HAL Id: tel-01127116
https://tel.archives-ouvertes.fr/tel-01127116
Submitted on 7 Mar 2015HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci-entific research documents, whether they are pub-lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Analyse intégrée de données de génomique et d’imagerie
pour le diagnostic et le suivi du gliome malin chez
l’enfant
Cathy Philippe
To cite this version:
Cathy Philippe. Analyse intégrée de données de génomique et d’imagerie pour le diagnostic et le suivi du gliome malin chez l’enfant. Machine Learning [stat.ML]. Université Paris Sud - Paris XI, 2014. Français. �NNT : 2014PA112368�. �tel-01127116�
Université Paris XI
UMR 8203 Vectorologie et thérapeutiques
anti
-cancéreuses
Sciences et Technologie de l’Information, des Télécommunications et des Systèmes
Thèse de doctorat
Rapport soumis aux rapporteurs, dans le but de sanctionner le dossier pour l’obtention du grade de
Docteur, discipline « Physique » par
Cathy PHILIPPE
Analyse intégrée de données de
génomique et d
’imagerie pour le
diagnostic et le suivi du gliome
malin chez l
’enfant
Thèse soutenue le 8 décembre 2014 devant le jury composé de :
Directeur de thèse : Vincent FROUIN Directeur de Recherche (CEA) Encadrants : Arthur TENENHAUS Professeur Associé (Supélec)
Vincent GUILLEMOT Biostatisticien (IHU-A-ICM) Composition du jury :
Rapporteurs : Hervé ABDI Professeur (Université du Texas, Dallas)
Jean-François ZAGURY Professeur (CNAM)
Examinateurs : Philippe BASTIEN Chercheur (L’Oréal Research & Innovation) Stéphanie BOUGEARD Ingénieure d’étude (ANSES)
Remerciements
V
oicivenu le temps des remerciements.Je tiens à remercier en tout premier lieu Jacques Grill, sans qui cette aventure n’aurait pas été possible. Merci pour ta confiance, ton écoute, ton ouverture d’esprit, ton implication dans ce travail et pour m’en avoir montré le but.
Toute ma sincère reconnaissance va également à Vincent Frouin, pour avoir accepté de relever le défi de diriger cette thèse. Merci pour cette grande preuve de confiance.
Un grand MERCI à Arthur Tenenhaus, pour tout ce que tu m’as transmis. MERCI Vincent, pour ton intransigeance et ton indulgence, ta rigueur et ta légèreté. Merci pour tout ce qu’on a partagé, notamment les séances de travail tardives mais détendues.
Je tiens également à remercier les membres de mon jury : Hervé Abdi et Jean-François Zagury, pour avoir accepté de rapporter cette thèse. Je remercie aussi Daniel Gautherêt, Stéphanie Bougeard et particulièrement Philippe Bastien, pour avoir accepté de faire partie de mon jury.
Je tiens à remercier également Lluis Mir, pour m’avoir accueillie dans son unité, ainsi que toutes les personnes qui travaillent ou ont travaillé dans l’UMR CNRS 8203 dans ces quatre années de thèse.
Merci à toute l’équipe Pharmacologie et Cancers de l’Enfant : Stépha-nie Puget, Nathalie Gaspar, Emilie Sohier, Estelle Daudigeos, Fabienne Munier, Felipe Andreiuolo, Dominique Valteau-Couanet, Sara Calmanti, Miguel Maize, Nathalène Truffaux, Céline Ferreira, Geoffrey Dieffenbach, Veronique Scott, Wassim Tair, Ludivine Le Dret.
Merci à David et Marie-Anne, de m’avoir fait confiance en venant au labo. Merci à toute l’équipe de la plate-forme Bioinformatique de Gustave Roussy et en particulier à Bastien Job, Guillaume Meurice, Justine Gué-gan, Yannis Duffourd, Philippe Dessen.
Merci également à l’équipe de la plate-forme de Génomique : Catherine Richon, Thomas Robert, Noémie Pata-Merci, Marion Le Gentil, Vladimir Lazar.
Je tiens à remercier également les équipes de Neurospin, mon lieu privilégié de «vacances» : Elisabeth Jajolet, merci pour ta disponibilité, ton
efficacité, ton accueil. Merci à l’équipe Brainomics : Edith Le Floch, Tommy Löfstedt, Fouad Hadj-Selem, Edouard Duchesnay, Mathieu Dubois, Jin Peng Li, Dimitri Papadopoulos, Benoit Da Mota, pour nos nombreux et précieux échanges.
Merci à mes compagnons de navette : Salma, Leila, Yann, Catherine. Merci à Antoine, David, Sandrine, Solveig, Matthieu, Urielle, Yann, Denis, Isabelle.
Je tiens à remercier mes amis Marinnette, Kaboul, LeBerger & Jenni, Elodie & Alberto, Xav & Justin, Zouzou, LaGrouse, Sophouze & Coumien, LesGrumeaux, Arna & Marino, les 4L, Clemy & Ewen, Alice & Benj. Merci pour votre amitié.
Je remercie ma belle famille : Hamig, Bode, Idoide et Gongile, pour leur soutien et leur disponibilité.
Un grand merci à mes parents pour leur soutien indéfectible, leur dévouement, les rêves qu’ils ont osé faire pour leur enfants. L’adulte que je suis vous doit tout.
Je remercie mon frère, Franck, dont le courage m’a éclairée dans les moments les plus difficiles. Je te dédie cette thèse, elle est le prolongement de notre combat.
Enfin, je remercie les deux amours de ma vie, Clément, pour avoir tout subi et être néanmoins resté, et notre merveille, Melvil, pour avoir fait irruption dans nos vies.
Paris, le 20 janvier 2015.
Table des matières
Table des matières vii
Liste des figures ix
Liste des tableaux xi
Introduction 1
I Problématique 5
1 Les gliomes malins pédiatriques 7
1.1 Pourquoi une classification ? . . . 9
1.2 Classifications des gliomes malins de l’adulte . . . 10
1.2.1 Classification OMS 2007 . . . 10
1.2.2 Critères radiologiques . . . 11
1.2.3 Classification de Sainte-Anne . . . 12
1.2.4 Classification moléculaire basée sur le transcriptome . . . 14
1.2.5 Classification radio-génomique . . . 18
1.3 Classification des gliomes malins pédiatriques . . . 18
1.3.1 Des maladies cliniquement différentes de celles de l’adulte 19 1.3.2 Des formes de gliomes spécifiques aux enfants : les DIPG 21 1.3.3 Des anomalies biologiques spécifiques . . . 22
1.3.4 Des formes frontières chez les adolescents . . . 24
1.4 Conclusion . . . 25
2 La génomique intégrée en cancérologie 27 2.1 L’analyse intégrée en oncogénomique . . . 29
2.1.1 Objectifs de l’intégration en oncogénomique . . . 29
2.1.2 Les caractéristiques du cancer se situent à différents ni-veaux biologiques . . . 29
2.1.3 Recherche d’un «effet dose» en cis . . . 30
2.2 Intégration de résultats via une analyse séquentielle . 31 2.3 Intégration des données via une analyse conjointe . . . 33
2.3.1 Structures de données multi-blocs . . . 34
2.3.2 Structures de données multi-groupes . . . 35
2.3.3 Structures de données multi-voies . . . 35
2.4 Conclusion . . . 36
II Méthodologie et contributions 39
3 État de l’art 41
3.1 L’Analyse en Composantes Principales . . . 43
3.2 Méthodes pour données structurées en deux blocs . . . 44
3.2.1 L’Analyse Canonique des Corrélations . . . 44
3.2.2 L’Analyse Factorielle Inter-Batteries . . . 45
3.2.3 La Régression Partial Least Squares . . . 46
3.2.4 L’Analyse Canonique des Corrélations Régularisée . . . . 47
3.3 Méthodes pour données multi-blocs . . . 47
3.3.1 Nomenclature et conventions graphiques pour les mé-thodes multi-blocs . . . 48
3.3.2 L’approche PLS ou PLS-Path Modeling . . . 48
3.4 L’Analyse Canonique des Corrélations Généralisée et Régularisée . . . 51
3.5 Conclusion . . . 55
4 Analyse multi-bloc et données de très grande dimen-sion 57 4.1 Analyse Canonique des Corrélations Généralisée et Kernélisée . . . 59
4.1.1 Formulation duale de RGCCA . . . 59
4.1.2 L’algorithme de KGCCA . . . 60
4.1.3 Espaces de Hilbert à Noyau Reproduisant (RKHS) . . . . 62
4.1.4 Conclusion . . . 64
4.2 Sélection de variables pour l’Analyse Canonique des Corrélations Généralisée . . . 65
4.2.1 RGCCA et pénalité`1 . . . 67
4.2.2 L’algorithme SGCCA . . . 70
4.2.3 Déflation pour SGCCA . . . 71
Conclusion . . . 71
5 Généralisation des liens entre les blocs 73 5.1 Les modèles de survie . . . 75
5.1.1 Les données de survie . . . 75
5.1.2 L’estimateur non-paramétrique de Kaplan-Meier . . . 77
5.1.3 Modèle semi-paramétrique des risques proportionnels . . 78
5.1.4 La vraisemblance partielle de Cox . . . 79
5.2 La régression Logistique multi-blocs . . . 83
5.2.1 Régression logistique régularisée multi-blocs . . . 83
5.3 La régression de Cox multi-blocs . . . 87
5.4 Conclusion . . . 89
III Applications 91 6 Application de l’analyse multi-blocs aux gliomes ma-lins pédiatriques 93 6.1 Présentation des données . . . 95
6.1.1 Critères d’inclusion et données cliniques . . . 95
6.1.2 Données de génomique . . . 99 viii
6.1.3 Préambule : Valeur additionnelle des données
molécu-laires par rapport aux données cliniques seules . . . 100
6.2 Sélection de modèle et évaluation . . . 103
6.3 Prédiction de l’emplacement de la tumeur avec KGCCA 105 6.3.1 Analyse des redondances kernélisée pour le dessin hié-rarchique . . . 105
6.4 Sélection de variables pour la prédiction de la l’em-placement de la tumeur . . . 111
6.4.1 Performances en prédiction . . . 111
6.4.2 Résultats . . . 112
6.4.3 Interprétations biologiques des résultats de SGCCA . . . 114
6.4.4 Conclusion sur la sélection de variables . . . 119
6.5 Simulation des données . . . 121
6.6 Multiblog : Prédiction de la survie en deux classes . . 121
6.6.1 Dessin expérimental des simulations . . . 121
6.6.2 Résultats des simulations . . . 122
6.6.3 Résultats pour le jeu de données pHGG. . . 122
6.6.4 Conclusion . . . 124
6.7 Multiblox : Modélisation du risque instantané de décès.124 6.7.1 Dessin expérimental des simulations . . . 124
6.7.2 Résultats . . . 125
6.8 Conclusion . . . 125
Conclusion 127 A Annexes 131 A.1 Publications . . . 133
A.1.1 Articles dans des journaux à comité de relecture . . . 133
A.1.2 Conférence avec actes . . . 133
A.1.3 Articles en préparation . . . 133
A.2 Calcul de l’identité 4.4 : expression duale de KGCCA . 134 A.3 Preuve de la proposition 4.3 : convergence monotone deSGCCA . . . 134
Bibliographie 137 Glossaire 149
Liste des figures
1.1 Substance blanche et grise. . . 91.2 Neurones et cellules gliales. . . 10
1.3 Classification de Phillips. . . 15
1.4 Altérations des voies de signalisation dans le glioblastome. 16 1.5 Classification de Verhaak. . . 17
1.6 Survie globale de patients adultes avec un glioblastome. . . 20
1.7 Survie globale et sans progression des enfants de moins de trois ans avec un gliome de haut grade. . . 20
1.8 ACNS026 et CCG945 : comparaison des survies sans pro-gression des enfants . . . 20
1.9 Schéma de l’encéphale en coupe sagittale. . . 21
1.10 Caractéristiques des deux sous-types de DIPG : KM1 et KM2. 22 1.11 Profils CGH de HGG pédiatriques et adultes. . . 23
1.12 ACP des 1000 sondes de transcriptome les plus variables des glioblastomes adultes et pédiatriques. . . 23
1.13 Caractéristiques moléculaires et biologiques des sous-groupes de glioblastome. . . 24
2.1 Les caractéristiques biologiques du cancer : nouvelle géné-ration. . . 30
2.2 Principales approches pour la fusion de données. . . 32
2.3 Quatre grandes catégories de structure de données. . . 34
3.1 Conventions graphiques des SEM. . . 48
3.2 Approche PLS. . . 51
3.3 Algorithme itératif de RGCCA. . . 54
4.1 Exemple de fonction g. . . 66
4.2 Différents types de régularisation. . . 66
4.3 Norme`1 et parcimonie . . . 67
5.1 Représentation des liens entre blocs pour la prédiction d’une variable binaire . . . 84
5.2 Algorithme multiblog. . . 86
5.3 Représentation des liens entre blocs pour la modélisation de la survie. . . 87
6.1 Répartition des diagnostics OMS parmi les trois emplace-ments de tumeur. . . 96
6.2 Répartition des diagnostics histologiques selon le type his-tologique majoritaire. . . 97
6.3 Répartition des sexes parmi les trois emplacements de tumeur. 97 6.4 Distribution de l’âge au diagnostic en fonction des trois em-placements de tumeur. . . 98
6.5 Comparaison des courbes de survie Kaplan-Meier et test du log-rank pour l’emplacement de la tumeur dans le cerveau. 98 6.6 Analyse en Composantes Principales sur puces GE. . . 99
6.7 Valeur prédictive additionnelle du bloc GE et/ou CGH par rapport aux données cliniques seules. . . 101
6.8 Organisation du jeu de données en trois blocs de variables pour la prédiction de l’emplacement de la tumeur. . . 102
6.9 Diagramme de chemins, pour la prédiction de la localisation. 102 6.10 Procédure de double validation croisée imbriquée. . . 103
6.11 Matrices de confusion. . . 105
6.12 Taux d’erreur en test en Leave-One-Out pour le dessin hié-rarchique. . . 106
6.13 Taux d’erreur en test en Leave-One-Out pour le dessin complet.107 6.14 Frontières de décision pour le dessin hiérarchique, avec τ1=
0.978, τ2 =0.990, et τ3 =0. . . 108
6.15 Frontières de décisions et stabilité Leave-One-Out. . . 110 6.16 Comparaison de taux d’erreurs pour SGCCA, modèles à 1
composante. . . 112 6.17 Comparaison de taux d’erreurs pour SGCCA, modèles à 2
composantes. . . 113 6.18 Analyse discriminante PLS hiérarchique avec sélection de
variables. CGH 1 en fonction de GE 1. . . 115 6.19 Analyse discriminante PLS hiérarchique avec sélection de
variables. CGH 2 en fonction de CGH 1. . . 115 6.20 Analyse discriminante PLS hiérarchique avec sélection de
variables. GE 2 en fonction de GE 1. . . 116 6.21 Analyse discriminante PLS hiérarchique avec sélection de
variables. CGH 2 en fonction de GE 2. . . 116 6.22 Diagrammes de Venn entre les différents dessins. . . 117 6.23 Diagrammes de Venn entre les différents schémas. . . 117 6.24 Diagrammes de Venn entre les signatures GE et CGH. . . . 118 6.25 Expression des gènes FOXG1, IRX2 et NR2E1 en fonction
de l’emplacement de la tumeur. . . 119 6.26 Performances en prédiction de multiblog sur données
simu-lées en 2 blocs. . . 123 6.27 Performances en prédiction de multiblog sur données
simu-lées en 3 blocs. . . 123 6.28 Performances en prédiction de multiblog sur le jeu de
don-nées pHGG. . . 124
Liste des tableaux
1.1 Classification OMS 2007 . . . 11 1.2 Classification moléculaire des glioblastomes adultes en
quatre sous-groupes. D’après Verhaak et al. (2010). . . 26 4.1 Fonctions noyaux vérifiant les conditions du théorème de
Mercer . . . 64 6.1 AVE pour chaque bloc et AVE(modèle interne) pour
diffé-rentes valeurs de τ1 et τ2avec le schéma factoriel. . . 109
6.2 Stabilité et longueur des signatures génomique et transcrip-tomiques pour SGCCA, `1-LDA et CCA supervisée. Pour chaque méthode, l’indice κ de Fleiss a été calculé pour éva-luer la stabilité des 10 signatures obtenues dans les 10 plis de validation croisée. Valeurs supérieures à 0, 3 sont en gras 126
Introduction
L
e terme médecine de précision a récemment été introduit dans la lit-térature scientifique pour ajuster ceux déjà largement usités de mé-decine personnalisée ou de mémé-decine guidée par la génomique. Au delà du caractère spécifique au patient, Garraway et al. (2013) en propose une définition basée sur trois critères : une résolution moléculaire accrue, une clarté mécanistique et une thérapeutique bien-fondée. L’oncologie est à l’avant-garde de la médecine de précision car le cancer est indéniablement une maladie génomique. D’ailleurs le terme unique de cancer cache en réalité une multitude de maladies et cette diversité pourrait bien être à l’origine de l’échec des thérapies anti-cancereuses cytotoxiques classiques et même de certaines thérapies ciblées. Le terme de médecine de pré-cision implique une meilleure compréhension de l’étiologie de la mala-die ainsi que l’étude des mécanismes du fonctionnement tumoral afin d’assoir le bien-fondé de la future thérapeutique. Les premières classifi-cations moléculaires n’étaient basées que sur un seul type moléculaire, Acide Désoxyribo-Nucléique (ADN) ou Acide Ribo-Nucléique (ARN), en raison du coup élevé de l’acquisition de ces données. Ces premières ana-lyses ont permis de réaliser l’étendue de la complexité du mécanisme de l’oncogenèse ; à présent que le coût des données a radicalement baissé, il n’est pas rare de trouver des jeux de données pour lesquels les obser-vations sont décrites selon plusieurs modalités. Le défi réside alors dans l’extraction de nouvelles connaissances auxquelles nous n’avions pas ac-cès en abordant le problème par une seule de ces modalités ou bien en les abordant toutes mais séparément. On retrouve ce paradigme sous diffé-rents termes allant de l’intégration à la fusion de données en passant par l’analyse multi-modales, multi-tableaux ou multi-blocs.Les cancers pédiatriques sont des maladies rares. Les cohortes dont on dispose pour les étudier présentent donc de petits effectifs. Dans le cas des tumeurs cérébrales, le défi thérapeutique est peut-être encore plus grand dans la mesure où il n’est pas toujours possible de retirer la tumeur par une intervention chirurgicale et la barrière hémato-encéphalique peut empêcher certaines drogues d’atteindre la lésion. Les avancées dans la connaissances des gliomes malins de l’adulte sont extrêmement encoura-geantes mais il est de maintenant communément admis que malgré un certain recouvrement des altérations génomiques, les gliomes malins pé-diatriques sont bien différents de leurs pendants chez l’adulte. Il est donc aussi nécessaire de mieux caractériser les gliomes malins pédiatriques afin de dégager une classification propre et à même de servir de base à une médecine de précision.
L’objectif de cette thèse est de proposer une méthode d’intégration de données pour comprendre les liens entre des données de génomique
2 Introduction
multimodales, les données cliniques et les données d’imagerie. En consi-dérant simultanément plusieurs facettes de la maladie, on espère mieux comprendre les mécanismes d’oncogenèse, de développement et de résis-tance tumorale aux traitements.
Nos contributions portent sur : l’analyse multi-blocs parcimonieuse, la régression logistique multi-blocs et le modèle de Cox multi-blocs.
La première partie comprend deux chapitres introductifs.
Le premier chapitre présente la problématique générale des gliomes malins ainsi que les différents outils de diagnostic à la disposition des cliniciens. La différence entre gliomes malins chez l’adulte et chez l’enfant est mise en évidence dans divers travaux récents qui sont passés en revue. Cette diffé-rence pose des problèmes de classification puisque celle de l’Organisation Mondiale de la Santé (OMS), qui fait référence pour le diagnostic, n’en tient pas compte.
Le deuxième chapitre donne un aperçu des différentes approches de génomique intégrée en cancérologie. L’analyse intégrée est définie et dé-limitée. On distingue deux types d’analyse : l’intégration de résultats et l’intégration de données. Enfin, on indique les différentes voies d’intégra-tion de données ou d’analyse conjointe.
La deuxième partie regroupe nos contributions méthodologiques. Le troisième chapitre dresse un état de l’art des méthodes d’intégration de données par réduction de dimension. Le cadre général Regularized Genera-lized Canonical Correlation Analysis (RGCCA) est étudié plus en détail car il sert de base aux contributions de ce travail de thèse.
Le quatrième chapitre expose deux extensions de RGCCA dédiées à la gestion des données de grande dimension. La première, Kernel Gene-ralized Canonical Correlation Analysis (KGCCA), est la version duale de l’algorithme. La deuxième, Sparse Generalized Canonical Correlation Ana-lysis (SGCCA), en est la version parcimonieuse, qui, en appliquant une contrainte sur la norme`1 des coefficients à calculer, permet la sélection des variables les plus pertinentes dans le modèle.
Le cinquième chapitre propose deux extensions de RGCCA portant sur la nature des liens entre les blocs de données. Dans le cadre d’une analyse supervisée, on désire construire un modèle de prédiction d’une variable de survie avec censure. Une première étape méthodologique consiste à construire un algorithme capable de prédire une variable binaire : multi-blog. Puis une version multi-blocs de la régression de Cox est proposée : il s’agit de multiblox.
La troisième partie regroupe les applications des méthodes dévelop-pées.
Dans le chapitre six, nous présentons tout d’abord le jeu de données ac-quis sur une cohorte de 53 jeunes patients avec un gliome malin primaire. Nous disposons de données de transcriptome, d’aberrations du nombre de copies et de données cliniques. Chaque méthode est évaluée dans un cadre de double validation croisée, et comparée aux méthodes existantes. Des résultats sur données simulées sont également présentés. Nous
four-Introduction 3
nissons une interprétation biologique des résultats obtenus pour la pré-diction de l’emplacement de la tumeur, avec KGCCA et SGCCA. Enfin, les performances de multiblog en prédiction de la variable de censure sont présentées ainsi que celles de multiblox sur données simulées.
Première partie
Problématique
1
Les gliomes malins
pédiatriques
Sommaire
1.1 Pourquoi une classification ? . . . 9
1.2 Classifications des gliomes malins de l’adulte . . . 10
1.2.1 Classification OMS 2007 . . . 10
1.2.2 Critères radiologiques . . . 11
1.2.3 Classification de Sainte-Anne . . . 12
1.2.4 Classification moléculaire basée sur le transcriptome . . . 14
1.2.5 Classification radio-génomique . . . 18
1.3 Classification des gliomes malins pédiatriques. . . . 18
1.3.1 Des maladies cliniquement différentes de celles de l’adulte 19 1.3.2 Des formes de gliomes spécifiques aux enfants : les DIPG 21 1.3.3 Des anomalies biologiques spécifiques . . . 22
1.3.4 Des formes frontières chez les adolescents . . . 24
1.4 Conclusion . . . 25
U
ne présentation générale des gliomes malins ainsi que des différents outils de diagnostic est dressée dans ce chapitre. La problématique de la classification de ces tumeurs chez les adultes et chez les enfants est posée.1.1. Pourquoi une classification ? 9
1
.1
Pourquoi une classification ?
Le Système Nerveux Central (SNC) contrôle la plupart des fonctions de l’organisme. Par conséquent, les lésions qui l’atteignent ont généra-lement des conséquences dramatiques. Le SNC est formé d’une part de l’encéphale (cerveau, tronc cérébral et cervelet) et d’autre part de la moelle épinière. Il se compose de tissus nerveux, glial et vasculaire. L’encéphale est entouré par les méninges et contenu dans la boîte crânienne. La moelle épinière est contenue dans la colonne vertébrale (voir figure 1.1). Le cer-veau est composé d’une part de substance grise située dans sa périphé-rie, il s’agit du cortex, et dans les profondeurs de l’encéphale, dans les noyaux gris centraux. D’autre part, le cerveau est également constitué de substance blanche qui occupe la partie se trouvant entre le cortex et les noyaux gris centraux. La substance grise est constituées des corps cellu-laires des neurones tandis que la substance blanche contient les axones des neurones, gainés de myéline ou non. Dans l’ensemble du tissu nerveux,
Figure 1.1 – Les deux types de tissus dans le cerveau : la substance blanche et la substance grise. Source : http://www.cours-pharmacie.com/physiologie/ systeme-nerveux.html. Avec l’aimable autorisation du Pr. Chantal Proulx. les neurones sont soutenus et nourris par les cellules de la glie ou cellules gliales (voir figure 1.2) :
• les astrocytes, qui assurent les échanges entre les capillaires san-guins et les neurones, et entre les neurones,
• les oligodendrocytes, qui produisent la myéline qui gaine les axones projetés par les neurones,
• les cellules épendymaires, qui sont à l’interface avec le liquide cérébro-spinal.
Les tumeurs cérébrales primaires correspondent à des tumeurs du tissu cérébral par opposition aux métastases ou tumeurs issues d’autres tissus qui ont transité pour atteindre le cerveau. Parmi les tumeurs cérébrales primaires, les gliomes, dont les cellules d’origine sont les cellules gliales, sont les plus fréquents. Elles constituent 50 à 60% des tumeurs cérébrales intracrâniennes détectées chez les enfants et les adultes. Parmi elles, la plupart sont d’origine astrocytaire et plus de 50% sont malignes.
10 Chapitre 1. Les gliomes malins pédiatriques
Figure 1.2 – Deux neurones (en jaune) encadrés par leurs cellules gliales. Source : http://voer.edu.vn/c/nervous-tissue/948ed3b1/0e8ce808. L’image est mise à disposition sous license Creative Commons Attribution.
difficiles à classer. L’archétype de ces gliomes est le glioblastome multi-forme. Le choix du traitement se fait en fonction du grade histologique de la tumeur. C’est pourquoi une classification fiable et au pouvoir pronostic élevé est le pré-requis à une décision thérapeutique et une prise en charge optimales pour le patient.
1
.2
Classifications des gliomes malins de l’adulte
1.2.1 Classification OMS 2007
La classification de l’OMS de 2007 est la classification histologique de référence, internationalement reconnue et utilisée. Elle se base sur le type cellulaire majoritaire (astrocytes, oligodendrocytes ou mixte), et sur cinq autres critères :
• la densité cellulaire,
• les atypies cyto-nucléaires,
• l’activité mitotique,
• la nécrose,
• la prolifération micro-vasculaire ou endothélio-capillaire.
Un des inconvénients majeurs de cette classification est qu’elle utilise très peu des caractéristiques biologiques aujourd’hui disponibles pour les tu-meurs car elle se base essentiellement sur l’évaluation histologique, dont le défaut majeur est le caractère partiel de l’évaluation d’un seul prélève-ment de petite taille dans une lésion beaucoup plus grande (Burnet et al. 2007). Cet échantillon n’est pas toujours représentatif de la totalité de la tumeur. Seule la radiologie l’est et nous y reviendrons. De plus, il semble que seules la prolifération vasculaire endothéliale (caractéristique de l’as-trocytome anaplasique) et la nécrose (caractéristique du glioblastome) sont statistiquement liées à la survie. Cette classification souffre d’un défaut de reproductibilité, dû à la subjectivité des critères, ainsi que d’un manque de précision du pronostic et de reproductibilité du diagnostic. La classi-fication OMS est donc loin d’être satisfaisante pour les gliomes adultes et encore plus discutable pour les enfants comme nous le verrons par la suite.
1.2. Classifications des gliomes malins de l’adulte 11
Sous-type Grade
Cellule d’origine histologique OMS
Lésion circonscrite Astrocyte Astrocytome
pilocytique I
Lésion infiltrante Astrocyte Astrocytome diffus II de bas grade Oligodendrocyte Oligodendrogliome II
Mixte Oligoastrocytome II
Lésion infiltrante Astrocyte Astrocytome
de haut grade anaplasique III
Oligodendrocyte Oligodendrogliome
anaplasique III
Mixte Oligoastrocytome
anaplasique III
Astrocyte Glioblastome IV
Table 1.1 – Classification histologique des gliomes, selon l’Organisation Mondiale de la Santé, révision de 2007.
1.2.2 Critères radiologiques
L’imagerie par Résonance Magnétique
L’examen radiologique de choix est l’Imagerie par Résonance Ma-gnétique (IRM), en raison de son excellente résolution spatiale et des contrastes observables entre les différents types de tissus, contrastes gé-nérés soit par les caractéristiques intrinsèques de ces tissus soit du fait de l’injection de produit de contraste. L’IRM se base sur l’observation de la Résonance Magnétique Nucléaire (RMN) des protons de l’eau contenus dans l’organisme, c’est-à-dire la réponse des noyaux atomiques d’hydro-gène, plongés dans un champ magnétique constant et à une excitation électromagnétique (ou séquence IRM). Étant donné la proportion d’eau dans le corps humain (environ 60%, 80% dans le cerveau), et en utilisant des codages particuliers de la séquence excitatrice, il est possible d’acqué-rir des images RM du corps entier. Selon le type de séquence utilisé, le contraste entre deux voxels (pixels en 3 dimensions, contraction de «vo-lumetric pixel») peut être augmenté si les temps de relaxation des spins nucléaires (décrivant le retour à l’équilibre des noyaux après l’excitation) diffèrent dans les tissus sous-jacents à ces voxels. Il est donc possible d’observer des altérations des tissus (telles que des tumeurs) grâce aux différences de densité et des propriétés locales de relaxation de l’eau. Pour augmenter le contraste, on utilise des agents de contraste, dont le rôle est de diminuer ce temps de relaxation dans le secteur vasculaire afin d’augmenter l’intensité des signaux.
On parle de relaxation lorsque, après absorption de l’énergie électro-magnétique apportée par la séquence d’excitation, les protons tendent à retrouver leur position d’équilibre. On peut la décomposer en deux phénomènes, d’une part la relaxation longitudinale ou retour à l’équilibre de l’aimantation longitudinale et d’autre part la relaxation transversale ou retour à zéro de l’aimantation transverse. La relaxation longitudinale est caractérisée par la constante de temps T1 (temps nécessaire pour que l’aimantation des protons atteignent les 23 de l’aimantation avant
excita-12 Chapitre 1. Les gliomes malins pédiatriques
tion) et correspond au retour à l’équilibre énergétique du système après l’excitation par dissipation d’énergie de type «spin-réseau». Ce temps de relaxation T1 dépend de l’agitation moléculaire dans le tissu que l’on observe. Si l’agitation moléculaire est très faible, les protons mettront du temps à revenir à l’équilibre (c’est le cas des tissus durs comme les os). Si l’agitation des molécules d’eau est très forte, comme c’est le cas dans les liquides comme le liquide céphalo-rachidien, la relaxation est également lente. En revanche, si l’agitation est modérée comme dans la graisse ou dans la substance blanche, alors le temps T1 est relativement court. Le retour à zéro de la composante transversale se fait en général plus vite que le retour à l’équilibre de la composante longitudinale. Elle se ca-ractérise par le temps de relaxation et s’opère par un processus dispersif «spin-spin». Ce deuxième type de relaxation a aussi un temps caractéris-tique, appelé T2 (le temps pendant lequel l’intensité décroît de 23 de sa valeur initiale).
Le diagnostic radiologique
Indispensable au diagnostic, l’IRM renseigne sur l’aspect anatomique des lésions dans leur ensemble, leur localisation, leurs rapports avec les tissus voisins et leur retentissement loco-régional. Des preuves récentes ont été apportées de l’utilité de l’IRM dans la distinction des grades his-tologiques pour les tumeurs gliales ainsi que dans l’évaluation du pro-nostic chez les adultes (Burnet et al. 2007). A l’IRM, les gliomes sont hy-podenses avec une prise de contraste périphérique irrégulière et de l’œ-dème. La prise de contraste est directement proportionnelle au degré de néo-vascularisation. Même en utilisant des critères stricts, le diagnostic de gliomes de haut grade (grades III et IV) à l’IRM seule reste peu fiable et sert plutôt à la préparation de la biopsie, au suivi du patient, à la prépa-ration de l’exérèse.
1.2.3 Classification de Sainte-Anne
Une première classification alternative a été proposée par le Pr Daumas-Duport et al. (1988), de l’Hôpital Sainte-Anne. Basée sur seule-ment quatre critères histologiques des tumeurs astrocytiques adultes, elle est réputée plus simple et plus standardisée que la classification OMS et donc plus reproductible. Cette classification, appelée «Daumas-Duport» ou «Sainte-Anne-Mayo», a été enrichie de trois sous-types sup-plémentaires : les oligodendrogliomes A et B, et les Tumeurs Glio-Neuronales Malignes (TGNM). On y fait à présent référence sous le nom de «classification de Sainte-Anne» (SA) (Daumas-Duport et al. 1997b) et (Daumas-Duport et al. 1997a).
Elle pallie le défaut de reproductibilité, dû à des critères subjectifs, en in-tégrant certaines données cliniques (âge au diagnostic, la chronologie des symptômes, la présence ou l’absence de signes neurologiques) et surtout des données radiologiques (principalement celle de l’IRM) dans l’étude histologique des tumeurs. En offrant une vision globales de la lésion, l’IRM permet d’apprécier l’hétérogénéité ainsi que la représentativité de
1.2. Classifications des gliomes malins de l’adulte 13
la biopsie analysée en histologie. Elle renseigne également sur le degré d’infiltration et la présence d’œdème. Par exemple, la prise de contraste (hypersignal en T1 après injection d’un chélate de gadolinium) est liée au degré de microangiogenèse et l’œdème péri-tumoral est bien identi-fié par un hyposignal T1 et un hypersignal T2 en IRM. Elle résulte de la pratique de biopsies stéréotaxiques étagées avec corrélation systématique entre l’histologie et l’imagerie. Elle a permis de définir la structure spa-tiale des gliomes et leur mode de croissance. La distinction entre cellules tumorales et parenchyme résiduel infiltré a permis de redéfinir le groupe des oligodendrogliomes. Cette classification distingue, parmi les gliomes infiltrants :
• les oligodendrogliomes et oligoastrocytomes de grade A (absence d’hyperplasie endothéliale et de prise de contraste),
• les oligodendrogliomes et oligoastrocytomes de grade B (présence d’hyperplasie endothéliale et/ou prise de contraste),
• les glioblastomes (uniquement de grade B). A l’IRM, on constate une prise de contraste en anneau et œdème péri-tumoral. A l’his-tologie, présence de tissu tumoral à différenciation astrocytaire ex-clusive et/ou aspect cytologique non oligodendroglial (Figarella-Branger et Bouvier 2005).
• les TGNM, sous-groupe de glioblastomes. A l’IRM, on constate une prise de contraste. En Immuno-Histo-Chimie (IHC), on constate l’expression de marqueurs neuronaux comme la protéine du neu-rofilament (NFP).
Les oligoastrocytomes, classe bien individualisée dans la classification de l’OMS ne constituent pas une classe à part entière dans celle de Sainte-Anne. Selon cette dernière, la composante astrocytaire des oligoastrocy-tomes pourrait être principalement d’origine réactive. C’est-à-dire que les astrocytes dans le voisinage direct de la tumeur sont normaux mais pré-sentent un aspect modifié du fait de leur réaction à la présence de cellules tumorales dans leur environnement. En IRM, les oligoastrocytomes et les oligodendrogliomes présentent un aspect similaire et la survie des pa-tients est identique. Les critères cliniques et d’imagerie étant similaires, la classification de l’hôpital Sainte-Anne ne sépare pas strictement oligoden-drogliomes et oligoastrocytomes.
Les TGNM forment un sous-groupe de glioblastomes. Elles ont été iden-tifiées par Daumas-Duport et al. (2000) et n’existent pas dans la classifi-cation OMS. Cette classe de gliomes est très controversée car le marquage NFP semble inconstant et hétérogène selon le centre d’étude et le protocole appliqué. D’autre part, les TGNM présentent des signatures génomiques et transcriptomiques identiques aux glioblastomes, sans argument pour une différenciation neuronale. Aucune différence significative de survie par rapport aux glioblastomes, aucune caractéristique clinique, radiolo-gique, morphologique propre, ne permet de distinguer les TGNM des autres tumeurs gliales de haut grade. Par conséquent, l’individualisation d’un sous-groupe de tumeurs gliales malignes en fonction du résultat seul du marquage anti-NFP en IHC apparait non justifiée et sans valeur ajou-tée par rapport au pronostic et à la survie.
Cette classification semble mieux identifier les gliomes de haut grade chez les enfants que la classification OMS, avec une meilleure corrélation avec
14 Chapitre 1. Les gliomes malins pédiatriques
la survie Puget et al. (2011).
Néanmoins, aucune de ces deux méthodes ne semble faire preuve d’une meilleure précision pronostique.
1.2.4 Classification moléculaire basée sur le transcriptome
Plus que des phénotypes, les classifications basées sur la génomique ont cherché à définir des différences biologiques, en remontant le plus loin possible vers la cellule d’origine de la tumeur. Certaines ont pris comme critère discriminant la survie et d’autres ont cherché les gènes «pilotes» de la tumorigenèse et/ou de la progression tumorale, en nourrissant l’espoir, une fois chaque classe bien caractérisée, de trouver le traitement adapté à chaque sous-type de gliome.
Une classification transcriptomique correspondant à trois stades de neu-rogenèse
Phillips et al. (2006) identifient pour la première fois trois sous-classes pronostiques d’astrocytomes de haut grade, à partir de leur transcriptome. Les gènes sont d’abord triés sur un critère de corrélation avec la survie des patients. Puis trois classes sont découvertes grâce à une classification hiérarchique. Ces classes semblent correspondre à différents stades de la neurogenèse. Les trois classes sont Proneurale (PN), avec une survie plus longue, Proliférative (Prolif) et Mésenchymateuse (MES), avec des survies plus courtes (voir figure 1.3). Les rechutes semblent évoluer vers le sous-type mésenchymateux.
Une caractérisation génomique complète qui définit les gènes et les voies de signalisation spécifiques des glioblastomes humains.
Publié par le réseau de recherche du The Cancer Genome Atlas (TCGA) (TCGA 2008), cette étude est la première de cette envergure. Elle propose les analyses du transcriptome, des altérations du nombre de copies et des mutations somatiques, d’une part et les différentes altérations des voies de signalisation fondatrices, d’autre part, en se basant sur une analyse intégrée des résultats de ces trois modalités de génomique (voir figure 1.4) :
• la voie de signalisation des récepteurs aux tyrosines-kinases/RAS/PI3K, altérée dans 88 % des cas,
• la voie de signalisation de p53, dont le gène est suppresseur de tumeur, altérée dans 87 % des cas,
• la voie de signalisation de Rb, dont le gène RB1 est un autre gène suppresseur de tumeur, altérée dans 78 % des cas.
La dérégulation d’au moins une de ces trois voies de signalisation semble un événement obligatoire dans la grande majorité des Glioblas-tome Multiforme (GBM). Le schéma de mutations associé pourrait ainsi servir de base décisionnelle pour des traitements ciblés futurs.
1.2. Classifications des gliomes malins de l’adulte 15
Figure 1.3 – Résumé de la classification transcriptomique de Phillips et al. (2006). Repro-duit à partir de l’article de Phillips et al. (2006). c 2006, avec la permission de Elsevier.
16 Chapitre 1. Les gliomes malins pédiatriques
Figure 1.4 – Altérations des voies de signalisation dans le glioblastome. Trois voies de signalisation fondatrices, altérées dans le glioblastome. En rouge, les altérations activa-trices, en bleu, les altérations inactivatrices. Plus la couleur est foncée, plus la fréquence est élevée. Réimprimé avec la permission de Macmillan Publishers Ltd : Nature (TCGA
1.2. Classifications des gliomes malins de l’adulte 17
Quatre sous-types de glioblastomes cliniquement pertinents définis par des anomalies dans quatre gènes : PDGFRA, IDH1, EGFR, et NF1
Verhaak et al. (2010) décrivent une classification robuste à quatre classes, fondée sur le transcriptome de glioblastomes (voir tableau 1.2). Puis une intégration des résultats d’autres types d’analyses comme les mutations somatiques et les altérations du nombre de copies est mise en œuvre, pour caractériser ces classes (voir figure 1.5).
Figure 1.5 – Classification de Verhaak. Vue intégrée de l’expression des gènes et des altérations génomiques à travers les quatre sous-types de glioblastomes . Réimprimé à partir de l’article de Verhaak et al. (2010) c 2010, avec la permission de Elsevier.
D’autre part, les auteurs montrent une forte corrélation avec le trans-criptome de différents lignages neuraux, déterminant ainsi le type cellu-laire majoritaire pour chaque sous-type de GBM. Les GBM de sous-type Classique répondent mieux à un traitement plus intensif (combinaison chimio- et radiothérapie ou plus de trois cycles de chimiothérapie) tandis que les patients porteurs de GBM de sous-type Proneural ne tirent aucun bénéfice d’un traitement plus agressif.
Conclusion
De nombreux efforts ont été faits dans l’étude du glioblastome pour trouver des sous-groupes pertinents en clinique. Même si certaines clas-sifications, par construction, montrent un bon pouvoir pronostic, elles ne sont pas forcément d’une grande aide pour le choix d’un traitement ciblé efficace. En effet, la survie semble être un phénotype très multi-factoriel : deux maladies avec la même courbe de survie ne sont pas forcément sous-tendues par les mêmes mécanismes biologiques. Même si la survie est un critère fort de classification, il ne doit pas être le seul. Les altérations des voies de signalisation indiquent quelles sont les faiblesses des tumeurs et donc quels types de thérapie peuvent être efficaces.
Une bonne classification doit donc allier pouvoir pronostique et bonne compréhension des mécanismes biologiques sous-jacents.
18 Chapitre 1. Les gliomes malins pédiatriques
1.2.5 Classification radio-génomique
Récemment, grâce à une démarche de standardisation des critères d’évaluation des tumeurs en IRM, Gutman et al. (2013) ont pu amélio-rer la robustesse des analyses de corrélation avec la survie et de manière inédite, intégrer imagerie et génétique. En reprenant la cohorte du TCGA, ils ont étudié l’association de quatre caractéristiques d’imagerie :
• l’œdème,
• le degré de prise de contraste de la tumeur,
• la nécrose,
• et la taille de la tumeur,
avec la survie globale, les quatre sous-types transcriptomiques (Verhaak et al. 2010) : proneural, neural, classique et mésenchymateux, ainsi qu’avec différentes caractéristiques génétiques :
• les mutations les plus fréquentes : EGFR, IDH1, NF1, PIK3CA, PIK3R1, PTEN, RB1 et TP53.
• les aberrations du nombre de copies les plus fréquentes : CDKN2A, EGFR, PDGFRA.
Les résultats montrent que les patients avec une tumeur de grande taille et/ou prenant le contraste ont un plus faible taux de survie. Les GBM proneuraux ont une composante de prise de contraste significativement plus faible, tandis que les mésenchymateux ont une composante d’ab-sence de prise de contraste significativement plus faible que les autres sous-types, ce qui dénoterait des modes de croissance distincts. D’autres résultats marginalement significatifs suggèrent que les tumeurs mutées pour EGFR auraient tendance à être plus volumineuses et celles mutées pour TP53. Les tumeurs avec un gain du nombre de copie d’EGFR auraient tendance à plus souvent prendre le contraste, tandis que la nécrose serait corrélée à une perte du nombre de copies de CDKN2A. L’inconvénient majeur de ce type d’analyse de résultats d’imagerie et de génomique est la discordance de représentativité entre ces deux modalités. En effet, les images au diagnostic donnent une vue globale de l’encéphale, indiquant la localisation de la tumeur, son rapport aux tissus environnants et son re-tentissement loco-régional, tandis que les analyses génomiques, issues de biopsies, ne sont pas forcément représentatives de la tumeur dans son en-semble, compte tenu de l’hétérogénéité intra-tumorale des GBM. De plus, chaque caractéristique génétique (mutations, aberrations du nombre de copies), prise individuellement, n’est présente que chez relativement peu d’individus dans les effectifs des études (environ 10%) ; cela entame lar-gement la puissance des tests statistiques, puisque généralement aucune p-valeur ne survit à la correction pour les tests multiples. Malgré l’apport incontestable de l’imagerie dans l’amélioration du diagnostic des GBM et les progrès pour rendre les critères d’évaluation plus objectifs, ces résultats restent encore très préliminaires et indiquent seulement des tendances.
1
.3
Classification des gliomes malins pédiatriques
Les tumeurs cérébrales malignes représentent 20% des cancers pédia-triques. Parmi elles, les tumeurs gliales sont les plus fréquentes (60%) dont la moitié sont malignes. Malgré les progrès thérapeutiques des 20
der-1.3. Classification des gliomes malins pédiatriques 19
nières années, les tumeurs gliales malignes restent parmi les tumeurs au pronostic le plus sombre. En effet, c’est la première cause de mortalité par cancer chez l’enfant avec une survie médiane de 12 à 14 mois (de Groot et Milano 2009) et une survie globale à 5 ans dramatiquement stable depuis les années 1970, estimée en moyenne à 50% pour les épendymomes et 20% pour les gliomes. Le traitement standard consiste en une exérèse chirurgi-cale, quand celle-ci est possible, avec éventuellement de la radiothérapie. Actuellement, la classification de référence pour les enfants est celle de l’OMS, révision de 2007, qui a été établie pour l’adulte. La relecture des lames histologiques des pediatric High Grade Glioma : gliomes de haut grade pédiatriques (pHGG) souffre d’un taux de discordance élevé avec une cer-taine variabilité de diagnostic et une non reproductibilité inter- mais éga-lement intra-observateur(s) dans 20 à 50% des cas (Gilles et al. 2007). Les gliomes malins pédiatriques sont également très hétérogènes en termes d’histologie et peuvent présenter, de surcroît, pour un même sous-type histologique, des réponses différentes au même traitement.
1.3.1 Des maladies cliniquement différentes de celles de l’adulte
Les pHGG sont moins fréquents que les adult High Grade Glioma : gliomes de haut grade chez les adultes (aHGG). Néanmoins, ils repré-sentent 15% de toutes les tumeurs cérébrales pédiatriques et de part leur pronostic sombre, présentent le taux de mortalité le plus élevé de tous les cancers pédiatriques. Les pHGG diffèrent de leurs homologues chez les adultes par :
• la répartition des grades histologiques : les gliomes chez les adultes sont plus souvent malins et chez les enfants, plus souvent bénins,
• l’emplacement dans le cerveau : il y a plus de tumeurs thalamiques et infra-tentorielles (Diffuse Intrinsic Pontine Glioma (DIPG)) chez les enfants (Puget et al. 2012),
• le taux de transformation maligne secondaire, plus faible chez les enfants (Broniscer et al. 2007).
Bien que rares chez les enfants, les gliomes de haut grade, avec une survie globale à 5 ans de 20%, ont pour la plupart un pronostic aussi sombre que chez des patients plus âgés, pour des lésions de morphologie similaire. Seuls les moins de trois ans semblent avoir un meilleur pronostic, comme le montrent les courbes de survie globale chez les adultes (voir figure 1.6), comparées à celles des enfants (voir figure 1.7). De plus, la transposition du traitement standard des adultes (radiothérapie et témozolomide, un agent de méthylation de l’ADN) ne s’applique pas aux enfants avec la même efficacité (voir figure 1.8).
En plus de ces différences cliniques, il existe de plus en plus de preuves que les connaissances biologiques et les classifications histo-pronostiques de l’OMS, utilisées pour le traitement des aHGG ne peuvent pas s’appli-quer telles quelles aux pHGG. La variabilité inter-observateurs, concer-nant la classification de l’OMS, ainsi que la spécificité des tumeurs pé-diatriques ont conduit à un taux élevé d’erreurs de classification dans les études multi-institutionnelles (Gilles et al. 2007, Hyder et al. 2007). Si de nombreuses analyses moléculaires ont été réalisées pour l’étude des aHGG
20 Chapitre 1. Les gliomes malins pédiatriques
Figure 1.6 – Survie globale de patients adultes avec un glioblastome, traités par radio-thérapie seule (en rouge) ou radioradio-thérapie et témozolomide (en bleu). Reproduit avec la permission de Stupp et al. (2005), c 2005 Massachusetts Medical Society.
Survie globale n=21 pts Survie sans progression n=21 pts
1.00 0 0.00 0.20 0.40 0.60 0.80 1 2 3 4 5 6 7 8 Années 21 13 12 10 10 9 5 3 2 21 10 8 7 6 6 2 1 1 Nb de patients à risque
Figure 1.7 – Survie globale et sans progression des enfants de moins de trois ans avec un gliome de haut grade. Réimprimé à partir de l’article de Dufour et al. (2006), c 2006, avec la permission de Elsevier.
Figure 1.8 – ACNS026 et CCG945 : comparaison des survies sans progression des enfants : ACNS026 (Radiothérapie +/- témozolomide) et CCG945 (Radiothérapie +/- chi-miothérapie adjuvante). PCM modèle paramétrique de traitement. Réimprimé à partir de l’article de Cohen et al. (2011), c 2011, avec la permission de Oxford University Press.
1.3. Classification des gliomes malins pédiatriques 21
dans le but d’identifier les voies moléculaires et les signatures de pronos-tiques, très peu de ces études ont été réalisées sur des cohortes de pHGG. Cela conduit à un manque de compréhension des voies biologiques dans l’oncogenèse des pHGG. En outre, des études très récentes de génomique des pHGG et des lignées cellulaires tumorales dérivées de pHGG ont suggéré l’implication de certaines voies moléculaires oncogéniques spé-cifiques d’au moins un sous-groupe de pHGG, qu’on ne retrouve dans aucun sous-type de aHGG (Taylor et al. 2014). Des analyses intégrées de données cliniques et biologiques sont donc nécessaires pour améliorer le pouvoir pronostique des classifications chez les enfants et déterminer des cibles thérapeutiques potentielles pour le traitement des pHGG.
1.3.2 Des formes de gliomes spécifiques aux enfants : les DIPG
Les gliomes infiltrants de la protubérance (DIPG) forment une classe particulière de gliomes. En effet, on les retrouve presque exclusivement chez les enfants et de manière anecdotique chez les adultes, avec une dis-tribution de l’âge au diagnostic similaire à celle des pHGG (Puget et al. 2012). Cette maladie représente 6 à 9% des tumeurs infra-tentorielles, avec le pronostic le plus sombre parmi les tumeurs cérébrales avec une mé-diane de survie de seulement 9 à 12 mois. La biologie des DIPG est encore mal connue du fait de la rareté des échantillons biologiques en particulier issus de biopsies au diagnostic. Il est largement admis que, étant donnée les risques liés à la localisation critique de cette tumeur (voir figure 1.9), les biopsies ne sont pas nécessaires au diagnostic et n’apporteraient aucun avantage thérapeutique. Les images IRM sont donc réputées suffisantes au diagnostic avec trois critères principaux :
• un élargissement marqué de la protubérance,
• un hyposignal en T1
• et un hypersignal en T2 et FLAIR.
Figure 1.9 – Schéma de l’encéphale en coupe sagittale. 1. Le cerveau. 2. Le télencéphale ou hémisphères cérébraux. 3. Le diencéphale : thalamus, hypothalamus, épithalamus. 4. Le tronc cérébral. 5. Mésencéphale ou pédoncules cérébraux. 6. Le pont (de Varole) ou la protubérance annulaire. 7. Le bulbe rachidien ou moelle allongée. 8. Le cervelet. 9. La moelle épinière. c 2009 Jordi March i Nogué. Permission de copier, distribuer et/ou modifier ce document sous les termes de la license GNU Free Documentation, Version 1.2 ou toute version plus récente publiée par la Fondation pour le Logiciel Libre.
22 Chapitre 1. Les gliomes malins pédiatriques
Puget et al. (2012) ont montré que les DIPG ont une biologie différentes des autres pHGG, avec deux sous-groupes aux pronostics différents (voir aussi figure 1.10) :
• le premier groupe (KM1) a une médiane de survie de 7,5 mois, la biologie semble dominée par une amplification du gène PDGFRA et une différenciation proneurale et oligodendrogliale,
• le deuxième groupe (KM2) a une médiane de survie de 13 mois, avec une dominance de transition épithélio-mésenchymateuse et un phénotype de cellules souches et pro-angiogénique.
Proneural
Verhaak, Cancer Cell, 2010
MET, PDGFRA, OLIG2 Carro, Nature, 2010 Transition Mésenchymateuse Angiogénèse Adhésion CD44, CXCR4, RUNX2, DKK1, LIF, VIM Marqueurs cellules souches Marqueurs oligodendrogliaux Sous-type KM1
Médiane de survie 7,5 mois Médiane de survie 13 mois Sous-type KM2
Figure 1.10 – Caractéristiques des deux sous-types de DIPG : KM1 et KM2, déterminés par clustering non-supervisé du transcriptome.
Les études menées actuellement chez les adultes ne peuvent donc claire-ment pas bénéficier aux enfants atteints de DIPG et il est nécessaire de mener des études dédiées aux pHGG et à cette pathologie en particulier.
1.3.3 Des anomalies biologiques spécifiques
Des études récentes basées sur la génomique (aberrations du nombre de copies et transcriptome) ont démontré que les pHGG et les aHGG se distinguent par la fréquence des aberrations chromosomiques (voir figure 1.11), des signatures transcriptomiques spécifiques (voir figure 1.12) et des mutations du gène IDH1 très majoritairement dans les aHGG (De Carli et al. 2009).
Sturm et al. (2012) ont réalisé un profilage de la méthylation de 59 GBM pédiatriques et 77 GBM adultes (voir figure 1.13). Ils ont trouvés trois sous-groupes en accord avec les 6 sous-sous-groupes précédemment trouvés par le TCGA, déterminés à partir des profils de mutation et d’expression. En outre, il est intéressant de voir qu’à l’intérieur de chaque sous-groupe la distribution des tumeurs en fonction de l’âge est très différente, avec une
1.3. Classification des gliomes malins pédiatriques 23
Figure 1.11 – Profils CGH de HGG pédiatriques et adultes. 74 patients adultes, en gris, et 45 enfants en bleu, rouge et vert
Figure 1.12 – ACP des 1000 sondes de transcriptome les plus variables des glioblastomes adultes et pédiatriques. Les pHGG sont en orange et les aHGG en vert. Les sous-groupes de tumeurs sont indiqués par leur forme : proneural (PN ; diamants), proliférative (Prolif ; sphères), mésenchymal (Mes ; cubes), et Prolifératif/mésenchymal (Prolif/Mes ; cônes). Les sous-groupes de aHGG sont basés sur la classification de Lee et al. (2008). Les astérisques indiquent les tumeurs induites par irradiation. La flèche indique la tumeur d’un patient de 53 ans. Les tumeurs encadrées en noir indiquent des tumeurs de nourrisson (Paugh et al. 2010). Reproduit avec permission. c 2010 American Society of Clinical Oncology. Tous droits réservés.
24 Chapitre 1. Les gliomes malins pédiatriques
fréquence beaucoup plus importante des tumeurs infra-tentorielles, carac-térisée par la mutation du gène H3F3A en position K27, chez les enfants. Une mutation sur le même gène, en position G34, caractérise un autre sous-type qui concerne également plus fréquemment des enfants et des jeunes adultes. Dans les pHGG, plusieurs gènes des voies p53, PI3K/RTK, et RB font l’objet de gain ou de pertes chromosomiques. Il existe également des altérations de PDGFRA et de CDKN2A ainsi que d’autres modifica-tions moins fréquentes.
Figure 1.13 – Caractéristiques moléculaires et biologiques des sous-groupes de glio-blastome (GBM). Stratifications génétiques et épigénétiques (méthylation) en six sous-groupes et corrélations avec les données cliniques. Réimprimé à partir de l’article de Sturm et al. (2012), c 2012, avec la permission de Elsevier.
1.3.4 Des formes frontières chez les adolescents
On retrouve chez les adolescents et les jeunes adultes atteints de glio-blastomes, des caractéristiques majoritaires à la fois chez les enfants et chez les adultes. Pour les aberrations du nombre de copies, par exemple, on retrouve des gains du chromosome 7, concomitant d’une perte du chro-mosome 10, spécifiques des glioblastomes adultes et quasi inexistants chez les jeunes enfants (voir figure 1.11). De même, les mutations d’IDH1 sont plus fréquentes chez les adolescents (38%), avec une médiane de 16 ans pour les patients avec une tumeur mutée pour IDH1, qui ont un meilleur
1.4. Conclusion 25
taux de survie ; pour seulement 4% chez les enfants, avec une médiane de 7 ans pour les patients avec une tumeur non mutée pour IDH1. D’autre part, il n’y a pas de mutation d’IDH2 chez les enfants (De Carli et al. 2009, Pollack et al. 2011). Dans le sous-groupe des gliomes de haut grade infra-tentoriels et de la ligne médiane (thalamus, noyaux gris centraux), les mutations des histones H3 en K27 sont plus fréquentes chez les très jeunes patients tandis que les mutations en G34 sont plus fréquentes chez les adolescents et les jeunes adultes (tumeurs supra-tentorielles) (Schwart-zentruber et al. 2012) et voir figure 1.13.
Les gliomes des adolescents formeraient donc un groupe «frontière» entre ceux des adultes et des enfants, avec certaines caractéristiques des uns et des autres. L’étude des gliomes de haut grade de cette tranche d’âge serait bénéfique pour la compréhension de la biologie et du développement à la fois des pHGG et des aHGG.
1
.4
Conclusion
La classification des différents types de gliomes pHGG et aHGG gressent de manière significative. Cependant, il faut constater que les pro-grès en la matière ne contribuent pas à la compréhension des particulari-tés de gliomes pédiatriques qui présentent des caractéristiques différentes de gliomes chez l’adulte. En outre, il s’agit essentiellement d’approches de classification pronostique basée sur la survie qui reste un phénotype macroscopique et multi-factoriel, pouvant être influencé par de très nom-breux événements dans l’histoire de la tumeur. Il faut garder à l’esprit le but ultime de toute classification en cancérologie, qui est de proposer un traitement spécifique et efficace pour chaque sous-type de tumeur. C’est pour cela qu’une bonne classification ne doit pas se contenter de discrimi-ner des sous-types par leur survie. Il faut aller plus loin et tenter d’iden-tifier des entités biologiques différentes. Malgré les nombreuses et im-portantes améliorations dans la compréhension de la base moléculaire de l’oncogenèse du gliome adulte et pédiatrique, les connaissances actuelles sont encore insuffisantes pour améliorer significativement le traitement des patients. En effet, les traitements conventionnels échouent universel-lement dans la guérison de ces maladies. Il y a donc un besoin crucial d’identifier des cibles pertinentes pour la conception de nouveaux agents thérapeutiques efficaces.
26 Chapitre 1. Les gliomes malins pédiatriques S ous-types de GBM Pr oneural Neural Classique Mésenchymal Mar queurs OLIG 2 MBP EGFR YKL 40 exprimés DLL 3 MAL AKT 2 CD 44 SOX 2 MET Anomalies TP 53 Chr 7 ampli NF 1 génétiques IDH 1 Chr 10 délétion PTEN PI 3K EGFR ampli AKT PDGFRA CDKN 2A délétion Ev olution Pas de réponse Amélioration clinique Amélioration clinique clinique à la chimiothérapie av ec traitement av ec traitement Témozolomide/ Témozolomide/ Radiothérapie Radiothérapie Pr onostic Sur vie médiane 16 , 2 15 , 0 12 , 2 15 , 0 (mois)
Table 1.2 – Classification moléculaire des glioblastomes adultes en quatre sous-groupes. D’après Verhaak et al. (2010).
2
La génomique intégrée en
cancérologie
Sommaire
2.1 L’analyse intégrée en oncogénomique . . . 29 2.1.1 Objectifs de l’intégration en oncogénomique . . . 29 2.1.2 Les caractéristiques du cancer se situent à différents
ni-veaux biologiques . . . 29 2.1.3 Recherche d’un «effet dose» en cis . . . 30 2.2 Intégration de résultats via une analyse séquentielle . 31 2.3 Intégration des données via une analyse conjointe . . . 33 2.3.1 Structures de données multi-blocs . . . 34 2.3.2 Structures de données multi-groupes . . . 35 2.3.3 Structures de données multi-voies . . . 35 2.4 Conclusion . . . . 36
D
ans ce chapitre, nous donnons un aperçu des différentes approches de génomique intégrée en cancérologie. L’analyse intégrée est défi-nie et délimitée. Nous distinguons deux types d’analyse : l’intégration de résultats et l’intégration de données. Enfin, nous indiquons les différentes voies d’intégration de données ou d’analyse conjointe.2.1. L’analyse intégrée en oncogénomique 29
2
.1
L’analyse intégrée en oncogénomique
2.1.1 Objectifs de l’intégration en oncogénomique
Kristensen et al. (2014) distinguent 3 objectifs des analyses intégrées en oncologie :
• comprendre les mécanismes moléculaires, c’est-à-dire : — les relations entre les entités d’un même type moléculaire, — les relations entre entités de différents types moléculaires, — les relations avec des phénotypes variés, comme la survie,
l’agressivité de la tumeur, la réponse ou la résistance à un trai-tement, etc,
• comprendre la taxonomie des maladies, en classant les patients dans des catégories de maladies. Découvrir de nouvelles sous-catégories correspondant à une réalité biologique et clinique.
• prédire un phénotype, comme l’issue clinique de la maladie ou la réponse à un traitement, pour des patients nouvellement diagnos-tiqués.
Suivant l’objectif à atteindre, on peut intégrer différents types de données :
• moléculaires : mutations, nombre de copies, méthylome, transcrip-tome, protéome, kinome, métabolome, etc.
• cliniques : âge, sexe, survie, symptômes, rechutes, etc.
• des phénotypes intermédiaires : imagerie, histologie, question-naires, etc.
• de la connaissance a priori : voies de signalisation intra et inter-cellulaires, ontologies, annotations, etc.
Plusieurs types d’approches sont également répertoriées :
• études de la corrélation entre les variables des deux jeux de don-nées,
• régressions parcimonieuses ou non
• réduction de dimension,
• méthodes bayésiennes.
2.1.2 Les caractéristiques du cancer se situent à différents niveaux
bio-logiques
Hanahan et Weinberg (2011) définissent six capacités caractéristiques des tumeurs humaines, acquises durant leur développement (voir figure 2.1) :
• le maintien d’une signalisation de la prolifération,
• l’évitement de la suppression de la croissance,
• la résistance à la mort cellulaire,
• la capacité à l’immortalité réplicative,
• l’induction de l’angiogenèse et
• l’invasion des tissus sains environnants et métastases distantes. Ces caractéristiques sont sous-tendues par l’instabilité génomique, qui produit la diversité génétique, accélérant ainsi leur acquisition, et par l’inflammation, qui maintient un terrain favorable. Les nombreux progrès théoriques de la dernière décennie ont ajouté à cette liste deux nouvelles caractéristiques de portée potentiellement générale :
30 Chapitre 2. La génomique intégrée en cancérologie
Figure 2.1 – Les caractéristiques biologiques du cancer : nouvelle génération. Réimprimé à partir de l’article de Hanahan et Weinberg (2011), c 2011, avec la permission de Else-vier.
• l’évitement de la destruction immunitaire.
En plus des cellules cancéreuses, les tumeurs présentent un répertoire de cellules recrutées, apparemment normales qui contribuent à l’acquisition des caractéristiques, en créant le «microenvironnement tumoral».
Chacune de ces caractéristiques de portée générale peut avoir des mo-dalités de mises en œuvre subordonnées à chaque contexte particulier. Ainsi, la caractérisation d’un type tumoral consiste en la découverte de la combinaison de ces différentes modalités. C’est pourquoi l’intégration de différents types d’information sur les tumeurs permet d’optimiser cette caractérisation.
2.1.3 Recherche d’un «effet dose» en cis
L’instabilité génétique et chromosomique, que l’on décrit respective-ment à l’aide de données de séquençage (mutations) et de nombre de copies Copy Number Variation : variation du nombre de copies (CNV) ou de Comparative Genomic Hybridization : Hybridation Génomique Compara-tive (CGH), constitue une des caractéristiques les plus profondément fon-datrices des cancers, puisque non réversible et transmissible aux cellules filles. Dans un souci étiologique, il a donc été légitime d’étudier cette ca-ractéristique et son retentissement sur le fonctionnement de la tumeur, en l’associant à l’étude de l’expression des gènes (Gene Expression Expression des Gènes (GE)). Un paradigme éprouvé de l’intégration de données en cancérologie consiste donc à considérer que les gènes d’expression anor-male et mutés et/ou positionnés dans des régions chromosomiques aber-rantes, c’est-à-dire altérées en nombre de copies, sont parmi les premiers candidats pour être des acteurs fondateurs de la tumorigenèse et/ou de
2.2. Intégration de résultats via une analyse séquentielle 31
la progression tumorale (Huang et al. 2011). Il s’agit de rechercher un «effet dose» en cis du nombre de copies : un gène avec un CNV ampli-fié (resp. diminué) par rapport au tissu normal sera directement d’autant plus (resp. moins) exprimé. L’identification de tels gènes requièrent donc la capacité d’intégrer les régions chromosomiques aberrantes et/ou les mutations avec l’expression des gènes. L’enjeu principal de cet objectif est d’identifier les altérations dites «pilotes» (drivers) de l’oncogenèse et/ou de la croissance tumorale, parmi les altérations s’accumulant fortuitement à cause de l’instabilité chromosomique inhérente aux cancers (passengers). Louhimo et al. (2012) ont établi un comparatif de dix outils permettant d’intégrer CNV et GE, pour identifier et quantifier l’«effet dose» des gènes en cis, sur deux jeux de données réelles : l’un de 15 lignées cellulaires de carcinomes de la tête et du cou à cellules squameuses, et l’autre de 129 carcinomes pulmonaires primaires à cellules squameuses, ainsi que sur une variété de jeux de données simulées. Les méthodes sont relativement efficaces sur de grands jeux de données et font montre d’une grande va-riabilité de sensibilité (28-100%). Cinq d’entre elles atteignent 70% de sen-sibilité. En revanche, les performances sur de petits jeux de données sont moindres. De plus, le nombre de faux positifs reste élevé. La forme de la relation entre CNV et GE (linéaire ou non) ayant peu d’impact sur la per-formance des algorithmes, les auteurs suggèrent que le principal écueil est le pré-traitement des données. Une meilleure évaluation du CNV, avec des régions aberrantes plus étroites, et/ou la prise en compte de données de méthylation de l’ADN, pourraient nettement améliorer les performances de ces outils d’intégration.
En effet, avec la démocratisation des analyses de génomique à haut-débit, de tous types, il est possible d’intégrer trois, quatre, voire plus de «couches» biologiques, d’améliorer ainsi la caractérisation des sous-types tumoraux et de multiplier les entités stratégiques à cibler.
2
.2
Intégration de résultats via une analyse
séquen-tielle
Boccard et Rudaz (2014) distinguent quatre types d’approches pour résoudre ce type problème (voir figure 2.2). On peut regrouper les fusions de données de moyen et haut niveau sous le terme générique d’approches séquentielles, tandis que les fusions de données bas niveau et basées sur des méthodes à noyau sont des approches dites conjointes. Les approches séquentielles, simples et naturelles, sont les premières à apparaître dans la littérature. Elles se déroulent généralement en au moins deux étapes :
1. l’analyse classique en parallèle des deux modalités : expression et nombre de copies
2. l’intégration manuelle des résultats de chaque modalité.
Sans développement méthodologique particulier, elles sont faciles à mettre en œuvre et les résultats sont aisément interprétables. De plus, il est aisé d’intégrer autant de modalités que désiré sans changer de procédure. En revanche, la nécessité d’associer préalablement transcrits et aberra-tions chromosomiques impose quelques étapes supplémentaires de fil-trage, d’imputation ou de résumé des données, ce qui peut entraîner
32 Chapitre 2. La génomique intégrée en cancérologie
Figure 2.2 – Principales approches pour la fusion de données. (Boccard et Rudaz 2014) c
