Apport de la Pharmacogénomique dans le traitement des Cancers

Présentation au sujet: "Apport de la Pharmacogénomique dans le traitement des Cancers"— Transcription de la présentation:

1 Apport de la Pharmacogénomique dans le traitement des Cancers
Master 1 : Module Oncologie 22 Novembre Dr Barthélémy

2 Plan Introduction : Chimiothérapie - limites des approches statistiques Apport de la pharmacogénomique: Apport pronostique Apport prédictif de réponse à la chimiothérapie Apport prédictif de réponse aux thérapies ciblées

3 Méthodologie du développement des chimiothérapies et limites
Phase 1 : dose maximale tolérée (DMT) Phase 2 : toxicité/efficacité Phase 3 : Comparaison bras de référence Drogues Lignée cellulaire

4 Limites des statistiques !
Jusqu’en 2000 : Type de chimiothérapie basé sur études phase III => Données statistiques de réponse et toxicité 100 6 12 24 30 36 42 48 55 62 68 Months 20 40 60 80 Progression-free survival Chimiothérapie A (n=544) Chimiothérapie B (n=544) 20 40 60 80 100 12 24 36 48 Months Progression free survival Bras A Bras B p = 0.145 p < 0.05

5 Problème de sélection Traitement identique Objectif :
Hétérogénéité -Tumorale - Patient Objectif : Traitement à la carte Moyens: Pharmacogénomique Pharmacogénétique

6 Sélection des tumeurs et des patients!!
Cible + Cible -

7 Définitions Pharmacogénétique Pharmacogénomique
Etude du génome du patient Polymorphisme des cytochrome P450 et réponse à une drogue Analyse pangénomique des SNP (polymorphisme si >1% des patients) Pharmacogénomique Etude du génome tumoral

8 (Spectrométrie de masse...)
Analyses à l’échelle génomique Echantillons Extraits -mics Génome (FISH,CGH array, SNP...) ADN Tumeur Tumorothèques ARN Transcriptome (cDNA microarray...) Protéine Protéome (Spectrométrie de masse...) Sang : Protéines, CTC,

9 Apport de la pharmacogénomique
Etablir des profils d’expression (signatures moléculaires) Caractérisation de sous-types de tumeurs (ex. Puces à ADN et Cancer du sein) Rôle pronostique, prédictif, Identification de nouvelles cibles thérapeutiques (HER-2, EGFR, c-KIT…) Identification de facteurs prédictifs de réponse Mutations de gènes : EGFR, K-RAS, c-KIT Polymorphismes : ERCC1 et sels de platine Translocations : ALK4 (cancer du poumon)

10 Approche « génomique globale »
Etude par puces à ADN de signatures moléculaires Apport pronostique Apport prédictif Identification de nouvelles cibles thérapeutiques

11 Signatures moléculaires : Puces à ADN
1.Extraction ARN tumoral 2. RTPCR => ADNc 3. Marquage fluorescent de l’ADNc (Cy5 => ADNc tumoral; Cy3 => ADNc étalon 4. Hybridation Mix ADNc – Puce à ADN 4. Processus d’analyse

12 Signatures moléculaires
Gènes Pronostiques Prédictives de réponse aux traitements Rouge : Surexpression Echantillons Vert : Sous-expression

13 Classification moléculaire des cancers du sein
Etablissement d’une nouvelle taxonomie de cancer du sein Définition d’index pronostiques basés sur les caractéristiques génétiques (OncotypeDX, Mammaprint) Prédiction de la réponse aux différents traitements antitumoraux Identification de cibles moléculaires permettant de nouveaux traitements ciblés

14 Classification moléculaire des cancers du sein
« LUMINAL» « HER2 + » ESR1 - GRB7 TP53 * 71% RAS pathway KRT 8/18 + ESR1 +++ ESR genes regulated BCL2 + ESR1 + « BRCA1 » «BASAL» ESR1- KRT5/17 + HER2 – TP53 * 82% BCL2 EGFR TOP2A MYC KIT pathways « Normal like » Perou et al, Sorlie et al, Bertucci et al, Sotiriou et al, Hedenfalk et al, West et al Van de Rijn et al Am J Pathol 2002, Abd El Rehim et al J Pathol 2004

15 Index pronostic selon la classification
Sorlié 2001

16 Pharmacogénomique et Apport pronostique

17 Signature pronostique
Tumeurs du sein (T<5cm; N0) Signature moléculaire Absence de métastases ( > 5 ans) Présence de métastases ( < 5 ans) gènes 78 tumeurs N0 (training set) Signature moléculaire (70 gènes) 17 tumeurs N0 (validation set) Discrimination pronostique Nature, 415, , 2002

18 Nouveaux outils décisionnel en cancérologie du sein
Oncotype DX : score de récurrence; validé aux USA Mammaprint (signature d’amsterdam): en cours de validation (Essai Mindact) => probable outil décisionnel pour l’indication de chimiothérapie adjuvante du cancer du sein

19 Mammaprint : Signature 70 gènes
Essai MINDACT en cours : Survie Globale Signature Mammaprint 95% ±2.6% 55% ±4.4%

20 Oncotype DX 21-gene assay = 16 outcome-related genes + 5 reference genes No distant recurrence (low risk) = 93.2% No distant recurrence (high risk) = 69.5% A risk score is calculated from

21 Pharmacogénomique et Apport prédictif

22 Signature prédictive de réponse à la chimiothérapie FAC/Taxol
Profil génomique (signature DLDA-30) versus facteurs prédictifs anatomo-cliniques (âge, grade, RH) gènes Signature moléculaire (74 gènes) Prédiction pCR >92% (vs 61%) 133 patients (training set) 51 patients (validation set) Ayers, 2004, Pusztai 2004, Hess 2006

23 Prédiction Réponse Docetaxel
Taxotère 100mg/m2 x 4cycles Réponse clinique Analyse cDNA Profil d’expression de 92 gènes -> corrélation réponse au taxotère VPP 92% et VPN 83% Chang JC Lancet 2003c

24 Prédiction de la réponse à la chimiothérapie pré-opératoire
Résultats prometteurs (mais restent à valider) Problèmes de méthodologie Nécessité de standardisation des techniques Faibles effectifs Essais cliniques prospectifs

25 Pharmacogénomique et cibles thérapeutiques

26 Classification moléculaire et identification de cibles thérapeutiques
« LUMINAL» « HER2 + » ESR1 - GRB7 TP53 * 71% RAS pathway KRT 8/18 + ESR1 +++ ESR genes regulated BCL2 + ESR1 + « BRCA1 » «BASAL» ESR1- KRT5/17 + HER2 – TP53 * 82% BCL2 EGFR TOP2A MYC KIT pathways EGFR « Normal like » Perou et al, Sorlie et al, Bertucci et al, Sotiriou et al, Hedenfalk et al, West et al Van de Rijn et al Am J Pathol 2002, Abd El Rehim et al J Pathol 2004

27 Identification de cibles potentielles ex. Cancer basal-like
Angiogenèse EGF-R c-Kit TOP2A → cible des anthracyclines Instabilité génétique → DNA-damaging agents ( platinum compounds , ) p-53 → taxanes Thérapies ciblées

28 Approche « mono-génomique »
Recherche d’anomalies de une ou plusieurs cibles thérapeutiques ou voies de signalisation (amplifications, mutations, translocations, polymorphismes…..) Facteurs prédictifs de réponse aux thérapies ciblées

29 Amplification HER2 cancer du sein et cancer gastrique
II II I hétérodimérisation III III IV IV SOS RAS RAF Grb 2 P P GTP RAS MEK P P GDP ERK

30 HER 2 FISH IHC Forte surexpression +++ Faible surexpression + / ++
Absence de surexpression

31 Etude HERA : Apport de la cible

32 EGFR Cancer du colon / Poumon / ORL
Surexpression IHC ! Cible ? Facteur prédictif de réponse ? Mutations Altération de la voie de signalisation: K-ras, B-raf

33 EGFR : cible variable EGF-R Erbitux, Vectibix => Colon, ORL
Iressa, Tarceva => Poumon EGF-R

34 EGFR et Cancer du poumon
Réponse aux Inhibiteurs de tyrosine kinase ( ITK ) Non corrélée à l’expression de EGFR Corrélée à : Adénocarcinome Non fumeur Asiatique Sexe féminin Facteur moléculaire prédictifs de réponse ?

35 Mutations de l’EGFR et Sensibilité au Gefitinib / Erlotinib
EGF ligand binding Tyrosine kinase Domaine de P TM K DFG Y Y Y Y 718 745 858 861 964 GXGXXG K DFG L L Exon: 18 19 20 21 22 23 24 LREA G719A/C deletion L858R L861Q Lynch et al ’04; Paez et al ‘04; Pao et al ‘04

36 Survie : Statut EGFR et ITK
EGFR mutation positive EGFR mutation negative ITK Gefitinib (n=132) Carboplatin / paclitaxel (n=129) ITK Gefitinib (n=91) Carboplatin / paclitaxel (n=85) 1.0 1.0 0.8 0.8 HR (95% CI) = 2.85 (2.05, 3.98) p<0.0001 HR (95% CI) = 0.48 (0.36, 0.64) p<0.0001 0.6 0.6 Probability of progression-free survival Probability of progression-free survival 0.4 0.4 0.2 0.2 0.0 0.0 4 8 12 16 20 24 4 8 12 16 20 24 Months Months Mok et al ‘09

37 Poumon et Gène de Fusion EML4-ALK
Fusion de la partie N terminale de EML4 (Echinoderm Microtubule- Associated Protein-Like 4) et de la région codant la partie intracellulaire d'ALK (Anaplastic Lymphoma Kinase) avec une activité tyrosine kinase Détermination par FISH La protéine ALK induit une prolifération et une inhibition de l'apoptose 4 à 5 % des caucasiens et 7 à 8% des asiatiques Basic WD Kinase TM ALK 1058 1620 1 EML4-ALK variant 1 496 1059 EML4 HELP 981 Y. Bang et al. ASCO Abstract 3

38 Thérapeutique EML4-ALK
Crizotinib : ITK 12 24 36 48 60 100 80 40 20 Réponse au crizotinib SSP Progressive disease Stable disease Confirmed partial response Confirmed complete response 60 40 20 –20 –40 –60 –80 –100 EGFR WT/WT EML4–ALK => Absence de réponse aux anti-EGFR

39 Cancer du poumon : Identification de multiples sous-types
Adaptation de traitements différents selon le statut moléculaire Nouvel arsenal thérapeutique: -Anti-EGFR si mutations EGFR -Inhibiteurs EML4-ALK -Chimiothérapie à base de sels de platine si déficit du mécanismes de réparation (défaut ERCC1 – système NER) …….. autre2% Inconnu 65% Ras 15% Met 1% PDGFRa 4% Ros 1% Alk 4% EGFR 10%

40 Facteur prédictif de réponse au mab anti-EGFR ?
EGFR et Cancer du colon Absence de réponse aux ITK mais réponse aux anticorps Pas de corrélation avec l’expression EGFR en IHC Facteur prédictif de réponse au mab anti-EGFR ?

41 K-Ras et B-Raf : mutations et réponses thérapeutiques
EGFR Mutations EGFR rares Ras PI3K Mutations Raf Akt MEK mTor ERK prolifération

42 Importance du statut K-ras
K-ras muté 7.4 vs 7.3 sem K-ras sauvage 12.3 vs 7.3 sem Amado, R. G. et al. J Clin Oncol; 26:

43 Conclusion Mutation K-RAS : facteur prédictif de non réponse aux Ac anti-EGFR Adaptation du traitement sur les données de biologie moléculaire Distinction entre plusieurs sous-types Kras muté Braf muté (a valider) ….

44 GIST et Imatinib / Sunitinib
Tumeurs rares développées à partir des cellules de cajal (Gastro-Intestinal Stromal Tumor) Expression de c-kit (réc. transmembranaire à activité tyrosine kinase) et PDGFR Traitement par Glivec, Sutent… Facteurs prédictifs de réponse ???

45 Mutations de KIT et PDGFRa dans les GIST Mutations activatrices
Fréquence des mutations : 86% Sensible au Glivec® Exon 9 (10%) Membrane Exon 11 (67%) Exon 12 (0.9%) Exon 13 (0.5%) Exon 14 (0.3%) Cytoplasme Exon 17 (0.5%) Exon 18 (6.3%) Résistant au Glivec® Heinrich et al. Hum Pathol. 2002;33:484; Science 2003, Corless et al. Proc AACR. 2003

46 Survie sans progression selon statut c-KIT
1 2 3 4 5 10 20 30 40 50 60 70 80 90 100 Years KIT exon 9 mutants Median SSP (months) 6 / 19 3-year estimate (%) 5 / 17 P value (logrank test) 0.017 KIT exon 9 mutants: 400 mg / 800 mg GLIVEC Other patients: 400 mg / 800 mg GLIVEC

47 Comment sélectionner les cibles?
Règles générales: Expression → Cible possible Expression + Activation → Cible prometteuse Expression + Activation + Mécanisme → Cible majeure Expression + Activation + Mécanisme + Drogue → Étude clinique

48 Take Home Message Pharmacogénomique
Approche indispensable à l’évolution vers un traitement à la carte Identification de multiples sous-types différents de cancers => classification moléculaire Problèmes futurs des études cliniques (effectifs faible et difficultés de recrutement) Modèles mathématiques et statistiques