Analyses tumorales en oncogénétique

Introduction aux analyses tumorales en oncogénétique

Les analyses tumorales jouent un rôle central dans le diagnostic, le pronostic et la prise en charge personnalisée des patients atteints de cancer. Elles permettent d’identifier des biomarqueurs spécifiques, de déterminer la filiation clonale entre lésions, et d’orienter les thérapies ciblées ou immunothérapiques. Ce cours détaillé, structuré autour de questions fréquentes, couvre les concepts clés de l’oncogénétique moderne, en mettant l’accent sur les signatures mutagénétiques, les contraintes pré-analytiques, et les outils bioinformatiques utilisés en pratique clinique.

1. Biomarqueurs tumoraux et syndrome de Lynch

Quel biomarqueur indique une prédisposition au syndrome de Lynch ?

Le syndrome de Lynch, également appelé cancer colorectal héréditaire non polyposique (HNPCC), est caractérisé par une déficience du système de réparation des mésappariements (MMR). Parmi les réponses proposées, la Signature SBS26 est spécifiquement associée à cette déficience.

• SBS26 : signature de substitution de bases (Single Base Substitution) reflétant un défaut du système MMR, typique des tumeurs liées au syndrome de Lynch.
• Charge mutationnelle (TMB) : mesure globale du nombre de mutations, non spécifique au syndrome de Lynch.
• Instabilité des microsatellites (MSI) : bien qu’elle soit liée au MMR, la question porte sur la signature SBS, plus précise pour la prédisposition.
• Déficit de recombinaison homologue (BRCA1/2) : concerne principalement les cancers du sein et de l’ovaire.

Comprendre la différence entre MSI et les signatures SBS permet d’interpréter correctement les résultats de séquençage et d’orienter le dépistage familial.

2. Filiation clonale des lésions pancréatiques et KRAS G12C

Quand le KRAS G12C n’est‑il pas informatif ?

Le gène KRAS est fréquemment muté dans les cancers pancréatiques. Le variant G12C est un « hotspot » qui peut apparaître de façon indépendante dans deux tumeurs distinctes. Ainsi, si les deux lésions sont indépendantes et que le KRAS G12C représente un hotspot commun, il ne permet pas d’établir une relation clonale.

• Le KRAS G12C présent uniquement dans une des deux lésions ne permet pas de comparer les deux tumeurs.
• Lorsque les deux lésions sont du même type histologique (adénocarcinome), le variant peut être informatif, sauf s’il s’agit d’un hotspot partagé.
• Si les deux lésions sont indépendantes, le même hotspot (KRAS G12C) peut survenir par hasard, rendant le marqueur non discriminant.
• Une fréquence allélique identique dans les deux tumeurs renforcerait la filiation, mais ce n’est pas le cas ici.

Cette nuance est cruciale pour les décisions thérapeutiques, notamment lorsqu’on envisage des traitements ciblant KRAS G12C.

3. Contraintes pré-analytiques pour le séquençage long read d’ARN

Quelle exigence est la plus stricte ?

Le séquençage long read (ex. Oxford Nanopore) nécessite une qualité d’ARN élevée pour garantir la lecture de longues molécules. La contrainte la plus stricte est :

• Quantité d’ARN ≥ 200 ng et DQN ≥ 7 + DV200 ≥ 60 %.

Le DQN (DNA Quality Number) et le DV200 (pourcentage de fragments >200 nt) sont des indicateurs de l’intégrité de l’ARN. Une quantité suffisante (≥200 ng) assure la génération de bibliothèques robustes, tandis que les seuils DQN ≥ 7 et DV200 ≥ 60 % garantissent que l’ARN n’est pas dégradé, condition indispensable pour le séquençage long read.

Des exigences moins strictes (ex. 10 ng/µl ou DV200 ≥ 80 %) sont souvent suffisantes pour le séquençage court, mais pas pour les longues lectures qui requièrent des fragments intacts.

4. Outils bioinformatiques pour l’analyse des CNV tumoraux

Quel logiciel est privilégié ?

Pour l’identification des Copy Number Variations (CNV) dans les tumeurs, l’outil FACETS est largement recommandé. FACETS (Fraction and Allele-specific Copy number Estimates from Tumor Sequencing) utilise les données de profondeur de lecture et les fréquences alléliques pour estimer les gains, pertes et la ploidie tumorale.

• FACETS : adapté aux données de séquençage à couverture moyenne, fournit des estimations précises des CNV et de la clonalité.
• Wisecondor : spécialisé dans l’analyse de l’expression génique, pas dédié aux CNV.
• MSIsensor2 : outil de détection d’instabilité des microsatellites (MSI), non pertinent pour les CNV.
• ScarHRD : calcule le score de déficience en recombinaison homologue (HRD), autre domaine.

L’utilisation de FACETS permet d’interpréter les altérations génomiques majeures qui influencent la réponse aux thérapies ciblées, notamment les inhibiteurs de PARP ou les agents anti‑angiogéniques.

5. Détection de variants pathogènes dans les tumeurs mosaïques

Pourquoi est‑elle plus aisée ?

Dans une tumeur mosaïque, la proportion de cellules porteuses du variant est très élevée, souvent proche de 100 %. Cette homogénéité augmente la sensibilité de la détection, car le signal du variant n’est pas dilué par les cellules normales adjacentes.

• Le variant présent dans 100 % des cellules tumorales génère un pic de fréquence allélique élevé, facilitant son identification même à faible profondeur de séquençage.
• Dans les tumeurs hétérogènes, la présence de cellules normales ou de sous‑clones réduit la fréquence allélique, rendant la détection plus difficile.

Cette caractéristique est exploitable pour le suivi de la maladie résiduelle minimale (MRD) et pour la sélection de cibles thérapeutiques.

6. Séquençage long read adaptatif (adaptive sampling)

Quel est son principal avantage ?

L’adaptive sampling permet de cibler sélectivement une petite portion du génome (environ 1,5 %) tout en augmentant la profondeur de couverture sur ces régions d’intérêt. Contrairement au Whole‑Genome Sequencing (WGS) standard à 30‑40X, cette approche optimise le rapport coût‑efficacité et la résolution des variantes ciblées.

• En ciblant spécifiquement les régions d’intérêt, on obtient une profondeur accrue (souvent >100X) sur les gènes clés, ce qui améliore la détection des SNV, des indels et des CNV.
• Cette méthode ne supprime pas la préparation de bibliothèques, mais elle utilise le flux de données en temps réel pour enrichir les séquences désirées.
• Elle ne réduit pas le temps de séquençage de plusieurs jours, mais optimise l’utilisation du temps de lecture.

L’adaptive sampling est particulièrement utile pour les panels oncogénétiques où l’on souhaite approfondir les gènes de susceptibilité sans séquencer l’ensemble du génome à haute couverture.

7. Signatures mutagénétiques liées aux expositions exogènes

Quelle signature est associée au tabac ?

La signature SBS4 est reconnue comme la signature mutagénétique du tabac. Elle reflète les dommages causés par les agents alkylants présents dans la fumée de cigarette, entraînant des substitutions de bases spécifiques.

• SBS4 : signature de substitution de bases liée à l’exposition au tabac.
• DBS78, SBS6, ID83 : signatures associées à d’autres processus (défauts de réparation, expositions chimiques différentes).

Identifier SBS4 dans un profil tumoral aide à confirmer l’histoire d’exposition du patient et peut influencer les stratégies de prévention secondaire.

8. Données prioritaires dans le diagnostic théranostique

Quel type de donnée est recherché en priorité ?

Dans le cadre du diagnostic théranostique, la recherche de transcrits de fusion est primordiale. Les fusions génétiques (ex. EML4‑ALK, RET) sont des cibles thérapeutiques directes pour des inhibiteurs spécifiques.

• Transcrits de fusion : permettent d’identifier des cibles actionnables et d’orienter le choix de thérapies ciblées.
• Variations nucléotidiques simples (SNV) : importantes mais souvent secondaires dans le contexte théranostique.
• Variants du nombre de copies (CNV) : pertinents pour certains traitements, mais moins prioritaires que les fusions.
• Profil d’expression génique : utile pour la classification, mais pas toujours directement exploitable pour le traitement.

La détection fiable des fusions nécessite des techniques de séquençage à haut débit, souvent couplées à des approches de capture ciblée ou de séquençage long read.

Conclusion

Ce cours a synthétisé les concepts essentiels de l’oncogénétique tumorale, depuis les biomarqueurs de prédisposition (SBS26) jusqu’aux outils bioinformatiques (FACETS) et aux stratégies de séquençage avancées (adaptive sampling). La maîtrise de ces notions permet aux cliniciens et aux laboratoires de fournir des diagnostics précis, d’optimiser les traitements ciblés et d’améliorer la prise en charge personnalisée des patients atteints de cancer.

En intégrant ces connaissances dans la pratique quotidienne, vous renforcerez votre expertise en pathologie moléculaire et contribuerez à l’avancement de la médecine de précision.