Soutenance de thèse de NGUYEN PHUONG Linh
Titre de thèse
Modélisation mécaniste de l'ADN libre circulant pour la prédiction de la réponse à l'immunothérapie
Mechanistic modeling of circulating cell-free DNA for prediction of immunotherapy response
Résumé de la thèse
L'ADN libre circulant (ADNcf) est un biomarqueur non-invasif prometteur pour le suivi thérapeutique par biopsie liquide, notamment via l'analyse des profils de taille, caractéristique majeure de la fragmentomique. Ces fragments plasmatiques, issus des cellules tumorales et immunitaires, varient selon les conditions cliniques. Toutefois, les mécanismes biologiques impliqués (production, fragmentation, élimination) restent mal compris, ainsi que leur lien avec évolution tumorale et l'issue thérapeutique. Dans l'étude SChISM (Size CfDNA Immunotherapies Signature Monitoring, 𝑁 = 126), les profils de taille de patients atteints de carcinomes traités par inhibiteurs de points de contrôle immunitaire (ICIs) ont été mesurés longitudinalement pour évaluer leur potentiel comme biomarqueurs de la réponse aux ICIs. Les objectifs du projet doctoral sont :
• Évaluer les profils de taille d'ADNcf mesurés avant le début du traitement comme prédicteurs de résistance à l'immunothérapie.
• Développer un modèle mécaniste décrivant conjointement les cinétiques de concentration d'ADNcf et de taille tumorale, à partir de données cliniques de patients sous ICI, pour mieux comprendre la biologie de l'ADNcf.
• Évaluer les paramètres précoces issus de modèles mathématiques comme prédicteurs de résistance à l'immunothérapie.
Des variables dérivées du fragmentome pré-traitement ont été analysées pour leur association avec la progression précoce (EP, progression à la première imagerie) et la survie sans progression (PFS). Elles incluent la concentration totale, la position/hauteur des pics, et la proportion d'ADNcf par intervalles de taille, optimisés par segmentation dynamique. Ainsi, une concentration élevée d'ADNcf et une forte proportion de fragments courts (111–240 paires de bases (pb)) étaient associées à une mauvaise réponse (concentration d'ADNcf : odds ratio (OR) : 1,7 [intervalle de confiance (IC) 95 % : 1,1–2,5], 𝑝 = 0,008 ; hazard ratio (HR) : 1,5 [IC 95 % : 1,2–2], 𝑝 = 0,0002 ; fragments courts : OR : 1,5 [IC 95 % : 1–2,2], 𝑝 = 0,03 ; HR : 1,5 [IC 95 % : 1,2–2], 𝑝 = 0,001). À l'inverse, la proportion de fragments longs (>1650 pb) était indépendamment associé à un risque réduit d'EP et une PFS prolongée (OR : 0,39 [IC 95 % : 0,25–0,62], 𝑝 < 0,0001; HR: 0,54 [IC 95 % : 0,42–0,68], 𝑝 < 0,0001). Les fragments longs, surpassant PD-L1 et le ratio neutrophiles/lymphocytes (NLR), marqueurs pronostiques établis, restaient significativement associés à la réponse clinique après ajustement par des facteurs de confusion, et ont été validés dans des sous-populations homogènes. Une analyse bootstrap a confirmé leur robustesse et une valeur prédictive positive supérieure à celles de PD-L1 et NLR.
Nous avons ensuite développé un modèle mécaniste décrivant conjointement la dynamique des concentrations de longs et courts fragments et la cinétique tumorale sous immunothérapie, intégrant des hypothèses de prolifération tumorale et mort cellulaire. Le modèle a été calibré par approche non linéaire à effets mixtes et utilisé pour tester diverses hypothèses sur la clairance de l'ADNcf et l'effet des combinaisons thérapeutiques. En prenant comme a priori les paramètres de population obtenus sur les données complètes, les paramètres individuels ont été réestimés à partir de données précoces. Le modèle final a permis de décrire des dynamiques d'ADNcf non triviales, capturant des tendances stables et des pics transitoires en début de traitement. Le ratio entre le taux de libération et le taux d'élimination des fragments courts, estimé à 6 semaines, était significativement associé à la PFS (HR : 1,3 [IC 95 % : 1–1,7], 𝑝 = 0,03). Nos résultats montrent le potentiel des profils de taille d'ADNcf comme biomarqueurs prédictifs de la réponse aux ICIs avant traitement, renforcé par des paramètres interprétables obtenus précocement sous ICI. Ce cadre mécaniste ouvre des perspectives de soutien à la prise de décision thérapeutique précoce dans le cadre d'essais cliniques.
Thesis resume
Circulating cell-free DNA (cfDNA) has emerged as a promising non-invasive biomarker for monitoring treatment response via liquid biopsy, particularly through cfDNA size profiles, a key part of fragmentomics. These DNA fragments, released by tumor and immune cells into plasma, vary with clinical conditions. However, the biological mechanisms linking cfDNA production, fragmentation, and elimination to tumor size and treatment outcomes remain unclear. The SChISM study (Size CfDNA Immunotherapies Signature Monitoring, 𝑁=126) quantified cfDNA size profiles in advanced carcinoma patients treated with immune checkpoint inhibitors (ICIs) to explore their potential as biomarkers of ICI response. The objectives of this doctoral project were to:
• Assess pre-treatment cfDNA size profiles as predictors of immunotherapy resistance.
• Develop a mechanistic model of cfDNA concentration joint to tumor size kinetics from clinical data of cancer patients undergoing ICI to better understand cfDNA biology.
• Investigate early, on-treatment, model-based parameters as predictors of immunotherapy resistance.
In the first part, pre-treatment fragmentome-derived variables were analyzed for association with early progression (EP, progression at first imaging) and progression-free survival (PFS). cfDNA variables included total concentration, peaks' position and height, and fragment proportion across various size ranges. These ranges were computed using optimal curve segmentation via dynamic programming. Higher cfDNA concentration and high short fragment proportion (111-240 base pairs (bp)) were associated with poor response (cfDNA concentration: odds ratio (OR) = 1.7 [95% CI: 1.1-2.5], 𝑝 = 0.008, hazard ratio (HR): 1.5 [95% CI: 1.2-2], 𝑝 = 0.0002; short fragments: OR: 1.5 [95% CI: 1-2.2], 𝑝 = 0.03, HR: 1.5 [95% CI: 1.2-2], 𝑝 = 0.001), while long cfDNA fragments (>1650 bp) were independently associated with reduced risk of EP and longer PFS (OR: 0.39 [95% CI: 0.25-0.62], 𝑝 < 0.0001, HR: 0.54 [95% CI: 0.42-0.68], 𝑝 < 0.0001). Long fragments outperformed established prognostic markers PD-L1 and neutrophil-to-lymphocyte ratio (NLR), remained significantly associated with clinical outcomes after adjustment for confounders, and were validated across homogeneous subpopulations. A bootstrap predictive analysis confirmed robustness and higher positive predictive value than PD-L1 and NLR.
In the second part, a mechanistic model was developed to jointly describe size-structured cfDNA concentration dynamics and tumor size kinetics under immunotherapy. The model integrates biological assumptions such as tumor cell proliferation and distinguishes two types of cell deaths contributing to the release of various fragment sizes (apoptosis and necrosis). It was calibrated using a nonlinear mixed-effects approach and used to test different assumptions about cfDNA clearance and treatment combinations. Using population parameters from the full kinetic model as prior, individual parameters were re-identified using early on-treatment data. The model successfully described non-trivial cfDNA patterns, capturing steady trends and transient spikes at treatment initiation, observed in short and long fragment dynamics. Model parameters were identifiable and provided quantitative insights into the differential release of short and long fragments. We further demonstrated that an early model-derived parameter computed at 6 weeks (ratio of release to elimination rates of the short fragments) was significantly associated with post-6-week PFS (HR: 1.3 [95% CI: 1-1.7], 𝑝 = 0.03), reinforcing cfDNA monitoring potential early on-treatment.
Our findings highlight the potential of cfDNA size profiles as predictive biomarkers of ICI response before treatment initiation, strengthened by interpretable model-derived parameters obtained early during therapy. This mechanistic framework offers practical opportunities to support early, data-driven treatment decisions in clinical trials.