POINT DE VUE

Les approches traditionnelles du développement clinique des médicaments ont créé un fossé important entre la recherche préclinique et les applications chez les patients. Seuls les médicaments qui réussissent les essais cliniques à grande échelle parviennent jusqu’à la pratique clinique, et un groupe de patients potentiellement hétérogène finit par recevoir le même traitement. La médecine personnalisée suscitant un intérêt croissant dans le secteur des sciences de la vie, les laboratoires pharmaceutiques repensent leurs principes en s’appuyant sur des approches fondées sur les données. Cela leur permet de mieux adapter le développement des médicaments à la variabilité des patients.

Le développement co-clinique désigne le processus consistant à extrapoler les résultats d’une maladie, à partir de modèles précliniques, vers les patients, et inversement. Ce développement repose sur des modèles précliniques tels que les xénogreffes dérivées de patients (PDX) et les organoïdes dérivés de patients (PDO), dans lesquels du matériel provenant d’un patient, par exemple issu d’une biopsie, est soit implanté chez des souris, soit mis en culture afin de créer des modèles stables destinés aux essais précliniques. L’objectif principal est ici de préserver et de refléter l’étendue de la variabilité inter-patients au sein de ces modèles. Pour combler le fossé entre la recherche préclinique, qui utilise des modèles dérivés de patients, et le développement co-clinique, il est nécessaire d’établir un flux continu de données. En collectant le même ensemble de données aux stades patient, PDX et PDO, il est possible d’examiner les similitudes et les divergences. Cela inclut les réponses au traitement, les antécédents du modèle ou du patient, l’imagerie, l’histopathologie, les biomarqueurs, ainsi que les données « omiques ».

L'orientation des traitements de médecine personnalisée à l'aide de modèles dérivés de patients peut s'effectuer selon trois approches différentes. Dans le cadre d'une méthode proactive, les profils moléculaires des patients sont caractérisés et mis en correspondance avec ceux observés dans des modèles spécifiques dérivés de patients. Cela permet de prendre une décision plus éclairée quant à l'applicabilité d'un traitement individuel. Deuxièmement, une approche parallèle peut être adoptée. Dans ce cas, les schémas thérapeutiques sont ajustés en temps réel en fonction des retours d'information obtenus à partir d'un modèle dérivé de patients fonctionnant simultanément. Enfin, une approche rétrospective peut être adoptée : les données issues des essais cliniques et des modèles dérivés de patients peuvent alors être utilisées dans la recherche translationnelle afin d’améliorer les traitements futurs.

Les progrès réalisés en matière de criblage à haut débit, notamment grâce à l’imagerie à haut contenu, aux biomarqueurs et aux données omiques, permettent aux chercheurs de disposer d’un ensemble de données probantes plus diversifié et bien plus approfondi. Cela signifie également que le volume de données à traiter augmente considérablement, ce qui nécessite de nouvelles approches pour rationaliser la génération et le traitement des données. En recourant à des approches de « big data » pour normaliser et relier les données, par exemple à l’aide de techniques de liaison intelligente et d’analyse de modèles, InnoSer vise à créer un pont entre sa plateforme PDX/O et les données cliniques, dans l’intérêt ultime du patient.

InnoSer développe sa plateforme PDX/O dédiée aux tumeurs solides en collaboration avec l’université de Hasselt, l’hôpital Jessa, la VUB et le LUMC. Par ailleurs, InnoSer travaille à l’extension de cette plateforme à d’autres types de tumeurs, notamment les tumeurs liquides (lymphome non hodgkinien). InnoSer se concentre sur les cancers présentant un besoin médical non satisfait important, à savoir les tumeurs caractérisées par une charge mutationnelle élevée (TMB) et associées à un mauvais pronostic pour les patients. Nous recherchons des pionniers dans l’adoption de la plateforme PDX/O afin de la valider de manière collaborative.