Vers des modèles dérivés du patient pour aider à personnaliser la prise en charge du cancer

Le cancer est un défi mondial majeur et son impact devrait s’intensifier en raison du vieillissement et de la croissance de la population. Les chercheurs reconnaissent que de nouvelles approches pour diagnostiquer et traiter les cancers mortels, y compris l’identification de nouveaux médicaments pour traiter le cancer, seront essentielles pour freiner l’impact croissant de la maladie.

Alors que des décennies d’investissement dans la recherche ont abouti à des améliorations substantielles dans la survie du cancer, un défi majeur reste dans l’identification de nouveaux médicaments qui améliorent les résultats pour les patients cancéreux, en particulier pour les cancers lorsque les tumeurs se sont propagées dans tout le corps.

Dans APL Bioengineering, par AIP Publishing, les chercheurs suggèrent qu’un obstacle majeur à l’identification de nouveaux médicaments est le manque de modèles – des organismes imitant les cancers humains en laboratoire – pour la recherche sur le cancer qui représente avec précision les tumeurs des patients. Ils fournissent une perspective sur les stratégies de développement de modèles pour informer le traitement du cancer en utilisant des modèles de patients individuels et où le domaine doit aller en termes de recherche sur les systèmes animaux et les systèmes de culture.

En plus d’avoir de meilleurs modèles pour la recherche sur le cancer, nous essayons de faire évoluer les modèles dérivés des patients au point où nous pouvons avoir des tests de médicaments rapides et fiables sur des échantillons de patients pour aider à personnaliser les soins contre le cancer. C’est le concept de l’oncologie de précision fonctionnelle. « 

Alana Welm, auteur

En oncologie de précision fonctionnelle, des échantillons de tumeurs de patients individuels sont testés pour la sensibilité à divers médicaments dans le contexte d’une xénogreffe ou d’un système de culture dérivé du patient afin de guider la thérapie des patients au cours de leur maladie.

Les chercheurs suggèrent qu’une approche encore plus puissante pour accélérer le rythme de la recherche sur le cancer serait de coupler le développement de modèles dérivés des patients avec la pléthore d’essais cliniques menés chaque jour.

Si les données cliniques et les modèles étaient rassemblés et partagés avec des informations sur la réponse aux médicaments, l’apprentissage automatique pourrait faciliter l’analyse de ces mégadonnées pour découvrir des modèles complexes de réponse aux médicaments ou de résistance chez les individus, qui pourraient ensuite être testés plus avant dans les modèles dérivés des patients.

Les chercheurs envisagent que les tumeurs des patients peuvent être profilées bioinformatiquement pour identifier un ensemble complexe de caractéristiques pouvant être utilisées pour prédire la réponse à diverses thérapies et informées par les données de réponse fonctionnelle aux médicaments collectées dans les études précédentes. Les chercheurs pensent que cela faciliterait la sélection de médicaments plus efficaces plus tôt dans le traitement, tout en empêchant l’administration de médicaments toxiques qui n’offrent aucun avantage.

Ces types de données pourraient même être intégrés à des variants de séquence d’ADN de la lignée germinale qui prédisent le métabolisme et la toxicité des médicaments aberrants pour une approche encore plus personnalisée afin de réduire la mortalité par cancer tout en réduisant la toxicité autant que possible.