionarily conserved properties of cells. To address these questions, we integrate datasets of long-term drug resistance and early drug response data across multiple cell lines with drug response and resistance data from bacteria and yeast. Our findings suggest that cancer cell states in both the drug-naive populations as well as in populations shortly after treatment share transcriptional properties with fully established resistant cell populations, and CRISPR-cas9 knockout of transcription factors predicted to regulate the resistant transcriptional programs result in inceased drug sensitivity. Furthermore, the resistance states manifested as early drug response are evolutionarily conserved. Finally, we show that early resistant states discriminate responders from non-responders across multiple human cancer trials.
Auteurs: Sridhar Hannenhalli, C. Ruoff, A. Mitchell, P. Mondal, V. Gopalan, M. Gottesman
Dernière mise à jour: 2024-07-10 00:00:00
Langue: English
Source URL: https://www.biorxiv.org/content/10.1101/2024.07.05.602281
Source PDF: https://www.biorxiv.org/content/10.1101/2024.07.05.602281.full.pdf
Licence: https://creativecommons.org/publicdomain/zero/1.0/
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.