Poumon

Cet article met en lumière l'importance des fusions géniques rares et ultrararissimes, au-delà des fusions bien établies comme ALK et ROS1, dans le cancer du poumon. Il souligne que des fusions émergentes, impliquant des récepteurs tyrosine kinases ou leurs ligands, telles que EGFR-SHC1, révèlent de nouveaux mécanismes d'activation oncogénique. Ces découvertes orientent la médecine de précision vers une ère d'oncologie "ultraprécision", permettant des stratégies de traitement de plus en plus individualisées pour les patients atteints de cancer.

Cette étude a mené une analyse multi-omique approfondie du carcinome sarcomatoïde pulmonaire (CSP), un cancer du poumon rare et agressif. En intégrant des données de séquençage d'exome entier, transcriptomiques, protéomiques et phosphoprotéomiques de 86 patients, ainsi que du séquençage d'ARN unicellulaire, les chercheurs ont caractérisé cette maladie. Ils ont identifié une signature de suppression de la ferroptose élevée, rendant les tumeurs vulnérables au ciblage de FTL et SLC3A2. L'étude a également révélé des sous-types de patients distincts basés sur le profil protéomique et a mis en évidence le rôle de la transition épithélio-mésenchymateuse dans la progression tumorale et la résistance à l'immunothérapie.

Une nouvelle étude a développé et validé un modèle de marqueurs de méthylation de l'ADN basé sur le sang (BBDMM) pour prédire le risque de cancer du poumon. Ce modèle utilise des sites CpG informatifs identifiés par des études d'association pangénomiques (EWAS). Il a été développé et validé en interne sur une cohorte allemande de plus de 2 400 participants, puis validé en externe sur des cohortes norvégiennes. Le BBDMM a démontré une excellente capacité de discrimination, avec des AUC de 0,84 et 0,85, et une stabilité prédictive sur des périodes allant jusqu'à 18 ans avant le diagnostic. Ces résultats suggèrent un potentiel significatif pour l'amélioration du dépistage du cancer du poumon.

Le cancer du poumon est une maladie mortelle nécessitant des stratégies de détection précoce efficaces, les approches actuelles basées sur l'ADNcf manquant souvent de sensibilité aux stades précoces. Cette étude a développé une nouvelle caractéristique computationnelle, la probabilité de transition de premier ordre (FOTP), pour analyser les dépendances séquentielles des nucléotides dans les fragments d'ADNcf. En utilisant des données de séquençage du génome entier à faible couverture, un modèle SVM entraîné avec FOTP a atteint une sensibilité de 73,9% pour le cancer du poumon de stade I et de 81,8% pour le stade II, avec 95% de spécificité. Cette méthode, qui surpasse les caractéristiques fragmentomiques existantes, est biologiquement interprétable et offre une stratégie évolutive pour le dépistage précoce du cancer.

Les biopsies de cancer du poumon sont souvent limitées en matériel, rendant difficile la réalisation de tests moléculaires prédictifs sans re-biopsie. Cette étude a exploré la faisabilité d'utiliser des lames diagnostiques de routine, colorées à l'hématoxyline et à l'éosine ou immuno-marquées, pour l'analyse moléculaire. Sur 40 échantillons de biopsies pulmonaires, l'extraction d'ADN et le séquençage ciblé de nouvelle génération ont été réalisés avec succès pour 33 cas. Les résultats ont montré une concordance élevée des variants détectés, suggérant que cette approche est une alternative viable pour les tests moléculaires.

Cette étude explore l'impact des distributions non-iid (Non-IIDness) sur la performance des modèles d'apprentissage fédéré (FL) pour la prédiction de survie dans les données de cancer du poumon. Les chercheurs ont comparé les algorithmes Random Forest (RF) et AdaBoost dans divers scénarios de décalage de distribution des données entre les clients. Les résultats montrent que la performance des deux algorithmes diminue significativement dans des conditions de forte non-iid. Cependant, Random Forest a systématiquement surpassé AdaBoost dans ces scénarios difficiles. L'algorithme FL développé pourrait permettre la personnalisation et l'ajustement fin des modèles, avec une applicabilité potentielle à d'autres ensembles de données cliniques.