Recherche translationnelle sur le cancer

Rappelons qu’une autre application numérique développée par l’équipe du Professeur Fabrice Denis, radiothérapeute au Mans, et testée sur 133 patents, avait déjà été remarquée en 2016 à l’ASCO, en raison de ses résultats remarquables. Baptisé Moovcare, ce petit programme, très simple d’utilisation, consiste à demander au patient de remplir chaque semaine un très court questionnaire électronique de santé, comportant douze indicateurs soigneusement choisis. Là encore, cet outil permet d'envoyer un message d'alerte à l'équipe soignante en cas d’anomalies pouvant signaler une possible rechute de la maladie. Les résultats de cette étude ont été pour le moins étonnants, puisqu’au bout de 18 mois, les chercheurs ont constaté trois fois moins de décès parmi les utilisateurs de l'application, ce qui montre la puissance et les potentialités préventives et thérapeutiques de la télésanté en cancérologie.

EMBL researchers have designed a computational method to jointly analyse multiple types of molecular data from patients in order to identify molecular signatures that distinguish individuals. The method is called Multi-Omics Factor Analysis (MOFA), and was published in Molecular Systems Biology today. MOFA could be particularly useful for understanding cancer development, improving diagnosis and suggesting new directions for personalised treatment.

The researchers tested their new method on multi-omics data collected from 200 leukemia patients. MOFA identified a series of factors that highlight the molecular variability between patients. This information could help researchers understand how cancer develops at an individual level. It could also help steer personalised treatment decisions.

"The big challenge in cancer is that each patient's disease is different from a molecular point of view and has a unique set of molecular features that have led to its development," explains Ricard Argelaguet, Predoctoral Fellow in the Stegle group at the European Bioinformatics Institute (EMBL-EBI). "Our method allows researchers to do something that couldn't be done before -- to easily integrate complex molecular data from DNA, RNA, methylation and more to build a tumour's molecular profile. Using these profiles, the method can also stratify patients into groups that may benefit from different types of treatment."

"Our objective was to come up with a method that could easily be used by clinical researchers, so we worked with colleagues from the field to understand their needs and challenges," continues Britta Velten, Predoctoral Fellow in the Huber group at EMBL Heidelberg. "We combined expertise from maths, statistics, machine learning, biology and clinical medicine to come up with a robust and practical method, which will hopefully help researchers in a clinical setting to improve cancer diagnosis and treatment."

In a second application, the researchers also used MOFA to analyse multi-omics data at single-cell resolution. They are currently working on further improving the method so that it can cope with even larger data sets and additional experimental designs.

What is multiomics data?

Multi-omics approaches integrate data from the genome, epigenome, transcriptome, metabolome, and other molecular data. These data types have different properties and dimensions and are difficult to integrate into a comprehensive analysis to build an individual's molecular profile.

However, by combining multiple molecular data types (multi-omics), researchers can identify biomarkers -- naturally occurring molecules, genes or molecular characteristics associated with a particular disease. Biomarkers are essential for clinical research and can be used to classify patients into different patient groups. By measuring biomarkers, we can understand a patient's disease better and estimate what kind of treatment they will respond to best.

---

Les chercheurs de l'EMBL ont conçu une méthode computationnelle pour analyser conjointement plusieurs types de données moléculaires provenant de patients afin d'identifier les signatures moléculaires qui distinguent les individus. La méthode est appelée analyse factorielle multi-omique (MOFA) et a été publiée aujourd'hui dans Molecular Systems Biology. Le MOFA pourrait être particulièrement utile pour comprendre le développement du cancer, améliorer le diagnostic et suggérer de nouvelles directions pour un traitement personnalisé.

Les chercheurs ont testé leur nouvelle méthode sur des données multi-omiques recueillies auprès de 200 patients atteints de leucémie. MOFA a identifié une série de facteurs qui mettent en évidence la variabilité moléculaire entre les patients. Cette information pourrait aider les chercheurs à comprendre comment le cancer se développe à un niveau individuel. Cela pourrait également aider à orienter les décisions de traitement personnalisées.

"Le grand défi du cancer est que la maladie de chaque patient est différente d'un point de vue moléculaire et possède un ensemble unique de caractéristiques moléculaires qui ont conduit à son développement", explique Ricard Argelaguet, chercheur boursier du groupe Stegle de l'Institut Européen de Bioinformatique (EMBL-EBI). "Notre méthode permet aux chercheurs de faire quelque chose qui ne pouvait pas être fait auparavant - intégrer facilement les données moléculaires complexes de l'ADN, de l'ARN, de la méthylation et plus encore pour construire le profil moléculaire d'une tumeur. qui peut bénéficier de différents types de traitement. "

«Notre objectif était de trouver une méthode qui pourrait facilement être utilisée par les chercheurs cliniques. Nous avons donc travaillé avec des collègues sur le terrain pour comprendre leurs besoins et leurs défis», poursuit Britta Velten, membre du groupe Huber de l'EMBL Heidelberg. «Nous avons combiné l'expertise des mathématiques, des statistiques, de l'apprentissage automatique, de la biologie et de la médecine clinique pour trouver une méthode robuste et pratique qui, espérons-le, aidera les chercheurs dans un milieu clinique à améliorer le diagnostic et le traitement du cancer.

Dans une seconde application, les chercheurs ont également utilisé MOFA pour analyser des données multi-omiques à une résolution de cellule unique. Ils travaillent actuellement à améliorer encore la méthode afin qu'elle puisse faire face à des ensembles de données encore plus grands et à des conceptions expérimentales supplémentaires.

Qu'est-ce que les données multi-nomiques?

Les approches multi-omiques intègrent des données issues du génome, de l'épigénome, du transcriptome, du métabolome et d'autres données moléculaires. Ces types de données ont des propriétés et des dimensions différentes et sont difficiles à intégrer dans une analyse complète pour construire le profil moléculaire d'un individu.

Cependant, en combinant plusieurs types de données moléculaires (multi-omiques), les chercheurs peuvent identifier des biomarqueurs - des molécules naturelles, des gènes ou des caractéristiques moléculaires associés à une maladie particulière. Les biomarqueurs sont essentiels pour la recherche clinique et peuvent être utilisés pour classer les patients en différents groupes de patients. En mesurant les biomarqueurs, nous pouvons mieux comprendre la maladie d'un patient et estimer quel type de traitement il répondra le mieux.

Before performing radiation therapy, radiation oncologists first carefully review medical images of a patient to identify the gross tumor volume -- the observable portion of the disease. They then design patient-specific clinical target volumes that include surrounding tissues, since these regions can hide cancerous cells and provide pathways for metastasis.

Known as contouring, this process establishes how much radiation a patient will receive and how it will be delivered. In the case of head and neck cancer, this is a particularly sensitive task due to the presence of vulnerable tissues in the vicinity.

Though it may sound straightforward, contouring clinical target volumes is quite subjective. A recent study from Utrecht University found wide variability in how trained physicians contoured the same patient's computed tomography (CT) scan, leading some doctors to suggest high-risk clinical target volumes eight times larger than their colleagues.

This inter-physician variability is a problem for patients, who may be over- or under-dosed based on the doctor they work with. It is also a problem for determining best practices, so standards of care can emerge.

Recently, Carlos Cardenas, a graduate research assistant and PhD candidate at The University of Texas MD Anderson Cancer Center in Houston, Texas, and a team of researchers at MD Anderson, working under the supervision of Laurence Court with support from the National Institutes of Health, developed a new method for automating the contouring of high-risk clinical target volumes using artificial intelligence and deep neural networks.

They report their results in the June 2018 issue of the International Journal of Radiation Oncology*Biology*Physics.

Cardenas' work focuses on translating a physician's decision-making process into a computer program. "We have a lot of clinical data and radiation therapy treatment plan data at MD Anderson," he said. "If we think about the problem in a smart way, we can replicate the patterns that our physicians are using to treat specific types of tumors."

In their study, they analyzed data from 52 oropharyngeal cancer patients who had been treated at MD Anderson between January 2006 to August 2010, and had previously had their gross tumor volumes and clinical tumor volumes contoured for their radiation therapy treatment.

Cardenas spent a lot of time observing the radiation oncology team at MD Anderson, which has one of the few teams of head and neck subspecialist oncologists in the world, trying to determine how they define the targets.

"For high-risk target volumes, a lot of times radiation oncologists use the existing gross tumor disease and apply a non-uniform distance margin based on the shape of the tumor and its adjacent tissues," Cardenas said. "We started by investigating this first, using simple distance vectors."

Cardenas began the project in 2015 and had quickly accumulated an unwieldy amount of data to analyze. He turned to deep learning as a way of mining that data and uncovering the unwritten rules guiding the experts' decisions.

The deep learning algorithm he developed uses auto-encoders -- a form of neural networks that can learn how to represent datasets -- to identify and recreate physician contouring patterns.

The model uses the gross tumor volume and distance map information from surrounding anatomic structures as its inputs. It then classifies the data to identify voxels -- three-dimensional pixels -- that are part of the high-risk clinical target volumes. In oropharyngeal cancer cases, the head and neck are usually treated with different volumes for high, low and intermediate risk. The paper described automating the target for the high-risk areas. Additional forthcoming papers will describe the low and intermediate predictions.

Cardenas and his collaborators tested the method on a subset of cases that had been left out of the training data. They found that their results were comparable to the work of trained oncologists. The predicted contours agreed closely with the ground-truth and could be implemented clinically, with only minor or no changes.

In addition to potentially reducing inter-physician variability and allowing comparisons of outcomes in clinical trials, a tertiary advantage of the method is the speed and efficiency it offers. It takes a radiation oncologist two to four hours to determine clinical target volumes. At MD Anderson, this result is then peer reviewed by additional physicians to minimize the risk of missing the disease.

Using the Maverick supercomputer at the Texas Advanced Computing Center (TACC), they were able to produce clinical target volumes in under a minute. Training the system took the longest amount of time, but for that step too, TACC resources helped speed up the research significantly.

"If we were to do it on our local GPU [graphics processing unit], it would have taken two months," Cardenas said. "But we were able to parallelize the process and do the optimization on each patient by sending those paths to TACC and that's where we found a lot of advantages by using the TACC system."

"In recent years, we have seen an explosion of new projects using deep learning on TACC systems," said Joe Allen, a Research Associate at TACC. "It is exciting and fulfilling for us to be able to support Carlos's research, which is so closely tied to real medical care."

The project is specifically intended to help low-and-middle income countries where expertise in contouring is rarer, although it is likely that the tools will also be useful in the U.S.

Cardenas says such a tool could also greatly benefit clinical trials by allowing one to more easily compare the outcomes of patients treated at two different institutions.

Speaking about the integration of deep learning into cancer care, he said: "I think it's going to change our field. Some of these recommender systems are getting to be very good and we're starting to see systems that can make predictions with a higher accuracy than some radiologists can. I hope that the clinical translation of these tools provides physicians with additional information that can lead to better patient treatments."

---

Avant d'effectuer une radiothérapie, les radio-oncologues examinent d'abord attentivement les images médicales d'un patient pour identifier le volume tumoral brut - la partie observable de la maladie. Ils conçoivent ensuite des volumes cibles cliniques spécifiques au patient qui incluent les tissus environnants, car ces régions peuvent cacher les cellules cancéreuses et fournir des voies de métastases.

Connu sous le nom de contournage, ce processus établit combien de rayonnement un patient recevra et comment il sera livré. Dans le cas du cancer de , il s'agit d'une tâche particulièrement délicate en raison de la présence de tissus vulnérables à proximité.

Bien que cela puisse sembler simple, contourner les volumes cibles cliniques est assez subjectif. Une étude récente de l'Université d'Utrecht a révélé une grande variabilité dans la façon dont les médecins formés profilaient la tomodensitométrie du même patient, conduisant certains médecins à suggérer des volumes cibles cliniques à haut risque huit fois plus importants que leurs collègues.

Cette variabilité inter-médecins est un problème pour les patients, qui peuvent être sur-ou sous-dosés en fonction du médecin avec lequel ils travaillent. C'est également un problème pour déterminer les meilleures pratiques, donc les normes de soins peuvent émerger.

Récemment, Carlos Cardenas, un assistant de recherche diplômé et candidat au doctorat à l'Université du Texas MD Anderson Cancer Center à Houston, Texas, et une équipe de chercheurs à MD Anderson, travaillant sous la supervision de Laurence Court avec le soutien des National Institutes of Health , développé une nouvelle méthode pour automatiser le contour des volumes cibles cliniques à haut risque en utilisant l'intelligence artificielle et les réseaux de neurones profonds.

Ils rapportent leurs résultats dans le numéro de juin 2018 de la Revue internationale de radio-oncologie * Biologie * Physique.

Le travail de Cardenas se concentre sur la traduction du processus décisionnel d'un médecin en un programme informatique. «Nous avons beaucoup de données cliniques et de données sur le plan de traitement de la radiothérapie chez MD Anderson», a-t-il déclaré. "Si nous pensons intelligemment au problème, nous pouvons reproduire les modèles que nos médecins utilisent pour traiter des types spécifiques de tumeurs."

Dans leur étude, ils ont analysé les données de 52 patients atteints de cancer de l'oropharynx qui avaient été traités à MD Anderson entre janvier 2006 et août 2010, et avaient précédemment leurs volumes tumoraux bruts et les volumes tumoraux cliniques profilés pour leur traitement de radiothérapie.

Cardenas a passé beaucoup de temps à observer l'équipe de radio-oncologie de MD Anderson, qui compte l'une des rares équipes d'oncologues spécialistes de la tête et du cou au monde, à essayer de déterminer comment ils définissent les cibles.

«Pour les volumes cibles à haut risque, les radio-oncologues utilisent souvent la tumeur tumorale existante et appliquent une marge de distance non uniforme en fonction de la forme de la tumeur et de ses tissus adjacents», a déclaré Cardenas. "Nous avons commencé par étudier cela en premier, en utilisant des vecteurs de distance simples."

Cardenas a commencé le projet en 2015 et a rapidement accumulé une quantité de données difficile à analyser. Il s'est tourné vers l'apprentissage en profondeur pour extraire ces données et découvrir les règles non écrites guidant les décisions des experts.

L'algorithme d'apprentissage en profondeur qu'il a développé utilise des auto-encodeurs - une forme de réseaux de neurones qui peuvent apprendre à représenter des ensembles de données - pour identifier et recréer les profils de contour des médecins.

Le modèle utilise le volume brut tumoral et les informations de carte de distance des structures anatomiques environnantes comme entrées. Il classe ensuite les données pour identifier les voxels - les pixels tridimensionnels - qui font partie des volumes cibles cliniques à haut risque. Dans les cas de cancer de l'oropharynx, la tête et le cou sont habituellement traités avec des volumes différents pour un risque élevé, faible et intermédiaire. L'article décrit l'automatisation de la cible pour les zones à haut risque. Des articles à venir décriront les prédictions faibles et intermédiaires.

Cardenas et ses collaborateurs ont testé la méthode sur un sous-ensemble de cas qui avaient été exclus des données d'apprentissage. Ils ont constaté que leurs résultats étaient comparables au travail des oncologues qualifiés. Les contours prédits étaient en accord étroit avec la vérité du terrain et pouvaient être mis en œuvre cliniquement, avec seulement des changements minimes ou aucun changement.

En plus de réduire potentiellement la variabilité inter-médecins et de permettre des comparaisons des résultats dans les essais cliniques, un avantage tertiaire de la méthode est la rapidité et l'efficacité qu'elle offre. Il faut deux à quatre heures à un radio-oncologue pour déterminer les volumes cibles cliniques. À MD Anderson, ce résultat est ensuite examiné par des médecins supplémentaires afin de minimiser le risque de manquer la maladie.

En utilisant le supercalculateur Maverick du Texas Advanced Computing Center (TACC), ils ont pu produire des volumes de cibles cliniques en moins d'une minute. L'entrainement du système a pris le plus de temps, mais pour cette étape également, les ressources de la CCAT ont permis d'accélérer considérablement la recherche.

"Si nous avions dû le faire sur notre GPU local [unité de traitement graphique], cela aurait pris deux mois", a déclaré Cardenas. "Mais nous étions en mesure de paralléliser le processus et de faire l'optimisation sur chaque patient en envoyant les deux sources au TACC et c'est où le TACC est utile

"Ces dernières années, nous avons vu une explosion de nouveaux projets utilisant l'apprentissage en profondeur sur les systèmes TACC", a déclaré Joe Allen. »Il est passionnant et enrichissant pour nous d'être en mesure de soutenir la recherche de Carlos, qui est si étroitement liée à de vrais soins médicaux.»

Le projet est spécifiquement destiné à aider les pays à revenu faible et moyen où l'expertise dans le contouring est plus rare, bien qu'il soit probable que les outils seront également utiles aux États-Unis.

Cardenas dit qu'un tel outil pourrait également grandement bénéficier aux essais cliniques en permettant de comparer plus facilement les résultats des patients traités dans deux institutions différentes.

Il a déclaré: «Je pense que cela va changer notre domaine. Certains de ces systèmes de recommandation commencent à être très bons et nous commençons à voir des systèmes qui peuvent faire des prédictions avec une plus grande précision que certains radiologues peuvent le faire. J'espère que la traduction clinique de ces outils fournira aux médecins de l'information supplémentaire pouvant mener à de meilleurs traitements pour les patients.

Attempts to eradicate cancer are often compared to a "moonshot" -- the successful effort that sent the first astronauts to the moon.

But imagine if, instead of Newton's second law of motion, which describes the relationship between an object's mass and the amount of force needed to accelerate it, we only had reams of data related to throwing various objects into the air.

This, says Thomas Yankeelov, approximates the current state of cancer research: data-rich, but lacking governing laws and models.

The solution, he believes, is not to mine large quantities of patient data, as some insist, but to mathematize cancer: to uncover the fundamental formulas that represent how cancer, in its many varied forms, behaves.

"We're trying to build models that describe how tumors grow and respond to therapy," said Yankeelov, director of the Center for Computational Oncology at The University of Texas at Austin (UT Austin) and director of Cancer Imaging Research in the LIVESTRONG Cancer Institutes of the Dell Medical School. "The models have parameters in them that are agnostic, and we try to make them very specific by populating them with measurements from individual patients."

The Center for Computational Oncology (part of the broader Institute for Computational Engineering and Sciences, or ICES) is developing complex computer models and analytic tools to predict how cancer will progress in a specific individual, based on their unique biological characteristics.

In December 2017, writing in Computer Methods in Applied Mechanics and Engineering, Yankeelov and collaborators at UT Austin and Technical University of Munich, showed that they can predict how brain tumors (gliomas) will grow and respond to X-ray radiation therapy with much greater accuracy than previous models. They did so by including factors like the mechanical forces acting on the cells and the tumor's cellular heterogeneity. The paper continues research first described in the Journal of The Royal Society Interface in April 2017.

"We're at the phase now where we're trying to recapitulate experimental data so we have confidence that our model is capturing the key factors," he said.

To develop and implement their mathematically complex models, the group uses the advanced computing resources at the Texas Advanced Computing Center (TACC). TACC's supercomputers enable researchers to solve bigger problems than they otherwise could and reach solutions far faster than with a single computer or campus cluster.

According to ICES Director J. Tinsley Oden, mathematical models of the invasion and growth of tumors in living tissue have been "smoldering in the literature for a decade," and in the last few years, significant advances have been made.

"We're making genuine progress to predict the growth and decline of cancer and reactions to various therapies," said Oden, a member of the National Academy of Engineering.

Model Selection and Testing

Over the years, many different mathematical models of tumor growth have been proposed, but determining which is most accurate at predicting cancer progression is a challenge.

In October 2016, writing in Mathematical Models and Methods in Applied Sciences, the team used a study of cancer in rats to test 13 leading tumor growth models to determine which could predict key quantities of interest relevant to survival, and the effects of various therapies.

They applied the principle of Occam's razor, which says that where two explanations for an occurrence exist, the simpler one is usually better. They implemented this principle through the development and application of something they call the "Occam Plausibility Algorithm," which selects the most plausible model for a given dataset and determines if the model is a valid tool for predicting tumor growth and morphology.

The method was able to predict how large the rat tumors would grow within 5 to 10 percent of their final mass.

"We have examples where we can gather data from lab animals or human subjects and make startlingly accurate depictions about the growth of cancer and the reaction to various therapies, like radiation and chemotherapy," Oden said.

The team analyzes patient-specific data from magnetic resonance imaging (MRI), positron emission tomography (PET), x-ray computed tomography (CT), biopsies and other factors, in order to develop their computational model.

Each factor involved in the tumor response -- whether it is the speed with which chemotherapeutic drugs reach the tissue or the degree to which cells signal each other to grow -- is characterized by a mathematical equation that captures its essence.

"You put mathematical models on a computer and tune them and adapt them and learn more," Oden said. "It is, in a way, an approach that goes back to Aristotle, but it accesses the most modern levels of computing and computational science."

The group tries to model biological behavior at the tissue, cellular and cell signaling levels. Some of their models involve 10 species of tumor cells and include elements like cell connective tissue, nutrients and factors related to the development of new blood vessels. They have to solve partial differential equations for each of these elements and then intelligently couple them to all the other equations.

"This is one of the most complicated projects in computational science. But you can do anything with a supercomputer," Oden said. "There's a cascading list of models at different scales that talk to each other. Ultimately, we're going to need to learn to calibrate each and compute their interactions with each other."

From Computer to Clinic

The research team at UT Austin -- which comprises 30 faculty, students, and postdocs -- doesn't only develop mathematical and computer models. Some researchers work with cell samples in vitro; some do pre-clinical work in mice and rats. And recently, the group has begun a clinical study to predict, after one treatment, how an individual's cancer will progress, and use that prediction to plan the future course of treatment.

At Vanderbilt University, Yankeelov's previous institution, his group was able to predict with 87 percent accuracy whether a breast cancer patient would respond positively to treatment after just one cycle of therapy. They are trying to reproduce those results in a community setting and extend their models by adding new factors that describe how the tumor evolves.

The combination of mathematical modeling and high-performance computing may be the only way to overcome the complexity of cancer, which is not one disease but more than a hundred, each with numerous sub-types.

"There are not enough resources or patients to sort this problem out because there are too many variables. It would take until the end of time," Yankeelov said. "But if you have a model that can recapitulate how tumors grow and respond to therapy, then it becomes a classic engineering optimization problem. 'I have this much drug and this much time. What's the best way to give it to minimize the number of tumor cells for the longest amount of time?'"

Computing at TACC has helped Yankeelov accelerate his research. "We can solve problems in a few minutes that would take us 3 weeks to do using the resources at our old institution," he said. "It's phenomenal."

According to Oden and Yankeelov, there are very few research groups trying to sync clinical and experimental work with computational modeling and state-of-the-art resources like the UT Austin group.

"There's a new horizon here, a more challenging future ahead where you go back to basic science and make concrete predictions about health and well-being from first principles," Oden said.

Said Yankeelov: "The idea of taking each patient as an individual to populate these models to make a specific prediction for them and someday be able to take their model and then try on a computer a whole bunch of therapies on them to optimize their individual therapy -- that's the ultimate goal and I don't know how you can do that without mathematizing the problem."

---

Les tentatives d'éradication du cancer sont souvent comparées à un "moonshot" - l'effort réussi qui a envoyé les premiers astronautes sur la lune.

Mais imaginez si, au lieu de la seconde loi du mouvement de Newton, qui décrit la relation entre la masse d'un objet et la quantité de force nécessaire pour l'accélérer, nous n'avions que des tonnes de données relatant divers objets dans l'air.

Cela, dit Thomas Yankeelov, se rapproche de l'état actuel de la recherche sur le cancer: riche en données, mais manquant de lois et de modèles.

La solution, croit-il, n'est pas d'extraire de grandes quantités de données sur les patients, comme certains le prétendent, mais de mathématiser le cancer: découvrir les formules fondamentales qui représentent le comportement du cancer sous ses diverses formes.

"Nous essayons de construire des modèles qui décrivent comment les tumeurs se développent et répondent à la thérapie", a déclaré Yankeelov, directeur du Centre for Computational Oncology à l'Université du Texas à Austin (UT Austin) et directeur de Cancer Imaging Research dans le cancer LIVESTRONG Instituts de l'école de médecine Dell. "Les modèles ont des paramètres qui sont sans lois, et nous essayons de les rendre très spécifiques avec des mesures de patients individuels."

Le Centre for Computational Oncology (qui fait partie de l'ICIS) développe des modèles informatiques complexes et des outils analytiques pour prédire la progression du cancer chez un individu spécifique, en fonction de ses caractéristiques biologiques uniques.

En décembre 2017, Yankeelov et ses collaborateurs de l'UT Austin et de l'Université technique de Munich ont écrit qu'ils pouvaient prédire comment les tumeurs cérébrales (gliomes) grandiraient et répondraient à la radiothérapie aux rayons X avec plus de précisions que les modèles précédents. Ils l'ont fait en incluant des facteurs tels que les forces mécaniques agissant sur les cellules et l'hétérogénéité cellulaire de la tumeur. Le document poursuit la recherche décrite dans le Journal de la Royal Society Interface en avril 2017.

"Nous sommes à la phase actuelle où nous essayons de récapituler les données expérimentales afin que nous ayons confiance que notre modèle capture les facteurs clés", a-t-il dit.

Pour développer et mettre en œuvre leurs modèles mathématiquement complexes, le groupe utilise les ressources informatiques avancées du Texas Advanced Computing Center (TACC). Les superordinateurs de TACC permettent aux chercheurs de résoudre des problèmes plus importants qu'ils ne le pourraient autrement et d'atteindre des solutions beaucoup plus rapidement qu'avec un seul ordinateur ou une seule unité de campus.

Selon le directeur du CIEM, J. Tinsley Oden, les modèles mathématiques de l'invasion et de la croissance des tumeurs dans les tissus vivants «couvent dans la littérature depuis une décennie» et, au cours des dernières années, des progrès significatifs ont été réalisés.

"Nous faisons de réels progrès pour prédire la croissance et le déclin du cancer et les réactions à diverses thérapies", a déclaré Oden, un membre de la National Academy of Engineering.

Sélection du modèle et test

Au fil des années, de nombreux modèles mathématiques différents de la croissance tumorale ont été proposés, mais la détermination de ce qui est le plus précis pour prédire la progression du cancer est un défi.

En octobre 2016, l'équipe a utilisé une étude sur le cancer chez le rat pour tester 13 modèles de croissance tumorale afin de déterminer lesquels pourraient prédire les quantités clés d'intérêt pour la survie et les effets de diverses thérapies.

Ils ont appliqué le principe du rasoir d'Occam, qui dit que lorsque deux explications d'un événement existent, la plus simple est généralement meilleure. Ils ont mis en œuvre ce principe en développant et en appliquant ce qu'ils appellent «l'algorithme de plausibilité Occam», qui sélectionne le modèle le plus plausible pour un ensemble de données donné et détermine si le modèle est un outil valide pour prédire la croissance et la morphologie tumorales.

La méthode était capable de prédire la taille des tumeurs du rat dans une proportion de 5 à 10% de leur masse finale.

"Nous avons des exemples où nous pouvons rassembler des données d'animaux de laboratoire ou de sujets humains et faire des descriptions étonnamment précises sur la croissance du cancer et la réaction à diverses thérapies, comme la radiothérapie et la chimiothérapie", a déclaré Oden.

L'équipe analyse les données spécifiques au patient provenant de l'imagerie par résonance magnétique (IRM), de la tomographie par émission de positrons (TEP), de la tomodensitométrie (TDM), des biopsies et d'autres facteurs afin de développer leur modèle de calcul.

Chaque facteur impliqué dans la réponse tumorale - que ce soit la vitesse à laquelle les médicaments chimiothérapeutiques atteignent le tissu ou le degré auquel les cellules se signalent pour se développer - est caractérisé par une équation mathématique qui capture son essence.

"Vous mettez des modèles mathématiques sur un ordinateur et les syntoniser et les adapter et en apprendre plus", a déclaré Oden. "C'est, en quelque sorte, une approche qui remonte à Aristote, mais il accède aux niveaux les plus modernes de l'informatique et de la science computationnelle."

Le groupe tente de modéliser le comportement biologique au niveau du tissu, de la cellule et de la cellule. Certains de leurs modèles impliquent 10 espèces de cellules tumorales et comprennent des éléments comme le tissu conjonctif cellulaire, les nutriments et les facteurs liés au développement de nouveaux vaisseaux sanguins. Ils doivent résoudre des équations aux dérivées partielles pour chacun de ces éléments et les coupler intelligemment à toutes les autres équations.

"C'est l'un des projets les plus compliqués de la science computationnelle, mais vous pouvez tout faire avec un supercalculateur", a déclaré Oden. «Il y a une liste en cascade de modèles à différentes échelles qui se parlent entre eux, et finalement, nous allons devoir apprendre à les calibrer et à calculer leurs interactions les uns avec les autres.

De l'ordinateur à la clinique

L'équipe de recherche de l'UT Austin - qui comprend 30 professeurs, étudiants et postdocs - ne développe pas seulement des modèles mathématiques et informatiques. Certains chercheurs travaillent avec des échantillons cellulaires in vitro; certains font un travail pré-clinique chez la souris et le rat. Et récemment, le groupe a commencé une étude clinique pour prédire, après un traitement, comment le cancer d'un individu va progresser, et utiliser cette prévision pour planifier l'évolution future du traitement.

À l'université Vanderbilt, l'établissement précédent de Yankeelov, son groupe était capable de prédire avec 87% de précision si un patient atteint de cancer du sein répondrait positivement au traitement après seulement un cycle de thérapie. Ils essaient de reproduire ces résultats dans un contexte communautaire et d'étendre leurs modèles en ajoutant de nouveaux facteurs qui décrivent comment la tumeur évolue.

La combinaison de la modélisation mathématique et du calcul haute performance pourrait être la seule façon de surmonter la complexité du cancer, qui n'est pas une maladie mais plus d'une centaine, chacune avec de nombreux sous-types.

"Il n'y a pas assez de ressources ou de patients pour régler ce problème parce qu'il y a trop de variables, cela prendrait jusqu'à la fin des temps", a déclaré M. Yankeelov. "Mais si vous avez un modèle qui peut récapituler comment les tumeurs se développent et répondent à la thérapie, alors cela devient un problème classique d'optimisation de l'ingénierie." J'ai beaucoup de médicaments et de temps, quelle est la meilleure façon de réduire le nombre de cellules tumorales pour la plus longue période de temps? »

L'informatique au TACC a aidé Yankeelov à accélérer ses recherches. «Nous pouvons résoudre des problèmes en quelques minutes qui nous prennaient trois semaines avec les ressources de notre ancienne institution», a-t-il déclaré. "C'est phénoménal."

Selon Oden et Yankeelov, il y a très peu de groupes de recherche essayant de synchroniser le travail clinique et expérimental avec la modélisation computationnelle et les ressources de pointe comme le groupe UT Austin.

«Il y a un nouvel horizon ici, un avenir plus stimulant à venir où vous revenez à la science fondamentale et faites des prédictions concrètes sur la santé et le bien-être à partir des principes premiers», a déclaré Oden. A déclaré Yankeelov: "L'idée de prendre chaque patient en tant qu'individu pour peupler ces modèles pour faire une prédiction spécifique pour eux et un jour être en mesure de prendre leur modèle, puis essayer un ordinateur un tas de thérapies sur eux pour optimiser leur thérapie individuelle - C'est le but ultime et je ne sais pas comment vous pouvez faire cela sans mathématiser le problème. "

Mathematicians and physicians at the University of Bonn have developed a new model for immunotherapy of cancer. The method could help to develop new treatment strategies and to understand why some approaches do not work with certain tumors. The study is now appearing in the technical journal Scientific Reports.

One of the greatest problems in the fight against cancer is the great hardiness of the tumors. Drug therapy often leads to initial success, which is then wiped out by a relapse. Sometimes the therapy has no affect at all against some cancer cells. Other cells develop resistance over the course of therapy.

Certain cells of the immune system, the so-called T-cells, can fight malignant tumors. Such cells are used or activated in a targeted manner to treat cancers. The research groups of Prof. Dr. Thomas Tüting and Prof. Dr. Michael Hölzel or the University of Bonn have demonstrated in their experiments on skin cancer that tumor cells can change their external appearance, if an inflammatory reaction occurs in the course of treatment. Consequently, the T-cells no longer recognize them as harmful, and the cancer can continue to spread unimpeded.

A new model from mathematicians and physicians from the Excellence Cluster of the Hausdorff Center for Mathematics and ImmunoSensation of the University of Bonn now describes this effect mathematically, thus making it possible to analyse it. In the future, the model could be used, among other things, for computer simulation of various therapeutic approaches and thus for the development of optimal treatment strategies.

Tumors as population

"The initial results show that treatment with several types of immune cells could in fact be a promising approach," says the lead scientist of this work, Prof. Dr. Anton Bovier of the Hausdorff Center for Mathematics. The studies are based on a stochastic model from the area of adaptive dynamics, which was developed by the mathematicians for application, for example, in cancer research. "Tumors are nothing other than populations of cancer cells, which interact with one another in a very complex manner and react to their environment in the form of the body and its immune system," explains Prof. Bovier.

Simulation of therapy

In numerical simulations by the Bonn researchers, the long-term success of a therapy, even when the starting conditions were the same, depended on random fluctuations in the population sizes of cancer and immune cells. Whether this effect also occurs in reality and not just on the computer still needs to be investigated experimentally. The virtual research of the Excellence Cluster has also showed that treatment, under certain circumstances, can even increase the probability of mutation in cancer cells. In some cases in the simulation, a therapy actually accelerated the development toward aggressive variants of cancer.

Prof. Hölzel of ImmunoSensation summarises the results of the interdisciplinary work as follows: "This project can both call the attention of mathematicians to possible applications of their work in a medical context and also sensitize physicians to the use of mathematical methods. In any case, we will continue to do joint research in the fight against cancer." To make it possible to use the model in practice, more experimental data still needs to be developed.


---

Les mathématiciens et les médecins de l'Université de Bonn ont mis au point un nouveau modèle pour l'immunothérapie du cancer. La méthode pourrait aider à développer de nouvelles stratégies de traitement et de comprendre pourquoi certaines approches ne fonctionnent pas avec certaines tumeurs. L'étude apparaît maintenant dans la revue technique des rapports scientifiques.

Un des plus grands problèmes dans la lutte contre le cancer est la grande rusticité des tumeurs. La thérapie médicamenteuse conduit souvent à un succès initial, qui est ensuite éliminé par une rechute. Parfois, le traitement n'a pas d'effet du tout contre certaines cellules cancéreuses. D'autres cellules développent une résistance au cours de la thérapie.

Certaines cellules du système immunitaire, les lymphocytes T, peuvent lutter contre les tumeurs malignes. De telles cellules sont utilisées ou activées de manière ciblée pour le traitement des cancers. Les groupes de Prof. Dr. Thomas Tüting et Prof. Dr. Michael Hölzel ou l'Université de Bonn ont démontré dans leurs expériences sur le cancer de la peau que les cellules tumorales peuvent changer leur apparence extérieure, si une réaction inflammatoire se produit au cours du traitement. Par conséquent, les cellules T ne les reconnaissent plus comme nuisibles, et le cancer peut continuer à se propager sans entrave.

Un nouveau modèle de mathématiciens et médecins du Cluster Excellence du Centre Hausdorff pour les mathématiques et ImmunoSensation de l'Université de Bonn décrit maintenant cet effet mathématiquement, ce qui permet de l'analyser. Dans l'avenir, le modèle peut être utilisé, entre autres choses, pour la simulation numérique de différentes approches thérapeutiques, et donc pour la mise au point des stratégies de traitement optimales.

Les tumeurs comme population

"Les premiers résultats montrent que le traitement de plusieurs types de cellules immunitaires pourrait en fait être une approche prometteuse», dit le chercheur principal de ce travail, Prof. Dr. Anton Bovier du Centre Hausdorff pour les mathématiques. Les études sont basées sur un modèle stochastique de la région de la dynamique adaptative, qui a été développé par les mathématiciens pour l'application, par exemple, dans la recherche sur le cancer. "Les tumeurs ne sont rien d'autre que des populations de cellules cancéreuses, qui interagissent les uns aux autres d'une manière très complexe et qui réagissent à leur environnement sous la forme du corps et de son système immunitaire», explique le Pr Bovier.

Simulation de la thérapie

Dans les simulations numériques par les chercheurs de Bonn, le succès à long terme d'une thérapie, même lorsque les conditions de départ étaient les mêmes, dépendent des fluctuations aléatoires dans la taille des populations de cancer et des cellules immunitaires. Que cet effet se produise aussi dans la réalité et non pas seulement sur l'ordinateur doit encore être étudié expérimentalement. La recherche virtuelle du Cluster Excellence a également montré que le traitement, dans certaines circonstances, peut même augmenter la probabilité de mutation dans les cellules cancéreuses. Dans certains cas, dans la simulation, une thérapie a effectivement accéléré le développement vers les variantes agressives de cancer.

Le Prof. Hölzel de ImmunoSensation résume les résultats des travaux interdisciplinaires comme suit: «Ce projet peut à la fois appeler l'attention des mathématiciens aux applications possibles de leur travail dans un contexte médical et également sensibiliser les médecins à l'utilisation de méthodes mathématiques Dans tous les cas,. nous allons continuer à faire des recherches conjointes dans la lutte contre le cancer ". Pour permettre d'utiliser le modèle dans la pratique, des données plus expérimentales doit encore être développées.

Mise à jour, l'article date de 2015

Strasbourg (AFP) - Le bloc opératoire était réservé pour sept heures mais l'opération n'aura finalement duré que 45 minutes: grâce à un système de modélisation en 3D du corps du patient conçu à Strasbourg, certaines interventions chirurgicales deviennent beaucoup plus simples.

Pour cette opération, il faut soigner un bébé de quelques mois atteint d'une gigantesque tumeur qui occupe presque tout son abdomen. La visualisation en 3D du corps de l'enfant grâce à ce dispositif, baptisé "Visible Patient", a permis de comprendre par où la tumeur était accrochée au foie.

Start-up émanant de l'Institut de recherche contre les cancers de l'appareil digestif (Ircad) de Strasbourg, "Visible Patient" a installé ses quartiers dans les locaux d'un ancien manège de haras du XVIIIe siècle.

Sous d'immenses poutres apparentes, des jeunes gens minutieux donnent naissance sur des écrans d'ordinateurs à de véritables clones virtuels de patients, en trois dimensions et en couleurs.

Grâce à des algorithmes mis au point au prix d'une quinzaine d'années de recherche, les veines, artères, organes et os prennent forme de clic en clic, à partir d'images en deux dimensions issues d'un scanner ou d'une IRM passés par le patient.

"Avec la 3D, on peut trouver des solutions thérapeutiques complexes pour des cas qui semblaient désespérés", explique Luc Soler, l'un des fondateurs de la start-up. "Certains patients semblaient non éligibles à une opération, mais on a trouvé des solutions grâce à Visible Patient", se félicite-t-il.

L'opération est le moyen le plus performant pour lutter contre un cancer digestif mais beaucoup de patients sont jugés inopérables, par exemple lorsque la tumeur est disséminée ou parce qu'on ne peut pas enlever la totalité de l'organe touché, comme le foie.

Sans ce système, "plusieurs patients auraient été rejetés par nous, soit à cause de la proximité de la tumeur avec une structure vasculaire importante, soit à cause d'un volume résiduel de foie insuffisant", explique le Dr Jean-Jacques Houben, chef du service de chirurgie viscérale au CHU de Charleroi, en Belgique, qui utilise le procédé essentiellement pour de la chirurgie hépatique.

Grâce à la reconstitution en 3D, le chirurgien définit sa stratégie avant l'opération, évitant toute mauvaise surprise liée à une particularité anatomique du patient. Ensuite, pendant l'opération, il garde un œil sur une tablette ou sur son téléphone portable, sur lequel il a téléchargé le "clone" du patient.

- Consentement éclairé -

Au-delà de son utilité pour les chirurgiens, Visible Patient permet aussi de mieux faire comprendre au patient ce qu'il va subir, permettant l'obtention d'un consentement vraiment éclairé à l'opération.

"Un scanner, une échographie ou une IRM sont illisibles pour le quidam. Une reconstruction 3D en couleur permet une didactique totalement différente", estime le Dr Houben.

Unique dispositif médical permettant aujourd'hui de modéliser en 3D toutes les parties du corps, Visible Patient a déjà permis de traiter 3.000 personnes dans le monde.

"Au début, le contact avec le patient me manquait mais en fait, on fait autant de bien à travers les nouvelles technologies", explique Yann Lemblé, analyste "3D Model" chez Visible Patient.

Le jeune homme, titulaire d'une formation de manipulateur en électro-radiologie médicale, travaille exclusivement sur des données anonymisées.

Les fondateurs de Visible Patient espèrent obtenir à terme son remboursement par la Sécurité sociale française.

Pour cela, il faudra convaincre les autorités du bon rapport coût-bénéfices du dispositif, alors qu'une reconstitution coûte au minimum 300 euros et parfois jusqu'à 800, plus une IRM.

Luc Soler est toutefois confiant. Alors que l'on recense quelque 8.000 nouveaux cas de cancers du foie par an en France, "on fait beaucoup de chimiothérapies parce qu'on estime que des patients ne sont pas opérables, Visible Patient peut donc permettre de faire des économies", note-t-il.

En attendant, Visible Patient a obtenu fin 2015 l'agrément de la Food and Drug Administration aux Etats-Unis, six mois après son lancement commercial en Europe.

29/10/2009

Des labos aux malades du cancer, la recherche translationnelle


A mi-chemin entre recherche fondamentale et recherche clinique se trouve la recherche translationnelle… Ou en est-on actuellement? Voici un état des lieux tiré des Rencontres annuelles de l'INCa.



«Convertir les connaissances scientifiques en avancées médicales, pour les patients et pour la population, tel est l'enjeu de la recherche translationnelle, résumé par le professeur Fabien Calvo, directeur général adjoint et directeur de la recherche de l’Institut national du cancer (INCa)(1). Il faut adapter les moyens pour se situer dans l’infraclinique, proposer des outils de dépistage et de prévention plus adaptés.»

Pour cela, l’objectif est de faire interagir des disciplines telles que l’informatique, la chimie, les mathématiques… La recherche translationnelle implique trois acteurs: la recherche fondamentale, la recherche clinique et la recherche en sociologie et santé publique. Elle nécessite plusieurs outils : des données cliniques pertinentes ; des données pathologiques ; des analyses de mutation à grande échelle ; des recherches sur la cellule.

Survie révolutionnée
Grâce aux recherches, certaines leucémies chroniques, auparavant mortelles au bout de 3 à 4 ans, peuvent ainsi aujourd’hui se soigner. «La recherche a mis en évidence une anomalie génétique et a identifié la cible responsable. Un médicament a pu être mis au point, le Glivec, il y a dix ans, pour bloquer cette cible. La survie des patients nouvellement atteints est aujourd’hui quasi identique à celle de la population générale, sous réserve qu’on prenne une petite pilule à vie», explique le professeur Josy Reiffers, président délégué de la Fédération des centres de lutte contre le cancer.

Cet exemple trouve des applications dans d’autres maladies, comme les Gist (acronyme anglais des tumeurs stromales gastro-intestinales). Estelle Lecointe, ancienne patiente, présidente de l’association « Ensemble contre le Gist» relève néanmoins que les faibles incidences des Gist limitent la recherche translationnelle, alors qu’elle est particulièrement importante pour le traitement de ces pathologies.

«Clone numérique» du patient
Ce type de recherche fait appel à des disciplines complémentaires. Le recours à l’informatique, par exemple, avec les progrès de la modélisation en trois dimensions, a prouvé son efficacité. « Il s’agit de créer un clone numérique du patient, explique Luc Soler, chercheur à l’Institut de recherche contre les cancers de l’appareil digestif. Cela permet de mieux connaître la localisation de la tumeur ; mieux parler avec le patient, qui peut mettre un visage sur sa pathologie ; aider au choix d’un traitement mieux ciblé ; aider le chirurgien à suivre l’évolution du traitement de manière beaucoup plus précise. »

Recherche translationnelle sur le cancer

L'expression « recherche translationnelle sur le cancer » s'applique à l'utilisation des connaissances acquises en laboratoire dans la pratique clinique. Depuis des décennies, la recherche sur le cancer nous a permis petit à petit de mieux comprendre la maladie et, par des méthodes améliorées de diagostic rapide et de traitement, a rendu possibles des résultats cliniques spectaculaires pour les cancers pédiatriques et certains cancers moins courants chez l'adulte, comme le cancer de l'ovaire ou du testicule.

Ces progrès dans la lutte contre le cancer sont le résultat d'avancées graduelles qui préviennent l'apparition du cancer, prolongent la vie des patients atteints de cancer ou, dans certains cas, permettent de vaincre la maladie. Les IRSC et leur prédécesseur, le Conseil de recherches médicales, financent depuis longtemps la recherche exceptionnelle sur le cancer et les excellents chercheurs dans le domaine.

En 2003-2004, par exemple, une équipe d'excellents chercheurs dirigée par le Dr Jerry Pelletier, à l'Université McGill, a découvert un nouveau type de chimiothérapie combinée qui peut théoriquement offrir un meilleur traitement aux patients dont les tumeurs ne répondent plus au traitement standard. Chez des souris auxquelles une combinaison de deux médicaments a été administrée, un antibiotique et un agent chimiothérapeutique, des rémissions de longue durée du cancer ont été obtenues.




Un autre exemple est celui du Dr Shoukat Dedhar, de la BC Cancer Agency, qui en mettant en évidence une nouvelle cible pour un traitement médicamenteux antiangiognèse, a découvert une façon d'enrayer la croissance de certaines tumeurs en stoppant l'irrigation sanguine dont elles ont besoin pour croître.



Également en 2003-2004, une étude historique d'une équipe d'excellents cliniciens-chercheurs dirigée par le Dr Shabbir Alibhai, du Réseau universitaire de santé et de l'Université de Toronto, a révélé que les patients plus âgés atteints du cancer de la prostate ne devraient pas être privés d'un traitement agressif en raison de leur âge. Cette étude a révélé que de nombreux hommes de plus de 65 ans bénéficient de la chirurgie et de la radiothérapie. Des études précédentes avaient montré que ces patients souvent ne reçoivent pas ce traitement qui pourrait prolonger leur vie.



Au cours de la dernière décennie, l'établissement de la séquence du génome humain a été suivi d'une explosion des connaissances dans le domaine de la biologie moléculaire qui promet de révolutionner la manière dont le cancer est traité. Cette percée scientifique offre le potentiel d'un traitement individualisé du cancer sans les effets secondaires débilitants qui sont courants avec les agents chimiothérapeutiques.

Toute une nouvelle génération d'anticancéreux en train d'être mise au point offre une spécificité supérieure et, surtout, la possibilité de stratification des patients afin que seulement ceux dont on sait que la tumeur répond à un certain agent recevront le traitement. Il n'est pas inconcevable d'imaginer que d'ici 10 ans peut être, lorsque la tumeur d'un patient pourra être caractérisée au niveau moléculaire, un traitement individualisé, dont l'efficacité est connue pour cette tumeur particulière, deviendra réalité. Ce nouveau traitement réduira de façon appréciable le fardeau du cancer tant pour les patients que pour les systèmes et les services de santé, certains cancers devenant curables et d'autres, des maladies traitables.

Le défi est d'assurer la mise en application opportune des résultats de cette nouvelle recherche dans les soins aux patients. Le besoin urgent d'accélérer l'application de la recherche a été reconnu dans de nombreux pays, dont le Canada. Le Royaume-Uni a répondu en créant, grâce à un important investissement financier du gouvernement, le National Cancer Research Network et le National Translational Cancer Research Network. En conjuguant leurs efforts, ces deux organismes ont réussi à accroître l'inscription dans les essais cliniques et à accélérer le développement initial de médicaments par un travail en réseau coordonné centralement.

Research finding solutions to cancer
Canadians are at the forefront of research that will lead to the development of new and improved ways to control cancer. Some examples are:

Des recherches pour trouver des solutions au cancer
Les Canadiens sont sur le front du combat de la recherche qui va mener à de nouveaux et sérieux moyens de controler le cancer. Quelques exemples :

Dr. Jerry Pelletier and his team at McGill University have discovered a new type of combination chemotherapy that could offer improved treatment for patients whose tumours have stopped responding to standard treatment. The CIHR-funded team found that tumours in mice given a combination of an antibiotic and a chemotherapy drug went into long-term remission.
Le docteur Jerry Pelletier et son équipe de l'université McGill ont découvert une nouvelle combinaison de médicaments qui pourrait offrir un traitement pour les patients qui ont cessé de répondre aux traitements standars. L'équipe de recherche a trouvé une combinaison d'antibiotiques et de chimio qui aboutit à une rémission à long terme quand ces tumeurs sont chez la souris.

New vaccines could help to eradicate cervical cancer among women. CIHR-funded researcher Dr. Alex Ferenczy of McGill University has been part of a clinical trial for one of the vaccines, which is believed to be within a year or two of regulatory approval. The vaccines protect women against persistent infection with HPV 16 and 18, which are responsible for about 70% of cervical cancer cases.

Dr. Shabbir Alibhai, a CIHR-supported researcher from the University Health Network and University of Toronto, has shown that many men over age 65 benefit from surgery and radiation treatment for prostate cancer. Previous studies have shown that older patients often do not receive this potentially life-prolonging treatment.

Le docteur ALibhai de l'université de Toronto a démontré que plusisuers hommes su dessus de 65 ans bébéficierait d'une chirurgie accompagné d'un traitement de radiation pour le cancer de la prostate. Les études ont démontrés que plusieurs patients ags ne recoivent pas ce traitement qui peut leur prolonger la vie

Anti-angiogenesis drugs, which cut off the blood flow to a cancerous tumour, show great promise but, to date, there has been no way to measure their effect. CIHR-funded researcher Dr. Bob Kerbel from Toronto's Sunnybrook and Women's College Health Sciences Centre led an international team that has discovered a biological marker that could provide a good indicator of whether a specific drug is working. His work could help set appropriate doses for anti-angiogenesis drugs and provide evidence of their effectiveness.

Le docteur Kerbel a découvert un marqueur biologique qui peut serir d'indicateur pour dire si un médicament agit ou non. Son travail pourrait aidé a donné les doses appropriées d'antigènes et montré des preuves de leur activités.

Dr. Peter Dirks and his team at Toronto's Hospital for Sick Children have isolated brain cancer stem cells in humans. With support from CIHR, they have also demonstrated in mice that as few as 100 of these stem cells can trigger tumour growth. Their discovery could lead to new treatments to prevent tumours from growing, as well as lead to a better understanding of the mechanisms of brain tumour growth.


A new drug called temozolomide may prolong the lives of some people with the most common and deadliest type of brain tumour, glioblastomas. The drug, discovered by a team of Canadian and European researchers, prolonged the average survival rate of patients to 15 months, compared to 12 months in patients who only underwent radiation therapy. This is the first advance in managing this disease in 30 years. More than 1,100 Canadians are diagnosed with glioblastoma each year; most die within 9 to 12 months of diagnosis. The Canadian arm of the study was led by Dr. Greg Cairncross, a CIHR-supported researcher at the University of Calgary.

Un nouveau médicament la temozolomide peut prolonger la vie de quelques personnes au prises avec la plus commune et mortelle des tumeurs au cerveau, la glioblastome.