Optimisation du criblage provincial du cancer colorectal en utilisant le microbiome intestinal comme biomarqueur
Notice bibliographique
Résumé
Le cancer est dit être la maladie du XXIe siècle et le cancer colorectal fait partie des types de cancer qui entraînent le plus de mortalité. Bien qu’étant une maladie facile à traiter quand elle est diagnostiquée dans ses prémices, le diagnostic de celle-ci est souvent réalisé de manière tardive. En effet, la maladie se développe initialement de manière asymptomatique et au moment où les premiers symptômes apparaissent, la maladie est souvent déjà avancée. De plus, les méthodes de détection du cancer colorectal ont un fort taux de faux positif, ce qui implique d’infliger des examens pour la confirmation du cancer colorectal qui peuvent être lourds pour les patients. La technique de détection du cancer colorectal qui est actuellement utilisée au Québec est le test RSOSi. Le test RSOSi est un test immunochimique de recherche de sang occulte dans les selles. Le taux de faux positif obtenu avec cette technique est de 42% parmi la totalité des tests positifs obtenus. Par conséquent, cette présente étude vise à améliorer les résultats de ce test en analysant les données du microbiome intestinal isolé à partir des tests RSOSi et ainsi réduire le taux de faux positifs. Pour améliorer cette technique, il serait intéressant de comprendre l’incidence que le microbiome intestinal peut avoir sur la présence de tumeurs colorectales. Étant donné que l’impact du microbiote intestinal sur la santé humaine est bien documenté, il est possible de penser que le microbiome influence la présence de tumeurs intestinales ou l’inverse. Il est concevable de penser que certains assemblages de communautés microbiennes pourraient se retrouver dans les échantillons RSOSi prélevés. Cette hypothèse implique qu’il y aurait peut-être des taxons spécifiques aux tumeurs colorectales qui pourraient être utilisés comme biomarqueurs pour détecter la maladie et discriminer les patients sains des patients réellement malades. Ainsi, cette présente étude aura pour objectif de déceler si le microbiome intestinal se remanie en fonction du développement du cancer colorectal ainsi que de déterminer s’il existe un assemblage de taxons spécifiques au cancer colorectal. Pour tenter d’atteindre ces objectifs, des analyses statistiques, l’analyse des diversités alpha et bêta, l’utilisation de l’apprentissage machine et la technique de qPCR seront utilisées. Cette étude montre qu’il ne semble pas possible de distinguer les personnes en santé et malades du cancer colorectal en se basant sur le microbiome intestinal extrait des tests RSOSi. Il apparait que les communautés microbiennes entre les groupes d’échantillons ne montrent pas de différences significatives. De plus, bien qu’il y ait des taxons qui semblent spécifiques à certains groupes d’échantillons, leur utilisation comme prédicteurs par les algorithmes d’apprentissage machine ne permettent pas de ségréger les échantillons sains des échantillons malades. Des pistes de recherches futures sur l’amélioration de la détection du cancer colorectal pourraient porter sur les impacts de plus de facteurs environnementaux sur le microbiome et le cancer colorectal, l’influence des médications sur le microbiome et le cancer colorectal, les interactions entre l’immunité et le microbiome sur la formation du cancer colorectal, ainsi que l’impact d’autres microorganismes (autre que les bactéries) sur le cancer colorectal.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».