ESMO 2024 | La cancérologie du futur

L’approche thérapeutique agnostique La connaissance croissante des mécanismes et des voies pathologiques du cancer oriente le développement de nouveaux médicaments pour cibler des protéines spécifiques et des mécanismes moléculaires impliqués dans la progression de la maladie cancéreuse. Ces protéines et mécanismes sont parfois communs à plusieurs cancers, ce qui conduit à l'idée que, dans certains cas, c'est l'altération moléculaire, plutôt que l'organe d'origine, qui est le facteur déterminant de la classification du cancer. Cette nouvelle méthode de classification des cancers pourrait accélérer considérablement la mise au point de médicaments, en exigeant que les tests diagnostiques évaluent les altérations moléculaires en tant que déterminant clé des types de cancer. L’ESMO explore le potentiel de ce domaine de l'oncologie « agnostique » et axé sur les molécules depuis quelques années. Cette approche est à l’origine de l’arrivée des iNTRK et aujourd’hui d’autres molécules telles que les iRET… Elle s’illustre cette année par plusieurs essais dont The ROME Trial (NCT04591431).   L'épigénétique L’effet de l'environnement sur l'expression des gènes a une influence sur les types de cancer qui peuvent apparaître en raison du mode de vie, des prédispositions, des comorbidités et de nombreux autres facteurs des patients cancéreux. En étudiant l’origine épigénétique des cancers, il devient possible de caractériser et de traiter une catégorie de types de cancers qui n’ont pas d’option thérapeutique. La session « Eyes to the Future » à l’ESMO 2024 a permis de présenter une étude clinique (Abstract#6040) qui a montré des résultats prometteurs en évaluant l’inhibition de la protéine PRMT5 par la molécule AMG193 dans différents cancers tels que l’adénocarcinomes du pancréas, le cancer des voies biliaires, et d’autres cancers solides.   Apprentissage automatique (Machine learning) et intelligence artificielle (ML-AI) La puissance de l'apprentissage automatique et de l'intelligence artificielle a de nombreuses applications, dans de multiples secteurs, notamment dans la découverte et le développement de médicaments et le diagnostic du cancer, entre autres. La capacité de corréler des milliards de données et d'extrapoler des informations significatives est au cœur des nouveaux modèles ML-AI conçus pour prédire les mutations cancéreuses au fil du temps. À l’ESMO, ont été discutés les implications de la ML-AI dans la caractérisation complète du microenvironnement tumoral. Il apparaît que dans un avenir proche, de nouveaux algorithmes de ML-AI seraient capables d’identifier non seulement l’analyse fine des coupes histologiques de la tumeur mais seraient également capables d’identifier certaines mutations impliquées dans le développement tumoral.   Préservation des organes Des stratégies de thérapies systémiques (protocoles de radiochimiothérapie), à administrer en même temps que d'autres thérapies anticancéreuses, telles que l’immunothérapie pourraient permettre de préserver l'intégrité des organes, lorsque l’on obtient des réponses pathologiques complètes. Cela s’est illustré à l’ESMO 2024 par la présentation d’études dans différents cancers et en particulier le cancer du rectum dans l’essai NO-CUT (Abstract#5090) évaluant un protocole de radiochimiothérapie néoadjuvante suivi ou non d’une résection chirurgicale.   Surmonter les résistances aux thérapies anticancéreuses Si de nombreux patients répondent aux thérapies anticancéreuses, dans certains cas, au fil du temps, les tumeurs peuvent développer une pharmacorésistance. C’est particulièrement vrai avec l’immunothérapie, il peut n'y avoir aucune autre option de traitement. Ainsi, surmonter ou même prévenir le développement de la résistance des tumeurs devient un objectif essentiel de la démarche thérapeutique. Les premiers résultats d'une étude clinique adaptative, l’essai PIONeeR (abstract#LBA8), explorant plusieurs options pour surmonter la résistance sont décevants. La Recherche doit persévérer dans ce domaine.