Forudsigelse i Silico af patologisk respons i en prospektiv kohorteundersøgelse af tidlige brystkræftpatienter (NEOEPICURE)

Brystkræft (BC) er den mest almindelige kræftform hos kvinder i Frankrig med næsten 58.500 nye tilfælde og 12.150 dødsfald anslået i 2018.

To store resultater er opnået i de sidste fem år for brystkræftpatienter. Den første er terapeutisk med godkendelse af immuncheckpoint-hæmmere i avanceret og tidlig trippel-negativ BC (TNBC) og den imponerende effekt af nyt antistof-lægemiddel konjugeret i alle BC-undertyper. Den anden er konceptuel med generaliseringen af ​​adaptive terapeutiske strategier styret af patologiske responser efter neoadjuverende terapi i tidlig TNBC, HER2+, HR+ og BRCA muteret brystkræft. Dette nye paradigme i behandlingen af ​​cancerpatienter omdefinerede fuldstændigt prognostiske faktorer, som tidligere blev etableret med konventionelle tilgange. Patologisk respons forbliver en vigtig prognostisk faktor, især for TNBC og HER2 tidlig brystkræft. Denne parameter evalueres dog ved afslutningen af ​​neoadjuverende behandling, og for patienter med resterende sygdom forbliver prognosen dårlig trods nogle adaptive strategier.

Vores projekt er at integrere massive og heterogene data vedrørende sygdommen (kliniske og biologiske data, billeddannelse og histologiske resultater (med multi-omics data)) og patientens miljø, personlige og familiære historie. Disse data er flere og har dynamiske interaktioner over tid. Ved hjælp af matematiske enheder med biologiske kompetencer og videnskabelige samarbejder er vores projekt at forbedre forudsigelsen af ​​behandlingsrespons, baseret på klinisk og molekylær heterogen big data undersøgelse.

Hovedformålet med dette projekt er at oprette en klinikbiologisk database prospektivt ved at indsamle prospektive kliniske, biologiske, patologiske og multiomiske data fra 300 patienter med tidlig BC behandlet på ICO for at definere en algoritme for individuel beslutning til forudsigelse af reaktionen på denne behandling.