Étude des différences métaboliques entre les cellules de gliome IDH muté et de type sauvage basée sur la spectroscopie Raman et une plateforme d’apprentissage automatique

Introduction

Dans le diagnostic et le traitement des gliomes, les coupes de tissus fixés au formol et inclus en paraffine (FFPE) sont couramment utilisées. Cependant, leur utilisation en spectroscopie Raman est limitée par le bruit de fond causé par le milieu d’inclusion. Pour surmonter ce problème et identifier les sous-types tumoraux, cette étude a développé une nouvelle plateforme d’apprentissage automatique basée sur la spectroscopie Raman, nommée APOLLO (Spectroscopie Raman des gliomes malins), capable de prédire les sous-types de gliome à partir de coupes de tissus FFPE.

Source de l’article

Cet article a été rédigé par Adrian Lita, Joel Sjöberg, David Păcioianu et d’autres chercheurs provenant du National Cancer Institute (États-Unis), de l’Université de Turku (Finlande), de l’Université de Bucarest (Roumanie) et du Henry Ford Health System. Il a été publié en juin 2024 dans la revue « Neuro-Oncology ».

Procédure de recherche

Sujets et échantillons de l’étude

L’étude a obtenu des échantillons FFPE de 46 patients dont les sous-types de méthylation étaient connus et la présence de cellules tumorales confirmée par coloration H&E. Ensuite, des empreintes moléculaires ont été recueillies à l’aide de spectroscopie Raman spontanée, et des algorithmes de machine learning (comme la machine à vecteurs de support et la forêt aléatoire) ont été utilisés pour construire des classificateurs de tumeur/non-tumeur, mutation IDH1/types sauvages et sous-types de méthylation.

Collecte et prétraitement des données

Les spectres Raman de chaque échantillon ont été collectés à l’aide des microscopes ThermoFisher DXR2xi et Leica Stellaris 8 CRS. Pendant le prétraitement des données, les régions silencieuses ont été retirées et les spectres ont été corrigés de base et normalisés pour garantir leur fiabilité.

Algorithmes et entraînement des modèles

L’algorithme de clustering DBSCAN a été utilisé pour identifier les tissus tumoraux et non-tumoraux, et des modèles de machine learning ont été entraînés séparément pour chaque zone de scan. Ensuite, plusieurs classificateurs ont été entraînés par validation croisée à 5 plis, y compris des forêts aléatoires et des machines à vecteurs de support, pour optimiser la précision des modèles. Finalement, les fréquences Raman les plus importantes distinguant les tissus tumoraux/non-tumoraux et les génotypes IDH muté/sauvage ont été extraites par classement des caractéristiques des forêts aléatoires et des tests statistiques.

Validation des résultats expérimentaux

Les fréquences Raman ont été validées par spectroscopie Raman stimulée (SRS), montrant que la plateforme APOLLO peut efficacement distinguer les tissus tumoraux des non-tumoraux, ainsi que les gliomes IDH1 mutés des types sauvages. Notamment, la plateforme a identifié une augmentation significative des niveaux d’esters de cholestérol dans les gliomes IDH1 mutés, indiquant une spécificité métabolique de ces tumeurs.

Résultats de l’étude

Différenciation des tissus tumoraux et non-tumoraux

En classant les fréquences Raman par importance à l’aide de l’ANOVA, chi2 et de la forêt aléatoire, il a été découvert que la fréquence Raman 2850 cm^-1 (abondante dans les liaisons CH2 des lipides) est cruciale pour distinguer les tissus tumoraux des non-tumoraux. D’autres fréquences nouvellement découvertes comme 2883 cm^-1, 1690 cm^-1, 1607 cm^-1, 1401 cm^-1 et 1335 cm^-1 montrent également une intensité élevée dans les tissus tumoraux.

Différenciation des gliomes IDH1 mutés et de type sauvage

En utilisant divers modèles de classificateurs, APOLLO a distingué avec précision les gliomes IDH1 mutés des types sauvages, avec une moyenne de ROC AUC atteignant 0.82. En particulier, les signaux des esters de cholestérol aux fréquences Raman 2883 cm^-1, 1440 cm^-1 et 532 cm^-1 sont essentiels pour cette distinction.

Différentiation plus fine des sous-types

APOLLO peut efficacement distinguer les phénotypes de méthylation g-CIMP-high et g-CIMP-low des gliomes IDH1 mutés. Cette classification est cliniquement significative car le sous-type g-CIMP-high est associé à un meilleur pronostic.

Signification de l’étude

La plateforme APOLLO démontre le potentiel de la spectroscopie Raman sans étiquettes pour extraire des informations biologiques significatives à partir de coupes de tissus FFPE, ouvrant des perspectives pour son application dans d’autres recherches sur le cancer. Cette étude non seulement prouve l’efficacité des méthodes de classification automatique basées sur l’apprentissage automatique, mais elle identifie également des différences métaboliques spécifiques dans le cholestérol chez les gliomes IDH1 mutés, fournissant de nouvelles idées pour les cibles thérapeutiques.

Points notables

1. Plateforme innovante : APOLLO est une nouvelle plateforme combinant spectroscopie Raman et apprentissage automatique, capable de prédire avec précision les sous-types de gliome à partir de coupes de tissus FFPE.
2. Découverte d’un métabolisme élevé du cholestérol : L’étude a découvert une augmentation significative des niveaux d’esters de cholestérol dans les gliomes IDH1 mutés, proposant de nouvelles perspectives sur la biologie tumorale.
3. Automatisation complète : La plateforme APOLLO réalise un traitement et une classification des données entièrement automatisés, sans intervention humaine, améliorant grandement l’efficacité de l’analyse.

Cette recherche fournit des bases scientifiques et une valeur clinique importante pour la classification moléculaire et le traitement des gliomes. À l’avenir, la plateforme APOLLO pourrait être étendue à d’autres types de tissus FFPE et à d’autres recherches sur le cancer, promouvant le développement de l’oncologie et de la pathologie moléculaire.