Ces dernières années, les immunothérapies se sont imposées comme un traitement de référence pour les cancers avancés, offrant une amélioration globale de la survie des patients. Néanmoins, leur efficacité reste aujourd'hui limitée à une minorité de cas, faute de disposer de marqueurs moléculaires fiables permettant d'identifier les répondeurs.

Pour répondre à cet enjeu, les chercheurs ont modélisé des réseaux d'expression de gènes et extrait leurs caractéristiques topologiques. Ils ont ensuite évalué leur capacité à prédire la réponse thérapeutique de patients atteints d'un cancer du rein. En s'appuyant sur l'analyse de plus de 300 transcriptomes de tumeurs rénales, ils ont construit des réseaux de gênes personnalisés pour chaque cas, en étudiant notamment leur connectivité, les associations entre gènes, la similarité des réseaux, ainsi que les dérégulations de voies de signalisation biologique. Ces analyses ont permis d'identifier des signatures de co-expression géniques et d'améliorer la performance de modèles d'apprentissage automatique pour prédire la réponse des patients à l'immunothérapie. 

​

Ces travaux mettent en évidence le potentiel des réseaux d'expression de gènes comme source alternative de signatures moléculaires, par rapport à de simples marqueurs géniques, pour affiner la prédiction de la réponse thérapeutique des patients atteints de cancer du rein. A terme, ils pourraient permettre une sélection plus fine des patients éligibles à l'immunothérapie, augmentant ainsi les chances de succès thérapeutique.