Obiettivi
Contexte : Le glioblastome (GB) est une tumeur agressive dont la récidive quasi-systématique est en grande partie due à son hétérogénéité et à la présence de cellules souches tumorales (GSC) dont l’agressivité et le profil invasif ou de plasticité sont différents selon les zones de la tumeur et selon les patients. Lors de l’essai clinique STEMRI que nous avons développé et visant à étudier l’enrichissement en GSC dans certaines zones de la tumeur définies par IRM multimodale, nous avons pu obtenir des GSCs issues de différents prélèvements guidés par l’IRM multimodale, caractérisées in vitro mais également in vivo par implantation orthotopique dans la souris et ayant généré des tumeurs de profils différents. Les données de survie des patients correspondants sont également disponibles. Le but de ce projet est d’analyser par Deep Learning les 51 données RNAseq tumoraux et les 116 images correspondantes de coupes histologiques de tumeurs obtenues afin de caractériser et de mettre en évidence des gènes et cibles thérapeutiques potentielles impliquées dans l’agressivité des GSC, l’impact sur la survie des patients et leur mode de récidive. Cette étude permettra à terme de prédire dès le diagnostic de GB, le type de récidive et de proposer un traitement personnalisé.
Objectif principal : Etudier par Deep Learning la capacité à déterminer à partir des données RNAseq des cellules souches de glioblastomes en culture au laboratoire ainsi que des données d’examens microscopiques des tumeurs générées chez la souris par implantation de ces cellules de façon orthotopique, le profil d’agressivité et la prédiction potentielle du pattern de récidive.
Objectifs secondaires : Vérifier le pattern de récidive sur les IRM cérébrales des patients inclus dans l’essai STEMRI et dont les prélèvements tumoraux ont généré les cellules souches caractérisées.