Prédiction de la rechute par l'intelligence artificielle et les données multi-omiques après une allogreffe de cellules souches hématopoiétiques – PORTRAIT

Le projet repose sur la collection nationale multicentrique CRYOSTEM, qui fournit échantillons biologiques (plasma, PBMCs) et données cliniques de plus de 360 patients greffés entre 2012 et 2021. Des contrôles qualité stricts (viabilité, nombre de cellules, audit interne) assurent la fiabilité desdonnées et des échantillons. La cohorte inclut des patients atteints d’hémopathies myéloïdes et lymphoïdes, avec ou sans rechute, permettant une approche comparative et généralisable.

WP1 – Cohorte et données cliniques
Le projet implique la sélection, le contrôle qualité et l'anonymisation des échantillons (2214 au total) constituant une cohorte de 369 patients allogreffés associée à une base intégrant les données cliniques (donneur, receveur, complications, suivi).

WP2 – Marqueurs immunitaires et métaboliques
Immunomonitoring par cytométrie de masse avec barcoding des échantillons et standards internes pour limiter les effets de lot.
Cette approche permettra l'identification des sous-populations T, B, NK et myéloïdes et de leur statut fonctionnel via des algorithmes non supervisés (FlowSOM).

Métabolomique plasmatique non ciblée par LC-HRMS dans la plateforme nationale MetaboHub, avec annotation par une base interne de standards.
Les analyses uni- et multivariées permettront d'identifier les signatures métaboliques associées à la rechute.

WP3 – Modélisation et simulation
Développement d’un simulateur stochastique intégrant événements post-greffe (GVHD, rechute) et variables immunes/métaboliques.
Approche itérative : réduction dimensionnelle, sélection supervisée des variables, calibration par optimisation multiple (Artelys Knitro), avec validation croisée pour éviter le sur-apprentissage. Les performances seront comparées à des méthodes classiques (Fine-Gray, deep learning non paramétrique).

WP4 – Validation expérimentale
Les biomarqueurs ou cibles thérapeutiques identifiés seront testés dans :
- un modèle murin d’allo-HSCT mimant la rechute leucémique pour explorer mécanismes immunitaires et métaboliques associés au GVL,

- puis dans un modèle de xénogreffe NSG permettant l’évaluation directe de candidats sur cellules humaines.

Après évaluation par le comité scientifique de Cryostem, le projet a été adapté pour constituer deux cohortes de patients : une cohorte de découverte de 394 patients, destinée à la construction de l’outil prédictif, et une cohorte de validation indépendante de 256 patients. L’ensemble des échantillons de PBMC et de plasma de la cohorte de découverte, collectés aux différents temps clés (donneur avant greffe, 3 mois, apparition éventuelle de GVH, 1 an et 2 ans après greffe), a été réceptionné et conservé au laboratoire. Une première analyse descriptive a montré un taux global de rechute de 37,3 % et une mortalité de 41,9 %, avec des associations explorées entre rechute et variables cliniques principales.

Cartographie immunitaire par cytométrie de masse
La mise en place des conditions expérimentales a permis de standardiser l’approche : utilisation d’un donneur sain unique comme standard interne, mise au point d’un système de code-barres moléculaires, et panel de 43 anticorps pour explorer les principaux marqueurs de surface et intracellulaires. L’analyse repose sur un algorithme non supervisé (FlowSOM) afin de réduire les biais de classification. À 12 mois, 426 échantillons de 130 patients ont déjà été analysés, représentant plus de 105 millions de cellules. La viabilité moyenne est de 83,6 %, avec environ 4,3 millions de cellules par échantillon. Ces données ont permis d’identifier 39 populations immunitaires distinctes et 25 profils fonctionnels, soit près de 975 variables candidates pour la construction du modèle prédictif.

WP2.2 – Analyse métabolomique
En parallèle, environ 1 100 plasmas ont été préparés sur plateforme robotisée du CEA pour garantir la reproductibilité. L’acquisition métabolomique par LC-HRMS a été réalisée sur l’ensemble des échantillons de la cohorte de découverte. Depuis septembre, les données sont en cours de traitement, avec un nettoyage des signaux, l’annotation par comparaison à une base de référence interne et la quantification relative des métabolites. Les profils métaboliques complets devraient être disponibles d’ici fin 2025.

WP3 – Modèle prédictif
Le travail de modélisation, conduit par Artelys, a débuté par la mise en place d’une stratégie analytique commune et la modélisation débutera dès que l’ensemble des données immunologiques et métabolomiques seront disponibles pour entraîner et calibrer l’algorithme prédictif.

WP4 – Validation in vivo
Enfin, l’équipe de Créteil a finalisé la mise au point du modèle murin d’allo-HSCT avec leucémie MLL-AF9-GFP. Ce modèle reproduit les différentes situations observées chez l’homme : absence de GVH, induction d’une GVH, rechute leucémique après greffe et effet greffon-contre-leucémie. La sévérité de la GVH est mesurée par des scores cliniques et histologiques, tandis que la rechute est évaluée par la quantification des cellules leucémiques. Ce modèle est désormais opérationnel pour tester les cibles thérapeutiques identifiées par les autres volets du projet.

Ce projet sera le premier à combiner une approche multi-omique issue d’une large cohorte multicentrique de patients greffés (allo-HSCT) pour générer un modèle prédictif de rechute basé sur l’intelligence artificielle. Il repose sur la collaboration de trois équipes académiques spécialisées en recherche translationnelle, transplantation humaine, technologies multi-omiques et validation sur modèles animaux, avec l’expertise d’Artelys dans le développement d’outils mathématiques et de simulation de systèmes complexes.

L’objectif principal est d’établir un score composite clinique-immuno-métabolique capable de prédire le risque de rechute des hémopathies malignes après allo-HSCT. Ce score, construit à partir de variables cliniques et biologiques, servira à alimenter un simulateur utilisable par les cliniciens pour estimer la probabilité de rechute et guider la prise en charge thérapeutique. En parallèle, l’analyse identifiera des molécules candidates comme nouvelles cibles thérapeutiques, ouvrant la voie à des essais précoces.

Applications cliniques
Un test simple et précoce, basé sur des données cliniques et biologiques facilement accessibles, permettra d’identifier les patients à haut risque et d’adapter leur prise en charge avant la rechute (immunothérapie, chimiothérapie, CAR-T cells). Dans certains cas, il pourrait même contribuer à optimiser le choix du donneur. Les partenaires disposent déjà d’une expertise dans le développement d’essais cliniques en biothérapies post-greffe, ce qui facilitera le transfert vers l’application clinique.

Impact scientifique et médical
Cette approche innovante apportera un nouvel éclairage sur les mécanismes de rechute et sur l’effet greffon-contre-leucémie. Elle permettra de décrire la complexité de la réponse immunitaire après allo-HSCT et d’identifier des mécanismes potentiellement applicables à d’autres cancers, y compris solides. L’impact médical attendu est majeur : personnaliser les stratégies thérapeutiques en fonction du risque de rechute, avec un bénéfice direct pour les patients.

Le projet générera des publications de premier plan et des brevets, notamment pour le simulateur clinique de prédiction de rechute. Un accord de consortium définira la gestion de la propriété intellectuelle et les modalités de valorisation en partenariat avec le secteur industriel. Enfin, la diffusion du solveur Artelys Knitro dans le domaine médical renforcera son adoption scientifique et commerciale.

Contexte scientifique
L'allogreffe de cellules souches hématopoïétiques est la première immunothérapie cellulaire développée pour guérir les hémopathies malignes. Elle est basé sur la réponse allo-immune anti-tumorale (effet du greffon contre la tumeur, GVT) induite par le système immunitaire du donneur également transféré au cours du processus de transplantation. Malgré son efficacité, les rechutes des hémopathies malignes représentent la moitié des décès après une allogreffe, et à ce jour, aucun biomarqueur ne permet de prédire à quels sont les patients susceptibles de rechuter au décours de la greffe, et d'identifier précocement ces patients. Les méthodes statistiques traditionnelles utilisées pour l'identification des biomarqueurs sont limitées, principalement par leur nature paramétrique, et pourraient bénéficier de techniques avancées d'apprentissage automatique et d'optimisation pour sélectionner les variables biologiques et cliniques pertinentes et les relier au processus de rechute. Ce besoin médical non couvert est d’une importance critique pour améliorer le pronostic des patients actuellement traités pour une hémopathie maligne par allo-HSCT et pour adapter leur traitement avant la rechute.

Hypothèse
Ici, nous supposons que l'intégration de données cliniques avec des variables immunitaires et métaboliques pourrait fournir des métadonnées pour un modèle mathématique permettant de prédire la survenue de rechutes.

Objectifs
Caractériser les sous-ensembles immunitaires circulants et le métabolome chez le donneur et les comparer 3 mois et un an après la transplantation chez les patients avec ou sans rechute
Construire un simulateur stochastique calibré pour le processus de rechute, tenant compte des événements post-transplantation et intégrant des données cliniques avec des variables immunitaires et métaboliques.

Méthodologie
Ce projet s’appuiera sur une cohorte multicentrique de 369 patients ayant reçu une allogreffe de CSH. Nous utiliserons la cytométrie de masse et la métabolomique par spectrométrie de masse non ciblée pour identifier les sous-populations immunitaires et les métabolites circulants associés aux rechutes et à d'autres événements post-transplantation. Nous créerons ensuite un simulateur qui modélisera la dynamique des événements post-transplantation pour identifier les biomarqueurs pertinents en utilisant des techniques d'optimisation avancées et pour générer un outil pour prédire la rechute après une allogreffe de CSH. La validation sur modèle animal permettra enfin d'identifier de nouvelles cibles thérapeutiques pertinentes.

Résultats escomptés et impact
Ce projet utilisera les données d'une large cohorte de patients déjà constituée pour développer un outil d'apprentissage machine pour les cliniciens afin d'estimer la probabilité de rechute en fonction de données cliniques et immunométaboliques.