Modélisation mécaniste de la concentration en ADN libre-circulant et machine learning pour la prédiction de la réponse et la survie à l'immunothérapie

Mechanistic modeling of circulating DNA combined to machine learning for prediction of response and survival following immunotherapy

• Auteur / Autrice : Linh Nguyen phuong
• Direction : Sébastien Benzekry, Sébastien Salas
• Type : Projet de thèse
• Discipline(s) : Mathématiques
• Date : Inscription en doctorat le 03/10/2022
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École Doctorale Mathématiques et Informatique de Marseille (Marseille)
• Partenaire(s) de recherche : Laboratoire : CRCM - Centre de Recherche en Cancérologie de Marseille

Mots clés

Mots clés libres

ADN libre-circulant

Données longitudinales

Immuno-oncologie

Modélisation mécaniste

Analyse de survie

Apprentissage machine

Cell-free DNA

Longitudinal data

Immuno-oncology

Mechanistic modeling

Survival analysis

Machine learning

Résumé

La prédiction précoce de la résistance à l'immunothérapie est un défi majeur en oncologie. L'étude clinique SChISM en cours propose une approche innovante basée sur des méthodes brevetées de quantification de l'ADN libre-circulant (ADNcf). En s'appuyant sur l'aspect longitudinal et quantitatif de ces données (260 patients au total), nous proposons de développer des modèles mécanistes de la cinétique conjointe de l'ADNcf avec d'autres marqueurs longitudinaux et l'imagerie de la taille des tumeurs. Ces modèles, intégrés dans un cadre statistique à effets mixtes, seront calibrés sur les données de la population et fourniront ensuite des paramètres individuels en utilisant l'estimation bayésienne. Par la suite, nous visons à développer des modèles intégratifs d'apprentissage automatique capables de prédire les résultats (réponse, PFS et OS) à partir de la combinaison de ces paramètres dynamiques et d'autres variables disponibles au départ.

Early prediction of immunotherapy resistance is a major challenge in oncology. The ongoing clinical study SChISM proposes an innovative approach based on patented methods for quantifying cfDNA (cell-free DNA). Leveraging the longitudinal and quantitative aspects of these data (260 patients), we aim to develop mechanistic models for the joint kinetics of cfDNA with other longitudinal markers and tumor size imaging. These models, integrated within a mixed-effects statistical framework, will be calibrated using population data and subsequently provide individual parameters using Bayesian estimation. Lastly, our goal is to develop integrative machine learning models capable of predicting outcomes (treatment response, PFS, and OS) based on the combination of these dynamic parameters and other available baseline variables.