ResponseVerdict overturns computationally validated immunotherapy signatures, recovers their missed responders and outperforms every published response predictor

L'immunothérapie contre le cancer a révolutionné la manière dont les médecins traitent la maladie, offrant un moyen d'exploiter le propre système immunitaire du corps pour traquer les tumeurs. Pour une minorité de patients, ces traitements produisent des rémissions de longue durée, mais pour beaucoup d'autres, les médicaments ne fonctionnent tout simplement pas. Le défi central pour les oncologues est de savoir à l'avance quels patients en bénéficieront et lesquels non, épargnant à ces derniers des effets secondaires et des coûts inutiles tout en garantissant que les premiers reçoivent les soins vitaux dont ils ont besoin. Pour résoudre ce problème, les scientifiques ont passé des années à essayer de construire des « signatures » — des listes spécifiques de gènes dans une tumeur qui agissent comme un feu de signalisation, affichant le vert pour un succès probable ou le rouge pour un échec. L'espoir était qu'en lisant ces codes génétiques, les médecins pourraient prédire l'issue avant qu'une seule dose de médicament ne soit administrée.

Cependant, une nouvelle analyse suggère que la carte que de nombreux chercheurs ont suivie est fondamentalement erronée. Une équipe de scientifiques a examiné des milliers de ces signatures génétiques proposées ces dernières années et a constaté que, lorsqu'elles sont testées par rapport à de vrais patients ayant reçu un traitement, elles ne font pas mieux qu'un choix aléatoire. L'étude révèle que les méthodes standard utilisées pour valider ces prédictions étaient trompeuses, poussant les chercheurs à confondre l'état de santé général d'un patient avec sa réaction spécifique au médicament. En remplaçant ces outils défaillants par une nouvelle méthode qui repose strictement sur les résultats mesurés chez d'autres patients, les chercheurs ont créé un système qui identifie systématiquement plus de personnes qui répondront réellement à l'immunothérapie.

Le problème a commencé par la manière dont ces signatures génétiques ont été construites. La plupart ont été développées à partir de données provenant de grandes bases de données d'échantillons de tumeurs qui contenaient des informations sur la durée de vie des patients, mais sans mention de savoir s'ils avaient déjà reçu une immunothérapie. Parce que les chercheurs ne disposaient pas de données sur le traitement, ils ont ajusté leurs modèles pour prédire la survie. Dans de nombreux cancers, un niveau élevé de cellules immunitaires dans une tumeur est en réalité un signe de pronostic plus sombre si le patient n'est pas traité, car le système immunitaire lutte pour contrôler la maladie. Lorsque ces modèles ont été ultérieurement réutilisés pour prédire la réponse à l'immunothérapie, la direction a été inversée : les niveaux immunitaires élevés qui signalaient un avenir médiocre ont été réinterprétés comme un signe que le système immunitaire était prêt à combattre le médicament. Cela a créé un paradoxe où les caractéristiques mêmes qui suggéraient qu'un patient se porterait mal sans traitement étaient utilisées pour prédire qu'il irait bien avec le traitement.

Pour vérifier ces prédictions, la communauté scientifique s'est largement appuyée sur un outil informatique appelé TIDE. Ce logiciel a été conçu pour estimer la capacité d'une tumeur à répondre à l'immunothérapie en observant les signes d'épuisement immunitaire. L'étude a révélé que TIDE lui-même interprétait mal les données. Il traitait la présence de cellules immunitaires épuisées — des cellules présentes mais usées — comme un signe d'échec, alors qu'en réalité, ces cellules sont souvent celles qui peuvent être réactivées par le médicament. Par conséquent, TIDE classait fréquemment comme « non-répondeurs » des tumeurs qui étaient pourtant riches en cellules immunitères et susceptibles de répondre au traitement. Comme tant de nouvelles signatures ont été construites pour être en accord avec TIDE, elles ont hérité de cette erreur, créant un cycle où des prédictions incorrectes étaient validées par d'autres outils incorrects.

Les chercheurs ont testé cela en rassemblant 1 566 signatures différentes provenant de plus de 1 200 articles scientifiques et en les appliquant aux données de plus de 2 000 patients ayant réellement reçu une immunothérapie. Les résultats sont frappants : la grande majorité de ces signatures n'avaient aucune capacité à prédire qui répondrait au traitement. Leur précision était indiscernable d'un lancer de pièce. En fait, l'étude a montré que si l'on choisissait un ensemble de gènes au hasard, il passerait les mêmes tests de validation que ces signatures complexes, prouvant que les tests ne mesuraient pas réellement la réponse au traitement. Les signatures étaient si médiocres qu'elles performaient moins bien que des mesures simples de l'activité immunitaire disponibles depuis des années.

En réponse à cet échec, l'équipe a développé une nouvelle approche appelée ResponseVerdict. Au lieu de s'appuyer sur des simulations informatiques ou sur l'accord avec d'autres outils, cette méthode examine directement comment les patients d'autres groupes ont réellement répondu au traitement. Elle utilise ces résultats réels pour orienter les modèles de prédiction, garantissant que la direction de la prédiction correspond à la réalité de l'expérience du patient. Testée contre les anciennes signatures et d'autres prédicteurs établis, ResponseVerdict a systématiquement identifié plus de patients qui bénéficieraient de la thérapie. Dans un test spécifique impliquant une cohorte prospective de patients dont les résultats n'étaient pas encore connus, la nouvelle méthode a correctement identifié significativement plus de répondeurs que la norme précédente.

L'impact de cette correction dépasse la simple amélioration des prédictions ; elle change la conception des expériences et des essais cliniques. L'étude a révélé qu'à cause des signatures erronées, de nombreuses expériences de laboratoire étaient réalisées sur les mauvais types de cellules, poursuivant des signaux qui ne sont pas réellement les moteurs de la réponse immunitaire. De plus, un essai clinique actuel pour le cancer gastrique utilise l'une de ces signatures défaillantes pour décider quels patients sont éligibles. Les chercheurs ont montré que cette règle excluait par inadvertance des patients qui auraient bien répondu au traitement. En utilisant la nouvelle méthode, l'essai aurait pu inclure plus de patients appropriés, changeant potentiellement l'issue de l'essai.

Les chercheurs ont également appliqué leur méthode pour décider de l'allocation des médicaments dans des essais cliniques randomisés, un scénario où l'objectif n'est pas seulement de trouver des répondeurs, mais de donner le médicament expérimental aux personnes qui en gagneront le plus par rapport au traitement standard. Dans un essai majeur pour le cancer du rein, l'ancienne méthode de prédiction de la sensibilité au médicament a conduit des patients à recevoir le mauvais traitement, leur faisant perdre des mois sans progression de la maladie. Lorsque les chercheurs ont utilisé leur nouvelle règle d'allocation, ils ont identifié un groupe de patients qui ont gagné un temps considérable sans progression de leur cancer, tandis que le reste du groupe n'en a pas autant bénéficié. Cela suggère que la nouvelle méthode peut non seulement prédire qui répondra, mais aussi optimiser qui reçoit quel traitement pour maximiser le bénéfice global pour un groupe de patients.

L'étude conclut que le domaine a fonctionné sur une base d'accord computationnel plutôt que sur une réalité mesurée. En ramenant l'attention sur les résultats réels des patients et en utilisant les données qui étaient disponibles au moment où les articles originaux ont été écrits, les chercheurs ont démontré qu'un meilleur chemin était toujours possible. Le nouveau système ne nécessite pas de nouvelles données ou de technologie futuriste ; il nécessite simplement une façon différente de poser la question. Au lieu de demander si un modèle est en accord avec un programme informatique, il demande s'il est en accord avec les patients. Ce changement a déjà montré qu'il peut récupérer des dizaines de répondeurs supplémentaires pour chaque centaine de patients traités, un gain qui pourrait se traduire par des améliorations significatives de la survie et de la qualité de vie pour les personnes confrontées au cancer.