SPRINTER est une nouvelle méthode qui déduit les taux de prolifération à partir de données génomiques unicellulaires, mettant ainsi en lumière l'évolution des tumeurs
Dans une étude récente publiée dans Génétique naturelleune grande équipe de chercheurs, comprenant des membres des consortiums TRACERx et PEACE, a conçu un algorithme appelé Single-cell Proliferation Rate Inference in Non-homogeneous Tumors through Evolutionary Routes ou SPRINTER pour analyser les données génomiques unicellulaires, en se concentrant sur le comportement prolifératif des cellules cancéreuses. L'étude a également étudié les variations de la prolifération cellulaire entre des clones de tumeurs génétiquement distincts.
À propos de l'étude
Dans la présente étude, les chercheurs ont utilisé l’algorithme SPRINTER pour étudier la prolifération des cellules cancéreuses au niveau d’une seule cellule. La recherche a également combiné des techniques de séquençage avancées pour explorer l’interaction entre les mutations génétiques, la dynamique du cycle cellulaire et l’évolution du cancer, fournissant ainsi un aperçu du potentiel métastatique.
SPRINTER utilise les données de séquençage du génome entier d'une seule cellule pour classer les cellules tumorales en phases distinctes du cycle cellulaire, telles que la phase S et la phase G2, et les attribue à des clones génétiques spécifiques. L'approche impliquait plusieurs innovations méthodologiques pour surmonter les limites des techniques existantes.
L’étude s’est appuyée sur des données de séquençage de l’acide désoxyribonucléique (ADN) unicellulaire (scDNA-seq) et s’est concentrée sur le moment de la réplication, qui est un indicateur du moment où des régions génomiques spécifiques se répliquent au cours du cycle cellulaire. SPRINTER utilise une méthode spécialisée pour corriger les erreurs causées par la réplication de l'ADN, ce qui lui permet de mesurer avec précision l'activité cellulaire. Il examine les parties de l’ADN qui se répliquent tôt ou tard et utilise ces informations pour trier et attribuer les cellules actives (phase S).
Les chercheurs ont expliqué que le processus comporte six étapes : identifier les modèles de réplication, analyser les changements dans la structure de l'ADN, repérer les cellules actives, regrouper les cellules similaires en clones, faire correspondre les cellules aux clones après correction des effets de réplication et identifier d'autres cellules actives (phase G2). Cela permet de cartographier la rapidité avec laquelle différents groupes de cellules cancéreuses se développent.
L'étude s'est concentrée sur le cancer du poumon non à petites cellules et a confirmé l'exactitude de SPRINTER en comparant ses résultats avec d'autres tests tels que l'imagerie et la coloration Ki-67. SPRINTER a également été testé sur le cancer du sein et de l'ovaire afin de déterminer s'il fonctionnerait bien avec différents cancers. L'étude a combiné des analyses statistiques et une cartographie évolutive pour explorer les liens entre la croissance cellulaire, les changements génétiques et la capacité métastatique.
Principales conclusions
L'étude a révélé que les taux de prolifération du cancer varient considérablement selon les clones de tumeurs, et SPRINTER a identifié les clones à forte prolifération comme ayant un plus grand potentiel métastatique. Ces résultats étaient cohérents dans les échantillons de tumeurs primaires et métastatiques de l’ensemble de données sur le cancer du poumon non à petites cellules. L’algorithme a également révélé que les clones à forte prolifération ont tendance à excréter davantage d’ADN tumoral circulant (ADNc), un marqueur lié à la progression du cancer.
En outre, la capacité de SPRINTER à résoudre l'hétérogénéité de la prolifération au sein des tumeurs a montré que des clones distincts dans les sites primaires et métastatiques présentaient des modèles de croissance uniques. Par exemple, les clones associés à des métastases présentaient souvent des taux de prolifération élevés par rapport aux autres. Cette hétérogénéité a été négligée dans les méthodes d'estimation globale, soulignant la précision de SPRINTER dans la distinction des comportements prolifératifs.
Dans les ensembles de données sur le cancer du sein et de l'ovaire, SPRINTER a démontré que les clones à forte prolifération contenaient des taux de mutation génomique élevés, notamment des variantes mononucléotidiques, des variantes structurelles et des modifications du nombre de copies. Ces résultats confortent l’hypothèse selon laquelle la division cellulaire rapide contribue à l’accumulation de changements génomiques.
En outre, SPRINTER a également lié les modifications du calendrier de réplication aux changements dans l'expression des gènes, en particulier dans les gènes impliqués dans la prolifération et les métastases. De telles altérations étaient plus prononcées dans les clones à forte prolifération, indiquant un lien mécaniste entre des facteurs non génétiques et des comportements cancéreux agressifs.
Conclusions
Pour résumer, l’étude a montré que la prolifération tumorale est très hétérogène et dépend de facteurs génétiques et non génétiques. L'analyse détaillée utilisant l'algorithme SPRINTER a révélé que les clones à forte prolifération sont essentiels à la compréhension des métastases et de la progression du cancer.
En outre, l’étude a montré que ces clones présentent des altérations génomiques uniques et une excrétion accrue d’ADNct, fournissant ainsi des biomarqueurs potentiels pour des applications cliniques. Dans l’ensemble, l’étude a montré que SPRINTER offre un cadre robuste pour étudier l’évolution du cancer, ouvrant la voie à des stratégies thérapeutiques ciblées basées sur la dynamique de prolifération spécifique aux clones.
