Développement de nouveaux biomarqueurs du cancer basés sur l’épigénétique de l’ARN

RNA epigenetic based development of cancer biomarkers

• Auteur / Autrice : Amandine Amalric
• Direction : Alexandre David, Christophe Hirtz
• Type : Projet de thèse
• Discipline(s) : Biologie Santé
• Date : Inscription en doctorat le ; Soutenance le 16/03/2023
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : Sciences Chimiques et Biologiques pour la Santé (Montpellier ; Ecole Doctorale ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : INM - Institut des Neurosciences de Montpellier
• Partenaire(s) de recherche : Equipe de recherche : Protéinopathies
• Jury : Président / Présidente : Marie De tayrac
• Jury : Examinateurs / Examinatrices : Alexandre David, David Touboul, Christophe Hirtz, Amélie Darlix, Nicolas Sommerer, Virginie Marcel, Reini Fernandez de luco
• Jury : Rapporteur / Rapporteuse : David Touboul, Marie De tayrac

Mots clés

Mots clés libres

Biomarqueur

Épigenétique de l'ARN

Cancer

Cancer

Biomarker

RNA epigenetic

Résumé

Avec plus de 19 millions de nouveaux cas et 10 millions de décès en 2020, le cancer est l’une des principales causes de mortalité dans le monde. Pour la plupart des cancers, le stade de la maladie au moment du diagnostic est un paramètre crucial. En effet, un diagnostic précoce permet une prise en charge des patients plus efficace et une amélioration de leur survie. La recherche actuelle s’applique donc à identifier des biomarqueurs tumoraux précoces et à développer de nouveaux outils de dépistage moins invasifs et plus performants, notamment basés sur la biopsie liquide. La médecine de précision favorise l’utilisation de multiples biomarqueurs, dont l’association accroit de manière significative la robustesse du diagnostic et ses applications en clinique. L’intelligence artificielle est alors indispensable pour déterminer des signatures de biomarqueurs « multi-omiques » les plus performantes pour de la prédiction. Récemment, une nouvelle « omique » est apparue comme une source prometteuse de biomarqueurs : l’épigénétique de l’ARN ou « épitranscriptomique ». L’épitranscriptomique correspond à l’étude de la dynamique des modifications portées par les ARN et de leur rôle sur la régulation post-transcriptionnelle de l’expression génique. Bien que ces marques de l’ARN soient connues pour être importantes en condition physiologique, des dérégulations sont observés dans le cas de certaines pathologies, telles que les maladies neurodégénératives et le cancer. Des études récentes ont montré l’implication fonctionnelle de ces modifications dans l’initiation et l’évolution de multiples cancers et souligné leur potentielle exploitation en qualité de biomarqueurs. L’objectif de mon projet de thèse fut d’établir la preuve de concept que l’analyse des modifications de l’ARN présente un intérêt clinique, non seulement pour la détection précoce de la maladie mais également pour le traitement personnalisé du patient. Tout d’abord, un pipeline expérimental pour l’analyse multivariée des modifications de l’ARN – combinant spectrométrie de masse (LC-MS/MS) et approches d’intelligence artificielle – a été établi pour permettre l’identification de marques épitranscriptomiques impliquées dans un processus biologique et/ou pathologique. Nous avons pu utiliser cette méthode pour identifier des modifications de l’ARN jouant un rôle dans l’adaptation des cellules cancéreuses. Par la suite, nous avons appliqué ce workflow pour établir des signatures de biomarqueurs épitranscriptomiques présentant un intérêt diagnostique et pronostique en cancérologie. Dans ce but, des échantillons tissulaires et/ou sanguins de patients atteints de gliomes, de cancers du côlon ou du sein, ont été analysés en spectrométrie de masse. Au moyen de pipelines informatiques et statistiques nous avons pu identifier des signatures épitranscriptomiques d’intérêt. Puis, des algorithmes de machine learning, nous ont permis de déterminer la fiabilité de la prédiction du stade ou du statut (présence/absence de cancer), ainsi que le nombre et la nature des marques pour obtenir une signature minimale. A l’avenir, l’analyse de cohortes supplémentaires de biopsies liquides provenant de patients atteints de divers cancers nous permettra d’affiner ces résultats et d’identifier des signatures propres à certains cancers. En parallèle, ces profils épitranscriptomiques pourraient révéler l’existence de marques chimiques pro-oncogéniques pouvant devenir de potentielles cibles thérapeutiques. En clinique, la combinaison de l'épitranscriptomique avec d'autres technologies omiques (ex. génomique, transcriptomique, protéomique, métabolomique, etc.) pourrait faciliter/optimiser la stratification des patients et leur prise en charge personnalisée. Le défi de demain réside alors dans le développement de méthodes pour l'intégration de données multi-omiques.

With more than 19 million new cases and 10 million deaths in 2020, cancer is one of the leading causes of death in the world. For most cancers, the stage of the disease at diagnosis is a crucial parameter. Indeed, an early diagnosis allows a more efficient management of patients and an improvement of their survival. Current research is therefore focused on identifying early tumor biomarkers and developing new, less invasive and more efficient screening tools, notably based on liquid biopsy. Precision medicine favors the use of multiple biomarkers, whose combination significantly increases the robustness of diagnosis and its clinical applications. Artificial intelligence is therefore essential to determine the most efficient ''multi-omics'' biomarker signatures for prediction. Recently, a new ''omics'' has emerged as a promising source of biomarkers: RNA epigenetics or ''epitranscriptomics''. Epitranscriptomics is the study of the dynamics of RNA modifications and their role in the post-transcriptional regulation of gene expression. Although these RNA marks are known to be important in physiological conditions, deregulations are observed in certain pathologies, such as neurodegenerative diseases and cancer. Recent studies have shown the functional involvement of these modifications in the initiation and progression of multiple cancers and highlighted their potential exploitation as biomarkers. The objective of my thesis project was to establish the proof of concept that RNA modification analysis is of clinical interest, not only for early disease detection but also for personalized patient treatment. First, an experimental pipeline for multivariate analysis of RNA modifications - combining mass spectrometry (LC-MS/MS) and artificial intelligence approaches - was established to allow the identification of epitranscriptomic marks involved in a biological and/or pathological process. We were able to use this method to identify RNA modifications involved in cancer cell adaptation. Subsequently, we applied this workflow to establish epitranscriptomic biomarker signatures of diagnostic and prognostic interest in cancerology. For this purpose, tissue and/or blood samples from patients with glioma, colon or breast cancer were analyzed by mass spectrometry. Using computational and statistical pipelines we were able to identify epitranscriptomic signatures of interest. Then, machine learning algorithms allowed us to determine the reliability of the prediction of stage or status (presence/absence of cancer), as well as the number and nature of the marks to obtain a minimal signature. In the future, the analysis of additional cohorts of liquid biopsies from patients with various cancers will allow us to refine these results and identify signatures specific to certain cancers. In parallel, these epitranscriptomic profiles could reveal the existence of pro-oncogenic chemical marks that could become potential therapeutic targets. In the clinic, the combination of epitranscriptomics with other omics technologies (e.g. genomics, transcriptomics, proteomics, metabolomics, etc.) could facilitate/optimize patient stratification and personalized management. The challenge of tomorrow lies in the development of methods for the integration of multi-omics data.