Identification par apprentissage automatique des gènes associés à la résistance au tamoxifène et leur application dans la modélisation pronostique du cancer du sein

Résumé

Nous avons développé une signature de résistance au tamoxifène dérivée de l’apprentissage automatique, composée de six gènes, qui stratifie les patientes atteintes de cancer du sein selon le risque de survie et peut soutenir une évaluation pronostique personnalisée et la prise de décision thérapeutique en pratique clinique.

Résumé

Le tamoxifène est un traitement endocrinien clé pour le cancer du sein positif aux récepteurs d’œstrogènes (^ER+), mais la résistance acquise limite l’efficacité à long terme. Les mécanismes moléculaires restent complexes, et les biomarqueurs prédictifs font défaut. Les données d’expression génique liées à la résistance au tamoxifène ont été obtenues à partir de GEO (GSE67916), et les gènes différentiellement exprimés (DEG) ont été identifiés à l’aide de l’algorithme limma. Les analyses d’enrichissement fonctionnel (GO et KEGG) ont révélé une implication dans les processus immunitaires, les réponses antivirales, l’endocytose, les voies lysosomiques et la signalisation œstrogénique. Trois algorithmes d’apprentissage automatique (LASSO, SVM-RFE et RF) ont identifié six gènes hub (CAMK1D, CHAC1, KIAA0513, MED13, NDRG1, STXBP5). Un modèle de risque pronostique basé sur ces gènes a été construit à partir des données TCGA-BRCA, stratifiant efficacement les patients en groupes à haut et faible risque avec une survie globale significativement différente. Le modèle a démontré une bonne précision prédictive (AUC = 0,70) et une performance stable dans des analyses ROC dépendantes du temps, validées dans une cohorte indépendante. Cette étude fournit une signature génique robuste liée à la résistance au tamoxifène et un modèle pronostique multigène, offrant de nouvelles perspectives sur les mécanismes de résistance et des orientations potentielles pour un pronostic individualisé et une thérapie dans le cancer du sein en ^ER+ .

Introduction

Le cancer du sein est le cancer le plus fréquemment diagnostiqué chez les femmes dans le monde et reste un facteur majeur de décès associés^{au cancer 1}. D’après le profilage moléculaire, environ 60 à 70 % des patients présentent le sous-type positif aux récepteurs d’œstrogènes (^ER+), qui répond généralement bien à la thérapie endocrinienne initiale. Parmi les divers agents endocriniens, le tamoxifène — un modulateur sélectif des récepteurs œstrogènes (SERM) — est depuis longtemps la norme de soins pour le traitement adjuvant et métastatique du cancer du sein ^RE+ , améliorant significativement les résultats de survie dans les essais randomisés à grande^{échelle 2}.

Malgré son efficacité clinique établie, une proportion importante de patients développe finalement une résistance acquise, entraînant une récidive et une progression de la maladie³. Par conséquent, la résistance au tamoxifène représente un goulot d’étranglement critique dans la prise en charge à long terme du cancer du sein. Des études antérieures indiquent que les mécanismes à l’origine de la résistance sont très hétérogènes, impliquant une signalisation aberrante du RE, l’activation de voies alternatives des facteurs de croissance (par exemple, PI3K/AKT, MAPK), une dysrégulation de l’apoptose et une reprogrammation^{métabolique 4}.

Récemment, le microenvironnement tumoral (TME), en particulier le microenvironnement immunitaire, a attiré une attention croissante pour son rôle dans la réponse thérapeutique et la résistance. L’infiltration des cellules immunitaires et la signalisation inflammatoire sont étroitement liées à la progression du cancer du sein et à la sensibilité au traitement. Les preuves émergentes suggèrent que les processus liés au système immunitaire peuvent moduler les réponses au stress cellulaire et favoriser l’évasion immunitaire, contribuant ainsi à la résistance^{endocrinienne 5}. Cependant, le paysage immunitaire spécifique associé à la résistance au tamoxifène reste à élucider complètement.

Avec l’avènement du séquençage à haut débit et de la bioinformatique, l’analyse des données transcriptomiques offre une approche puissante pour déchiffrer la base moléculaire de la résistance aux médicaments. Comparées aux biomarqueurs à gène unique, les signatures multi-gènes capturent plus efficacement l’hétérogénéité tumorale, offrant une stabilité et une précision supérieures dans le pronostic. Les algorithmes d’apprentissage automatique, tels que la régression LASSO, les machines à vecteurs de support (SVM) et la forêt aléatoire (RF), sont devenus des outils essentiels pour identifier des biomarqueurs robustes et construire des modèles prédictifs en médecine^{de précision 6}. Bien que plusieurs signatures géniques aient été^{proposées 7,8,9}, une validation robuste fait souvent défaut.

Bien que des études antérieures aient exploré les gènes de résistance au tamoxifène, peu ont intégré systématiquement plusieurs stratégies d’apprentissage automatique pour construire un modèle pronostique robuste validé dans des cohortes indépendantes. Dans cette étude, nous avons intégré des données transcriptomiques de GEO et TCGA pour dépister les gènes associés à la résistance au tamoxifène. En appliquant un ensemble d’algorithmes d’apprentissage automatique, nous avons identifié les gènes de résistance de base et construit un modèle de risque pronostique. Nous avons également évalué l’association du modèle avec le microenvironnement immunitaire et validé sa valeur prédictive dans une cohorte indépendante, dans le but de fournir de nouvelles preuves théoriques pour des stratégies de traitement personnalisées.

Protocole

Toutes les données utilisées dans cette étude ont été obtenues à partir de bases de données accessibles au public (TCGA, GEO et METABRIC). Aucun participant humain ni animal n’a été impliqué ; par conséquent, l’approbation du comité d’examen institutionnel et le consentement éclairé n’étaient pas requis.

Acquisition et prétraitement des données

Les données d’expression génique liées à la résistance au tamoxifène ont été extraites de la base de données Gene Expression Omnibus (GEO^{) 10}. Le jeu de données GSE67916 (Affymetrix Human Genome U133 Plus 2.0 Array) comprend 18 échantillons de cellules de cancer du sein : 8 échantillons témoins non traités et 10 échantillons résistants au tamoxifène générés par une exposition prolongée aux médicaments. Les données de séquençage de l’ARN et les informations de suivi clinique correspondantes pour la cohorte du carcinome invasif du sein (TCGA-BRCA) ont été téléchargées depuis The Cancer Genome Atlas (TCGA⁾¹¹.

Les fichiers CEL bruts de microarray étaient traités dans R (version 4.4.2) à l’aide du package affy. La correction et la normalisation de fond étaient réalisées avec l’algorithme Robust Multi-array Average (RMA), incluant la transformation log2 et la normalisation quantile. Les identifiants de sonde étaient mappés à des symboles de gènes à l’aide de fichiers d’annotation de plateforme ; pour les gènes à multiples sondes, la valeur moyenne d’expression a été utilisée. Pour les données ARN-seq de TCGA, les valeurs de transcripts par million (TPM) ont été transformées log2 [log2(TPM + 1)]. Les échantillons avec des informations de survie incomplètes ou des variables cliniques manquantes ont été exclus.

Identification des gènes exprimés différemment

L’expression différentielle entre les échantillons résistants au tamoxifène et témoins a été évaluée à l’aide du paquet Limma^{R 12} avec modération bayesique empirique. Gènes avec |log2 changement de plie| > 1 et une valeur P ajustée < 0,05 (Benjamini–Hochberg FDR) ont été définis comme des gènes différenciellement exprimés (DEG).

Analyse de l’enrichissement fonctionnel

Les analyses Gene Ontology (GO)¹³et Kyoto Encyclopedia of Genes and Genomes (KEGG)¹⁴ ont été réalisées à l’aide du package^{clusterProfiler 15} R. Les catégories GO comprenaient le processus biologique (BP), la composante cellulaire (CC) et la fonction moléculaire (MF). Les valeurs de P ajustées < 0,05 ont été considérées comme significatives.

Sélection de fonctionnalités basée sur l’apprentissage automatique

Trois algorithmes d’apprentissage automatique ont été appliqués pour identifier les gènes hub : (1) régression^{LASSO 16} (package glmnet) avec validation croisée 10 fois pour sélectionner le paramètre de pénalité optimal (lambda.min) ; (2) Supporter l’élimination des caractéristiques vectorielles machine–récursive (SVM-RFE)¹⁷ (package e1071) avec une validation croisée à cinq reprises pour identifier le sous-ensemble génétique minimal avec la plus faible erreur de classification ; (3) Random forest (RF)¹⁸ (package randomForest) avec 500 arbres (ntree = 500) ; les gènes étaient classés par MeanDecreaseGini. Les gènes identifiés par les trois méthodes ont été définis comme des gènes hub.

Construction du modèle de risque pronostique

Un modèle de risque pronostique multigénique a été construit à partir des données d’expression et de survie du gène TCGA-BRCA. Les gènes associés à la survie ont été dépistés par régression de Cox univariée, suivie d’une régression de Cox multivariée pour développer la signature finale. La formule du score de risque a été calculée ainsi : score de risque = (0,01297 × CAMK1D) + (0,03021 × CHAC1) + (0,02018 × KIAA0513) + (0,00647 × MED13) + (0,00108 × NDRG1) + (0,04551 × STXBP5). Les patients ont été stratifiés en groupes à haut et faible risque selon le score médian de risque.

Évaluation et validation du modèle pronostique

Les différences globales de survie entre les groupes ont été évaluées par l’analyse de Kaplan–Meier et le test log-rank. La performance prédictive a été évaluée à l’aide de courbes ROC (package pROC) et d’analyse ROC dépendante du temps (package timeROC). Un nomogramme intégrant les scores de risque et les variables cliniques a été construit à l’aide du package RMS. Les courbes d’étalonnage ont évalué l’accord entre les probabilités de survie prédite et observée. La validation externe a été réalisée dans la cohorte¹⁹ du Consortium international indépendant de la taxonomie moléculaire du cancer du sein (METABRIC) en utilisant la même formule et le même seuil.

Analyse de l’infiltration immunitaire

L’infiltration des cellules immunitaires a été estimée à l’aide de CIBERSORT²⁰ avec 1 000 permutations basées sur les données TCGA. Des échantillons avec P < 0,05 ont été inclus. Les différences dans la composition des cellules immunitaires entre les groupes à haut et faible risque ont été évaluées avec le test de la somme de rangs de Wilcoxon, et les corrélations entre l’expression des gènes hub et l’abondance des cellules immunitaires ont été évaluées à l’aide de la corrélation de rang de Spearman.

Analyse statistique

Toutes les analyses ont été réalisées en R. Les variables continues ont été comparées à l’aide du test de somme de rang de Wilcoxon, et les variables catégorielles à l’aide du test du chi-carré. Un P bilatéral < 0,05 a été considéré comme statistiquement significatif.

Résultats

Identification des gènes différenciellement exprimés associés à la résistance au tamoxifène

Un total de 854 gènes différenciellement exprimés (DEG) ont été identifiés entre des échantillons résistants au tamoxifène et témoins, dont 556 gènes à la hausse et 298 à la baisse. La distribution des DEG montrait une prédominance de gènes à hausse dans les échantillons résistants, suggérant une activation transcriptionnelle étendue associée à la résis...

Discussion

La résistance au tamoxifène reste un obstacle majeur dans le traitement du cancer du sein ^ER+ . Bien que des mécanismes tels que les mutations du RE soient bien connus, les adaptations moléculaires systémiques à la thérapie à long terme restent moins bien comprises. Dans cette étude, nous avons intégré la transcriptomique et l’apprentissage automatique pour identifier une signature robuste de six gènes (CAMK1D, CHAC1, KIAA0513, MED13, NDRG1, STXBP5) qui prédit à la fois la rés...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Paquet Affy	Bioconductor	-	Traitement des données de microarray
Paquet clusterProfiler	Bioconductor	v4.4.2	Analyse d'enrichissement GO et KEGG
Algorithme CIBERSORT	Newman et al.	-	Estimation de l'infiltration des cellules immunitaires
Paquet e1071 (SVM-RFE)	CRAN	-	Élimination récursive des fonctionnalités par machine à vecteurs de support
Gene Expression Omnibus (GEO)	NCBI	GSE67916	Jeu de données sur la résistance au tamoxifène
Paquet glmnet	CRAN / Bioconductor	-	Régression LASSO
Paquet limma	Bioconductor	-	Analyse d'expression différentielle
Jeu de données METABRIC	cBioPortal / Curtis et al.	-	Cohorte de validation
Paquet pROC	CRAN	-	Analyse de la courbe ROC
Logiciel R	R Core Team	v4.4.2	Environnement de calcul statistique
Paquet Random forest	CRAN	-	Algorithme Random Forest
Paquet rms	CRAN	-	Construction de la nomograhe
Cohorte TCGA-BRCA	The Cancer Genome Atlas (TCGA)	-	Données RNA-seq de la cohorte d'entraînement
Paquet timeROC	CRAN	-	Analyse ROC dépendante du temps