Diagnostiquer le cancer de l'ovaire grâce à la technologie SpiderMass

Diagnosing ovarian cancer with the SpiderMass technology

• Auteur / Autrice : Lucas Roussel
• Direction : Isabelle Fournier
• Type : Thèse de doctorat
• Discipline(s) : Recherche clinique, innovation technologique, santé publique
• Date : Soutenance le 01/12/2023
• Etablissement(s) : Université de Lille (2022-....)
• Ecole(s) doctorale(s) : École doctorale Biologie-Santé (Lille ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Protéomique, Réponse Inflammatoire, Spectrométrie de Masse (PRISM)
• Jury : Président / Présidente : David Launay
• Jury : Examinateurs / Examinatrices : Sophie Ayciriex, Michel Salzet
• Jury : Rapporteurs / Rapporteuses : Gérard Hopfgartner, Laurence Charles

Mots clés

Mots clés contrôlés

Marges chirurgicales

Micro-environnement tumoral

Lipidomique

Spectrométrie de masse

Pronostic (médecine)

Diagnostic

Ovaire -- Tumeurs

Mots clés libres

Cancer séreux de haut grade

Diagnostic en temps réel

Cancer

Mass spectrometry

Excision margins

Tumor microenvironment

Lipidomic

Pronostic

Résumé

Les cancers de l'ovaire (OC) sont les cancers gynécologiques les plus mortels, entraînant plus de 200 000 décès chaque année dans le monde. Le diagnostic de ces cancers reste difficile et un diagnostic tardif entraîne un retard de prise en charge du patient réduisant alors ses chances de survie. Pour répondre à ce besoin clinique, nous avons développé un outil de diagnostic et pronostic en temps réel : le SpiderMass. Dans un premier temps, pour permettre un diagnostic précoce et une action préventive, nous nous sommes intéressés à l'origine du sous-type d'OC le plus agressif : le cancer séreux de haut grade (HGSOC). Suite à la découverte de marqueurs lipidiques et protéiques spécifiques des lésions pré-néoplasiques de la fimbria, nous avons mis en évidence les mécanismes sous-jacents liés à ces lésions et avons confirmé qu'elles étaient à l'origine du HGSOC. Dans un second temps, nous avons étudié l'ensemble des signatures moléculaires lipidiques spécifiques des différents sous-types d'OC afin de bâtir un modèle de classification via la technologie SpiderMass. Ce modèle, associant à la fois les données moléculaires et les données morphologiques des patients, a été capable de reconnaître l'ensemble des sous-types en temps réel ex vivo. Nous avons également développé un nouveau modèle d'imagerie par spectrométrie de masse permettant la visualisation directe des différentes cellules immunitaires au sein de tissus. Cela permet de fournir un diagnostic précis des différents types de cancer de l'ovaire et d'y associer un pronostic, étant donné que la survie du patient est étroitement liée à l'infiltration de cellules immunitaires au sein de la tumeur. Nous avons démontré que ce modèle d'imagerie est applicable à plusieurs types de cancer, incluant le cancer de l'ovaire et le glioblastome. Associé à ces modèles novateurs, le SpiderMass guide le chirurgien pendant l'opération pour réduire les marges d'exérèse et apporte un diagnostic et un pronostic fiable pour proposer le meilleur traitement au patient.

Ovarian cancer (OC) is the deadliest gynecological cancer, causing over 200,000 deaths worldwide every year. Diagnosis of OC is extremely difficult and late diagnosis leads to delays in patient management thus reducing the chances of survival. Against this backdrop, we have developed a real-time diagnostic and prognostic tool: SpiderMass. Initially, to enable early diagnosis and preventive action, we focused on the origin of the most aggressive OC subtype: high-grade serous cancer (HGSOC). Following the discovery of lipid and protein markers specific to pre-neoplastic lesions of the fimbria, we highlighted the underlying mechanisms linked to these lesions and confirmed that they were at the origin of HGSOC. Secondly, we studied all the lipid molecular signatures specific to the different OC subtypes to build a classification model using SpiderMass technology for diagnostic. This model, combining both molecular and patient morphological data, was able to recognize all subtypes in real time ex vivo. We have also developed a new mass spectrometry imaging model enabling direct visualization of different immune cells within tissues. This model provides an accurate diagnosis of the different types of ovarian cancer, and can associate a prognosis with them, given that patient survival is closely linked to the infiltration of immune cells within the tumor. We have demonstrated that this imaging model is applicable to several types of cancer, including ovarian cancer and glioblastoma. Combined with these innovative models, SpiderMass guides the surgeon during the operation to reduce excision margins and provides a reliable diagnosis and prognosis to propose the best treatment to the patient.