Thèse Détection Stratification et Prédiction de la Progression des Cancers Pédiatriques à l'Aide de l'Adn Tumoral à Basse Fréquence H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Life Sciences and Health École doctorale : Cancérologie : Biologie - Médecine - Santé Laboratoire de recherche : Cancer Data Science Direction de la thèse : Sergey NIKOLAEV ORCID 0000000185872307 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-10-23T23:59:59 Le cancer de l'enfant reste la première cause de décès par maladie chez les enfants de plus d'un an, avec près de 2 300 nouveaux diagnostics par an en France. Bien que le taux de survie globale dépasse 80 %, de nombreux sous-types tumoraux demeurent associés à un risque élevé de rechute et d'échec thérapeutique, tandis qu'environ 8 % des survivants à long terme développent un second cancer dans les 30 ans suivant le diagnostic initial.
Contrairement aux cancers de l'adulte, les génomes des cancers de l'enfant présentent un fardeau mutationnel et structural somatique particulièrement bas. Ce faible signal, conjugué au bruit de fond technique (artefacts de séquençage et de préparation de librairies) et biologique (hématopoïèse clonale, mosaïcisme somatique), rend la détection de l'ADN tumoral extrêmement difficile lorsque la fraction tumorale est infime. Ce défi est omniprésent dans le suivi de la maladie résiduelle minime (MRD), l'analyse des biopsies liquides (ADN libre circulant) et la détection d'altérations du nombre de copies (CNA) sous-clonales. Les méthodes cliniques actuelles (cytométrie en flux et panels NGS ciblés) manquent de spécificité ou nécessitent des mutations cibles récurrentes, limitées en pédiatrie.
Ce projet de thèse propose de lever ces verrous par le développement d'un cadre statistique et bio-informatique novateur exploitant le séquençage du génome entier (WGS). En agrégeant les signaux somatiques distribués sur l'ensemble du génome face à un modèle calibré de bruit de fond, cette méthode compense la faible profondeur par locus et permet une détection ultra-sensible sans panel personnalisé. Le projet s'articule autour de trois axes :
(1) Modélisation statistique et détection ultra-sensible de l'ADN tumoral : Construction d'un « code-barres » mutationnel spécifique par patient, déconvolution des mutations clonales et sous-clonales via un modèle de mélange bêta-binomial, caractérisation du bruit de fond locus-spécifique sur des contrôles non apparentés, et application d'un test du rapport de vraisemblance corrigé aux conditions limites. En parallèle, détection des CNAs mosaïques à basse fraction cellulaire (~1 %) par phasage haplotypique chromosomique (SHAPEIT5 / MoChA) et déviation de fréquence allélique B (BAF). Adaptation du modèle à l'ADN libre circulant et à l'hématopoïèse clonale.
(2) Stratification du risque et prédiction précoce de la rechute : Évaluation de la valeur pronostique indépendante des métriques de fardeau tumoral résiduel à l'aide de modèles à risques proportionnels de Cox (survie globale, sans rechute et sans événement). Modélisation dynamique du devancement diagnostique moléculaire par rapport à la récidive clinique.
(3) Caractérisation de l'évolution clonale et des cancers secondaires : Suivi longitudinal de trios diagnostic-rémission-rechute (cohorte ALARM3 de leucémies aiguës myéloïdes pédiatriques) pour identifier la sélection sous-clonale et l'émergence de mutations de résistance. Criblage de l'hématopoïèse clonale au sein de la cohorte de survivants GenEFCCSS afin d'élucider les origines moléculaires des cancers secondaires post-thérapeutiques.
Les cancers pédiatriques se distinguent nettement des tumeurs de l'adulte par un fardeau mutationnel et structural somatique particulièrement bas. Bien que la survie globale à 5 ans atteigne ~80 %, les échecs thérapeutiques, les rechutes réfractaires et la survenue de cancers secondaires (touchant ~8 % des survivants à 30 ans) constituent un défi majeur.
L'évaluation précise de la maladie résiduelle minime (MRD) et l'analyse de l'ADN circulant (biopsie liquide) sont déterminantes pour guider les décisions thérapeutiques. Or, les outils actuels présentent des angles morts substantiels : la cytométrie en flux affiche un taux de rechute d'environ 30 % chez les patients pourtant classés négatifs sous le seuil de 0,1 %, tandis que le séquençage ciblé nécessite des mutations trackables fréquentes qui manquent souvent chez l'enfant. À très basse fraction tumorale, le signal somatique porté par un locus individuel se confond avec le bruit de fond technique (erreurs de séquençage et de préparation de librairies) et biologique (hématopoïèse clonale, mosaïcisme). L'accessibilité croissante du séquençage du génome entier (WGS) offre l'opportunité d'agréger le signal sur un grand nombre d'événements somatiques pour surmonter le bruit de fond. Développer un cadre statistique robuste capable de modéliser le bruit de fond de séquençage et de détecter l'ADN tumoral à très faible fraction allélique à partir du séquençage du génome entier (WGS), tant avec des mutations connues au diagnostic (code-barres mutationnel) que de façon agnostique.
Étendre la méthode aux altérations du nombre de copies (CNA) mosaïques, à l'ADN libre circulant (cfDNA) et à l'hématopoïèse clonale (CH), via le phasage chromosomique et l'analyse des déviations de fréquence allélique B (BAF).
Stratifier le risque de rechute et prédire la progression clinique des patients pédiatriques en corrélant les métriques de fardeau tumoral résiduel aux données de survie (modèles de Cox), et évaluer le gain pronostique par rapport aux tests cliniques de routine (cytométrie de flux, panels ciblés).
Caractériser l'évolution clonale sous traitement et anticiper les néoplasies secondaires en retraçant l'histoire clonale sur des trios longitudinaux (diagnostic-rémission-rechute) et en criblant l'hématopoïèse clonale dans des cohortes de survivants de cancer pédiatrique. Code-barres mutationnel somatique et modélisation du bruit : Agrégation des mutations somatiques identifiées au diagnostic sous forme d'un code-barres spécifique au patient. Déconvolution des mutations clonales et sous-clonales via un modèle de mélange bêta-binomial. Estimation du taux d'erreur de séquençage locus-spécifique sur une série de contrôles d'échantillons de rémission non apparentés.
Statistique décisionnelle robuste : Application d'un test du rapport de vraisemblance corrigé pour les conditions aux limites (boundary-corrected LRT sur le domaine [0, 1]), complété par une calibration empirique sur des contrôles exempts de signal.
Phasage haplotypique et détection de CNAs mosaïques : Phasage des variants hétérozygotes le long des chromosomes à l'aide de panels de référence de population (SHAPEIT5) et détection des déséquilibres alléliques directionnels (MoChA) pour quantifier les gains, pertes et pertes d'hétérozygotie avec neutralité de copie (CN-LOH) jusqu'à ~1 % de fraction cellulaire.
Adaptation aux biopsies liquides et à l'hématopoïèse clonale : Modélisation des bruits pré-analytiques propres au cfDNA et criblage de l'hématopoïèse clonale (CH) pour éliminer les faux positifs de MRD et étudier la sélection clonale hématopoïétique.
Modélisation biostatistique et survie : Utilisation de modèles de régression de Cox multivariés, d'indices de discrimination et de courbes de calibration adaptées aux données censurées pour mesurer l'impact pronostique sur la survie globale (OS), la survie sans rechute (RFS) et la survie sans événement (EFS), ainsi que l'estimation du délai d'anticipation moléculaire (lead time).

Génomique du cancer, Statistiques, Mathématiques Appliquées, Biologie computationnelle