Caractérisation de gènes/biomarqueurs dans la carcinogénèse mammaire
Bibliographic record
Abstract
Le cancer du sein (CS) est le cancer le plus courant chez les femmes et la deuxième cause de décès par cancer chez les Canadiennes. Selon la Société canadienne du cancer (2020), le CS constitue 25% des nouveaux cas de cancer et 13% des décès associés au cancer. En moyenne, par jour, 75 Canadiennes recevront un diagnostic de CS. Il s'agit d'une maladie hétérogène qui diffère selon les patients (hétérogénéité intertumorale) et également au sein d'une même patiente (hétérogénéité intratumorale). Cette hétérogénéité est caractérisée par différents sous-types histopathologiques, sous-types moléculaires, altérations génétiques, grades, stades, pronostic et statuts métastatiques. Par conséquent, cibler le CS par différentes stratégies thérapeutiques montre des résultats différents chez chaque patiente. Selon l'Organisation mondiale de la santé (OMS), la meilleure façon de lutter contre le CS est la détection précoce. Cependant, les efforts de détection et de traitement précoces conduisent parfois à un traitement excessif. Au contraire, si elle n'est pas diagnostiquée ou si elle n'est pas traitée, la tumeur peut évoluer vers un CS invasif. De plus, lorsque la tumeur progresse, l'hétérogénéité intratumorale peut conduire à un échec du traitement. Les étapes de la progression du CS sont : l'hyperplasie canalaire atypique (HCA), le carcinome canalaire in situ (CCIS) et le carcinome canalaire invasif (CCI). Il est difficile de différencier le CCIS de bas grade d'une lésion HCA et de prédire quelle HCA ou CCIS pourrait évoluer vers un CCI. De plus, la forme la plus agressive du CCI est le CS triple négatif (TNBC), qui n'exprime pas le récepteur hormonal des œstrogènes et de la progestérone, et pour lesquels la surexpression du récepteur pour les facteurs de croissance épidermiques humains 2 (HER2) n'est pas présente. Par conséquent, ce sous-type de CS ne peut pas être traité avec un traitement hormonal ou encore un traitement ciblant HER2. En outre, les TNBC montrent une très grande hétérogénéité inter et intratumorale résultant en l'absence de toute thérapie efficace pour ce sous-type. Cela nécessite donc l'identification de signatures génétiques uniques distinguant différents sous-types de progression du CS. Par conséquent, j'ai émis l'hypothèse que chaque étape de la progression du CS pourrait avoir une signature génique qui pourrait les TNBC des autres sous-types du CS. Pour identifier ces signatures géniques, j'ai procédé à différentes approches : 1. J'ai effectué une analyse du transcriptome humain des différents stades de progression du CS, à savoir HCA, CCIS et CCI en les comparant au sein normal. 2. J'ai identifié 8 gènes, différenciant HCA, CCIS et CCI d'un sein normal. Le plus intéressant était la carboxypeptidase B1 (CPB1), qui pourrait différencier le DCIS du HCA et du CCI. 3. J'ai analysé les données d'apprentissage automatique (machine learning), produites par nos collaborateurs, qui ont été réalisées sur un jeu de données du CS, à partir de l'Atlas du génome du cancer (TCGA), afin d'identifier des gènes qui pourraient différencier les TNBC des non-TNBC. 4. J'ai par la suite identifié 2 gènes : TBC1 Domain Family Member 9 (TBC1D9) et Milk Fat Globule-EGF Factor 8 Protein (MFGE8) différenciant les TNBC des non-TNBC. Cette analyse a permis de mettre en évidence TBC1D9 comme suppresseur de tumeur et MFGE8 comme gène oncogène. Ensuite, j'ai évalué l'efficacité de TBC1D9 dans la différenciation des TNBC et des non-TNBC dans des échantillons de tissus de CS de notre cohorte et étudié son rôle au niveau du CS. Conclusions : Nous avons identifié une signature génique pour les différentes étapes de la progression du CS, ce qui pourrait aider les cliniciens à mettre en place un ordre de priorité pour les interventions immédiates. Une analyse plus approfondie de ces gènes permettrait de développer de potentielles stratégies thérapeutiques pour chaque étape de la progression du CS.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".