36 research outputs found
Analyse de données pharmacogénomiques et moléculaires pour comprendre la résistance aux traitements des cancers du sein triple négatif
No full textGiven the large number of treatment-resistant triple-negative breast cancers, it is essential to understand the mechanisms of resistance and to find new effective molecules. First, we analyze two large-scale pharmacogenomic datasets. We propose a novel classification based on transcriptomic profiles of cell lines, according to a biological network-driven gene selection process. Our molecular classification shows greater homogeneity in drug response than when cell lines are grouped according to their original tissue. It also helps identify similar patterns of treatment response. In a second analysis, we study a cohort of patients with triple-negative breast cancer who have resisted to neoadjuvant chemotherapy. We perform complete molecular analyzes based on RNAseq and WES. We observe a high molecular heterogeneity of tumors before and after treatment. Although we highlighted clonal evolution under treatment, no recurrent mechanism of resistance could be identified Our results strongly suggest that each tumor has a unique molecular profile and that that it is increasingly important to have large series of tumors. Finally, we are improving a method for testing the overrepresentation of known RNA binding protein motifs in a given set of regulated sequences. This tool uses an innovative approach to control the proportion of false positives that is not realized by the existing algorithm. We show the effectiveness of our approach using two different datasets.Devant le grand nombre de tumeurs du sein triple négatif résistant aux traitements, il est essentiel de comprendre les mécanismes de résistance et de trouver de nouvelles molécules efficaces. En premier lieu, nous analysons deux ensembles de données pharmacogénomiques à grande échelle. Nous proposons une nouvelle classification basée sur des profils transcriptomiques de lignées cellulaires, selon un processus de sélection de gènes basé sur des réseaux biologiques. Notre classification moléculaire montre une plus grande homogénéité dans la réponse aux médicaments que lorsque l’on regroupe les lignées cellulaires en fonction de leur tissu d'origine. Elle permet également d’identifier des profils similaires de réponse aux traitements. Dans un second travail, nous étudions une cohorte de patients atteints d’un cancer du sein triple négatif ayant résisté à la chimiothérapie néoadjuvante. Nous effectuons des analyses moléculaires complètes basées sur du RNAseq et WES. Nous constatons une forte hétérogénéité moléculaire des tumeurs avant et après traitement. Bien que nous observons une évolution clonale sous traitement, aucun mécanisme récurrent de résistance n’a pu être identifié. Nos résultats suggèrent fortement que chaque tumeur a un profil moléculaire unique et qu'il est important d'étudier de grandes séries de tumeurs. Enfin, nous améliorons une méthode pour tester la surreprésentation de motifs connus de protéines de liaison à l'ARN, dans un ensemble donné de séquences régulées. Cet outil utilise une approche innovante pour contrôler la proportion de faux positifs qui n'est pas réalisé par l'algorithme existant. Nous montrons l'efficacité de notre approche en utilisant deux séries de données différentes
Analyse de données pharmacogénomiques et moléculaires pour comprendre la résistance aux traitements des cancers du sein triple négatif
No full textGiven the large number of treatment-resistant triple-negative breast cancers, it is essential to understand the mechanisms of resistance and to find new effective molecules. First, we analyze two large-scale pharmacogenomic datasets. We propose a novel classification based on transcriptomic profiles of cell lines, according to a biological network-driven gene selection process. Our molecular classification shows greater homogeneity in drug response than when cell lines are grouped according to their original tissue. It also helps identify similar patterns of treatment response. In a second analysis, we study a cohort of patients with triple-negative breast cancer who have resisted to neoadjuvant chemotherapy. We perform complete molecular analyzes based on RNAseq and WES. We observe a high molecular heterogeneity of tumors before and after treatment. Although we highlighted clonal evolution under treatment, no recurrent mechanism of resistance could be identified Our results strongly suggest that each tumor has a unique molecular profile and that that it is increasingly important to have large series of tumors. Finally, we are improving a method for testing the overrepresentation of known RNA binding protein motifs in a given set of regulated sequences. This tool uses an innovative approach to control the proportion of false positives that is not realized by the existing algorithm. We show the effectiveness of our approach using two different datasets.Devant le grand nombre de tumeurs du sein triple négatif résistant aux traitements, il est essentiel de comprendre les mécanismes de résistance et de trouver de nouvelles molécules efficaces. En premier lieu, nous analysons deux ensembles de données pharmacogénomiques à grande échelle. Nous proposons une nouvelle classification basée sur des profils transcriptomiques de lignées cellulaires, selon un processus de sélection de gènes basé sur des réseaux biologiques. Notre classification moléculaire montre une plus grande homogénéité dans la réponse aux médicaments que lorsque l’on regroupe les lignées cellulaires en fonction de leur tissu d'origine. Elle permet également d’identifier des profils similaires de réponse aux traitements. Dans un second travail, nous étudions une cohorte de patients atteints d’un cancer du sein triple négatif ayant résisté à la chimiothérapie néoadjuvante. Nous effectuons des analyses moléculaires complètes basées sur du RNAseq et WES. Nous constatons une forte hétérogénéité moléculaire des tumeurs avant et après traitement. Bien que nous observons une évolution clonale sous traitement, aucun mécanisme récurrent de résistance n’a pu être identifié. Nos résultats suggèrent fortement que chaque tumeur a un profil moléculaire unique et qu'il est important d'étudier de grandes séries de tumeurs. Enfin, nous améliorons une méthode pour tester la surreprésentation de motifs connus de protéines de liaison à l'ARN, dans un ensemble donné de séquences régulées. Cet outil utilise une approche innovante pour contrôler la proportion de faux positifs qui n'est pas réalisé par l'algorithme existant. Nous montrons l'efficacité de notre approche en utilisant deux séries de données différentes
Analyse de données pharmacogénomiques et moléculaires pour comprendre la résistance aux traitements des cancers du sein triple négatif
No full textGiven the large number of treatment-resistant triple-negative breast cancers, it is essential to understand the mechanisms of resistance and to find new effective molecules. First, we analyze two large-scale pharmacogenomic datasets. We propose a novel classification based on transcriptomic profiles of cell lines, according to a biological network-driven gene selection process. Our molecular classification shows greater homogeneity in drug response than when cell lines are grouped according to their original tissue. It also helps identify similar patterns of treatment response. In a second analysis, we study a cohort of patients with triple-negative breast cancer who have resisted to neoadjuvant chemotherapy. We perform complete molecular analyzes based on RNAseq and WES. We observe a high molecular heterogeneity of tumors before and after treatment. Although we highlighted clonal evolution under treatment, no recurrent mechanism of resistance could be identified Our results strongly suggest that each tumor has a unique molecular profile and that that it is increasingly important to have large series of tumors. Finally, we are improving a method for testing the overrepresentation of known RNA binding protein motifs in a given set of regulated sequences. This tool uses an innovative approach to control the proportion of false positives that is not realized by the existing algorithm. We show the effectiveness of our approach using two different datasets.Devant le grand nombre de tumeurs du sein triple négatif résistant aux traitements, il est essentiel de comprendre les mécanismes de résistance et de trouver de nouvelles molécules efficaces. En premier lieu, nous analysons deux ensembles de données pharmacogénomiques à grande échelle. Nous proposons une nouvelle classification basée sur des profils transcriptomiques de lignées cellulaires, selon un processus de sélection de gènes basé sur des réseaux biologiques. Notre classification moléculaire montre une plus grande homogénéité dans la réponse aux médicaments que lorsque l’on regroupe les lignées cellulaires en fonction de leur tissu d'origine. Elle permet également d’identifier des profils similaires de réponse aux traitements. Dans un second travail, nous étudions une cohorte de patients atteints d’un cancer du sein triple négatif ayant résisté à la chimiothérapie néoadjuvante. Nous effectuons des analyses moléculaires complètes basées sur du RNAseq et WES. Nous constatons une forte hétérogénéité moléculaire des tumeurs avant et après traitement. Bien que nous observons une évolution clonale sous traitement, aucun mécanisme récurrent de résistance n’a pu être identifié. Nos résultats suggèrent fortement que chaque tumeur a un profil moléculaire unique et qu'il est important d'étudier de grandes séries de tumeurs. Enfin, nous améliorons une méthode pour tester la surreprésentation de motifs connus de protéines de liaison à l'ARN, dans un ensemble donné de séquences régulées. Cet outil utilise une approche innovante pour contrôler la proportion de faux positifs qui n'est pas réalisé par l'algorithme existant. Nous montrons l'efficacité de notre approche en utilisant deux séries de données différentes
New insight for pharmacogenomics studies from the transcriptional analysis of two large-scale cancer cell line panels
No full textAuthor Correction : Sadacca, B., Hamy, A.-S., Laurent, C., Gestraud, P., Bonsang-Kitzis, H., Pinheiro, A., Abecassis, J., Neuvial, P., Reyal, F. (2018). New insight for pharmacogenomics studies from the transcriptional analysis of two large-scale cancer cell line panels (vol 7, 15126, 2016). Scientific Reports, 8, 1-1 https://www.nature.com/articles/s41598-018-36812-3 UT=WOS000453222300001International audienceOne of the most challenging problems in the development of new anticancer drugs is the very high attrition rate. The so-called " drug repositioning process " propose to find new therapeutic indications to already approved drugs. For this, new analytic methods are required to optimize the information present in large-scale pharmacogenomics datasets. We analyzed data from the Genomics of Drug Sensitivity in Cancer and Cancer Cell Line Encyclopedia studies. We focused on common cell lines (n = 471), considering the molecular information, and the drug sensitivity for common drugs screened (n = 15). We propose a novel classification based on transcriptomic profiles of cell lines, according to a biological network-driven gene selection process. Our robust molecular classification displays greater homogeneity of drug sensitivity than cancer cell line grouped based on tissue of origin. We then identified significant associations between cell line cluster and drug response robustly found between both datasets. We further demonstrate the relevance of our method using two additional external datasets and distinct sensitivity metrics. Some associations were still found robust, despite cell lines and drug responses' variations. This study defines a robust molecular classification of cancer cell lines that could be used to find new therapeutic indications to known compounds
Biological network-driven gene selection identifies a stromal immune module as a key determinant of triple-negative breast carcinoma prognosis
No full textInternational audienceTriple-negative breast cancer (TNBC) is a heterogeneous group of aggressive breast cancers for which no targeted treatment is available. Robust tools for TNBC classification are required, to improve the prediction of prognosis and to develop novel therapeutic interventions. We analyzed 3,247 primary human breast cancer samples from 21 publicly available datasets, using a five-step method: (1) selection of TNBC samples by bimodal filtering on ER-HER2 and PR, (2) normalization of the selected TNBC samples, (3) selection of the most variant genes, (4) identification of gene clusters and biological gene selection within gene clusters on the basis of String (c) database connections and gene-expression correlations, (5) summarization of each gene cluster in a metagene. We then assessed the ability of these metagenes to predict prognosis, on an external public dataset (METABRIC). Our analysis of gene expression (GE) in 557 TNBCs from 21 public datasets identified a six-metagene signature (167 genes) in which the metagenes were enriched in different gene ontologies. The gene clusters were named as follows: Immunity1, Immunity2, Proliferation/DNA damage, AR-like, Matrix/Invasion1 and Matrix2 clusters respectively. This signature was particularly robust for the identification of TNBC subtypes across many datasets (n = 1,125 samples), despite technology differences (Affymetrix (c) A, Plus2 and Illumina (c)). Weak Immunity two metagene expression was associated with a poor prognosis (disease-specific survival; HR = 2.68 [1.59-4.52], p = 0.0002). The six-metagene signature (167 genes) was validated over 1,125 TNBC samples. The Immunity two metagene had strong prognostic value. These findings open up interesting possibilities for the development of new therapeutic interventions
Author response: Orbitofrontal neurons signal sensory associations underlying model-based inference in a sensory preconditioning task
No full textAssessing reliability of intra-tumor heterogeneity estimates from single sample whole exome sequencing data
No full textInternational audienceTumors are made of evolving and heterogeneous populations of cells which arise from successive appearance and expansion of subclonal populations, following acquisition of mutations conferring them a selective advantage. Those subclonal populations can be sensitive or resistant to different treatments, and provide information about tumor aetiology and future evolution. Hence, it is important to be able to assess the level of heterogeneity of tumors with high reliability for clinical applications. In the past few years, a large number of methods have been proposed to estimate intra-tumor heterogeneity from whole exome sequencing (WES) data, but the accuracy and robustness of these methods on real data remains elusive. Here we systematically apply and compare 6 computational methods to estimate tumor heterogeneity on 1,697 WES samples from the cancer genome atlas (TCGA) covering 3 cancer types (breast invasive carcinoma, bladder urothelial carcinoma, and head and neck squamous cell carcinoma), and two distinct input mutation sets. We observe significant differences between the estimates produced by different methods, and identify several likely confounding factors in heterogeneity assessment for the different methods. We further show that the prognostic value of tumor heterogeneity for survival prediction is limited in those datasets, and find no evidence that it improves over prognosis based on other clinical variables. In conclusion, heterogeneity inference from WES data on a single sample, and its use in cancer prognosis, should be considered with caution. Other approaches to assess intra-tumoral heterogeneity such as those based on multiple samples may be preferable for clinical applications
Lower Income Housing Assistance Program (Section 8) : nation wide evaluation of the existing housing program : technical supplement /
No full textMode of access: Internet
