Anticiper la réponse à l’immunothérapie dans des cancers du poumon métastatiques

Des travaux statuent sur l’efficacité d’une recherche de multiples indices pour anticiper la réponse à l’immunothérapie de patients traités pour un cancer du poumon non à petites cellules au stade métastatique.

Pour les patients atteints d’un cancer du poumon dit « non à petites cellules » (environ 80% des cas de cancers pulmonaires) au stade métastatique, la prise en charge commence par une analyse du profil génétique de la tumeur et la recherche de mutations. Si certaines sont détectées, elles ouvrent la porte à des traitements par thérapies ciblées. Mais pour la très grande majorité des patients, dont les cellules cancéreuses ne portent pas de telles anomalies génétiques, la prise en charge standard repose sur une immunothérapie (des anticorps anti-PD1 ou anti-PDL1) associée ou non à une chimiothérapie. Même si cette approche permet de changer le pronostic de nombreux patients, elle n’est malheureusement efficace que dans 50 % des cas à peine. Être en mesure d’anticiper cette réponse thérapeutique est un enjeu majeur pour la prise en charge des patients, à qui d’autres traitements doivent rapidement être proposés si l’on anticipe qu’ils ne bénéficieront pas des immunothérapies.

Dans l’équipe d’Emmanuel Barillot, à l’Institut Curie (Paris), que nous avons soutenue entre 2020 et 2024, un travail considérable a été mené pour mettre au point une méthode capable de prédire cette réponse. L’idée générale était de comparer le pouvoir prédictif de multiples biomarqueurs potentiels, pris indépendamment ou considérés collectivement.

Données cliniques, examen microscopique d’échantillons tumoraux, données d’imagerie et de transcriptomique*… Tout ou partie de ces éléments étaient recueillis au diagnostic des 317 patients touchés par un cancer du poumon non à petites cellules métastatique et traités par immunothérapie avec ou sans chimiothérapie. Les chercheurs ont donc jaugé la valeur pronostic de différents biomarqueurs « simples » : le niveau d’expression de PD-L1 dans l’échantillon tumoral (le seul biomarqueur actuellement considéré comme valable en clinique pour anticiper la réponse aux inhibiteurs de points de contrôle immunitaires), la quantité de mutations détectées dans le patrimoine génétique des tumeurs, la quantité et la nature des cellules immunitaires infiltrées dans la tumeur… Globalement, la capacité de ces trois variables à prédire l’évolution clinique des patients était faible, voire nul.

Finalement, les données ont commencé à parler quand elles ont été considérées collectivement : les outils de machine learning ont en effet permis aux chercheurs d’obtenir des niveaux de prédiction bien plus élevés lorsque les données de différentes natures leurs étaient fournies. En l’occurrence, la survie globale et le risque de décès à un an étaient particulièrement bien anticipés lorsque les modèles prédictifs étaient fusionnés tardivement (on fait d’abord travailler les algorithmes sur les données prises indépendamment et les résultats obtenus sont fusionnés dans un second temps). Quand les données étaient d’abord rassemblées puis soumises à l’algorithme (fusion dite précoce), celui-ci était plus efficace pour prédire la survie sans progression (c’est-à-dire la durée sans nouvelle croissance tumorale) ou le risque de progression dans les six mois.

Dans leur ensemble, ces résultats appellent les chercheurs à promouvoir le recueil systématique de données multiples, afin de disposer des meilleurs indicateurs possibles pour orienter la prise en charge des patients. Un objectif qui, de façon très pragmatique, nécessitera des investissements conséquents et qui, dans un premier temps, devra se réaliser à travers la constitution de cohortes de patients, dans le cadre de travaux de recherche clinique, pour renforcer les résultats obtenus.

* la transcriptomique est l’étude (qualitative et/ou quantitative) de la collection de tous les ARN contenus dans un échantillon (comme c’est le cas dans cette étude) ou dans une seule cellule. Les ARN sont les molécules produites à partir de l’ADN, et à partir desquelles sont fabriquée les protéines. Le transcriptome donne donc une vision des gènes qui sont exprimés à un moment donné dans un tissu, une cellule.

R.D.
Source : Captier, N et al ; Integration of clinical, pathological, radiological, and transcriptomic data improves prediction for first-line immunotherapy outcome in metastatic non-small cell lung cancer ; Nature Communications ; Janvier 2025