Visualizing the molecular interaction networklevel heterogeneity of malignant tumors by mass spectrometry imaging

Visualisation de l'hétérogénéité au niveau des réseaux d'interactions moléculaires des tumeurs malignes par imagerie par spectrométrie de masse Le cancer est la deuxième cause de décès dans le monde, avec 10 millions de morts et 19 millions de nouveaux cas en 2020. Le cancer du sein, le plus fréquent chez les femmes, comptait 2,26 millions de cas et près de 685 000 décès cette même année, soulignant l'urgence de recherches ciblées. Le diagnostic repose souvent sur des biopsies analysées histopathologiquement pour identifier les caractéristiques moléculaires des cellules cancéreuses. En fonction de l'expression de certains biomarqueurs (récepteurs hormonaux, oncoprotéines, récepteurs de facteurs de croissance), les sous-types de cancer du sein sont classés pour orienter le traitement. Pourtant, environ 30 % des patientes connaissent une récidive ou des métastases, principalement en raison de l'hétérogénéité tumorale. Les études génomiques ont révélé que les tumeurs du sein contiennent des sous-populations cellulaires distinctes, avec des réponses variées aux traitements. Comprendre et traiter cette complexité est essentiel pour améliorer les résultats thérapeutiques.L'objectif principal de cette étude est d'affiner la caractérisation des tumeurs en évaluant l'hétérogénéité protéomique du cancer du sein. Grâce à la spectrométrie de masse, notamment l'imagerie MALDI, cette étude vise à identifier et analyser les sous-populations moléculaires des tumeurs. En comprenant cette hétérogénéité, des cibles thérapeutiques potentielles peuvent être identifiées, permettant le développement de traitements plus personnalisés adaptés à chaque profil tumoral. Les résultats initiaux sur oragnoides de patientes ont montré que les traitements guidés par la protéomique surpassaient les thérapies conventionnelles, offrant une meilleure efficacité antitumorale. Cette approche a aussi permis d'identifier des biomarqueurs associés à la résistance aux médicaments, orientant ainsi les futures stratégies de traitement. Cependant, elle nécessite une grande quantité de matériel biologique et est chronophage, ce qui complique son application clinique à grande échelle.Le deuxième objectif de l'étude est de développer un modèle d'apprentissage automatique pour prédire les voies biologiques et informations protéiques à partir des analyses lipidiques via MALDI MSI. Ce modèle, appelé 'dry proteomic', relie les clusters lipidiques aux voies protéiques, améliorant la caractérisation tumorale sans nécessiter de longs processus protéomiques. Validée sur des tissus cérébraux de rats puis appliquée au glioblastome, cette approche a démontré son potentiel pour analyser des tumeurs complexes et hétérogènes. Elle permet de réduire le temps nécessaire pour analyser les tumeurs du sein, facilitant ainsi une utilisation clinique plus rapide.Le troisième objectif est d'appliquer le concept de dry proteomic pour mieux comprendre l'hétérogénéité spatiale et temporelle du cancer du sein. En prenant en compte l'expansion clonale, les sous-types tumoraux et l'historique des traitements, cette méthode vise à identifier des cibles exploitables à différents stades de la maladie.Le dernier objectif consiste à développer une nouvelle technique d'IHC multiplexée utilisant la technologie "tag mass". Cette méthode permet une identification rapide et précise des cibles protéiques pour une intervention thérapeutique et offre une cartographie spatiale de ces cibles. De plus, elle permet d'analyser les interactions entre cellules tumorales et immunitaires, renforçant ainsi la précision des traitements, notamment dans le cadre de l'immunothérapie.Ces objectifs de recherche visent à améliorer la caractérisation des tumeurs du sein, à optimiser les stratégies thérapeutiques et à surmonter l'hétérogénéité moléculaire qui contribue à la résistance aux traitements et aux récidives. En intégrant la protéomique, les prédictions basées sur l'intelligence artificielle et les techniques d'imagerie avancée, cette étude cherche à révolutionner le traitement personnalisé du cancer du sein et à améliorer les résultats pour les patientes.