Étude sur un modèle de pronostic du carcinome épidermoïde de l’œsophage basé sur le séquençage RNA monocellulaire et le séquençage RNA en vrac

Contexte de la recherche

Le carcinome épidermoïde de l’œsophage (Esophageal Squamous Cell Carcinoma, ESCC) est l’une des tumeurs malignes les plus courantes dans le monde, en particulier dans les régions d’Asie de l’Est. Bien que les traitements actuels incluent la chirurgie, la résection endoscopique et la radiothérapie, le pronostic des patients reste médiocre, avec un taux de survie à 5 ans de seulement 21 %. Les nouvelles thérapies, telles que les inhibiteurs de points de contrôle immunitaires, ne sont efficaces que pour 20 à 30 % des patients, ce qui indique que notre compréhension des mécanismes moléculaires de l’ESCC, en particulier du microenvironnement tumoral (Tumor Microenvironment, TME), reste insuffisante. L’altération du métabolisme du glucose est une caractéristique importante des stades précoces de l’ESCC. Les cellules tumorales effectuent la glycolyse même en présence d’oxygène, produisant de grandes quantités d’acide lactique qui affectent l’acidité du microenvironnement, favorisant ainsi la croissance tumorale, l’angiogenèse et l’immunosuppression. Par conséquent, une étude approfondie de la relation entre le métabolisme du glucose et l’ESCC, en particulier son impact sur le microenvironnement tumoral et l’immunothérapie, revêt une importance clinique significative.

Source de l’article

Cette étude a été réalisée par Jiaqi Zhang, Shunzhe Song, Yuqing Li et Aixia Gong du premier hôpital affilié de l’université médicale de Dalian et publiée en 2025 dans la revue Cancer Medicine. L’étude a été approuvée par le comité d’éthique du premier hôpital affilié de l’université médicale de Dalian (numéro d’approbation : PJ-KS-KY-2024-406).

Processus et résultats de la recherche

1. Sources et traitement des données

L’étude a utilisé des données provenant de la base de données Gene Expression Omnibus (GEO), du Cancer Genome Atlas (TCGA) et du Memorial Sloan Kettering Cancer Center (MSKCC), incluant respectivement 8, 99 et 140 échantillons de patients atteints d’ESCC. L’étude a d’abord analysé 51 134 cellules par séquençage RNA monocellulaire (scRNA-seq), identifiant 13 types de cellules, parmi lesquelles les cellules épithéliales squameuses présentaient le score de métabolisme du glucose le plus élevé. Ensuite, les chercheurs ont sélectionné 558 gènes différentiellement exprimés (Differentially Expressed Genes, DEGs) à partir des cellules épithéliales squameuses et ont calculé le score métabolique de chaque cellule en utilisant l’analyse d’enrichissement de gènes par échantillon unique (Single-Sample Gene Set Enrichment Analysis, ssGSEA).

2. Construction et validation du modèle pronostique

Grâce à une analyse de régression univariée de Cox, les chercheurs ont identifié 17 gènes significativement associés à la survie globale (Overall Survival, OS). Ensuite, en utilisant une analyse de régression LASSO (Least Absolute Shrinkage and Selection Operator), ils ont finalement sélectionné 4 gènes clés (SERP1, CTSC, RAP2B et SSR4) pour construire le modèle pronostique. Les patients ont été divisés en un groupe à haut risque (High-Risk Group, HRG) et un groupe à faible risque (Low-Risk Group, LRG) en fonction de leur score de risque (Risk Score, RS). Les courbes de survie de Kaplan-Meier ont montré que le taux de survie des patients du HRG était significativement inférieur à celui des patients du LRG. De plus, l’étude a validé l’exactitude du modèle à l’aide d’une cohorte externe (ensemble de données MSKCC), montrant que le taux de survie des patients du HRG était significativement réduit.

3. Relation entre le score de risque et les caractéristiques cliniques

Les chercheurs ont également analysé la relation entre le score de risque et les caractéristiques cliniques, constatant que le score de risque présentait des différences significatives en fonction de l’état de survie (p < 0,001), mais pas en fonction du sexe, du stade T, du stade N, du stade M ou du stade clinique. Une analyse de régression multivariée de Cox a montré que le score de risque était un facteur prédictif indépendant du pronostic des patients atteints d’ESCC.

4. Analyse de l’infiltration immunitaire et de la sensibilité aux médicaments

En utilisant l’algorithme CIBERSORT, les chercheurs ont analysé la distribution de 22 types de cellules immunitaires chez les patients atteints d’ESCC, constatant des différences significatives dans la teneur en éosinophiles et en macrophages M2 entre les groupes HRG et LRG. De plus, l’analyse de la sensibilité aux médicaments a montré que les patients du LRG présentaient une sensibilité accrue à plusieurs médicaments de chimiothérapie (tels que l’Axitinib, l’AG.014699 et l’ABT.263), suggérant que ces médicaments pourraient devenir des cibles thérapeutiques potentielles pour les patients atteints d’ESCC.

5. Analyse de variation des ensembles de gènes et prédiction des facteurs de transcription

L’analyse de variation des ensembles de gènes (Gene Set Variation Analysis, GSVA) et l’analyse d’enrichissement des ensembles de gènes (Gene Set Enrichment Analysis, GSEA) ont montré que les groupes HRG et LRG présentaient des différences significatives dans plusieurs voies de signalisation, notamment la voie des espèces réactives de l’oxygène, la voie de signalisation mTORC1 et la voie p53. En outre, les chercheurs ont également prédit les facteurs de transcription et ont découvert que CISBP_M0340 était le principal facteur de transcription régulant les gènes clés.

6. Validation par immunohistochimie

Les chercheurs ont validé l’expression des gènes clés dans les tissus d’ESCC, les néoplasies intraépithéliales de haut grade (High-Grade Intraepithelial Neoplasia, HGIEN), les néoplasies intraépithéliales de bas grade (Low-Grade Intraepithelial Neoplasia, LGIEN) et les tissus normaux adjacents en utilisant la technique d’immunohistochimie (Immunohistochemistry, IHC). Les résultats ont montré que l’expression de SERP1, CTSC, RAP2B et SSR4 était significativement plus élevée dans les tissus d’ESCC que dans les tissus normaux.

Conclusion et signification de l’étude

Cette étude a réussi à construire un modèle de pronostic de l’ESCC basé sur des gènes liés au métabolisme du glucose en intégrant des données de séquençage RNA monocellulaire et de séquençage RNA en vrac. Ce modèle permet non seulement de prédire efficacement la survie des patients, mais offre également de nouvelles perspectives pour l’étude des mécanismes moléculaires de l’ESCC. Les résultats de l’étude montrent que le métabolisme du glucose joue un rôle important dans la survenue et le développement de l’ESCC, en particulier en influençant le microenvironnement tumoral et l’infiltration des cellules immunitaires. De plus, l’étude a identifié plusieurs cibles thérapeutiques potentielles, fournissant une base théorique pour le traitement personnalisé de l’ESCC.

Points forts de l’étude

1. Méthode innovante : L’étude a combiné pour la première fois le séquençage RNA monocellulaire et le séquençage RNA en vrac pour analyser en profondeur l’hétérogénéité cellulaire et les caractéristiques du métabolisme du glucose dans l’ESCC.
2. Découverte de gènes clés : L’étude a identifié 4 gènes clés liés au métabolisme du glucose (SERP1, CTSC, RAP2B et SSR4) et a validé leur rôle important dans la prédiction du pronostic de l’ESCC.
3. Valeur clinique : Le modèle pronostique développé présente une précision prédictive élevée et peut fournir une référence importante pour le traitement personnalisé des patients atteints d’ESCC.

Autres informations utiles

L’étude a également validé l’expression des gènes clés dans les tissus d’ESCC par immunohistochimie, confirmant davantage le rôle important de ces gènes dans la survenue et le développement de l’ESCC. De plus, l’étude a identifié plusieurs cibles thérapeutiques potentielles, ouvrant de nouvelles perspectives pour le traitement personnalisé de l’ESCC.