Le CHUV et 10x Genomics unissent leurs expertises contre le cancer
Le CHUV et 10x Genomics lancent une collaboration de recherche ambitieuse visant à identifier de nouveaux biomarqueurs capables de mieux prédire la réponse aux traitements contre le cancer et d'accélérer le développement de la médecine de précision.
Grâce aux technologies de pointe d'analyse unicellulaire et spatiale de 10x Genomics, notamment les plateformes Chromium Flex Apex et Xenium, et à terme la nouvelle plateforme Atera, les chercheurs analyseront des échantillons tumoraux issus de patients atteints de cancers avancés. Cette recherche a pour objectif d'identifier des biomarqueurs capables de prédire plus finement la réponse aux traitements, tout en éclairant les mécanismes qui sous-tendent la réponse ou la résistance aux thérapies innovantes, telles que les immunothérapies, les anticorps bispécifiques ou les conjugués anticorps-médicament.
Cette collaboration mobilise les expertises complémentaires de plusieurs équipes du CHUV, notamment celles de la Dre Laurence de Leval, cheffe du Service de pathologie clinique, du Dr Krisztian Homicsko, chef de clinique au Service d'oncologie médicale, et du Pr Raphael Gottardo, directeur du Centre de la science des données biomédicales.
« Cette collaboration rassemble des compétences uniques pour relever l'un des principaux défis de l'oncologie moderne : prédire quels patients bénéficieront d'un traitement donné », souligne le Pr Gottardo. « Notre ambition est de découvrir des biomarqueurs cliniquement pertinents qui contribueront à des décisions thérapeutiques plus précises et mieux adaptées à chaque patient. »
Les résultats du projet permettront de constituer une ressource multimodale unique intégrant des données cellulaires, spatiales et cliniques. À terme, ils pourraient contribuer au développement de nouvelles approches diagnostiques et à une meilleure personnalisation des traitements, afin d'orienter plus précisément les décisions thérapeutiques au bénéfice des patients. Cette ressource servira également de socle au développement de modèles d’intelligence artificielle capables d’intégrer ces différentes modalités de données pour améliorer la prédiction de la réponse aux traitements et soutenir la médecine de précision.
