CrcBiomeScreen: a reproducible workflow for class imbalance and cross-cohort generalisability in colorectal cancer microbiome prediction

Le cancer colorectal est une cause majeure de décès dans le monde, souvent parce qu'il est découvert trop tard pour que le traitement soit pleinement efficace. Les méthodes de dépistage actuelles, comme les tests recherchant du sang occulte dans les selles, sont utiles mais imparfaites ; elles peuvent manquer les signes précoces de la maladie ou signaler des personnes en bonne santé pour des procédures de suivi invasives et inutiles. Ces dernières années, les scientifiques ont porté leur attention sur les trillions de minuscules organismes vivant dans nos intestins, connus sous le nom de microbiome. Ces communautés microbiennes laissent des signatures chimiques distinctes qui changent lorsque des cancers ou des lésions précancéreuses se développent. L'espoir est qu'en analysant ces motifs microbiens, les médecins pourraient identifier les individus à haut risque plus précisément que par de simples tests sanguels. Cependant, transformer ces signaux biologiques en un outil médical fiable est semé d'embûches. Les données sont désordonnées, le nombre de personnes saines surpasse largement celui des personnes atteintes de cancer, et la manière dont les chercheurs traitent les données peut radicalement changer les résultats, ce qui rend difficile de savoir quelles méthodes fonctionnent réellement.

Pour naviguer dans cette complexité, une équipe de chercheurs de l'Université de Leeds a développé un nouvel outil en libre accès appelé CrcBiomeScreen. Plutôt que de simplement proposer une seule « meilleure » façon de prédire le cancer, ils ont construit un cadre flexible qui permet aux scientifiques de tester différentes stratégies côte à côte pour voir lesquelles résistent à la pression. Ils ont utilisé ce système pour analyser des échantillons de selles de plus de 2 200 personnes participant à un programme de dépistage réel au Royaume-Uni, ainsi que neuf autres ensembles de données indépendants provenant du monde entier. Leur objectif était de déterminer quelles étapes spécifiques de l'analyse — la façon dont les données sont nettoyées, la manière dont les différents types de bactéries sont comptés et la façon dont les modèles informatiques gèrent le fait que les cas de cancer sont rares — mènent aux prédictions les plus précises et les plus fiables.

Les chercheurs ont découvert que les choix faits avant même que l'ordinateur ne commence son apprentissage sont critiques. Ils ont testé plusieurs façons de normaliser les données, un processus qui ajuste les différences de quantité de matériel génétique collecté pour chaque échantillon. Ils ont constaté qu'une méthode spécifique appelée GMPR, qui tient compte de la structure unique des communautés microbiennes, produisait systématiquement de meilleurs résultats que les anciennes méthodes plus simples. Ils ont également examiné s'il était pertinent d'inclure des bactéries qui n'ont jamais été cultivées avec succès en laboratoire, souvent étiquetées comme « non cultivées ». L'étude a montré que conserver ces bactéries mystérieuses et non cultivées dans l'analyse ne nuisait pas à la performance du modèle et pourrait même préserver des indices précieux sur la maladie qui seraient autrement perdus. De plus, ils ont déterminé qu'observer les bactéries au niveau du genre — une catégorie large regroupant des espèces apparentées — offrait le meilleur équilibre. Ce niveau de détail était suffisamment spécifique pour être biologiquement significatif, mais assez large pour être reconnu de manière cohérente entre différents laboratoires et technologies de séquençage.

Un obstacle majeur au dépistage du cancer est le déséquilibre flagrant entre les personnes saines et celles atteintes de la maladie. Dans un programme de dépistage réel, pour chaque personne atteinte de cancer, il y a des centaines ou des milliers d'individus sains. Si un modèle informatique est entraîné sur un ensemble de données contenant trop de cas de cancer, il peut très bien fonctionner en laboratoire mais échouer lamentablement lorsqu'il est appliqué à la population générale. L'équipe a simulé ce déséquilibre extrême en créant des scénités de test où les témoins sains surclassaient largement les cas de cancer. Ils ont découvert qu'une technique appelée pondération des classes était essentielle. Cette approche indique à l'ordinateur de prêter une attention particulière aux cas de cancer rares pendant l'entraînement, rendant ainsi le modèle plus sensible à la maladie sans perdre sa capacité à identifier correctement les personnes saines. Grâce à cette pondération, le modèle a maintenu sa capacité à détecter les cas de cancer tout en réduisant considérablement le nombre de personnes saines incorrectement signalées comme malades. Cette amélioration de la précision est vitale pour le dépistage, car elle aide à éviter les coloscopies inutiles et l'anxiété qu'elles provoquent.

Les chercheurs ont ensuite testé l'efficacité de ces modèles lorsqu'ils étaient transférés du jeu de données du Royaume-Uni vers des populations entièrement différentes de neuf autres pays. C'est ici que le choix de l'algorithme informatique a fait une différence surprenante. Un type de modèle, connu sous le nom de Forêt Aléatoire (Random Forest), s'est révélé très stable et fiable, performant de manière constante même lorsque les données d'entraînement étaient limitées ou que les populations étaient très différentes. Un autre type, appelé XGBoost, s'est avéré plus puissant lorsqu'il était entraîné sur des ensembles de données larges et diversifiés, atteignant une précision plus élevée dans ces conditions spécifiques, mais montrant plus de variabilité lorsque les données étaient plus restreintes. L'étude suggère qu'il n'existe pas de « solution miracle » algorithmique qui fonctionne le mieux dans toutes les situations. Au lieu de cela, la meilleure approche dépend de la taille et de la nature des données disponibles.

En fin de compte, la valeur de CrcBiomeScreen réside dans sa transparence et sa flexibilité. Il n'impose pas aux chercheurs d'utiliser une méthode unique et rigide. Au contraire, il fournit un moyen structuré de comparer différentes options, garantissant que l'outil final choisi est celui qui convient le mieux à l'ensemble de données spécifique traité. En démontrant qu'une attention méticuleuse au traitement des données, l'inclusion des bactéries non cultivées et l'utilisation de la pondération des classes peuvent améliorer considérablement les performances, l'étude offre une feuille de route pour le développement d'outils de dépistage basés sur le microbiome plus fiables. Bien que ces modèles ne soient pas encore prêts à remplacer les tests existants, ils représentent une étape importante vers un avenir où un simple test de selles pourrait identifier plus précisément qui nécessite une attention médicale urgente, aidant ainsi à détecter le cancer colorectal plus tôt et à sauver plus de vies.