🔬 Nous avons établi un premier modèle de ML (Machine Learning) à partir des données de séquençage en libre accès, issues de différentes études, et portant sur 940 patients.
La modèlisation porte sur 11 types de cancer (à tous les stades), qui représent au niveau mondial 63,6 % des cas de décès.
On a obtenu une sensibilité de 0.88, une spécificité de 0.96.
La sensibilité est donc meilleure en moyenne que des méthodes de biopsie liquide concurrentes comme:
🧬 Test ISET, basé sur la détection des cellules tumorales circulantes, pour les types de cancer les plus communs (colon, sein, poumon..). La sensibilité aux stades 1 et 2, du test ne serait pas supérieure à 50% (Cellules tumorales circulantes pour la détection précoce du cancer ), le société Rarecells ne communicant d'évaluation globale agrégeant les différents types de cancer.
🧪 CCGA (Circulating Cell-free Genome Atlas), qui permet de détecter 50 types de cancer par analyse de l'Adn circulant, mais avec une sensibilité de 0,51 (2) à tous les stades, et inférieure à 41% au stade 2 (2a). La biopsie liquide par recherche d'Adn circulant ne donne par exemple dans l'étude Thunder qu'une sensibilité de 59,8% jusqu'au stade III (4).
Alors que par exemple en 2012, 46% des cancers au Royaume Uni, n'étaient découverts qu'à partir du stade 3 (5), il serait en effet très efficace de pouvoir détecter avec une bonne sensibilité et à un stade au plus égal à 2,
la plupart des types, à partir d'un même prélèvement. En effet, dans le cas du cancer gastrique par exemple, le taux de survie à 5 ans passe de 65% si le cancer est détecté aux stades 1-2 à 25% aux stades suivants (6).
C'est la raison pour laquelle nous construisons un nouveau modèle, analogue à celui déjà établi, mais qui se limite à des données de sequençage de patients sans cancer, ou avec un cancer au plus au stade 2.
🫀 Une modélisation pour le cancer du côlon (étude PRJNAxxx-Ncbi) en phase 1 et 2 du cancer, a montré une sensibilité de 0.98 une spécificité de 0.98 spécificité de 0.98 pour un effectif de près de 300 malades et 300 non malades.
Le taux de survie à 5 ans est de 90% pour une détection précoce contre 63% en moyenne (12).
L'avantage d'effectuer une analyse Ngs est aussi de potentielement pouvoir orienter certains traitements, à partir du sequençage (Tableau 2).
❤️ Une autre modélisation pour la détection du syndrome coronarien chronique (étude PRJNAxxx-Ncbi), a montré une sensibilité de 0.99 une spécificité de 0.98 pour un effectif de plus de 200.
🎯 Nous avons développé un modèle prédictif basé sur l'analyse des ARN et plus spécifiquement sur un ensemble de ratios d'expression génique, reflétant un mécanisme biologique universel lié à la présence d'un cancer. Les performances mesurées sur plusieurs centaines de patients (26 types de cancer) sont les suivantes :
Résultats précliniques :
- AUC (tous stades) : > 0,93
- Sensibilité (tous stades, Spécificité ≥ 0,95) : > 0,79
- Spécificité (tous stades) : > 0,93
- AUC (stades précoces I+II) : > 0,89
- Sensibilité (stades I+II, Spécificité ≥ 0,95) : > 0,69
Nous envisageons de lancer en 2026 une étude de validation clinique portant sur 130 patients (65 cas cancers stades I–II + 65 témoins sains) pour valider la précision diagnostique de notre modèle. Les objectifs sont :
- Sensibilité > 0,60 (IC 95 % unilatéral)
- Spécificité > 0,90 (IC 95 % unilatéral)
Le protocole détaillé, les algorithmes et la liste des gènes utilisés seront communiqués aux partenaires après signature d'un accord de confidentialité (CDA/NDA).
