Accueil > Analytics > Data Analytics > Le Big Data révèle des biomarqueurs plus précis pour les malades du cancer
L'UCLA a découvert une nouvelle méthode d'analyse des isoformes pour lutter contre le cancer

Le Big Data révèle des biomarqueurs plus précis pour les malades du cancer

Grâce à une recherche financée par le National Institutes of Health et la National Science Foundation, UCLA vient de découvrir une nouvelle méthode de séquençage d’ARN basée sur les différences entre les isoformes. Cette découverte pourrait permettre d’estimer avec précision l’espérance de vie des malades et de lutter contre le cancer. 

Les personnes atteintes de cancer reçoivent généralement de la part de leur médecin une estimation approximative de leur espérance de vie restante. Aujourd’hui, les scientifiques de l’UCLA ont peut-être découvert une façon de déterminer précisément le temps de survie des patients, et l’influence des traitements sur ce délai, grâce à l’analyse des données relatives aux séquences génétiques des malades. Ces analyses pourraient également permettre de repérer les séquences létales et celles qui sont inoffensives.

Le Big Data biomédical est utilisé ici pour repérer des patterns et des tendances parmi les nombreuses informations sur les patients. De cette façon, les médecins peuvent développer des soins personnalisés pour chaque individu. Pour permettre aux docteurs d’effectuer des prédictions précises pour de nombreux types de cancers, les scientifiques de l’UCLA ont étudié les cancers du sein, du cerveau, du poumon, des ovaires et des reins.

ucla

Une variante du séquençage ARN

Cette nouvelle méthode consiste à analyser diverses isoformes de gènes, constituées d’une combinaison entre des séquences génétiques capables de produire une grande variété d’ARN et des protéines d’un seul gène, en utilisant les données de molécules d’ARN issues de spécimens de cancer. Ce procédé, nommé le séquençage d’ARN, permet de révéler la présence et la quantité de molécules d’ARN dans un extrait biologique.

Traditionnellement, l’analyse agrège toutes les isoformes ensemble. Ce faisant, les analystes passent à côté de différences importantes à l’intérieur des isoformes. Les scientifiques d’UCLA quant à eux ont analysé les ratios de séquences génétiques légèrement différentes au sein même des isoformes, afin de détecter les différences subtiles entre les séquences génétiques.

SURVIV

Baptisée SURVIV (survival analysis of mRNA isoform variation), cette méthode est la première à permettre d’estimer le temps de survie des patients en utilisant le séquençage ARN, selon Yi Xing, professeur en microbiologie, en immunologie et en génétique moléculaire.

Les chercheurs se sont basés sur les tissus de 2684 personnes atteintes de cancers dont les échantillons étaient détenus par le National Institutes of Health’s Cancer Genome Atlas. Ils ont passé plus de deux ans à développer l’algorithme de SURVIV.

200 isoformes relatives au temps de survie

surviv

Selon les chercheurs, 200 isoformes relatives au temps de survie ont été découvertes pour les personnes atteintes d’un cancer du sein. Certains prédisent un temps de survie plus long, d’autres un temps plus restreint. Grâce à ces connaissances, les scientifiques pourraient éventuellement être capables de repérer les isoformes associées à un temps de survie plus court afin de les supprimer et de combattre les maladies.

Un résultat surprenant

Pour évaluer la précision des marqueurs de survie, les chercheurs ont utilisé l’outil de mesure C-index. Pour les six types de cancer analysés, ils se sont aperçus que leurs prédictions basées sur les isoformes étaient plus précises que les prédictions traditionnelles basées sur les gènes. Ce résultat est surprenant et va à l’encontre de la croyance établie selon laquelle l’abondance de gènes présente une signature moléculaire plus fiable que les ratios d’isoformes pour les patients atteints de cancer.

Vers une avancée de la lutte contre le cancer

Selon Xing, un gène humain produit entre 7 et 10 isoformes. Il arrive qu’un gène cancéreux produise deux isoformes, dont l’une encourage la métastase, et l’autre la ralentit. Comprendre la différence entre les deux est essentiel pour lutter contre le cancer. Cette méthode doit maintenant être appliqué à des ensembles de données plus larges pour en apprendre davantage.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Send this to a friend