Apport de la Pharmacog

1
Apport de la Pharmacogénomique dans le traitement
des Cancers
Master 1 Module Oncologie 22 Novembre 2010 -
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
1 2 3 4 5 6






Lignée cellulaire
4
Limites des statistiques !

• Jusquen 2000
• Type de chimiothérapie basé sur études phase III
  gt Données statistiques de réponse et toxicité

p lt 0.05
5
Problème de sélection
Traitement identique
Hétérogénéité -Tumorale - Patient

• Objectif
• Traitement à la carte
• Moyens
• Pharmacogénomique
• Pharmacogénétique

6
Sélection des tumeurs et des patients!!
Cible
Cible -
7
Définitions

• Pharmacogénétique
• Etude du génome du patient
• Polymorphisme des cytochrome P450 et réponse à
  une drogue
• Analyse pangénomique des SNP (polymorphisme si
  gt1 des patients)
• Pharmacogénomique
• Etude du génome tumoral

8
Analyses à léchelle génomique
Echantillons
Extraits
-mics
Génome (FISH,CGH array, SNP...)
ADN
Tumeur Tumorothèques
Transcriptome (cDNA microarray...)
ARN
Protéine
Protéome (Spectrométrie de masse...)
Sang Protéines, CTC,
9
Apport de la pharmacogénomique

• Etablir des profils dexpression (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 gt ADNc
3. Marquage fluorescent de lADNc (Cy5 gt ADNc
tumoral Cy3 gt ADNc étalon
4. Hybridation Mix ADNc Puce à ADN
4. Processus danalyse
12
Signatures moléculaires
Gènes

• Pronostiques
• Prédictives de réponse
• aux traitements

Rouge Surexpression
Echantillons
Vert Sous-expression
13
Classification moléculaire des cancers du sein

• Etablissement dune nouvelle taxonomie de cancer
  du sein
• Définition dindex 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
HER2 ESR1 - GRB7 TP53 71 RAS pathway
LUMINAL
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 (Tlt5cm N0)
Signature moléculaire
Absence de métastases ( gt 5 ans)
Présence de métastases ( lt 5 ans)
25 000 gènes
78 tumeurs N0 (training set)
Signature moléculaire (70 gènes)
17 tumeurs N0 (validation set)
Discrimination pronostique
Nature, 415, 530-536, 2002
18
Nouveaux outils décisionnel en cancérologie du
sein

• Oncotype DX score de récurrence validé aux USA
• Mammaprint (signature damsterdam) en cours de
  validation (Essai Mindact)
• gt probable outil décisionnel pour lindication
  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 0 -100
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)
Ayers, 2004, Pusztai 2004, Hess 2006
23
Prédiction Réponse Docetaxel

• Taxotère 100mg/m2 x 4cycles
• Réponse clinique
• Analyse cDNA
• Profil dexpression de 92 gènes -gt 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
HER2 ESR1 - GRB7 TP53 71 RAS pathway
LUMINAL
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 danomalies 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
HER2
HER 1 3 4

II
II
I
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
Erbitux, Vectibix gt Colon, ORL
Iressa, Tarceva gt Poumon
EGF-R
34
EGFR et Cancer du poumon

• Réponse aux Inhibiteurs de tyrosine kinase ( ITK
  )
• Non corrélée à lexpression de EGFR
• Corrélée à
• Adénocarcinome
• Non fumeur
• Asiatique
• Sexe féminin
• Facteur moléculaire prédictifs de réponse ?

35
Mutations de lEGFR et Sensibilité au Gefitinib
/ Erlotinib
Tyrosine kinase
EGF ligand binding
Domaine de P
K
DFG Y
Y
Y
Y
TM
745
718
964
858
861
K
DFG L L
GXGXXG
Exon
18
19
20
21
22
23
24
LREA
G719A/C
L858R
deletion
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 (n91)Carboplatin / paclitaxel
(n85)
ITK Gefitinib (n132)Carboplatin / paclitaxel
(n129)
1.0
1.0
0.8
0.8
HR (95 CI) 2.85 (2.05, 3.98) plt0.0001
HR (95 CI) 0.48 (0.36, 0.64) plt0.0001
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
0
4
8
12
16
20
24
0
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 induitune prolifération et une
  inhibition de l'apoptose
• 4 à 5 des caucasiens et 7 à 8 des asiatiques

Y. Bang et al. ASCO 2010. Abstract 3
38
Thérapeutique EML4-ALK

• Crizotinib ITK

Réponse au crizotinib
SSP
Progressive disease Stable disease Confirmed
partial response Confirmed complete response
60 40 20 0 20 40 60 80 100
EGFR
WT/WT
EML4ALK
gt 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 -Chimiothér
apie à base de sels de platine si déficit du
mécanismes de réparation (défaut ERCC1
système NER) ..
40
EGFR et Cancer du colon

• Absence de réponse aux ITK mais réponse aux
  anticorps
• Pas de corrélation avec lexpression EGFR en IHC
• Facteur prédictif de réponse au mab
  anti-EGFR ?

41
K-Ras et B-Raf mutations et réponses
thérapeutiques
Mutations EGFR rares
EGFR
Ras
Mutations
PI3K
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 261626-1634
2008
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
GISTMutations activatrices
PDGFRa (8)
KIT (78)
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. 200233484 Science
2003, Corless et al. Proc AACR. 2003
46
Survie sans progression selon statut c-KIT
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 lévolution vers un
  traitement à la carte
• Identification de multiples sous-types différents
  de cancers gt classification moléculaire
• Problèmes futurs des études cliniques (effectifs
  faible et difficultés de recrutement)
• Modèles mathématiques et statistiques