Découverte de biomarqueurs prédictifs en cancer du sein par Intégration Transcriptome-Interactome

CRCM's Bioinformatics Integrative

Centre de Recherche en Cancérologie de Marseille

Découverte de biomarqueurs prédictifs

en cancer du sein par

Intégration Transcriptome-Interactome

Soutenance de thèse - 20 décembre 2013Maxime U Garcia

Directeur Pr. François Bertucci Oncologie Médicale

Co-directeur Dr. Ghislain Bidaut Bioinformatique Intégrative

2/60

Plan

Introduction

Le cancer, le cancer du sein, les signatures prédictives

L'Intégration Transcriptome-Interactome

Avantages et principes, données utilisées

Résultats

Analyse non-supervisée, analyse supervisée, performance

Conclusion

Discussion, perspectives

Introduction

3/60Principe général de l'expression des gènes

Introduction

ADN

ARN

Protéine

Transcription

Traduction

4/60

L'expression des gènesvarie suivant les types cellulaires

Introduction

5/60L'importance du contrôle hormonal

Prolifération des cellules

Apoptose (Mort cellulaire)

Système immunitaire

Métabolisme

Puberté

Grossesse

Cycle reproductif

Développement des caractères sexuels secondaires

Introduction

6/60Une multitude de causes à l'origine du cancer

PhysiqueUV, Radioactivité

ChimiquePerturbateurs endocriniens, Radicaux libres

BiologiqueVirus, Bactéries, Parasites

HéréditéBRCA1, RB1, APC

Introduction

7/60Les catégories de gènes à l'origine des cancers

Les oncogènes

Favorisent les cancers

Les gènes suppresseurs de tumeurs

Inhibent la prolifération cellulaire

Les gènes de réparation de l'ADN

Protègent l'ADN

Introduction

8/60

Les caractéristiques des cancers (Hallmarks)

Introduction

Hannahan et al. 2000, 2011

9/60


Introduction


10/60


Introduction


11/60

L'apport des technologies à haut débit

Médecine prédictivePrédire l'évolution de la maladie

Prévenir la maladie ou en amoindrir ses effets

Médecine personnaliséeÉtablir un traitement personnalisé suivant le patient et/ou la maladie

Introduction

12/60

Les statistiques des cancers

Introduction

Organe Homme Femme

Poumon 42,3 9,9

Prostate 12,6 -

Côlon-rectum 14,4 8,3

Foie 9,9 2,2

Pancréas 7,9 4,7

Sein - 17,2

Tous cancers 158,6 79,1

Taux observé standardisé (pour 100 000 personnes) à la population mondialede mortalité des cancers pour 2004-2008

13/60

Les caractéristiques du cancer du sein

1 an 3 ans 5 ans

Taux de survie 97 % 90 % 85 %

Il est souvent hormono-dépendant

Stade Local Régional Métastatique

Taux de survie à 5 ans 98.3 % 83.5 % 23.3 %

Introduction

Le cancer le plus fréquent et le plus mortel chez la femme

14/60

Traitements

ChirurgieAblation chirurgicale de la tumeur

ChimiothérapieSubstance chimique ciblant les cellules cancéreuses

RadiothérapieIrradiation des cellules

HormonothérapiePour les cancers hormono-dépendants

Introduction

15/60

Les classifications des cancers

Tumeur-Ganglion-Métastase (TNM)(0 – I – II – III – IV)

Scarff-Bloom-Richardson (SBR)( 1 – 2 – 3)

Biomarqueurs(ESR1 (ER), PGR (PR), ERBB2 (HER2))

Sous-typage moléculaire

Introduction

16/60

Intérêt du sous-typage moléculaire

Introduction

Perou et al. 2000

17/60

Intérêt du sous-typage moléculaire

Introduction

Hu et al. 2006

18/60Les signatures prédictives

(2002) Van't veer et al. 117 patients → signature à 70 gènes

essai clinique (MINDACT)

(2005) Wang et al. 286 patients → signature à 76 gènes (ER)

seulement 3 gènes en commun

(2005) Michiels et al. Plusieurs signatures à 70 gènes possibles

Forte dépendance au jeu de données d'apprentissage

(2007) Ein-Dor et al. Des milliers d'échantillons seraient nécessaires

pour générer une liste robuste

Introduction

19/60

Des limitations inhérentes à la technologie utilisée et à l'hétérogénéité de la maladie étudiée

Introduction

Variabilité expérimentale

Biologie du cancer

Fléaux de la dimensionnalité et de la parcimonie

Solutions :Augmenter le nombre d'échantillons (Dobbin et al. 2008)

Ajouter des informations biologiques supplémentaires (Chuang et al. 2007)

20/60

L'ajout de données d'interactions protéiques améliore la performance de la classification

(2008) Chuang et al. Ajout de données d'interactions protéiques

→ biomarqueurs robustes

→ augmentation de la performance

Un seul jeu de données d'apprentissage utilisé

Introduction

21/60

Plan

Introduction




Résultats


Conclusions



22/60

Question biologique posée et données utilisées

Signature pronostique de la rechute métastatique à 5

ans dans le cancer du sein

Données d'expression (Transcriptome)

Données d'interactions protéine-protéine (Interactome)

Algorithme Intégration Transcriptome-Interactome

(ITI)


23/60

Élaboration d'un Compendiumde données d'expression

Exploration des dépôts de données publiques (GEO,

ArrayExpress, Stanford Microarray Database)

26 jeux de données considérés

12 jeux de données avec données cliniques

Statuts DMFS (Distant Metastasis-Free Survival)Suivi minimal de 5 ans

Statuts ER

Nature du traitement éventuel


24/60

Douze jeux de données assembléspour réunir 2103 tumeurs du sein

Jeu de données Échantillons DMFS + DMFS -

Desmedt 198 62 136

Ivshina 249 89 160

Loi 117 26 91

Parker 199 45 154

Pawitan 159 40 119

Sabatier (IPC) 31 9 22

Schmidt 200 46 154

Sotiriou 179 40 139

Van de Vijver 295 88 207

Wang 286 107 179

Zhang 136 20 116

Zhou 54 9 45

Total 2103 581 1522


25/60Assemblage de l'Interactome


Base de données Protéines Interactions

HPRD 9 386 36 577

INTact 7 471 25 616

DIP 918 810

MINT 5 559 12 143

Cocite 5 568 31 533

Total 13 202 70 530

26/60

Principes de l'Intégration Transcriptome-Interactome

Exemple d'un réseau d'interactions

-Changement d'expression

+


27/60

Jeu de données 1



+


28/60

Jeu de données 2



+


29/60



+


Le gène à l'origine de la dérégulation est peu différentiellement exprimé

30/60Principe de l'algorithme ITI


2 types de données+ annotations cliniques

(Statuts DMFS, ER)

Garcia et al. 2012




(Statuts DMFS, ER)

Mesure de corrélationentre les profils

d'expression des gènes et les conditions cliniques

Garcia et al. 2012




(Statuts DMFS, ER)

Mesure de corrélationentre les profils

d'expression des gènes et les conditions cliniques

Détection desous-réseauxdiscriminants

Garcia et al. 2012

33/60

∑ ∈=

DSd dss SNS

S ,

1

- Corrélation Profils d'expression des gènes – Conditions cliniques (DMFS)

- Normalisation par la taille du jeu de données

- Somme sur tous les jeux de données

= ∑ ∈

)(,),(1

)(max, dccdge

ncorr

DSn

nS

sgd

dds

Calcul du score des sous-réseaux

Garcia et al. 2012

34/60Validation statistique


Génération de sous-réseaux aléatoires

● Mélange des conditions cliniques

● Utilisation d'un interactome aléatoire

● Décision aléatoire de l'ajout d'un nœud

Sélection de sous-réseaux

score

score

Sou

s-ré

seau

xS

ous-

rése

aux

35/60Création d'une ressource bioinformatique

36/60

Plan

Introduction




Résultats


Conclusion


Résultats

37/60Analyse non-supervisée

Jeu de données Échantillons DMFS + DMFS -

Desmedt 198 62 136

Ivshina 249 89 160

Loi 117 26 91

Parker 199 45 154

Pawitan 159 40 119

Sabatier (IPC) 31 9 22

Schmidt 200 46 154

Sotiriou 179 40 139

Van de Vijver 295 88 207

Wang 286 107 179

Zhang 136 20 116

Zhou 54 9 45

Total 2103 581 1522

Résultats

38/60

Quatre études dans l'analyse non-supervisée

Tous les jeux de données sauf van de Vijver119 sous-réseaux

Tous les jeux de données sauf Wang103 sous-réseaux

Tous les jeux de données profilés sous Affymetrix127 sous-réseaux

Tous les jeux de données profilés sous Affymetrix sauf

Wang100 sous-réseaux

Résultats

39/60Gène Rang

CDC2 1

CCND1 2

STMN2 3

GRB2 4

LUC7L3 5

SF3B3 6

TK1 7

TSC1 8

HNRNPA1 9

ACTN1 10

HSPB1 11

MAPKAPK2 12

AGTPBP1 13

CYCS 14

BAX 15

PPFIA1 16

SFN 17

CRMP1 18

PRKCI 19

YWHAZ 20

• Apoptose [Sous-réseau 291, 5714]

• Adhésion cellulaire [Sous-réseau 6513]

• Contrôle du cycle cellulaire [Sous-réseau 1537, 581,7013, 5339]

• Réponse immunitaire [Sous-réseau 291, 2810, 3251]

• Développement [Sous-réseau 387, 58, 3420,7013,60312,3251,375]

• Metabolisme [Sous-réseau 29959, 3420, 581,4291,5339, 2068,374291]

Détection de nouveaux biomarqueursreliés à la rechute métastatique

Résultats

40/60

Les sous-réseaux possèdentles caractéristiques du cancer (Hallmarks)

Sous-réseaux Enrichissement terme GO

55971-32 Apoptose

1942-10 Angiogénèse

57167-34, 4291-24 Régulation des kinases

3987-23 Vieillissement cellulaire

163786-8 Voie de signalisation de Wnt *

23759-14 Cycle cellulaire, réplication ADN

59349-35 Adhésion cellulaire *

7398-41 Différentiation cellulaire

* Sous-réseaux reliés à la rechute métastatique

Résultats

41/60

Détails du sous-réseau 59349-35(Adhésion cellulaire)

Résultats

42/60


Résultats

43/60

Résultats


44/60

Résultats


45/60Analyse supervisée

Jeu de données Échantillons DMFS +/- ER +/-

Desmedt 190/198 62/127 61/129

Loi 101/327 27/74 29/72

Sabatier 31/255 9/22 11/20

Schmidt 182/200 46/136 37/145

Van de Vijver 150/295 56/94 36/114

Wang 276/286 107/169 72/204

Total 930/1561 307/623 246/684

Critères:- DMFS (Distant Metastasis Free Survival)- Patients sans chimiothérapie adjuvante- 5 ans de suivis

Sélection- 6 jeux de données- 930 ćhantillons

Résultats

46/60

Quatre études explorant la spécificitébiologique des cancers du sein ER+ et ER-

Résultats

Tous ER+, validation sur Desmedt6 sous-réseaux

Tous ER-, validation sur Desmedt165 sous-réseaux

Tous ER+, validation sur Wang14 sous-réseaux

Tous ER-, validation sur Wang122 sous-réseaux

47/60Organisation des données

Résultats

48/60Validation des sous-réseaux

Validation croisée à 10 couches

Préservation des proportions en statuts cliniques et moléculaires dans les jeux d'apprentissage et de validation

Détection des sous-réseaux et validation statistique :

- mélange des conditions cliniques

- mélange des interactions

- ajout aléatoire

Génération de 10 listes de sous-réseaux

Combinaison des listes

Sous-réseaux gardés pour classification sur des données indépendantes

Résultats

49/60

Sous-réseaux démontrantla pertinence de la méthode ITI

Résultats

50/60

Gene Ontology GO CorrectedP-value

ER+

Clivage des ARNm GO:0006379 125E-08

Régulation de la secrétion d'hormone

de croissanceGO:0060123 218E-07

Régulation positive de l'organisation du

cytosqueletteGO:0051495 206E-04

Regulation de la secrétion d'insuline

GO:0050796 155E-05

Régulation du chimiotactisme

GO:0050920 429E-07

ER−

Immunité à la médiation cellulaire

des cellules NKGO:0002228 293E-06

Régulation positive des activités MAP

kinasesGO:0043406 476E-10

Développement des cellules musculaires

GO:0055001 106E-11

Interphase du cycle cellulaire mitotique

GO:0051329 408E-11

Voie de signalisation de Wnt par

l'intermédiaire de la β-catenin

GO:0060070 622E-10

L'exploration fonctionnelle des sous-réseaux reflète la spécificité biologique du cancer

Résultats

51/60Classification plus performante

Résultats

Statuts ER- ER+

Jeux de données

Desmedt van de Vijver Desmedt van de Vijver

Signature 70 g 76 g ITI(165) 70 g 76 g ITI(122) 70 g 76 g ITI(6) 70 g 76 g ITI(14)

N 61 61 61 36 36 36 129 129 129 114 114 114

ACC 0.442 0.377 0.541 0.528 0.556 0.528 0.411 0.604 0.736 0.623 0.632 0.518

Signature plus stable (de 11.5 à 32.8 % de gènes en commun) entre différents jeux de données d'apprentissage

52/60

Amélioration de la prédictionpar rapport aux signatures existantes

Résultats

53/60

Plan

Introduction




Résultats


Conclusion


Conclusion

54/60

Conclusion

Conclusion

Construction d'un compendium de jeux de données

d'expression en cancer du sein

Assemblage d'un Interactome humain

Détection de sous-réseaux

Validation des sous-réseaux (3 méthodes)

Classification plus performante que les précédentes

signatures

Ressource bioinformatique disponible en ligne

55/60

Publications

Conclusion

Linking Interactome to Disease: A Network-Based Analysis of Metastatic

Relapse in Breast Cancer, IGI Global 2011

Interactome–transcriptome integration for predicting distant metastasis

in breast cancer, Bioinformatics 2012

Detection of driver protein complexes in breast cancer metastasis by

large scale transcriptome-interactome integration, Methods in Molecular Biology 2013

CNV-Interactome-Transcriptome Integration to detect driver genes in

cancerology, Microarray Image and Data Analysis, Accepted

Conferences : Cancer Bioinformatics Workshop 2010 (Cambridge),

Mathematical and Statistical Aspects of Molecular Biology 2011 (Vienne)

Posters : JOBIM 2011 (Paris), JOBIM 2012 (Rennes), ECCB 2012 (Bâle)...

56/60

Perspectives

Conclusion

Ajout d'autres types de données (CGH)

Refonte de l'algorithme de détection des sous-réseaux

(linéaire → concentrique)

Intégration dans Mobyle

Applications à d'autres types de cancers, d'autres

maladies

57/60Remerciements

Ghislain, François, Daniel, Pascal, Arnaud, Renaud, Sabrina, Max,

Samuel, Claire, Guillaume, Quentin, Olivier, Alexandre

Jean-Paul, Françoise, Secrétariat, Service Informatique

Mes parents, ma famille

Célia

Conclusion

58/60La régulation de l'expression des gènes

Suppléments

59/60



Suppléments

60/60Classification plus performante

Statuts ER- ER+

Jeux de données

Desmedt van de Vijver Desmedt van de Vijver

Signature 70 g 76 g ITI(165) 70 g 76 g ITI(122) 70 g 76 g ITI(6) 70 g 76 g ITI(14)

N 61 61 61 36 36 36 129 129 129 114 114 114

ACC 0.442 0.377 0.541 0.528 0.556 0.528 0.411 0.604 0.736 0.623 0.632 0.518

SV 1 0.333 0.407 1 0.471 0.118 0.714 0.714 0.257 0.821 0.564 0.256

SP 0 0.411 0.647 0.106 0.632 0.895 0.298 0.563 0.915 0.520 0.667 0.653

Signature plus stable (de 11.5 à 32.8 % de gènes en commun) entre différents jeux de données dápprentissage

Suppléments

Technology

Découverte de biomarqueurs prédictifs en cancer du sein par Intégration Transcriptome-Interactome