Les méthodes d’analyse de survie permettent d’associer la fréquence et le délai de survenue d’un événement étudié. Ces méthodes doivent leur qualificatif au fait qu’elles ont d’abord été utilisées en cancérologie, où la survie des patients, c’est-à-dire le temps s’écoulant entre le début du traitement et la survenue du décès, était un des critères d’efficacité du traitement.
Prédire la probabilité de survenue de délai d’apparition de métastases ou de décès chez les patients sur la base de leur profil d’expression peut se révéler d’une importance considérable dans la compréhension et le traitement des cancers. Ces modèles de pré- diction sont surtout intéressants lorsqu’ils apportent une information complémentaire aux classifications cliniques, anatomopathologiques et biologiques déjà établies.
Les méthodes d’analyse de survie permettent de décrire la survie (taux et délai de survenue de l’événement étudié) dans un ou plusieurs groupes ; de déterminer la pro- babilité de survenue d’un événement dans un délai fixé ; de comparer cette probabilité entre différents groupes et de mesurer l’influence d’une variable explicative sur cette pro- babilité.
Dans cette partie, après avoir défini les termes importants dans ce type d’étude (Fig. 3.5), nous verrons certaines méthodes communément employées.
3.4.1 Définitions
Date de point C’est la date à laquelle on décide d’analyser les résultats.
Date d’origine C’est le point de départ à partir duquel le sujet est observé. Ce peut
être la date de diagnostic, la date de début du traitement, la date de randomisation, etc. Le point de départ est défini de la même manière pour tous les sujets, mais la date bien sûr varie d’un sujet à l’autre.
Date des dernières nouvelles C’est la date à laquelle on a eu pour la dernière fois
des nouvelles du sujet. Il peut s’agir de la date du décès ou de survenue de l’événement étudié (guérison, métastases, récidive). Il peut s’agir également de date de la dernière consultation si le sujet n’a pas présenté l’événement étudié ou si le sujet est perdu de vue.
3.4. ANALYSE DE SURVIE
FIG. 3.5: Schéma symbolisant les principales notions utilisées dans les analyses de survie
Etat aux dernières nouvelles Aux dernières nouvelles, le sujet est décédé ou vivant,
est guéri ou non guéri, a présenté un événement métastatiques ou non...
Recul C’est le délai écoulé entre la date d’origine et la date de point.
Données censurées à droite On parle de données censurées à droite quand l’événe-
ment étudié n’a pas été observé à la date de point. On sait alors seulement que le délai exact de survenue de l’événement étudié (non observé) est supérieur ou égal au temps de participation. Par ailleurs, il peut arriver que l’événement se soit produit avant la date de point sans qu’il soit possible d’en connaître la date exacte. L’observation est dite cen- surée à gauche. C’est-à-dire que le véritable délai de survie du patient est inférieur au délai d’observation. Le plus souvent on se trouve dans les conditions de censure à droite et c’est ce cas qui sera traité dans ce chapitre.
Temps de participation C’est le temps écoulé entre la date de dernière nouvelle et
la date d’origine si la date de dernières nouvelles est antérieure à la date de point et le temps écoulé entre la date de point et la date d’origine sinon.
Médiane de survie C’est le délai à l’issue duquel 50% des sujets sont encore en vie
3.4. ANALYSE DE SURVIE 3.4.2 Les courbes de survie et la méthode de Kaplan-Meier
Il n’est pas possible d’estimer de façon simple la proportion de patients présentant l’événement étudié x jours après la date d’origine à moins de raisonner en terme de probabilités. Dans une courbe de survie, l’axe des ordonnées est étalonné de 0 à 1 et représente les probabilités que l’événement étudié ne se produise pas pour une période déterminée, et l’axe des abscisses représente le délai (en jours, mois...) écoulé depuis la date d’origine.
La méthode de Kaplan et Meier [Kaplan and Meier, 1958] est la méthode la plus utilisée actuellement. Dans cette méthode, la survie est estimée à chaque temps d’évé- nements et est supposée constante entre chaque temps d’événements, ce qui va donner à la courbe un aspect en « marche d’escalier ». La longueur des marches est déterminée par le délai écoulé entre la survenue de chacun des 2 épisodes successifs de l’événe- ment étudié et la hauteur des marches par la différence entre les probabilités de survenue de 2 épisodes.
La représentation de plusieurs courbes sur le même graphique permet de représenter visuellement la survie de plusieurs groupes distincts de patients (Fig. 3.6).
FIG. 3.6: Exemple de courbe de Kaplan-Meier d’après Garraway et al. [Garraway et al., 2005] représentant une analyse de survie chez des patients avec un mélanome métastastique et pré- sentant ou non une amplification du gène MITF.
Mathématiquement, cette méthode définie une fonction de survie St qui donne la
probabilité de survie jusqu’à un instant t donné. Si l’on considère Vile nombre de vivants,
Di le nombre de décès et Ei le nombre d’exclus pendant l’intervalle ti− ti−1, alors la
probabilité de décès qi pendant cet intervalle sera égale à qi = ViD−Ei i et la probabilité de
survie pi pendant ce même intervalle sera égale à pi = 1 − qi.
La fonction de survie Sià l’instant ti sera donc égale à Si = p0p1...pi 3.4.3 Comparaison de courbes de survie
Deux méthodes sont principalement employées pour comparer des courbes de survie dans leur ensemble : le test du logRank et le modèle de Cox. Le test du logRank ne
3.4. ANALYSE DE SURVIE
permet de prendre en compte qu’un seul facteur alors que le modèle de Cox permet d’étudier simultanément plusieurs facteurs.
3.4.3.1 Test du logRank
Le test du logRank a été décrit par Mantel [Mantel, 1966]. Le principe de ce test (sous l’hypothèse que la survie des deux groupes est la même) est que si pour un jour donné, la moitié des patients observés sont dans le groupe A et la moitié dans le groupe B, alors en moyenne la moitié des événements devrait survenir dans le groupe A et la moitié dans le groupe B, à moins que le traitement A soit beaucoup moins efficace que le traitement B, ou l’inverse. Ainsi, on recense dans chacun des 2 groupes le nombre observé de décès (DA et DB) pendant une période considérée. On détermine ensuite
le nombre estimé de décès que l’on devrait observer si la mortalité était la même dans les 2 groupes (EA et EB). On compare DA à EA, DB à EB au moyen d’un test du χ2
dont l’interprétation se lit dans une table à un degré de liberté (1 ddl). Si l’on compare k courbes de survie, on utilise alors un test du χ2avec (k − 1) ddl.
Le test du logRank permet également de calculer, dans chaque groupe, le taux relatif de décès (D
E). Le rapport des taux relatifs de décès de chacun des 2 groupes s’appelle
le risque relatif (RR). Cela permet de conclure que le risque de décès dans le groupe A est X fois supérieur à celui dans le groupe B.
RR =
DA
EA
DB
EB
La puissance du test du logRank est fonction du nombre d’événements observés dans les groupes et du risque relatif observé entre les groupes. Un nombre d’événements trop faible pourra engendrer l’erreur de considérer qu’il n’y a pas de différence entre les groupes alors qu’il y en a une. Une étude incluant un grand nombre de patients est toujours préférable.
Par ailleurs, comme pour les autres tests statistiques, il faut veiller à considérer le risque d’obtenir des valeurs significatives par hasard lorsqu’un test est appliqué de ma- nière répétée. Dans ce cas, une approche plus appropriée est l’analyse multivariée comme le modèle de Cox.
3.4.3.2 Modèle de Cox
Le modèle de régression de Cox [Cox, 1972] est un modèle multivarié qui permet d’exprimer la relation entre le risque instantané de survenue de l’événement étudié et des facteurs de risque exprimés sous la forme de variables qualitatives ou quantitatives, notées X. Il permet d’étudier la relation entre le temps d’apparition d’un événement (par exemple le décès) et un ensemble de variables explicatives (par exemple les gènes) en présence de censure (en effet, s’il n’y a pas de censure, un modèle de régression logistique peut aussi être utilisé).
Le modèle de Cox permet donc d’exprimer le risque instantané λ (probabilité d’ap- parition de l’événement dans un intervalle de temps) de survenue de l’événement en fonction du temps t et des variables X et s’exprime sous la forme :
3.4. ANALYSE DE SURVIE
L’intérêt du modèle repose sur l’association entre les variables X et la survenue de l’évé- nement étudié et correspond à déterminer les coefficients β.
Si les variables X pour deux classes prennent des valeurs 0 ou 1, le rapport des risques des sujets de la classe 1 par rapport à ceux de la classe 0 correspond à :
λ(t,1) λ(t,0) = e
β
avec le coefficient β qui représente le logarithme du risque instantané relatif de la classe 1 par rapport à la classe 0. Ces coefficients β représentent l’effet de la caractéristique X choisie. Si β est nul, X n’a pas d’influence sur l’événement étudié, si β est positif, X est associée à un risque plus élevé et inversement si β est négatif.
Le principe du modèle de Cox consiste donc à estimer ces coefficients β en testant l’hypothèse que le vecteur des effets (β1, β2, ..., βp) est nul (en utilisant par exemple le
test de Wald).
Dans nos données haut débit, l’utilisation d’un modèle de Cox permettra de comparer ce qu’apporte la connaissance de l’expression d’un ou plusieurs gènes en regard de facteurs cliniques prédictifs déjà connus. Ce modèle suppose cependant, comme tout modèle de régression linéaire multiple, qu’il y ait plus d’observations que de variables, des données complètes et des variables non fortement corrélées entre elles, ce qui est difficile à satisfaire dans la pratique. Lors de l’application de ce modèle à l’analyse de puces ADN, la recherche de prédicteurs biologiques liés à la durée de survie suppose de prendre en compte l’expression de milliers de gènes pour généralement seulement quelques dizaines d’individus. Des sélections doivent donc être effectuées au préalable.
4. LES MÉLANOCYTES ET LES MÉLANOMES
Chapitre 4
Les mélanocytes et les mélanomes
Après avoir abordé les principales caractéristiques des cellules tumorales dans le chapitre 1, nous allons nous intéresser à un type de cellules particulières qui sont les mélanocytes puis à leur transformation en mélanome.
Les mélanocytes font partie des cellules pigmentées de l’organisme. Ces cellules pigmentées ont pour origine la crête neurale et jouent un rôle crucial dans l’organisme aussi bien au niveau de la peau, avec un rôle protecteur contre les ultras-violets qu’au niveau d’autres organes tels que l’œil, l’oreille interne ou les méninges.
Nous allons dans un premier temps nous intéresser à l’origine de ces mélanocytes, puis à la description des organes où ils se localisent. Nous aborderons ensuite les pa- thologies impliquant des mélanocytes de l’œil, puis nous décrirons plus en détail le mé- lanome de la choroïde qui est la pathologie étudiée dans cette thèse. Après avoir décrit la pathologie en général nous aborderons les aspects moléculaires.
Il existe quatre types de mélanomes différents : les mélanomes cutanés, acraux, mu- queux et uvéaux. Les mélanomes cutanés représentent la plus grande partie des méla- nomes (75%) et les 3 autres types sont des tumeurs plus rares et représentent chacun 5% des mélanomes totaux. Le mélanome cutané est le mélanome le plus étudié, en re- vanche le mélanome uvéal est moins bien décrit, bien qu’étant la tumeur intra-oculaire la plus fréquente chez l’adulte. Même si l’origine embryologique et les gènes impliqués dans leur développement sont les mêmes, il s’agit de deux entités carcinologiques différentes. Nous utiliserons les connaissances sur le mélanome cutané pour décrire le mélanome uvéal et ses spécificités.
En plus des mélanocytes, il existe d’autres cellules pigmentées dans notre organisme, qui ont une origine embryonnaire différente. Ces cellules sont issues du tube neural (sys- tème nerveux central) et elles correspondent aux cellules de la rétine pigmentaire qui ta- pissent le fond de l’œil. Ces cellules n’étant pas impliquées dans les mélanomes uvéaux nous ne les décrirons que brièvement lors de la description de l’œil.