Développement d'algorithmes d'analyse multi-omique pour la détection précoce et le ciblage thérapeutique du cancer de l'ovaire

Le cancer de l’ovaire se caractérise par des symptômes souvent imperceptibles à ses premiers stades, retardant ainsi son diagnostic et contribuant à un taux de mortalité élevé. En effet, une détection précoce est fortement corrélée à de meilleurs taux de survie, mais les méthodes actuelles, telles que l’imagerie médicale, restent coûteuses et difficilement accessibles à l’ensemble de la population. Il est donc crucial de développer des approches systématiques, abordables et facilement déployables, reposant sur des analyses simples d’échantillons biologiques courants. Dans ce contexte, ce projet propose une méthode de détection précoce du cancer de l’ovaire à partir de données d’expression génique issues de biopsies de patientes. Bien que ces données proviennent actuellement de tissus cancéreux, des profils transcriptomiques d’une patiente pourraient être obtenus à partir d’échantillons sanguins, ouvrant ainsi la voie à un dépistage plus accessible et moins invasif. En combinant ces données transcriptomiques à des algorithmes d’apprentissage supervisé, cette approche vise à différencier les patientes atteintes d’un cancer de l’ovaire de celles qui sont saines. Les algorithmes ayant été testés incluent Logistic Regression (LR), Linear Support Vector Classification (Linear SVC), K-Nearest Neighbors (KNN) et Random Forest (RF). À partir de l’analyse de 13 110 niveaux d’expression génique d’une base de données pour 578 patientes, les algorithmes LR et KNN ont atteint une exactitude balancée de 99,9% pour la détection du cancer de l’ovaire. Par ailleurs, en se concentrant uniquement sur les patientes saines et celles atteintes d’un cancer de l’ovaire au stade I, et en réduisant l’analyse à un sous-ensemble de 112 gènes du métabolisme central du carbone, l’algorithme RF s’est démarqué avec une exactitude balancée de 97,5%, faisant de lui le plus performant pour la détection précoce.