Les scientifiques mesurent avec précision l’évolution du cancer à l’aide d’algorithmes pour analyser la constitution génétique des tumeurs

Dans une nouvelle étude dirigée par l'UCLA, les chercheurs ont mis en lumière les processus complexes sous-jacents à l'évolution du cancer et définissent les algorithmes optimaux pour analyser la constitution génétique des tumeurs.

Les résultats, publiés dans Biotechnologie naturelledétaillent de nouvelles ressources en ligne qui aident les scientifiques à sélectionner les meilleurs algorithmes pour analyser l'évolution des tumeurs, améliorer la précision du diagnostic et la planification du traitement.

Comprendre l’évolution des tumeurs est crucial pour traiter le cancer. Les tumeurs présentant une plus grande diversité génétique ont tendance à être plus difficiles à traiter et plus susceptibles de résister au traitement. Le moment où surviennent des mutations spécifiques peut également affecter l’efficacité des traitements.

Pour mieux mesurer le processus d'évolution, les scientifiques utilisent des algorithmes de reconstruction sous-clonale pour analyser les données de séquençage de l'ADN des tumeurs, ce qui permet de mieux comprendre comment les cancers démarrent, se développent et réagissent au traitement et fournit des informations précieuses pour les stratégies de diagnostic et de traitement.

Cette méthode, qui fait appel à des algorithmes mathématiques et informatiques complexes, est devenue un outil important pour mieux comprendre et suivre le processus d’évolution du cancer. Cependant, des dizaines d’algorithmes ont été développés pour cette tâche, et jusqu’à présent, il était difficile de savoir lesquels étaient les plus précis et quand ils fonctionnaient bien. Cette incertitude est devenue un obstacle à une adoption clinique plus large.

“Les résultats de la reconstruction sous-clonale peuvent varier considérablement d'un algorithme à l'autre”, a déclaré Adriana Salcedo, biologiste informatique en génétique humaine à la faculté de médecine David Geffen de l'UCLA et co-premier auteur de l'étude.

“Nous voulons être en mesure de mieux comprendre comment les choix expérimentaux et algorithmiques peuvent être optimisés pour une tâche particulière à accomplir, ce qui peut aider les scientifiques qui développent ces algorithmes, ainsi que les personnes qui appliquent simplement ces algorithmes à leurs propres études. peuvent choisir le meilleur pour leur objectif et peuvent ensuite interpréter les résultats de manière plus éclairée.

Pour voir quel algorithme est le plus précis pour différentes tâches, Salcedo et d'autres enquêteurs de l'UCLA ont mis sur pied un consortium mondial. Ce groupe a lancé un effort de sept ans appelé ICGC-TCGA DREAM Somatic Mutation Calling—Tumor Heterogeneity and Evolution Challenge. Des groupes du monde entier ont utilisé le cloud computing pour évaluer sept aspects différents de l'évolution des tumeurs, avec 12 061 analyses au total.

En analysant ces données, Salcedo a découvert que seules quelques caractéristiques de la tumeur influençaient de manière significative la précision des algorithmes de reconstruction. Bien que certains facteurs expérimentaux tels que la qualité des données de séquençage et la pureté de la tumeur aient joué un rôle, le choix de l'algorithme était plus important que les caractéristiques de la tumeur elle-même pour déterminer la précision.

Ils ont également constaté qu'aucun algorithme unique ne fonctionnait le mieux sur toutes les tâches et que les approches standard permettant de combiner plusieurs algorithmes n'amélioraient pas la précision de manière significative.

“Nous avons été surpris que l'algorithme lui-même soit si important”, a déclaré Paul Boutros, professeur d'urologie et de génétique humaine à la David Geffen School of Medicine de l'UCLA, directeur de la science des données sur le cancer au UCLA Health Jonsson Comprehensive Cancer Center et co-senior auteur de l'étude. “Cela donne aux chercheurs un aperçu pratique immédiat de la manière dont ils traduisent la recherche, les essais cliniques et, en fin de compte, prédisent pleinement les complexités de l'évolution du cancer.”

Étant donné que différents algorithmes sont les meilleurs pour différentes sous-tâches de reconstruction sous-clonale, l’équipe a fourni des outils en ligne pour aider les utilisateurs à choisir celui qui convient le mieux à leurs ensembles de données et à leur question d’intérêt.

L’équipe travaille actuellement à déterminer où les techniques actuelles peuvent être améliorées pour mieux représenter les changements en cours dans les cellules cancéreuses et créer de meilleurs simulateurs d’évolution du cancer. Il est également nécessaire de déterminer dans quels domaines de nouveaux efforts en matière d’intelligence artificielle sont nécessaires pour améliorer la capacité de mesurer l’évolution du cancer.

“En élucidant les complexités de la dynamique tumorale grâce à des méthodes informatiques innovantes, nous pouvons prédire où le cancer va évoluer”, a déclaré Boutros. “Et en sachant où cela va nous mener, nous pouvons concevoir des traitements qui empêcheront le cancer de devenir mortel.”

Boutros est également vice-doyen par intérim pour la recherche à la David Geffen School of Medicine de l'UCLA, directeur associé de l'informatique du cancer à l'UCLA Institute for Precision Health et est membre du Eli and Edythe Broad Center of Regenerative Medicine and Stem Cell Research. . L'autre co-auteur principal de l'étude est Peter Van Loo du MD Anderson Cancer Center. L'autre co-auteur de l'étude est Maxime Tarabichi, du Francis Crick Institute.