Cross-validated radiomic SuStaIn identifies prognostically and transcriptomically distinct event-ordering phenotypes in diffuse glioma

Les tumeurs cérébrales figurent parmi les maladies les plus complexes et les plus dangereuses auxquelles une personne puisse être confrontée. Parmi celles-ci, les gliomes diffus constituent un groupe de cancers qui croissent au sein du tissu mou du cerveau, se propageant comme des racines à travers un jardin plutôt que de former une masse unique et contenue. Pendant des décades, les médecins ont tenté de classer ces tumeurs en catégories pour prédire leur comportement et la manière dont un patient répondra au traitement. Le système le plus récent repose sur l'observation des cellules de la tumeur au microscope et l'analyse de son code génétique, plus précisément en vérifiant la présence de certaines mutations dans l'ADN. Bien que cette approche moléculaire ait amélioré le diagnostic, elle ne raconte pas toute l'histoire. Deux patients présentant des tumeurs identiques sous un microscope et partageant les mêmes marqueurs génétiques peuvent néanmoins avoir des issues très différentes ; l'un peut survivre pendant de nombreuses années tandis que l'autre décline rapidement. Cet écart suggère qu'il existe des différences cachées au sein des tumeurs que les tests actuels ne parviennent pas à percevoir.

Pour trouver ces différences cachées, les chercheurs se tournent vers l'imagerie par résonance magnétique, ou IRM, qui crée des images détaillées du cerveau sans nécessiter de chirurgie. Au lieu de simplement regarder ces images avec leurs yeux, les scientifiques utilisent une méthode appelée radiomique. Ce processus transforme l'information visuelle d'un scanner IRM en des milliers de petits nombres précis qui décrivent la forme, la texture et la luminosité de la tumeur. Ces nombres peuvent révéler des modèles d'organisation à l'intérieur de la tumeur qui sont trop subtils pour l'œil humain. Le défi a été de comprendre comment utiliser ces nombres pour mieux comprendre la maladie. La plupart des études précédentes ont tenté d'utiliser ces nombres pour simplement prédire une étiquette connue, telle que le fait qu'une tumeur soit agressive ou non. Cependant, une nouvelle étude publiée par une équipe de l'Université de Tongji, de l'Université de Tsinghua et de l'Université de Fudan adopte une approche différente. Au lieu de demander ce qu'est une tumeur, ils ont demandé comment les anomalies de la tumeur sont organisées au fil du temps.

Les chercheurs ont analysé les scanners IRM de 246 patients qui avaient été traités pour un glioblastome, la forme la plus agressive de la maladie, ou pour un gliome de bas grade. Ils se sont concentrés sur huit mesures spécifiques dérivées des images IRM, telles que la circularité ou l'irrégularité de la forme de la tumeur, ainsi que la variation de la luminosité et de la texture à travers différentes échelles. Pour donner un sens à ces données, ils ont utilisé un outil statistique appelé SuStaIn, qui signifie Subtype and Stage Inference (Inférence de Sous-type et de Stade). Imaginez une chronologie où différents problèmes apparaissent dans un ordre spécifique. Cet outil ne se contente pas de regrouper les patients dans des cases statiques ; il tente de déterminer la séquence dans laquelle les différentes anomalies apparaissent. Il demande si un groupe de patients a tendance à développer une irrégularité de forme spécifique en premier, suivie de changements de texture, tandis qu'un autre groupe développe des changements de texture d'abord, suivis de problèmes de forme. En faisant passer les données par ce système de nombreuses fois pour s'assurer que les résultats n'étaient pas un coup de chance, les chercheurs ont découvert que les patients se répartissaient naturellement en deux groupes distincts basés sur l'ordre de ces événements d'imagerie.

Le premier groupe, que les chercheurs ont appelé S1, présentait un schéma où la forme de la tumeur devenait irrégulière tôt dans le processus, suivie de changements dans la texture de l'image à diverses échelles. Le second groupe, S2, affichait une séquence différente. Chez ces patients, la tumeur est devenue plus compacte et dense tôt dans le processus, accompagnée de changements spécifiques de l'intensité et de la texture de l'image. Ces deux groupes n'étaient pas seulement différents par leurs modèles d'imagerie ; ils étaient différents par leur biologie et leur destin. Les patients du groupe S2, ceux présentant le schéma de "compacité d'abord", présentaient un risque de décès significativement plus élevé par rapport au groupe S1. Même lorsque les chercheurs ont pris en compte l'âge du patient, le grade de la tumeur et la présence de mutations génétiques spécifiques, le modèle S2 est resté un prédicteur robuste d'un pronostic défavorable. Le risque n'était pas un simple passage entre deux catégories ; plus la probabilité qu'un patient appartienne au groupe S2 était élevée, plus son risque de mortalité augmentait, créant un gradient de danger continu.

Pour comprendre pourquoi ces deux groupes se comportaient si différemment, l'équipe a examiné l'activité génétique à l'intérieur des tumeurs de 194 patients possédant des échantillons de tissus correspondants. Ils ont découvert que les tumeurs du groupe S2 à haut risque étaient pilotées par des programmes biologiques liés à une croissance et une division rapides. Ces tumeurs étaient occupées à fabriquer la machinerie nécessaire pour construire de nouvelles cellules, répliquer leur ADN et séparer leurs chromosomes. En revanche, le groupe S1 à plus faible risque présentait une activité génétique liée au fonctionnement normal du cerveau. Leurs tumeurs étaient plus connectées aux réseaux utilisés par les neurones pour communiquer, impliquant des signaux qui aident les cellules cérébrales à dialoguer entre elles. Cela suggère que les tumeurs S2 sont agressivement focalisées sur la multiplication, tandis que les tumeurs S1 conservent davantage les caractéristiques des tissus cérébraux dont elles sont issues. L'étude a également examiné la présence du système immunitaire au sein des tumeurs mais a constaté que les différences entre les deux groupes étaient minimes et n'étaient pas le principal moteur de leurs comportements distincts.

Ces conclusions offrent une nouvelle façon de percevoir les tumeurs cérébrales, passant de l'étiquetage statique à une vision de processus dynamiques dotés de rythmes internes différents. Les chercheurs soulignent que leur travail est un point de départ pour comprendre ces modèles cachés plutôt qu'un outil fini destiné à l'usage clinique. Parce que l'étude s'appuyait sur un ensemble unique de données historiques, l'ordre spécifique des événements qu'ils ont trouvé est relatif à ce groupe et doit être testé dans d'autres populations avec des scanners et des protocoles différents. De plus, l'étude a utilisé des données existantes où les informations génétiques et d'imagerie avaient déjà été collectées, de sorte que les résultats sont une suggestion forte d'une réalité biologique plutôt qu'une preuve finale de cause à effet. Cependant, le lien entre la forme de la tumeur sur une IRM et la machinerie moléculaire à l'intérieur de celle-ci fournit une raison convaincante de poursuivre les explorations. En écoutant la séquence des événements qu'une tumeur raconte à travers une image, les médecins pourraient un jour être capables de prédire l'avenir d'un patient avec une plus grande précision et d'adapter les traitements à l'histoire biologique spécifique de leur maladie.