Comparer la survie sans progression (PFS) des patients « subset#2 » aux patients présentant une IGHV3-21 sans « subset », en fonction des traitements reçus et du statut mutationnel IGHV.

NB : Cette étude, réalisée à partir des éléments déjà renseignés dans le dossier médical, dans l'établissement de prise en charge, ne présente aucune contrainte ni aucun risque. En savoir + : voir note d'information ci dessous.

Comparer la survie globale des patients cirrhotiques ayant eu ou non une chimiothérapie adjuvante pour un cancer du côlon stade III.

Evaluer le taux de décompensations ictéro-oedémato-ascitique durant la chimiothérapie adjuvante - Déterminer les facteurs de risque de décompensation de la cirrhose pendant la chimiothérapie adjuvante

Evaluer l’efficacité du traitement néoadjuvant par immunothérapie (réponse histologique complète).

Evaluer l’efficacité du traitement néoadjuvant par immunothérapie (réponse radiologique, survie sans évènement (progression avant la chirurgie ou toxicité rendant impossible la chirurgie ; impossibilité d’instaurer le traitement adjuvant dans les 84 jours après la chirurgie ; survie sans récidive (après la chirurgie); survie sans métastase à distance, et survie globale). Tolérance du traitement  Evaluer les facteurs associés à la réponse histologique complète au traitement  Evaluer les facteurs associés à la survie sans évènement

Objectif principal :

• Décrire la survie globale définie entre le diagnostic histologique et le décès de toute cause

Objectifs secondaires :

• Décrire le traitement par BEVACIZUMAB : nb d’injections, association au TMZ
• Décrire la réponse sous BEVACIZUMAB (meilleure réponse selon RANO, réponse volumique [volume pré/post BEVACIZUMAB], PFS)
• Décrire le % de patients rendus éligibles à la radiochimiothérapie après traitement par BEVACIZUMA
• Décrire la toxicité
• Décrire l’évolution de l’état général sous BEVACIZUMAB (ECOG PS)
• Décrire l’évolution des doses de corticoïdes sous BEVACIZUMAB
• Rechercher des facteurs prédictifs d’éligibilité post BEVACIZUMAB à la radiochimiothérapie
• Rechercher des facteurs pronostiques y compris poursuite ou non du BEVACIZUMAB en association avec la radiochimiothérapie

L’objectif de cette étude est de mettre au point un protocole permettant d’accéder à l’expression des gènes à l’échelle de chaque noyau indépendamment. L’expression des ARNm des noyaux permet d’avoir une estimation de l’activité transcriptomique cellulaire, et donc du fonctionnement des cellules.

Ces informations d’expression des ARNm sont ensuite analysées bioinformatiquement afin de déterminer les types cellulaires présent dans l’échantillon et estimer le fonctionnement des cellules tumorales, normales et des cellules du microenvironnement.

En pratique, la mise au point a été réalisée à partir de blocs fixés et inclus en paraffine reçu par la plateforme 3DOnco pour leur projet de recherche de générations d’organoïdes. Nous avons ciblé ces échantillons pour la mise au point de ce protocole car il est important de trouver des possibilités pour comparer l’activité transcriptomique des cellules présentes dans les organoïdes avec celles présentes dans l’échantillon original.

CGI-Clinics vise à améliorer la médecine personnalisée en oncologie en optimisant l'interprétation des données génomiques (post-séquençage et avant de conseiller des thérapies ciblées compatibles). L'interprétation est un goulot d'étranglement pour le déploiement complet et la large accessibilité du séquençage de nouvelle génération (NGS) dans la gestion du cancer. Le projet s'attaque aux trois principaux obstacles à l'interprétation des mutations cancéreuses : elle n'est pas systématique, elle porte sur une majorité de variants dont la signification est inconnue et elle ne parvient pas à mobiliser les patients.

L'interprétation des données génomiques des tumeurs repose sur le travail d'experts qui examinent des bases de données et des ressources éparses, dans un processus qui prend du temps et qui peut conduire à des décisions cliniques peu optimales.

CGI-Clinics permettra de systématiser le processus d'interprétation en intégrant les bases de données publiques et privées pertinentes des hôpitaux dans un outil de type "guichet unique", avec la possibilité d'organiser des RCP moléculaires virtuelles co-facilitées et co-animées par des hôpitaux de référence.

Le projet comportera trois phases : (1) setup (évaluation des besoins), (2) validation (pilote avec 9 partenaires cliniques) et (3) réplication (30 hôpitaux dans toute l'UE). Il permettra de démocratiser l'interprétation des données génomiques (indépendamment de leur nombre, des ressources et des techniques de séquençage) et d’impacter l'économie de la santé.

S'appuyant sur une plateforme d'apprentissage automatique systématique, CGI-Clinics augmentera la part de variants interprétables dans les tumeurs (de 9-12% actuellement à au moins 50%), ainsi que des caractéristiques qui constituent des biomarqueurs de réponse aux médicaments.

Le processus d'interprétation est complexe pour la plupart des patients atteints de cancer, ce qui les éloigne de la connaissance de leur maladie. Le projet aboutira au développement de eduCGI, une application pour les aider à comprendre les informations obtenues par l'interprétation de leurs tumeurs facilitant ainsi les discussions éclairées avec les cliniciens et le partage de leurs données pour la recherche.

En fin de compte, le projet est conçu pour informer les décideurs politiques sur la gestion du cancer et renforcer l'autonomie des patients.

HE2RNA est un modèle d’apprentissage profond qui vise à prédire l'expression génétique à partir de lames histologiques.

L’objectif de ce projet est d’améliorer davantage le modèle HE2RNA en exploitant de nouveaux ensembles de données de transcriptomique à résolution spatiale (scRNAseq). L’exploitation de ces données permettra à OWKIN de former un modèle de HE2RNA plus précis et efficace pour prédire l’expression génique à partir de lames d’hématoxyline et d’éosine (H&E). En outre, des méthodes récentes dans le domaine de l’apprentissage auto-supervisé (SSL) seront utilisées pour apprendre des représentations à partir de données multimodales (histologie et données génomiques).

Projet prédiction poumon : Signature radiomic / multi-omic pour la prédiction d’efficacité de l’immunothérapie pour le traitement du Cancer Bronchique Non à Petite Cellule.

Dans ce projet, l’objectif est de développer un modèle prédictif capable de générer des scores d’éligibilité et des prédictions de pronostic pour les patients atteints d’un cancer du poumon non à petites cellules traités par immunothérapie de première ligne, à partir de données de données cliniques de soin, d’images de scanner (CT) et d’images numérisées de lames histologiques.

En particulier :

1. Recueillir et analyser des données cliniques existantes basées sur la population et des informations d’imagerie médicale pour les patients cibles
2. Élaborer et évaluer un modèle holistique de notation de l’admissibilité et du pronostic pour les patients atteints d’un cancer du poumon non à petites cellules traités par première intention
3.  Construire un leadership scientifique fondé sur des données probantes dans le cancer du poumon et le traitement par immunothérapie grâce à des publications communes

Décrire les caractéristiques clinique, biologique et radiologique des GIST chez cette population (NF1) de patients afin de décrire leur histoire naturelle

(mode de révélation, évolution en taille au cours du temps, évolution métastatique, apparition de complications occlusive ou hémorragique)

Il s’agit ici de prédire de manière personnalisée la distribution de dose d’un traitement en radiothérapie interne vectorisée par LuPSMA à partir d’une image pré-traitement PET/CT Ga68. Les traitements sont réalisées en médecine nucléaire, au Lumen. L’obtention de ces données se greffe au traitement.

Avant un traitement au LuPSMA, le patient a une image PET/CT Ga68. L’objectif est d’entrainer un réseau de neurones à partir de ces images PET/CT Ga68 et LuPSMA.

La dose estimée pourra ensuite être corrélée aux données biologiques caractéristiques d’une irradiation (ex : taux de PSA)