ARTICLE
Auteur(s) :, Nicolas
Sévenet1, Paul-Henri
Cottu2
1Plateforme de génomique, Service de biochimie et
biologie moléculaire, Hôpital Lariboisière (AP-HP), 2, rue Ambroise
Paré, 75010 Paris
2Service d’oncologie médicale, Groupe hospitalier
Diaconesses-Croix Saint-Simon, 18 rue du Sergent Bauchat, 75571
Paris Cedex 12
À mesure que le génome humain est séquencé et que des cartes
complètes d’interaction protéique sont publiées, la communauté
scientifique et médicale découvre la complexité du réseau
cellulaire eucaryote. Ainsi, les techniques d’analyse globale sont
devenues essentielles d’un point de vue tant technique et médical
qu’économique. Tout d’abord, il est nécessaire d’avoir recours à
ces nouveaux outils afin d’appréhender dans son ensemble
l’extraordinaire diversité des niveaux d’information cellulaire,
aussi bien au stade ADN/ARN qu’à l’échelle protéique. En effet, les
réseaux de contrôle d’expression génique, de régulation
conformationnelle et d’interaction protéique, qui régissent
finalement la totalité des processus cellulaires eucaryotes, se
révèlent étroitement imbriqués et d’analyse complexe. Par ailleurs,
la maîtrise souhaitée des coûts de la recherche fondamentale
académique et la pression croissante de l’opinion publique pour une
prise en charge personnalisée des patients atteints de pathologies
lourdes déterminent également la mise en œuvre de procédés fiables,
rapides et peu coûteux pour le diagnostic et la prédiction
d’évolution des pathologies.Les principales techniques d’analyse
globale des cellules eucaryotes au niveau génomique se classent en
deux catégories selon l’information pré-requise nécessaire à
l’expérimentation :
- • les techniques dites open, presque exclusivement
pratiquées en recherche fondamentale, où l’expérimentateur n’impose
aucune contrainte à l’étude qu’il réalise, par exemple, l’analyse
différentielle (differential display) ou le clonage des extrémités
de transcrits par SAGE (serial analysis of gene
expression) ;
- • les techniques dites « semi-fermées »,
utilisées en recherche fondamentale mais également de plus en plus
fréquemment pour le diagnostic, pour lesquelles l’expérimentateur
impose de connaître un des paramètres de l’étude ; les
biopuces à ADN nécessitent dans leur utilisation la connaissance de
la séquence des acides nucléiques immobilisés sur la lame de
verre.
L’utilisation en cancérologie de la technologie des biopuces a
initialement suscité de formidables espoirs, tant les résultats
semblaient donner une image claire de l’état moléculaire d’un
groupe de cellules cancéreuses. Cet état permettait non seulement
de définir et de classer les tumeurs selon un nouveau critère, la
génomique, mais aussi de prédire l’évolution de la tumeur chez un
patient donné. Au fur et à mesure de l’avancée technologique et de
la maturité analytique des chercheurs et des cliniciens, on s’est
aperçu que les résultats étaient complexes et d’interprétation
relative, qu’ils n’étaient pas nécessairement corrélés aux données
biologiques existantes et, surtout, qu’ils dépendaient des
laboratoires qui les avaient publiés.Cet article de synthèse a donc
pour objectif de présenter succinctement la technologie des
biopuces à ADN et surtout de faire l’état des lieux des résultats
publiés des études moléculaires d’expression génique réalisées à
partir de tumeurs du sein prélevées sur des cohortes de patientes
en rétrospectif ou même en diagnostic clinique, en prospectif.
Biopuces à ADN : intérêts et difficultés
Les biopuces à ADN (microarrays) définissent un ensemble de
procédés caractérisés par un même schéma expérimental : un
acide nucléique (ADN/ARN) à caractériser, la cible, est extrait
d’un groupe homogène de cellules ou d’un tissu d’intérêt, puis
« marqué » (coloré avec un composé fluorochrome ou marqué
radioactivement) et co-hybridé avec un acide nucléique provenant
d’un groupe cellulaire témoin, sur un support solide (lame de
verre, membrane de nylon…) présentant à sa surface entre 100 et 100
000 spots d’acides nucléiques immobilisés, à séquences et
emplacements connus, les sondes [1, 2]. Après une hybridation
longue puis une série de lavages en concentrations salines
décroissantes, le support est placé dans un scanner ou un détecteur
de radioactivité, puis soumis à un laser excitant les molécules de
fluorescence des cibles retenues par hybridation spécifique sur les
sondes immobilisées (ou capture du rayonnement émis). Le signal
émis est alors capturé et converti informatiquement en signal
d’intensité (échelle de gris). Dans le cadre du marquage non
radioactif, le signal est de nouveau traité par informatique avec
attribution de couleurs définies comme universelles par la
communauté scientifique internationale : cyanine 5 (rouge),
cyanine 3 (vert). Selon l’intensité et la caractéristique du
signal émis, l’expérimentateur connaît précisément le type d’acide
nucléique et sa quantité relative par rapport aux autres dans la
solution complexe d’acides nucléiques de l’échantillon d’intérêt.
Après analyse de l’image, les résultats sont traités
statistiquement au moyen de logiciels et d’algorithmes adaptés,
selon deux approches principales : le clustering non hiérarchisé ou
l’analyse supervisée ( (figure 1) ).
Selon le type de biopuces à ADN utilisé, il sera possible
d’étudier le génome ou le transcriptome d’un groupe homogène de
cellules (ou un tissu). Les biopuces à ADN génomique sont notamment
utilisées en hybridation génomique comparative (CGH ou comparative
genomic hybridization) afin de tester l’intégrité du génome de
cellules d’intérêt. Des fragments plus ou moins longs d’ADN
génomique sont fixés de façon covalente sur le support. L’ADN
génomique d’intérêt est extrait de deux groupes de cellules, un
échantillon témoin et un échantillon de cellules d’intérêt. L’ADN
d’intérêt, marqué en rouge par exemple, est co-hybridé sur la lame
avec l’ADN génomique témoin coloré en vert. L’intensité et la
couleur du signal émis en fin d’hybridation par chacun des spots
d’ADN génomique permettent de déterminer le type d’altération
génomique pour ce fragment d’ADN. Ainsi un spot rouge démontrera
une sur-représentation de cette région d’ADN génomique dans les
cellules étudiées (amplification, duplication), tandis qu’un spot
vert démontrera une perte de matériel génétique pour cette région
d’ADN génomique (délétion, perte d’allèle).
Les biopuces d’expression permettent l’étude du transcriptome.
Étant donné que la plupart des variations phénotypiques sont liées
à des modifications du transcriptome, il paraît pertinent d’étudier
l’expression génique afin de comprendre la complexité de ce réseau
cellulaire eucaryote. Les biopuces d’expression sont probablement
les lames les plus utilisées compte tenu de leur rapport
qualité/prix de plus en plus avantageux et de la grande quantité
d’informations pertinentes qu’elles génèrent. L’ARN total ou
messager, la cible, est extrait de deux groupes de cellules (ou
tissu), un groupe témoin et le groupe de cellules à étudier. Un ADN
complémentaire (ADNc) est alors obtenu par transcription inverse
(RT) et coloré simultanément par incorporation directe de
nucléotides portant le fluorochrome (Cy5-dUTP par exemple) ou après
RT, par couplage chimique d’un fluorochrome monoréactif sur le
groupement « allyl » de nucléotides modifiés incorporés
lors de la RT. Le support peut présenter trois types de
sondes : des oligonucléotides, des fragments d’ADNc qui ont
été déposés ou des oligonucléotides synthétisés directement sur la
lame (technologie Affymetrix®). Après hybridation,
lavages puis lecture, l’intensité et la coloration des spots
d’acides nucléiques du support reflètent la quantité relative des
ARN les uns par rapport aux autres [3].
Les avancées technologiques dans le domaine des biopuces mettent
désormais à disposition des laboratoires des biopuces
« pan-génome », dont les sondes couvrent la totalité des
gènes connus à l’heure actuelle. Cependant, après une première
phase d’engouement suscitée par cette technologie de criblage
d’informations génétiques à haut débit, plusieurs problèmes
commencent à être clairement identifiés [4]. À l’heure actuelle,
tous les paramètres de l’expérimentation peuvent varier, depuis le
type de support de la biopuce ou la méthode de marquage des acides
nucléiques, jusqu’à la méthodologie bio-informatique de traitement
des données et les statistiques utilisées pour l’analyse des
résultats. Cette diversité se retrouve également dans le design
expérimental nécessaire avant d’entreprendre une expérience
utilisant les biopuces ; l’utilisation des biopuces en routine
reste donc extrêmement problématique du fait de cette absence de
standards internationaux. Par ailleurs, les chercheurs sont
confrontés à plusieurs difficultés dont l’hétérogénéité tissulaire
de l’échantillon, la méthode d’extraction des acides nucléiques, le
choix des contrôles d’expérience, l’hybridation non spécifique des
séquences sur les acides nucléiques immobilisés, les différents
scanners de lecture et, enfin, les méthodes statistiques de
traitement des données génétiques [5-7]. Il n’y a à l’heure
actuelle pas ou que peu de standardisation internationale sur les
expériences de biopuces, ce qui rend la confrontation et l’échange
des résultats difficiles, voire impossibles, retardant d’autant une
application en routine des biopuces [8]. Devant la croissance
exponentielle des articles scientifiques publiés rapportant
l’utilisation des biopuces, les comités éditoriaux associés aux
directions des grands instituts internationaux de recherche ont
décidé la mise en œuvre de critères de publication qui deviennent
progressivement des critères expérimentaux minimaux requis. Ainsi
les critères Miame (minimum information about microarray
experiment) ont été définis par le groupe de chercheurs formant le
MGED (Microarray Gene Expression Database), dont la 7e
réunion a eu lieu à Toronto en septembre 2004 [9-11].
Applications des biopuces à ADN en cancérologie
Si la première publication rapportant le dépôt d’acide nucléique
sur une lame de verre traitée date de 1991, la première application
du dépôt d’ADN sur des lames de verre traitées, afin d’étudier en
une seule expérimentation les échantillons complexes d’ADN, a été
réalisée par le laboratoire de Patrick Brown à l’université de
Stanford aux États-Unis, dès 1995 [12-15]. Cette même équipe a
appliqué la technique des biopuces à ADN à l’étude des états
d’expression d’un groupe cellulaire tumoral, à un moment donné
[16]. Ces travaux constituent la base technique d’un grand nombre
d’études utilisant les microarrays [10, 17].
C’est en cancérologie que l’utilisation des biopuces est
désormais la plus courante [18]. Ainsi, il est possible de
déterminer l’état d’expression de groupes tumoraux définis et
homogènes (profiling) avec pour finalité une classification des
tumeurs fondée sur ces profils d’expression (clustering) [19-21].
La plupart de ces classifications réalisées à partir des profils
d’expression génique de tumeurs recoupent les classifications
anatomopathologiques et/ou immunohistochimiques, mais font
également apparaître de nouveaux sous-groupes tumoraux de
définition ou d’évolution différentes des précédents. Cela permet
de confirmer en partie la réalité phénotypique des résultats des
biopuces et d’appréhender la diversité biologique pour une même
tumeur.
Il est important de noter que la phase d’analyse statistique des
intensités de signaux issus des biopuces est d’une importance
fondamentale puisque, selon le type d’analyse effectuée, les
résultats seront différemment orientés ; ainsi, la caractérisation
de sous-types tumoraux en fonction du profil d’expression génique
des cellules tumorales est réalisée par analyse groupée de type
hiérarchisé (hierarchical clustering analysis). En revanche, en
tenant compte des données cliniques d’évolution (survie sans
rechute ou survie globale) comme paramètre d’orientation de
l’analyse statistique (dite alors supervisée), les données issues
des biopuces peuvent alors être utilisées pour caractériser une
série de gènes comme facteur prédictif d’évolution tumorale. Ainsi,
ces gènes peuvent devenir des marqueurs moléculaires dont le
pouvoir pronostique s’affranchira des catégories tumorales
classiquement définies lors du diagnostic.
Pour des raisons essentiellement techniques (homogénéité
tissulaire et facilité d’obtention des cellules tumorales), les
leucémies et lymphomes ont été parmi les premières tumeurs
étudiées, classées puis prédites [22-25]. Pour le cancer du sein,
les premières études ont été effectuées sur des lignées cellulaires
tumorales [26-28]. Elles ont permis d’affiner les méthodologies
expérimentales puis de montrer qu’il était possible de séparer deux
lignées cellulaires sur la base de leurs différences d’expression
génique [28, 29]. Elles ont permis aussi de caractériser certaines
régions géniques cibles altérées dans les tumeurs du sein (régions
chromosomiques 17q12 et 17q23) [30, 31]. Les travaux ont été
poursuivis sur des échantillons tumoraux et se classent en deux
catégories : utilisation de profil d’expression génique pour
différencier des états tumoraux ou détermination de séries de gènes
utilisables comme marqueurs prédictifs d’évolution tumorale.
Initialement, les auteurs ont choisi de décrire des différences
d’expression génique entre tissu tumoral mammaire invasif (isolé ou
non par microdissection au laser) sans distinction claire de
sous-groupes histologiques et tissu mammaire sain [32, 33]. Ces
premières données montrent la corrélation de la surexpression du
gène ERBB2 dans les tumeurs mammaires de mauvais pronostic (N+) et
la distinction sur le profil d’expression génique entre tumeurs
mammaires exprimant le récepteur aux œstrogènes (RE+) et celles ne
le présentant pas (RE-). Puis cinq équipes ont publié des données
de biopuces utilisées pour classer, corréler puis prédire
l’évolution de cancers du sein.
Tout d’abord, l’équipe de Brown et Botstein (Stanford,
États-Unis), en lien avec celle d’Anne-Lise Borresen-Dale (Oslo,
Norvège), a choisi comme stratégie d’étude des tumeurs du sein la
définition de sous-groupes de tumeurs fondée sur les profils
d’expression génique de plusieurs centaines de gènes. Utilisant
entre 496 et 534 gènes, ils ont documenté la possibilité de séparer
des tumeurs RE+ et RE- et définissent, parmi ces catégories, quatre
groupes de tumeurs du sein : basal-like, ERBB2 surexprimé,
normal-like et luminal/epithelial RE+ [34]. Utilisant de nouvelles
méthodes statistiques, ils ont précisé leurs groupes en divisant en
deux sous-groupes A et C le groupe luminal/epithelial, puis en
corrélant les groupes basal-like et luminal C à un mauvais
pronostic [35]. Ces corrélations ont été précisées sur des groupes
indépendants de tumeurs du sein déjà étudiés et publiés par les
équipes de Bernards (Amsterdam, Pays-Bas) et Nevins (Durham,
États-Unis), confirmant ainsi en partie la robustesse de leur
approche statistique et la pertinence biologique de leurs groupes
de tumeurs [36]. Il est cependant décevant que les critères de
pronostic de tumeurs du sein habituellement usités (âge de
survenue, taille de la tumeur, grade, envahissement ganglionnaire
et statut du récepteur aux œstrogènes) n’aient pas été corrélés à
ces cinq sous-groupes tumoraux.
Les équipes de Bernards et de Friend (Kirkland, États-Unis) ont
choisi une stratégie différente, consistant à utiliser les données
de transcriptome de tumeurs du sein, après analyse statistique
supervisée, afin de définir, au moyen de 70 gènes marqueurs
« prédictifs », deux signatures d’expression génique, une
de bon et une de mauvais pronostic [37]. À la différence des
précédentes, cette étude rétrospective a été réalisée sur une
cohorte très homogène de patientes présentant une tumeur du sein
(moins de 55 ans, sans envahissement ganglionnaire) ; elle a
été confirmée en montrant qu’en utilisant le critère du
« profil génique pronostique » au lieu des critères du
NIH ou de Saint-Gallen, il était possible de diminuer le nombre de
patientes recevant une chimiothérapie adjuvante, évitant ainsi à
plusieurs patientes de recevoir un traitement non nécessaire. Cette
étude a été confirmée sur 295 patientes atteintes de tumeur du
sein, a montré la pertinence des deux signatures géniques
prédictives et a finalement démontré que le ratio de confiance en
termes de prédiction d’évolution accordé à la signature génique
était bien plus élevé que ceux utilisés actuellement en pronostic
[38].
Les équipes de Trent (Bethesda, États-Unis) et Borg (Lund,
Suède) ont publié leurs études réalisées sur des tumeurs du sein
héréditaires liées ou non à des mutations de BRCA1 ou BRCA2 [39].
Définissant un profil d’expression génique de 176 gènes, les
auteurs démontrent la distinction possible entre les tumeurs
présentant des mutations de BRCA1 ou BRCA2 et les tumeurs du sein
sporadiques. Dans une seconde étude plus complète, ils ont démontré
que les tumeurs du sein retrouvées dans un contexte familial et
« non mutées » sur les gènes BRCA1 et BRCA2 présentaient
un profil d’expression génique spécifique qui pouvait servir de
base à une distinction plus fine dans ce groupe, permettant la
recherche au sein d’un groupe homogène de tumeurs d’un troisième
gène altéré dans les tumeurs du sein familiales [40].
L’équipe française du groupe Technologies avancées en génomique
et clinique (TAGC), de Nguyen (Marseille), a caractérisé une série
de 23 gènes utilisable comme marqueurs prédictifs d’évolution
tumorale, qui définit trois groupes pronostiques, un de bon
pronoctic (survie globale à 5 ans de 100 %, survie sans rechute
métastatique de 75 %), un de moyen pronostic (65 % et 56 %
respectivement) et un de mauvais pronostic (40 % et 20 %). Cette
équipe établit donc une nouvelle classification tumorale fondée sur
les données d’évolution tumorale, et non plus uniquement sur le
statut histologique et clinique des tumeurs du sein ( (figure 2) )[41].
Utilisant des méthodes statistiques complexes, l’équipe de
Nevins a établi une classification des tumeurs du sein en corrélant
leur profil d’expression génique au statut RE ou au statut
d’envahissement ganglionnaire [42, 43].
Bilan et perspectives
En médecine, les mécanismes génétiques des pathologies sont de plus
en plus décrits, permettant ainsi l’identification de nouveaux
marqueurs génomiques ou protéomiques importants dans le diagnostic,
le pronostic ou la thérapie. La technologie des biopuces à ADN
constitue un outil extrêmement puissant d’analyse à haut débit
d’événements génétiques à l’origine de pathologies. Cet outil,
désormais couramment utilisé dans les laboratoires de recherche,
pourrait être en passe d’être appliqué au chevet du malade dans les
services cliniques si son utilisation n’était fortement limitée par
les difficultés de standardisation. L’application au cancer du sein
a permis d’identifier plusieurs sous-types tumoraux et de commencer
à définir des groupes pronostiques. Cependant, plusieurs problèmes
restent à résoudre dont cette question majeure : faut-il
donner au clinicien une information génétique complète ou plutôt un
résultat spécifique de quelques gènes pertinents pour une
pathologie donnée et une stratégie thérapeutique dédiée ?
Références
1 Bertucci F, et al. DNA arrays: technological aspects
and applications. Bull Cancer 2001 ; 88 : 243-52.
2 Cheung VG, et al. Making and reading microarrays.
Nat Genet 1999 ; 21(1 Suppl) : 15-9.
3 Quackenbush J. Computational analysis of microarray data.
Nature Rev Genet 2001 ; 2 : 418-27.
4 Guo QM. DNA microarray and cancer. Curr Opin Oncol
2003 ; 15 : 36-43.
5 Jarvinen AK, et al. Are data from different gene
expression microarray platforms comparable ? Genomics 2004 ;
83 : 1164-8.
6 Tilstone C. DNA microarrays: vital statistics. Nature
2003 ; 424 : 610-2.
7 Nadon R, Shoemaker J. Statistical issues with
microarrays: processing and analysis. Trends Genet 2002 ;
18 : 265-71.
8 Russo G, Zegar C, Giordano A. Advantages and
limitations of microarray technology in human cancer. Oncogene
2003 ; 22 : 6497-507.
9 Brazma A, et al. Minimum information about a
microarray experiment (MIAME)-toward standards for microarray data.
Nature Genet 2001 ; 29 : 365-71.
10 Sherlock G, et al. The Stanford Microarray
Database. Nucleic Acids Res 2001 ; 29 : 152-5.
11 Ball CA, et al. Standards for microarray data.
Science 2002 ; 298 : 539.
12 Fodor SP, et al. Light-directed, spatially
addressable parallel chemical synthesis. Science 1991 ;
251 : 767-73.
13 Schena M, et al. Quantitative monitoring of gene
expression patterns with a complementary DNA microarray. Science
1995 ; 270 : 467-70.
14 Schena M, et al. Parallel human genome analysis:
microarray-based expression monitoring of 1000 genes. Proc Natl
Acad Sci USA 1996 ; 93 : 10614-9.
15 Shalon D, Smith SJ, Brown PO. A DNA microarray
system for analyzing complex DNA samples using two- color
fluorescent probe hybridization. Genome Res 1996 ; 6 :
639-45.
16 DeRisi J, et al. Use of a cDNA microarray to
analyse gene expression patterns in human cancer. Nat Genet
1996 ; 14 : 457-60.
17 Duggan DJ, et al. Expression profiling using cDNA
microarrays. Nature Genet 1999 ; 21(Suppl) : 10-4.
18 Schmidt U, Begley CG. Cancer diagnosis and
microarrays. Int J Biochem Cell Biol 2003 ; 35 :
119-24.
19 Khan J, et al. Expression profiling in cancer using
cDNA microarrays. Electrophoresis 1999 ; 20 : 223-9.
20 Alizadeh AA, et al. Towards a novel classification
of human malignancies based on gene expression patterns. J Pathol
2001 ; 195 : 41-52.
21 Golub TR, et al. Molecular classification of
cancer: class discovery and class prediction by gene expression
monitoring. Science 1999 ; 286 : 531-7.
22 Alizadeh AA, et al. Distinct types of diffuse large
B-cell lymphoma identified by gene expression profiling. Nature
2000 ; 403 : 503-11.
23 Rosenwald A, Staudt LM. Clinical translation of
gene expression profiling in lymphomas and leukemias. Semin Oncol
2002 ; 29 : 258-63.
24 Shipp MA, et al. Diffuse large B-cell lymphoma
outcome prediction by gene-expression profiling and supervised
machine learning. Nature Med 2002 ; 8 : 68-74.
25 Wright G, et al. A gene expression-based method to
diagnose clinically distinct subgroups of diffuse large B cell
lymphoma. Proc Natl Acad Sci USA 2003 ; 100 : 9991-6.
26 Bertucci F, et al. Expression scanning of an array
of growth control genes in human tumor cell lines. Oncogene
1999 ; 18 : 3905-12.
27 Bertucci F, et al. Sensitivity issues in DNA
array-based expression measurements and performance of nylon
microarrays for small samples. Hum Mol Genet 1999 ; 8 :
1715-22.
28 Perou CM, et al. Distinctive gene expression
patterns in human mammary epithelial cells and breast cancers. Proc
Natl Acad Sci USA 1999 ; 96 : 9212-7.
29 Cooper CS. Applications of microarray technology in
breast cancer research. Breast Cancer Res 2001 ; 3 :
158-75.
30 Kauraniemi P, et al. New amplified and highly
expressed genes discovered in the ERBB2 amplicon in breast cancer
by cDNA microarrays. Cancer Res 2001 ; 61 : 8235-40.
31 Monni O, et al. Comprehensive copy number and gene
expression profiling of the 17q23 amplicon in human breast cancer.
Proc Natl Acad Sci USA 2001 ; 98 : 5711-6.
32 Sgroi DC, et al. In vivo gene expression profile
analysis of human breast cancer progression. Cancer Res 1999 ;
59 : 5656-61.
33 Bertucci F, et al. Gene expression profiling of
primary breast carcinomas using arrays of candidate genes. Hum Mol
Genet 2000 ; 9 : 2981-91.
34 Perou CM, et al. Molecular portraits of human
breast tumours. Nature 2000 ; 40 : 747.
35 Sorlie T, et al. Gene expression patterns of breast
carcinomas distinguish tumor subclasses with clinical implications.
Proc Natl Acad Sci USA 2001 ; 98 : 10869-74.
36 Sorlie T, et al. Repeated observation of breast
tumor subtypes in independent gene expression data sets. Proc Natl
Acad Sci USA 2003 ; 100 : 8418-23.
37 Van’t Veer LJ, et al. Gene expression profiling
predicts clinical outcome of breast cancer. Nature 2002 ;
415 : 530-6.
38 Van de Vijver MJ, et al. A gene-expression
signature as a predictor of survival in breast cancer. N Engl J Med
2002 ; 347 : 1999-2009.
39 Hedenfalk I, et al. Gene-expression profiles in
hereditary breast cancer. N Engl J Med 2001 ; 344 :
539-48.
40 Hedenfalk I, et al. Molecular classification of
familial non-BRCA1/BRCA2 breast cancer. Proc Natl Acad Sci USA
2003 ; 100 : 2532-7.
41 Bertucci F, et al. Gene expression profiles of
poor-prognosis primary breast cancer correlate with survival. Hum
Mol Genet 2002 ; 11 : 863-72.
42 West M, et al. Predicting the clinical status of
human breast cancer by using gene expression profiles. Proc Natl
Acad Sci USA 2001 ; 98 : 11462-7.
43 Nevins JR, et al. Towards integrated
clinico-genomic models for personalized medicine: combining gene
expression signatures and clinical factors in breast cancer
outcomes prediction. Hum Mol Genet 2003 ; 12(spec 2) :
153-7.
|
Version imprimable
Version PDF
