WO2011151148A2 - Procédé d'évaluation toxicologique, procédé de criblage toxicologique et système associé - Google Patents

Procédé d'évaluation toxicologique, procédé de criblage toxicologique et système associé Download PDF

Info

Publication number
WO2011151148A2
WO2011151148A2 PCT/EP2011/057720 EP2011057720W WO2011151148A2 WO 2011151148 A2 WO2011151148 A2 WO 2011151148A2 EP 2011057720 W EP2011057720 W EP 2011057720W WO 2011151148 A2 WO2011151148 A2 WO 2011151148A2
Authority
WO
WIPO (PCT)
Prior art keywords
organ
tissue
bioartificial
substance
metabolic
Prior art date
Application number
PCT/EP2011/057720
Other languages
English (en)
Other versions
WO2011151148A3 (fr
Inventor
Marc-Emmanuel Dumas
Eric Leclerc
Laetitia Shintu
Regis Baudoin
Cécile LEGALLAIS
Pierre Toulhoat
Céline BROCHOT
Original Assignee
Universite Technologie De Compiegne - Utc
Centre National De La Recherche Scientifique (Cnrs)
Ecole Normale Superieure De Lyon
Institut National De L'environnement Industriel Et Des Risques
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Universite Technologie De Compiegne - Utc, Centre National De La Recherche Scientifique (Cnrs), Ecole Normale Superieure De Lyon, Institut National De L'environnement Industriel Et Des Risques filed Critical Universite Technologie De Compiegne - Utc
Priority to US13/696,861 priority Critical patent/US9448226B2/en
Priority to JP2013509573A priority patent/JP5937576B2/ja
Priority to EP11719026.4A priority patent/EP2569628B8/fr
Priority to CA2799229A priority patent/CA2799229C/fr
Publication of WO2011151148A2 publication Critical patent/WO2011151148A2/fr
Priority to IL222978A priority patent/IL222978B/en
Publication of WO2011151148A3 publication Critical patent/WO2011151148A3/fr

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/5005—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
    • G01N33/5008—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing or evaluating the effect of chemical or biological compounds, e.g. drugs, cosmetics
    • G01N33/5014—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing or evaluating the effect of chemical or biological compounds, e.g. drugs, cosmetics for testing toxicity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/5005—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
    • G01N33/5008—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing or evaluating the effect of chemical or biological compounds, e.g. drugs, cosmetics
    • G01N33/502—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing or evaluating the effect of chemical or biological compounds, e.g. drugs, cosmetics for testing non-proliferative effects
    • G01N33/5041—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing or evaluating the effect of chemical or biological compounds, e.g. drugs, cosmetics for testing non-proliferative effects involving analysis of members of signalling pathways
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/5005—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
    • G01N33/5008—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells for testing or evaluating the effect of chemical or biological compounds, e.g. drugs, cosmetics
    • G01N33/5082—Supracellular entities, e.g. tissue, organisms
    • G01N33/5088—Supracellular entities, e.g. tissue, organisms of vertebrates
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Definitions

  • the present invention relates to the field of bioreactors capable of simulating organs of living organisms such as mammalian organs, in particular human organs.
  • the invention relates to the application of such bioreactors for the high-throughput screening of toxins on organs thus simulated.
  • tissue or organ capable of mimicking the biological behavior of the organism.
  • tissue or the corresponding organ called “natural” that is to say taken in its natural environment within the living organism
  • These models are increasingly used in all phases of pharmaceutical research because they represent an advantageous alternative to in vivo models, ie to animal testing, against which both economic and ethical pressures appear. at an international level.
  • the associated costs and logistics required for animal testing under conditions that comply with the French and European regulations on animal welfare and the recommendations of the competent health services, may make this technique prohibitive.
  • the biological response (s) of the cell will therefore vary, sometimes considerably, depending on whether it is cultured in vitro or whether it is in the tissue or organ and, more generally, in the living organism.
  • Petri dishes are cultured under "static" (non-fluid circulation) and non-"dynamic" conditions (with fluid circulation), which are the only ones likely to reflect the actual behavior of a tissue. or irrigated organ.
  • NMR bioreactor development for live microbial functional analysis J Magn Reson 192 (1), 159-166 (2008), by Majors, PD, McLean, JS, & Scholten, JC, proposes a bioreactor located inside an NMR spectrometer (Nuclear Magnetic Resonance). NMR spectrometry makes it easy to analyze the culture medium of the bioreactor, but at the cost of very specific constraints. Indeed, the bioreactor is prohibited microstructures and materials other than glass, which limits its possibilities to those of petri dishes.
  • the metabolomes present in the bioreactor undergo what is called a "derivatization", that is to say the targeted transformation of certain functional groups of the molecules to make them more volatile. And this greatly reduces the number of potentially detectable metabolites because it is restricted to the metabolites targeted by the derivatization.
  • a third embodiment described in "High-throughput nuclear magnetic resonance metabolomic footprinting for tissue engineering," Tissue Eng Part C Methods 14 (2008), by Seagle, C, Christie, MA, Winnike, JH, McClelland, RE, Ludlow , JW, O'Connell, TM, Gamcsik, MP, & MacDonald, JM, consists of NMR measurement of metabolites derived from bioartificial organ culture media.
  • the present invention aims to solve these difficulties by proposing a toxicological evaluation method on bioartificial tissues or organs perfectly simulating real organs, and proposing a new approach for analyzing the metabolic response.
  • An object of the invention is to achieve this goal while providing a faster process and cheaper to implement, more reliable, providing results perfectly reproducible and much more easily exploitable.
  • the present invention thus relates to a method of toxicological evaluation of a candidate substance on at least one tissue or organ, characterized in that it comprises the steps of:
  • the invention proposes to study the indirect consequences of exposure of bioartificial organs to a toxic substance, by characterizing the metabolic signature of the response to this substance.
  • the invention focuses on the use of "non-targeted” methods such as Nuclear Magnetic Resonance Spectroscopy (NMR) or mass spectrometry (MS), with or without chromatographic coupling, in order to detect as many metabolites as possible. endogenous.
  • NMR Nuclear Magnetic Resonance Spectroscopy
  • MS mass spectrometry
  • chromatographic coupling In order to identify a global response at the metabolic scale, these different parallel measures are then analyzed by multidimensional statistics. These analyzes aim to "explain" the parameters of the experiment using the thousands of variables measured, and to deduce a prediction model. It is indeed possible to use supervised forms recognition techniques such as discriminant analysis, partial least squares regression (or PLS regression), artificial neural networks, and so on. According to other advantageous and nonlimiting features:
  • step (d) is a partial least squares regression discriminant analysis (PLS-DA);
  • step (d) is preceded by a step (d1) of locating and eliminating outliers in said multidimensional data set;
  • step (d1) comprises a principal component unsupervised analysis (PCA);
  • step (d) one of the statistical reliability estimation methods used in step (d) is cross-validation
  • one of the statistical reliability estimation methods used in step (d) is a validation by the null hypothesis
  • one of the statistical reliability estimation methods used in step (d) comprises calculating the area under a curve Receiver Operative Characteristic (ROC);
  • the predetermined variables used in step (d) are chosen from the culture conditions, the cell type of the bioartificial fabric or organ, the type of said substance, and its dose;
  • step (c) is carried out by at least one selected analytical chemistry technique, among the techniques of the group comprising proton NMR spectroscopy, carbon NMR spectroscopy, mass spectrometry, gas chromatography, liquid chromatography, and multiplexed detection methods;
  • step (c) is carried out in the culture medium at the outlet of the bioreactor in order to observe the extracellular metabolic response
  • step (c) is carried out on the cell pellets in order to observe the endogenous intracellular metabolic response
  • the method further comprises a step (h) of obtaining a signature of specific toxicity of said substance from the list of biomarkers obtained in step (g);
  • the method furthermore comprises a step (i) in which a bank of markers and / or of toxicity signatures is informed using the information obtained during the preceding steps.
  • the present invention also aims to allow reliable toxicological screening at a very high rate, according to a second aspect.
  • the present invention therefore also relates to a method for the toxicological screening of a candidate substance on at least one tissue or organ, characterized in that it comprises the steps of:
  • said library of markers and / or signatures of toxicity has been established by the implementation of at least one method according to the first aspect of the invention.
  • This high throughput screening of substances is made possible by the constitution of a database or database compiling the results of previous experiments.
  • This application opens the door to the analytical screening of substances whose toxicity has never been demonstrated, by rapid, immediate and statistical comparison with reference substances, whose toxicity signature is known, that is to say a representation specific metabolic response.
  • the invention finally relates to systems, one comprising at least one bioreactor, data processing means and a device for detecting biomarkers, characterized in that it is capable of implementing a toxicological evaluation method according to the first aspect of the invention, and the other further comprising data storage means, characterized in that it is capable of implementing a toxicological screening method according to the second aspect of the invention.
  • FIG. 1 is an example of a 1 H NMR spectrum (proton NMR);
  • FIG. 2 is a graph illustrating the result of a first experiment comparing a toxicological evaluation method according to the invention and a similar process that would use Petri dishes by modeling the 1 H NMR spectra by least squares regression. partial;
  • FIG. 3 is a graph illustrating the result of a second experiment comparing different cell types by 1 H NMR and PLS regression;
  • FIGS. 4a-c are three graphs illustrating the result of a third experiment comparing a metabolic response at different doses of the same xenobiotic by 1 H NMR analysis and PLS regression;
  • FIGS. 5a-b are two examples of Receiver Operating Characteristic curves used in one embodiment of the toxicological evaluation method according to the invention.
  • the toxicological evaluation method begins with a step of obtaining an artificial tissue or organ, on which the substance will be tested.
  • bioreactors are used. These advantageously comprise a culture chamber comprising a microstructured upper wall and a lower wall promoting cell development, a fluid entry point and a fluid outlet point to allow the passage of a nutrient fluid necessary for the development and cell growth and ultimately exposure to the substance whose toxicological properties are to be studied.
  • Such bioreactors are described in detail in the patent application FR0954288 filed June 23, 2009, which is referred to herein. The invention is however not limited to this type of bioreactor in particular.
  • the microstructures of a bioreactor make possible the development of bioartificial tissues or organs presenting an elaborate cellular structure in conformity with reality. Growth is accelerated and autonomous. Bioreactors are easily mounted in series or in parallel. It is thus possible to cultivate following different families of cells, which together simulate an organ. Living organs are indeed very complex systems that generally house one main cell type, plus many others, whose presence is essential. For example, in the case of the liver 80% of the cells are what are called hepatocytes. But there are also endothelial cells, Kuppfer cells, Ito cells, hepatocyte lymphocytes ...
  • the dynamic operation of the bioreactor makes it possible, in addition to a better simulation of the tissue or the organ, to expose to a substance and then to easily recover the metabolic response of the cells cultured at the level of the output connectors of the bioreactor. In this case, the so-called extracellular metabolic response is observed. Alternatively it may be useful to observe the endogenous metabolic response, i.e., within the cells themselves. In this case, the metabolic response is recovered directly on the cell pellets.
  • bioartificial tissues or organs are thus cultivated until maturity, then exposed to a substance to be tested. After a predetermined time according to the test protocol, samples are recovered, whether it is output inside the cells.
  • NMR nuclear magnetic resonance
  • mass spectrometry a method of spectroscopy applied to a particle or a set of particles.
  • NMRs based on atoms characteristics of organic molecules, such as hydrogen or carbon are particularly applicable to the invention.
  • acquisition "without a priori" of a dataset associated with the metabolic response it will include acquisition of any data associated with any metabolic response, and not only data associated with "expected" elements of a metabolic response. No hypothesis concerning the metabolites involved in the biological or toxicological response of interest is to be made. In other words, an acquisition without a priori of a dataset associated with the metabolic response is an acquisition that incorporates including data corresponding to unknown metabolites. An unbiased approach differs fundamentally from the targeted metabolism approach in which anything that does not correspond to the targeted metabolites is ignored.
  • NMR nuclear magnetic resonance
  • spectroscopy allows an acquisition without a priori, unlike the use for example of a DNA chip, which limits the acquisition of data associated with the expression of the only genes in the chip, in other words, a partial metabolic response.
  • Multidimensional statistics can then be used to identify significantly affected metabolic signals and in what proportions. Consequently, the a priori approach is of great interest for discovering new markers associated with this toxicological response. In the targeted approach, the potential for discovering new markers is non-existent.
  • 1 H NMR proton NMR, which allows the detection of hydrogen atoms
  • spectroscopy is used, with which a series of tests have been carried out.
  • These tests involved two cell lines and three potentially toxic substances, both lines possibly being co-cultured.
  • These cells are on the one hand HEPG2 / C3A, simply named C3A, human hepatocyte cells, and on the other hand MDCK (Madin-Darby Canine Kidney Cells), kidney cells of the dog.
  • MDCK Medin-Darby Canine Kidney Cells
  • the invention is in no way limited to liver or kidney-type bioartificial organs, and that one skilled in the art can transpose the invention to any type of bioartificial organ that can be simulated or modeled in a bioreactor. In particular, mention may be made of the pancreas, the heart, the testicles, parts of the brain, etc.
  • the xenobiotics to which the cells used in the tests were exposed are ammonia (NH3), dimethylsulfoxide (DMSO) and N-acetyl-para-aminophenol (APAP), better known as paracetamol. These three substances are known to have harmful effects on the liver at high doses.
  • the medium samples are prepared, for example, using 350 ⁇ L of medium, mixed with 200 ⁇ l of 0.9 g / L saline solution composed of 90% water (H 2 O) and 10% heavy water (D 2 O). calibration purposes.
  • the 550 L of solution are then transferred to an NMR analysis tube.
  • NMR acquisition is done at a frequency of 700 MHz using a proton probe.
  • 1 D a NMR spectrum is recorded using a presaturation of the water resonance in the following sequence: T rd -P 90 - ti-t-m P9o -P9o- aq.
  • Trd represents a delay of 2s during which the resonance of the water is selectively irradiated
  • P90 is a radio frequency pulse of 90 °
  • t1 corresponds to a delay of 3 ⁇ .
  • interferograms are multiplied by an exponential function corresponding to a line broadening of 0.3 Hz.
  • the width of the interferogram is doubled by adding null points at the end of the interferogram, so as not to degrade the resolution of the spectrum.
  • the scale in the horizontal dimension corresponds to chemical shifts 1 H. It extends over a window of 10 ppm around the resonance of water.
  • the scale in the vertical dimension corresponds to the intensity of the resonances which is proportional to the number of protons present for a chemical group of each molecule of the sample.
  • the spectra are then phased and a baseline linear correction is performed, before calibration on the signal of the beta anomer of glucose at 5.23ppm. The region between 4.67ppm and 5ppm around the residual water signal is suppressed for better visibility, and the spectra are exported as a multi-dimensional data set.
  • FIG. 1 shows an example of a 1 H NMR spectrum of a sample of culture supernatant of C3A cells exposed to ammonia (25 ⁇ M / ⁇ M, 10 mM NH 3 ). The region comprising the aromatic resonances (between 6.5 and 10 ppm) has been enlarged. The peaks of the main metabolites are annotated by way of example.
  • the statistical analysis consists first of all of an unsupervised principal component analysis to identify the outliers in the multidimensional dataset.
  • the principal component analysis compresses the redundant 40,000 NMRs present in the dataset into a new orthonormal frame, each axis representing a major component of the data set variance, which is therefore multidimensional.
  • a multivariate statistical analysis, called supervised, is then carried out in order to discriminate culture conditions or groups of doses, and identify specific metabolic signatures for toxicological effects.
  • This supervised analysis is mainly performed using partial least squares (Partial Least Squares) regression, using Partial Least Squares (PLS-DA) discriminant analysis, but not limited to.
  • a PLS regression just like the linear regression, makes it possible to identify the components of the dataset (explanatory variables, X) which are quantitatively correlated with the variable to be explained (Y), whether they are culture conditions, the cell type of the bioartificial organ, the type of treatment administered or the dose of the treatment.
  • Artificial neural network structures can also be programmed to perform this multivariate analysis.
  • the coordinates of the samples of the test set are then calculated, which makes it possible to assign a prediction (dose or group) to these test samples, and to calculate the prediction error.
  • the prediction error may be in the form of a confusion matrix for calculating an error rate (or good prediction), or in the form of calculating an error coefficient, typically, Q2 .
  • a second step it is also possible to test the robustness of the model by randomly generating a series of data sets for which the variable to explain Y has been permuted. There is thus no more relation between the variable to be explained Y and the explanatory variables X, which corresponds in statistics to validation by the null hypothesis.
  • a series of several hundred models following the null hypothesis is generated and their robustness is evaluated by cross validation. It is then possible to show that the more random the models, the more difficult it is to build a predictive model. We can then show that the initial model is significantly different from the population of random models following the null hypothesis, which validates all the more strongly the initial model.
  • ROC Operating Characteristic of a receiver
  • a ROC curve gives the rate of correct classifications in a group (called true positive rate) according to the number of incorrect classifications (false positive rate) for the same group.
  • the curve is therefore included in a square of side 1, and necessarily passes through (0,0) and (1, 1).
  • a biomarker identification step follows. It makes it possible to better reflect the reality of the metabolic response, since it makes it possible to find the metabolites associated with the components of the dataset selected for the model, that is to say the most characteristic of the exposure to the toxic substance. . This step is done for example by reading by a professional of the associated peaks on the NMR spectrum.
  • signatures are stored in a database in order to constitute a signature bank.
  • a marker library can be considered, each biomarker being referenced by the list of substances in which it has been involved.
  • Such a bank may be very useful for another aspect of the invention which will be described below.
  • the metabolic signature of a bioartificial organ culture in a bioreactor was compared to that of a conventional culture in Petri dishes.
  • the metabolism of C3A bioartificial liver in a bioreactor was compared to that of C3A cells in conventional culture in Petri dishes.
  • Two partial least squares discriminant analyzes (PLS-DA) were constructed to compare the culture of C3A cells in Petri dishes with that of C3A cells in a bioreactor with an optimal flux of 10 ⁇ l / min (Fig.2).
  • PLS-DA models show clear discrimination between cells grown in Petri dishes and within bioreactors, demonstrating an endogenous metabolic signature of bioartificial organs, directly related to bioreactor culture.
  • the coefficients of each PLS model were analyzed to identify the metabolites significantly affected by the bioreactor culture.
  • Figure 2 also illustrates this result by showing that Petri dishes and bioreactors have different metabolic signatures.
  • the cloud graph of the individuals shows a significant difference between the two families. Metabolite sign of correlation in
  • C3A cells liver cells
  • MDCK cells kidney cells
  • C3A / MDCK liver-kidney co-culture
  • PLS-DA three partial least squares discriminant analyzes were constructed to compare C3A bioartificial liver cultures with MDCK bioartificial protein kidney cultures and C3A / MDCK co-cultures with an optimal flux of 10 ⁇ L / min (Fig. 3).
  • PLS-DA models show a clear segregation between the 3 types of organs. The coefficients of each PLS model were analyzed to identify significantly different metabolites between bioartificial organs.
  • PLS regression models show a quantitative dose-response relationship, demonstrating an indirect endogenous metabolic response quantitatively related to the dose of NH3 administered.
  • the coefficients of each PLS model were analyzed to identify the metabolites significantly affected by the NH3 dose. Comparing the lists of metabolites for each bioartificial organ shows that each one presents a unique and characteristic metabolic response, related to the physiology and cellular toxicology specific to each organ.
  • PLS regression models show a quantitative dose-response relationship, demonstrating an indirect endogenous metabolic response of bioartificial livers quantitatively related to each treatment administered.
  • the coefficients of each PLS model were analyzed to identify liver endogenous metabolites significantly affected by one treatment or another.
  • the comparison of the metabolite lists for each treatment shows that the bioartificial liver has a unique metabolic response characteristic of each toxic molecule administered (Table 4). In this table, for each metabolite is indicated in parentheses the sign of the variation of its concentration when the dose of the xenobiotic of the experiment increases.
  • ROC curves were calculated for several models to evaluate their performance.
  • the toxicity predictions were for example made for a game exposed to APAP at 10 mM, and NH3 at 5 m.
  • the ROC curves obtained are respectively represented by FIGS. 5a and 5b.
  • the AUC is 0.943723 and 0.9335968 respectively, a confidence of nearly 95%.
  • a 10mM NH3 toxicity assessment model even reached an AUC of 0.9994318 (99.94% confidence).
  • the invention proposes a method for toxicological screening.
  • the idea is to build a base of signatures by comparison with which we will be able very quickly to identify a xenobiotic.
  • each time a new substance is evaluated with the method according to the first aspect its signature is added to a database. As a database becomes more and more complete appears.
  • a tolerance threshold is set by the user.
  • a very low tolerance level increases the probability of not detecting a known substance, but ensures a high degree of confidence if the substance is actually identified.
  • a lower tolerance level makes it possible to propose several solutions, and to let the user conclude. Alternatively, it is not the signatures that are compared, but the lists of biomarkers detected, or directly the spectra.
  • the invention proposes systems implementing the toxicological evaluation method according to the first aspect of the invention, or implementing the toxicological screening method according to the second aspect of the invention.
  • These systems comprise at least one bioreactor, data processing means and a biomarker detection device.
  • the system for the toxicological screening also has data storage means, on which will be stored the database containing for example the signatures of known xenobiotics.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Hematology (AREA)
  • Urology & Nephrology (AREA)
  • Toxicology (AREA)
  • Cell Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Analytical Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Biotechnology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Tropical Medicine & Parasitology (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Microbiology (AREA)
  • Pathology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

La présente invention concerne un procédé d'évaluation toxicologique d'une substance candidate sur au moins un tissu ou organe, caractérisé en ce qu'il comprend les étapes de : (a) Obtention d'un tissu ou organe bioartificiel par simulation ou modélisation de l'activité métabolique dudit tissu ou organe par au moins un bioréacteur; (b) Exposition dudit tissu ou organe bioartificiel à ladite substance; (c) Observation de la réponse métabolique du tissu ou de l'organe bioartificiel et acquisition sans a priori d'un jeu de données multidimensionnel associé; (d) Identification au moyen d'une méthode d'analyse statistique multivariée des composantes du jeu de données multidimensionnel quantitativement corrélées à des variables prédéterminées; (e) Génération d'un modèle prédictif à partir des composantes du jeu de données effectivement retenues; (f) Test du caractère prédictif dudit modèle par au moins une méthode statistique d'estimation de fiabilité; (g) Identification de la réponse métabolique du tissu ou de l'organe bioartificiel sous la forme de biomarqueurs associés aux composantes du jeu de données retenues pour le modèle. La présente invention concerne également un procédé de criblage toxicologique et un système à cet effet.

Description

Procédé d'évaluation toxicoloqique, procédé de criblage toxicoloqique et système associé
DOMAINE TECHNIQUE GENERAL
La présente invention se rapporte au domaine des bioréacteurs capables de simuler des organes d'organismes vivants tels que des organes de mammifères, en particulier des organes humains.
L'invention concerne l'application de tels bioréacteurs pour le criblage à haut débit de toxiques sur des organes ainsi simulés.
Plus précisément, elle concerne un procédé permettant d'identifier et de quantifier des perturbations métaboliques endogènes liées à la présence de toxiques, grâce à des organes bioartificiels. ETAT DE L'ART
Les cultures de cellules représentent à présent un moyen fiable pour réaliser l'évaluation toxicologique de substances chimiques ou biologiques, c'est-à-dire la mesure de leur éventuelle capacité à provoquer des effets néfastes sur une forme de vie.
En concevant des systèmes de culture in vitro de cellules d'un tissu ou d'un organe animal ou humain (un tel système, appelé « tissu ou organe bioartificiel », est donc un tissu ou organe synthétique, capable de mimer le comportement biologique du tissu ou de l'organe correspondant dit « naturel » c'est-à-dire pris dans son environnement naturel au sein de l'organisme vivant), on peut prévoir la réaction du tissu ou de l'organe naturel vis-à-vis d'une substance comme un xénobiotique, un cosmétique, un médicament et, plus généralement, n'importe quel principe ou agent potentiellement actif, et ainsi développer des modèles d'étude et d'analyse in vitro particulièrement utiles. Ces modèles sont de plus en plus souvent utilisés dans toutes les phases de la recherche pharmaceutique car ils représentent une alternative avantageuse aux modèles in vivo, c'est à dire à l'expérimentation animale, contre laquelle des pressions à la fois économiques et éthiques apparaissent au niveau international. De plus, les coûts associés et la logistique nécessaires à l'expérimentation animale, dans des conditions conformes à la réglementation française et européenne sur le bien-être animal et aux recommandations des services sanitaires compétents, peuvent rendre cette technique prohibitive.
Les méthodes actuelles d'évaluation toxicologique in vitro utilisent généralement des boîtes de Pétri. Ces boîtes, contenant un milieu nutritif et placées dans un environnement favorable à la croissance cellulaire, sont ensemencées avec les cellules du tissu ou de l'organe à simuler. Une fois celles-ci développées, elles sont mises en contact avec la substance à tester. L'impact sur les cellules est déterminé via le prélèvement et l'analyse des métabolites, c'est-à-dire les produits de transformation et/ou de dégradation de la substance par les cellules. Cet impact peut être évalué qualitativement, dans ce cas là on parle de « perturbation métabolique », et/ou quantitativement par mesure de marqueurs par exemple, on parle cette fois de « réponse métabolique ». On parle également de « métabolome » pour désigner l'ensemble des métabolites et autres molécules que l'on peut trouver dans un échantillon.
Cependant, ces techniques ne donnent qu'une satisfaction très relative pour déterminer la toxicité d'une molécule particulière et prévoir son impact sur l'organe et, plus généralement, sur l'organisme vivant. En effet, on ne peut se concentrer que sur la recherche de certains métabolites prédéterminés, et donc passer à coté d'autres qui auraient pu être très intéressants. Et une culture cellulaire in vitro est inapte à reproduire le comportement d'un tissu ou organe dans son environnement naturel. La cellule cultivée in vitro ne se trouve évidemment pas dans le même environnement que lorsqu'elle est au sein du tissu ou de l'organe, a fortiori dans l'organisme vivant. Or, les conditions environnementales ont une influence directe sur la ou les réponses biologiques des cellules. Typiquement, une cellule vivante placée dans son environnement naturel intervient dans des voies métaboliques multiples et complexes, qu'il est impossible de reproduire en milieu de culture synthétique. La ou les réponses biologiques de la cellule varieront donc, parfois considérablement, selon qu'elle est cultivée in vitro ou qu'elle est dans le tissu ou l'organe et, plus généralement, dans l'organisme vivant. De plus, les cellules sur boîtes de Pétri sont cultivées dans des conditions « statiques » (sans circulation de fluides) et non « dynamiques » (avec circulation de fluides), lesquelles sont pourtant les seules susceptibles de refléter le comportement réel d'un tissu ou organe irrigué.
Pour toutes ces raisons, plusieurs études récentes ont proposé de remplacer en tant que moyen de culture cellulaire les boîtes de Pétri par des bioréacteurs. Ces dispositifs reproduisent un environnement favorable au développement et à l'organisation de cellules, proche de celui d'un tissu ou d'un organe animal ou humain, le plus souvent par des architectures et des matériaux particuliers. Cependant ces systèmes s'avèrent difficilement compatibles avec les techniques d'analyse du métabolome.
Par exemple, un système décrit dans le document « NMR bioreactor development for live in-situ microbial functional analysis », J Magn Reson 192 (1 ), 159-166 (2008), par Majors, P.D., McLean, J.S., & Scholten, J.C., propose un bioréacteur situé à l'intérieur d'un spectromètre RMN (Résonance Magnétique Nucléaire). La spectrométrie RMN permet d'analyser facilement le milieu de culture du bioréacteur, mais au prix de contraintes très spécifiques. En effet, le bioréacteur se voit interdire les microstructures ainsi que des matériaux autres que le verre, ce qui limite ses possibilités à celles des boîtes de Pétri.
Une autre réalisation, décrite dans le document « Metabolomics for high-resolution monitoring of the cellular physiological state in cell culture engineering », Metab Eng (2009), par Chrysanthopoulos, P.K., Goudar, C.T., & Klapa, M.l, consiste en l'utilisation d'un bioréacteur particulier permettant d'échantillonner et d'analyser les métabolites cellulaires par GC- MS (Gaz Chromatography-Mass Spectrometry). Ce type de spectromètre a prouvé son efficacité dans l'identification de substances, et est notamment utilisé dans les aéroports de monde entier Toutefois, il nécessite que les constituants à identifier soient sous une forme gazeuse. Ainsi, dans le système de Chrysanthopoulos, les métabolomes présents dans le bioréacteur subissent ce que l'on appelle une « dérivatisation », c'est-à-dire la transformation ciblée de certains groupes fonctionnels des molécules pour les rendre plus volatiles. Et cela réduit fortement le nombre de métabolites potentiellement détectables, car elle est restreinte aux métabolites ciblés par la dérivatisation.
Une troisième réalisation, décrite dans le document « High- throughput nuclear magnetic résonance metabolomic footprinting for tissue engineering », Tissue Eng Part C Methods 14 (2008), par Seagle, C, Christie, M.A., Winnike, J.H., McClelland, R.E., Ludlow, J.W., O'Connell, T.M., Gamcsik, M. P., & MacDonald, J.M., consiste en la mesure RMN de métabolites issus de milieux de cultures d'organes bioartificiels.
Cette mesure est suivie d'une analyse statistique. L'idée est de détecter des pics particuliers du spectre RMN obtenu, et donc de « voir » les effets de la substance testée. Cependant, il s'agit d'une analyse univariée rudimentaire du spectre RMN. Seules des effets très forts, très localisés peuvent être détectés, une grande part de l'information est perdue. La détection ciblée reste nécessaire, avec toutes les incertitudes qu'elle comporte, si l'on souhaite évaluer finement une perturbation métabolique
Finalement, aucun de ces travaux ne peut trouver une réelle application en évaluation toxicologique, les performances n'étant pas au rendez-vous.
De plus ceux-ci ne sont pas directement applicables à l'analyse « inverse » qu'est le criblage toxicologique, une méthode permettant d'identifier une substance inconnue à travers ses effets toxicologiques connus. Ce criblage n'est aujourd'hui possible que par comparaison, c'est- à-dire en observant les effets de la substance {in vivo ou in vitro), et en comparant avec les effets connus de diverses substances jusqu'à trouver la plus proche avec un degré de confiance suffisant.
Pour toutes ces raisons, les techniques in vitro n'ont pas encore supplanté les techniques in vivo, et restent encore à améliorer.
PRESENTATION DE L'INVENTION
La présente invention vise à résoudre ces difficultés en proposant un procédé d'évaluation toxicologique sur des tissus ou organes bioartificiels simulant parfaitement des organes réels, et proposant une nouvelle approche d'analyse de la réponse métabolique.
Un but annexe de l'invention est de parvenir à cet objectif tout en proposant un procédé plus rapide et moins coûteux à mettre en œuvre, plus fiable, offrant des résultats parfaitement reproductibles et bien plus facilement exploitables.
La présente invention se rapporte donc à un procédé d'évaluation toxicologique d'une substance candidate sur au moins un tissu ou organe, caractérisé en ce qu'il comprend les étapes de :
(a) Obtention d'un tissu ou organe bioartificiel par simulation ou modélisation de l'activité métabolique dudit tissu ou organe par au moins un bioréacteur ;
(b) Exposition dudit tissu ou organe bioartificiel à ladite substance ;
(c) Observation de la réponse métabolique du tissu ou de l'organe bioartificiel et acquisition sans a priori d'un jeu de données multidimensionnel associé ;
(d) Identification au moyen d'une méthode d'analyse statistique multivariée des composantes du jeu de données multidimensionnel quantitativement corrélées à des variables prédéterminées ;
(e) Génération d'un modèle prédictif à partir des composantes du jeu de données effectivement retenues ; (f) Test du caractère prédictif dudit modèle par au moins une méthode statistique d'estimation de fiabilité ;
(g) Identification de la réponse métabolique du tissu ou de l'organe bioartificiel sous la forme de biomarqueurs associés aux composantes du jeu de données retenues pour le modèle.
L'évaluation classique par prélèvement des substances toxiques et de leurs résidus (c'est à dire des métabolites xénobiotiques), dite directe, se fait par méthodes enzymatiques ou spectrométrie de masse couplée ou non à une méthode séparative de type chromatographie. Ces méthodes sont dites ciblées, ou « avec a priori » car elles font appel à la détection de substances pour lesquelles un protocole de détection spécifique est mis en œuvre. En revanche, ces méthodes ne sont pas appropriées pour la détection et l'identification de marqueurs des effets d'une substance inconnue, comme expliqué précédemment.
Afin de répondre à cette problématique, l'invention se propose d'étudier les conséquences indirectes de l'exposition des organes bioartificiels à une substance toxique, en caractérisant la signature métabolique de la réponse à cette substance.
L'invention se focalise sur l'utilisation de méthodes dites « non ciblées » de type spectroscopie par Résonance Magnétique Nucléaire (RMN) ou spectrométrie de masse (SM), avec ou sans couplage chromatographique, afin de détecter le plus grand nombre possible de métabolites endogènes. Afin d'identifier une réponse globale à l'échelle du métabolisme, ces différentes mesures parallèles sont alors analysées par statistiques multidimensionnelles. Ces analyses visent en fait à « expliquer » les paramètres de l'expérience grâce aux milliers de variables mesurées, et d'en déduire un modèle de prédiction. Il est en effet possible d'utiliser des techniques de reconnaissance de formes supervisées telles que l'analyse discriminante, la régression aux moindres carres partiels (ou régression PLS), les réseaux de neurones artificiels, etc. Selon d'autres caractéristiques avantageuses et non limitatives :
- la méthode d'analyse multivariée utilisée à l'étape (d) est une analyse discriminante par régression aux moindres carrés partiels (PLS-DA) ;
- l'étape (d) est précédée d'une étape (d1 ) de repérage et d'élimination des points aberrants dans ledit jeu de données multidimensionnel ;
- l'étape (d1 ) comprend une analyse non supervisée par composantes principales (PCA) ;
- l'une des méthodes statistiques d'estimation de fiabilité utilisée à l'étape (d) est une validation croisée ;
- l'une des méthodes statistiques d'estimation de fiabilité utilisée à l'étape (d) est une validation par l'hypothèse nulle ;
- l'une des méthodes statistiques d'estimation de fiabilité utilisée à l'étape (d) comprend le calcul de l'aire sous une courbe Receiver Operative Characteristic (ROC) ;
- les variables prédéterminées utilisées à l'étape (d) sont choisies parmi les conditions de culture, le type cellulaire du tissu ou de l'organe bioartificiel, le type de ladite substance, et sa dose ;
- l'étape (c) s'effectue par au moins une technique de chimie analytique choisie, parmi les techniques du groupe comprenant la spectroscopie RMN du proton, la spectroscopie RMN du carbone, la spectrométrie de masse, la chromatographie en phase gazeuse, la chromatographie en phase liquide, et les méthodes de détection multiplexées ;
- l'étape (c) s'effectue dans le milieu de culture en sortie de bioréacteur afin d'observer la réponse métabolique extracellulaire ;
- l'étape (c) s'effectue sur les culots cellulaires afin d'observer la réponse métabolique endogène intracellulaire ;
- le procédé comprend en outre une étape (h) d'obtention d'une signature de toxicité spécifique de ladite substance à partir de la liste des biomarqueurs obtenue à l'étape (g) ;
- le procédé comprend en outre une étape (i) dans laquelle on renseigne une banque de marqueurs et/ou de signatures de toxicité à l'aide des informations obtenues lors des étapes précédentes. La présente invention vise aussi à permettre un criblage toxicologique fiable à très haut débit, selon un deuxième aspect.
La présente invention se rapporte donc en outre à un procédé de criblage toxicologique d'une substance candidate sur au moins un tissu ou organe, caractérisé en ce qu'il comprend les étapes de :
(a) Obtention d'un tissu ou organe bioartificiel par simulation ou modélisation de l'activité métabolique dudit tissu ou organe par au moins un bioréacteur ;
(b) Exposition dudit tissu ou organe bioartificiel à ladite substance ;
(c) Observation de la réponse métabolique du tissu ou de l'organe bioartificiel et acquisition sans a priori d'un jeu de données multidimensionnel associé ;
(d) Identification au moyen d'une méthode d'analyse statistique multivariée des composantes du jeu de données multidimensionnel quantitativement corrélées à des variables prédéterminées ;
(e) Génération d'un modèle prédictif à partir des composantes du jeu de données effectivement retenues ;
(f) Test du caractère prédictif dudit modèle par au moins une méthode statistique d'estimation de fiabilité ;
(g) Identification de la réponse métabolique du tissu ou de l'organe bioartificiel sous la forme de biomarqueurs associés aux composantes du jeu de données retenues pour le modèle ;
(h) Obtention d'une signature de toxicité spécifique de ladite substance à partir de la liste des biomarqueurs obtenue à l'étape (g)
(i) Comparaison des biomarqueurs et/ou de la signature de toxicité spécifique avec une banque de marqueurs et/ou signatures de toxicité, de manière à identifier ladite substance.
Selon d'autres caractéristiques avantageuses et non limitatives - ladite banque de marqueurs et/ou signatures de toxicité a été établie par la mise en œuvre d'au moins un procédé selon le premier aspect de l'invention. Ce criblage à haut débit de substances est rendu possible via la constitution d'une base ou banque de données compilant les résultats d'expériences préalables. Cette application ouvre la porte au criblage analytique de substances dont la toxicité n'aurait jamais été démontrée, par comparaison rapide, immédiate et statistique avec des substances de référence, dont on connaît la signature de toxicité, c'est-à-dire une représentation spécifique de la réponse métabolique.
L'invention vise enfin des systèmes, l'un comprenant au moins un bioréacteur, des moyens de traitement de données et un dispositif de détection de biomarqueurs, caractérisé en ce qu'il est apte à mettre en œuvre un procédé d'évaluation toxicologique selon le premier aspect de l'invention, et l'autre comprenant en outre des moyens de stockage de données, caractérisé en ce qu'il est apte à mettre en œuvre un procédé de criblage toxicologique selon le deuxième aspect de l'invention. PRESENTATION DES FIGURES
D'autres caractéristiques et avantages de la présente invention apparaîtront à la lecture de la description qui va suivre d'un mode de réalisation préférentiel. Cette description sera donnée en référence aux dessins annexés dans lesquels :
- la figure 1 est un exemple de spectre 1H RMN (RMN du proton) ;
- la figure 2 est un graphique illustrant le résultat d'une première expérience comparant un procédé d'évaluation toxicologique selon l'invention et un procédé similaire qui utiliserait des boîtes de Pétri grâce a une modélisation des spectres 1H RMN par régression aux moindres carrés partiels ; - la figure 3 est un graphique illustrant le résultat d'une seconde expérience comparant différents types cellulaires par 1H RMN et régression PLS ;
- les figures 4a-c sont trois graphiques illustrant le résultat d'une troisième expérience comparant une réponse métabolique à différentes doses d'un même xénobiotique par analyse 1H RMN et régression PLS ;
- les figures 5a-b sont deux exemples de courbes Receiver Operating Characteristic utilisées dans une mode de réalisation du procédé d'évaluation toxicologique selon l'invention.
DESCRIPTION DETAILLEE Evaluation toxicologique Le procédé d'évaluation toxicologique selon le premier aspect de l'invention commence par une étape d'obtention d'un tissu ou organe artificiel, sur lequel la substance va être testée. Pour cela, des bioréacteurs sont utilisés. Ceux-ci comprennent avantageusement une chambre de culture comportant une paroi supérieure et une paroi inférieure microstructurées favorisant le développement cellulaire, un point d'entrée de fluide et un point de sortie de fluide pour permettre le passage d'un fluide nutritif nécessaire au développement et à la croissance des cellules et à terme l'exposition à la substance dont on souhaite étudier les propriétés toxicologiques. De tels bioréacteurs sont décrits de manière détaillée dans la demande de brevet FR0954288 déposée le 23 juin 2009, à laquelle on fait ici référence. L'invention n'est toutefois pas limitée à ce type de bioréacteur en particulier.
Les microstructures d'un bioréacteur rendent possible le développement de tissus ou d'organes bioartificiels présentant une structure cellulaire élaborée conforme à la réalité. La croissance est accélérée et autonome. Les bioréacteurs se montent facilement en série ou en parallèle. Il est ainsi possible de cultiver à la suite différentes familles de cellules, qui ensemble simulent un organe. Les organes vivants sont en effet des systèmes très complexes qui abritent en général un type de cellules principal, plus de nombreuses autres, dont la présence d'avère essentielle. Par exemple, dans le cas du foie 80 % des cellules sont ce que l'on appelle des hépatocytes. Mais l'on trouve également des cellules endothéliales, des cellules de Kuppfer, des cellules de Ito, des lymphocytes hépatocytaires...
Plus simplement, il est aussi possible de viser plutôt une reproduction structurelle de la fonction de l'organe, et par là de le modéliser. On peut citer par exemple le cas du rein.
Par ailleurs, le fonctionnement dynamique du bioréacteur permet, outre une meilleure simulation du tissu ou de l'organe, d'exposer à une substance puis de récupérer facilement la réponse métabolique des cellules cultivées au niveau de la connectique de sortie du bioréacteur. Dans ce cas là, on observe la réponse métabolique dite extracellulaire. Alternativement il peut être utile d'observer la réponse métabolique endogène, c'est-à-dire à l'intérieur même des cellules. Dans ce cas là on récupère la réponse métabolique directement sur les culots cellulaires.
Les tissus ou organes bioartificiels sont donc cultivés jusqu'à maturité, puis exposé à une substance à tester. Après un temps prédéterminé selon le protocole du test, des échantillons sont récupérés, que ce soit en sortie à l'intérieur des cellules.
Les échantillons sont préparés pour observation. Comme expliqué, les méthodes dites « non ciblées » du type RMN ou spectrométrie de masse sont particulièrement préférées. Ces méthodes ainsi que de nombreuses autres, sont largement utilisées en chimie analytique et connues de l'homme du métier. Un spectre RMN d'un échantillon de milieu de culture d'un organe bioartificiel permet par exemple une acquisition en parallèle et sans a priori de signaux de plusieurs dizaines, voire centaines de métabolites, c'est-à-dire une acquisition multidimensionnelle. La RMN est une méthode de spectroscopie appliquée à une particule ou à un ensemble de particules. En particulier, les RMN basées sur des atomes caractéristiques des molécules organiques, comme l'hydrogène ou le carbone s'appliquent particulièrement à l'invention.
Par acquisition « sans a priori » d'un jeu de données associé à la réponse métabolique, on comprendra acquisition de toute donnée associée à une quelconque réponse métabolique, et non seulement des données associées à des éléments « attendus » d'une réponse métabolique. Aucune hypothèse concernant les métabolites impliqués dans la réponse biologique ou toxicologique d'intérêt n'est à faire. En d'autres termes, une acquisition sans a priori d'un jeu de données associé à la réponse métabolique est une acquisition qui incorpore y compris les données correspondant à des métabolites inconnus. Une approche sans a priori se différencie fondamentalement de l'approche ciblée ("targeted metabolomics") dans laquelle tout ce qui ne correspond pas aux métabolites ciblés est ignoré.
Comme expliqué précédemment, l'utilisation de RMN ou d'autres méthodes de spectroscopie entre autres permet une acquisition sans a priori, contrairement à l'utilisation par exemple d'une puce à ADN, qui limite à l'acquisition de données associées à l'expression des seuls gènes que comporte la puce, en d'autres termes à une réponse métabolique partielle. Les statistiques multidimensionnelles permettent ensuite d'identifier les signaux métaboliques significativement affectés et dans quelles proportions. En conséquence, l'approche sans a priori présente un fort intérêt pour découvrir des nouveaux marqueurs associés à cette réponse toxicologique. Dans l'approche ciblée, le potentiel en termes de découverte de nouveaux marqueurs est inexistant.
Dans le mode de réalisation préféré décrit, on utilise la spectroscopie 1 H RMN (RMN du proton, qui permet de détecter les atomes d'hydrogène), avec laquelle une série de tests ont été réalisés. Ces tests ont impliqué deux lignées de cellules et trois substances potentiellement toxiques, les deux lignées pouvant être éventuellement en co-culture. Ces cellules sont d'un coté des HEPG2/C3A, simplement nommées C3A, des cellules hépatocytes humaines, et de l'autre coté des MDCK (Madin-Darby Canine Kidney Cells), des cellules de rein du chien. On notera que l'invention n'est nullement limitée à des organes bioartificiels de type foie ou rein, et que l'homme du métier pourra transposer l'invention à tout type d'organe bioartificiel simulable ou modélisable en bioréacteur. En particulier, on peut citer le pancréas, le cœur, les testicules, des parties du cerveau, etc.
Les xénobiotiques auxquels ont été exposées les cellules utilisées dans les tests sont l'ammoniac (NH3), le Diméthysulfoxyde (DMSO) et le N- acétyl-para-aminophénol (APAP), plus connu sont le nom de paracétamol. Ces trois substances sont connues pour avoir des effets nocifs sur le foie à haute dose.
Les échantillons de milieu sont par exemple préparés en utilisant 350 }L de milieu, mélange avec 200 L de solution saline a 0.9 g/L composée a 90% d'eau (H2O) et de 10% d'eau lourde (D2O) à des fins de calibration. Les 550 L de solution sont ensuite transférés dans un tube d'analyse RMN.
L'acquisition RMN est faite à une fréquence de 700 MHz en utilisant une sonde proton. Un spectre RMN 1 D est enregistré en utilisant une présaturation de la résonance de l'eau suivant la séquence suivante : Trd-P90- ti-P9o-tm-P9o- aq. Trd représente un délai de 2s durant lequel la résonance de l'eau est sélectivement irradiée, P90 est une impulsion de radiofréquence de 90° et t1 correspond à un délai de 3 με. La résonance de l'eau est irradiée une deuxième fois pendant le temps de mélange (tm=100ms) et un temps d'acquisition de 1 .95s. Pour chaque échantillon, 128 interférogrammes sont accumulés en vue d'augmenter le rapport signal/bruit. Ces interférogrammes sont multipliés par une fonction exponentielle correspondant à un élargissement de raie de 0.3Hz. Préalablement à l'obtention d'une transformée de Fourier, la largeur de l'interférogramme est doublée en ajoutant des points nuls en fin d'interférogramme, afin de ne pas dégrader la résolution du spectre. L'échelle dans la dimension horizontale correspond aux déplacements chimiques 1H. Elle s'étend sur une fenêtre de 10 ppm autour de la résonance de l'eau. L'échelle dans la dimension verticale correspond à l'intensité des résonances qui est proportionnelle au nombre de protons présents pour un groupement chimique de chaque molécule de l'échantillon. Les spectres sont alors phasés et une correction linéaire de ligne de base est effectuée, avant calibration sur le signal de l'anomère beta du glucose à 5.23ppm. La région entre 4.67ppm et 5ppm autour du signal résiduel de l'eau est supprimée pour une meilleure visibilité, et les spectres sont exportés en tant que jeu de données multimidimensionnels.
La figure 1 montre un exemple de spectre 1H RMN d'un échantillon de surnageant de culture de cellules C3A exposées à l'ammoniac (25μΙ/ιτπη, 10 mM NH3). La région comprenant les résonances aromatiques (entre 6.5 et 10 ppm) a été agrandie. Les pics des métabolites principaux sont annotés à titre d'exemple. Légende: His: histidine, Phe: phénylalanine, Tyr: tyrosine, Glc: glucose, Lac: lactate, Oxa: oxaloacétate, Pyr: pyruvate, Gin: Glycine, Arg: Arginine, Ala: alanine, Eth: éthanol, Val: valine, Leu: leucine, lle:lsoleucine.
L'analyse statistique consiste tout d'abord en une analyse non supervisée par composantes principales afin de repérer les points aberrants dans le jeu de données multidimensionnel. L'analyse en composante principale permet de compresser les 40,000 RMN redondantes présentes dans le jeu de données dans un nouveau repère orthonormé, chaque axe représentant une composante principale de la variance du jeu de donnée, qui est donc multidimensionnel. Une analyse statistique multivariée, dite supervisée, est alors effectuée afin de discriminer conditions de culture ou les groupes de doses, et identifier les signatures métaboliques spécifiques aux effets toxicologiques. Cette analyse supervisée est principalement effectuée grâce à la régression aux moindres carrés partiels (Partial Least Squares), à travers l'analyse discriminante par régression aux moindres carrés partiels, connue sous les initiales PLS-DA, sans toutefois s'y limiter. Une régression PLS, tout comme la régression linéaire, permet d'identifier les composantes du jeu de données (variables explicatives, X) qui sont quantitativement corrélées à la variable à expliquer (Y), que ce soient des conditions de culture, le type cellulaire de l'organe bioartificiel, le type de traitement administré ou la dose du traitement. Des structures de réseaux de neurones artificiels peuvent également être programmées pour effectuer cette analyse multivariée.
Afin de tester le caractère prédictif des modèles supervisés (modèles
PLS dans le cas présent), plusieurs stratégies sont mises en œuvre. Une fois générée la règle de discrimination ou de régression, l'estimation des erreurs associées à cette règle fournit un outil de validation de celle-ci. La validation croisée permet d'appréhender la robustesse de la méthode de discrimination ou de régression, sans avoir recours à un jeu d'individus à tester, et de clarifier l'incidence d'un nombre restreint de mesures sur le modèle. Chaque jeu de données est aléatoirement subdivisé en plusieurs parties. Les sous-parties sont alors itérativement utilisées soit pour calibrer le modèle, soit pour être soumis à une prédiction du modèle. Pour chaque itération de validation croisée, une partie du jeu de donnée est retirée ; le reste du jeu de données sert à calibrer le modèle. Une fois la règle de décision ou de régression générée avec les échantillons de calibration, les coordonnées des échantillons du jeu test sont alors calculées, ce qui permet d'attribuer une prédiction (dose ou groupe) à ces échantillons tests, et de calculer l'erreur de prédiction. L'erreur de prédiction peut se présenter sous la forme d'une matrice de confusion permettant de calculer un taux d'erreur (ou de bonne prédiction), ou bien sous la forme du calcul d'un coefficient d'erreur, typiquement, Q2.
Dans un deuxième temps, il est également possible de tester la robustesse du modèle en générant aléatoirement une série de jeux de données pour lesquels la variable à expliquer Y a été permutée. Il n'y a donc plus de relation entre la variable à expliquer Y et les variables explicatives X, ce qui correspond en statistiques à la validation par l'hypothèse nulle. Typiquement, une série de plusieurs centaines de modèles suivant l'hypothèse nulle est générée et leur robustesse est évaluée par validation croisée. Il est alors possible de montrer que plus les modèles sont aléatoires, plus il est difficile de construire un modèle prédictif. On peut alors montrer que le modèle initial est significativement différent de la population de modèles aléatoires suivant l'hypothèse nulle, ce qui valide d'autant plus fortement le modèle initial.
Selon un mode de réalisation particulièrement avantageux, on peut utiliser des courbes appelées « Receiver Operating Characteristic », ou simplement ROC (« caractéristique de fonctionnement d'un récepteur » en terminologie anglo-saxonne). Ces courbes, connues de l'homme du métier, sont utilisées pour évaluer la performance d'un classifieur binaire. Une courbe ROC donne le taux de classifications correctes dans un groupe (dit taux de vrais positifs) en fonction du nombre de classifications incorrectes (taux de faux positifs) pour ce même groupe. La courbe est donc incluse dans un carré de coté 1 , et passe nécessairement par (0,0) et (1 ,1 ). Pour l'appliquer aux modèles générés par l'invention, on va tester des échantillons positifs ou négatifs, et les classer suivant la justesse ou non de la prédiction.
Dans le cas d'un modèle parfait, la courbe ROC passe par (0,1 ). Dans le cas d'un modèle qui ne donnerait pas de meilleurs résultats que le tirage au sort la courbe ROC serait la droite y=x. Dans le premier cas l'intégrale entre 0 et 1 de la courbe vaut 1 , et dans le second cas ½.
On va donc mesurer l'aire sous la courbe, appelée « Area Under the
Curve » (AUC), qui correspond mathématiquement à la probabilité que le modèle ait raison lors d'une prédiction. Cette valeur sera ainsi un très bon indicateur de la validité d'un modèle. Quand le modèle a prouvé sa validité, une étape d'identification de biomarqueurs suit. Elle permet de mieux traduire la réalité de la réponse métabolique, puisqu'elle permet de retrouver les métabolites associés aux composantes du jeu de données retenues pour le modèle, c'est-à-dire les plus caractéristiques de l'exposition à la substance toxique. Cette étape se fait par exemple par lecture par un professionnel des pics associés sur le spectre RMN. Avantageusement, on déduit de ces biomarqueurs une signature de toxicité spécifique de ladite substance. Il n'y a pas de format caractéristique de signature de toxicité, ce peut être tout simplement une liste de métabolites, chacun caractérisé par un coefficient de corrélation (sens de la variation de la concentration du métabolite par rapport à une situation témoin). Ce peut être également une signature graphique, par exemple un spectre simplifié, réduit aux pics détectés somme essentiels par l'analyse multivariée. L'invention n'est pas limitée à une signature de toxicité en particulier.
Encore plus avantageusement, ces signatures sont stockées dans une base de données afin de constituer une banque de signature. On peut envisager une banque de marqueurs, Chaque biomarqueur étant référence par la liste des substances dans le cas desquelles il a été impliqué. Une telle banque pourra être très utile pour un autre aspect de l'invention qui sera décrit plus bas.
Résultats expérimentaux
Quatre expériences ont été réalisées suivant le mode de réalisation décrit précédemment afin de montrer l'efficacité du procédé d'évaluation toxicologique selon l'invention :
1 - Comparaison des signatures métaboliques entre organes bioartificiels et boites de Pétri ;
2- Comparaison des signatures métaboliques de différents organes bioartificiels (foie C3A, rein MDCK et co-culture foie-rein) ;
3- Comparaison des réponses métaboliques spécifiques des différents organes bioartificiels (foie C3A, rein MDCK et co-culture foie-rein) à la même substance (NH3) ;
4- Comparaison des réponses métaboliques spécifiques d'un foie bioartificiel à différentes substances (NH3, DMSO, APAP). Les résultats des expériences 1 à 4 sont exposés respectivement dans les tables 1 à 4.
Premièrement, la signature métabolique d'une culture d'organes bioartificiels en bioréacteur a été comparée a celle d'une culture classique en boites de Pétri. Le métabolisme de foies bioartificiels C3A en bioréacteur a été comparé a celui de cellules C3A en culture classique en boite de Pétri. Deux analyses discriminantes aux moindres carrés partiels (PLS-DA) ont été construites afin de comparer la culture de cellules C3A en boites de Pétri a celle de cellules C3A en bioréacteur avec un flux optimal de 10 pL/min (Fig.2). Les modèles PLS-DA montrent une discrimination claire entre les cellules cultivées en boites de Pétri et au sein des bioréacteurs, démontrant une signature métabolique endogène des organes bioartificiels, directement reliée à la culture en bioréacteurs. Les coefficients de chaque modèle PLS ont été analysés afin de repérer les métabolites significativement affectés par la culture en bioréacteur.
La comparaison des listes de métabolites pour chaque condition de culture en bioréacteur (table 1 ) montre qu'un organe bioartificiel présente une réponse métabolique unique et caractéristique, liée à la physiologie cellulaire d'un organe en trois dimensions, avec une circulation du milieu de culture autour des cellules, ce que ne reproduit pas une culture cellulaire en boîte de Pétri.
La figure 2 illustre également ce résultat en montrant que les boites de Pétri et les bioréacteurs ont différentes signatures métaboliques. Le graphe du nuage des individus montre un écart significatif entre les deux familles. Métabolite Signe de la corrélation en
bioréacteur par rapport a Pétri
Lactate -
Formate -
Glucose +
Glycine +
Pyruvate +
Oxaloacetate +
Alpha-hydroxybutyrate +
Table 1
Deuxièmement, les signatures métaboliques des différents organes bioartificiels ont comparées, plus précisément dans le cas du foie (cellules C3A), du rein (cellules MDCK), et de la co-culture foie-rein (C3A/MDCK) en l'absence totale de traitement. Trois analyses discriminantes aux moindres carrés partiels (PLS-DA) ont été construites afin de comparer les cultures de foies bioartificiels C3A aux cultures de reins bioartificiels MDCK et aux co-cultures C3A/MDCK avec un flux optimal de 10 pL/min (Fig.3). Les modèles PLS-DA montrent une ségrégation claire entre les 3 types d'organes. Les coefficients de chaque modèle PLS ont été analysés afin de repérer les métabolites significativement différents entre les organes bioartificiels.
La comparaison des listes de métabolites pour chaque organe bioartificiel révèle une signature métabolique unique démontrant ainsi la présence d'un métabolisme endogène spécifique à chaque type d'organe bioartificiel, directement relié à la fonction physiologique de cet organe dans l'organisme entier (Table 2). Cela est confirmé par la figure 3.
Figure imgf000022_0001
Table 2
Troisièmement, les réponses métaboliques des différents organes à différentes expositions au NH3 ont été étudiées. Trois doses de NH3 ont été administrées (OmM, 5mM et 10mM) à chaque type d'organe bioartificiel. Afin d'augmenter la robustesse du système et s'affranchir des variations métaboliques liées à la densité de culture, celles-ci ont été répliquées plusieurs fois avec différentes densités ; de 200 000 a 1 million de cellules (Figure 4a-c, Table 3). Un modèle de régression multidimensionnelle aux moindres carrés partiels (PLS) a été construit, afin d'identifier une relation quantitative entre la dose NH3 administrée et la réponse métabolique pour chaque type d'organe bioartificiel. Il en résulte trois modèles PLS spécifiques a chaque type d'organe: foie (C3A, Fig.3A), rein (MDCK, Fig.3B) et co-culture (C3A/MDCK, Fig.3C).
Les modèles de régression PLS montrent une relation quantitative de dose-effet, démontrant une réponse métabolique endogène indirecte quantitativement reliée à la dose de NH3 administrée. Les coefficients de chaque modèle PLS ont été analysés afin de repérer les métabolites significativement affectés par la dose de NH3. La comparaison des listes de métabolites pour chaque organe bioartificiel montre que chacun présente une réponse métabolique unique et caractéristique, liée à la physiologie et toxicologie cellulaire propre à chaque organe.
Dans la table 3, pour chaque métabolite est indiqué le signe de la variation de sa concentration quand la dose de NH3 à laquelle l'organe bioartificiel est exposé augmente.
Figure imgf000023_0001
Table 3
Quatrièmement, les réponses métaboliques spécifiques de foies bioartificiels exposés à différentes toxines ont été caractérisées (Table 4). Plusieurs substances toxiques (NH3 (0, 5 et 10mM), DMSO (0% 1 %, 2% 4%); APAP (0, 1 mM)) ont été administrées à des foies bioartificiels constitués de cellules C3A. Dans le cas du traitement par APAP, nous avons comparé la réponse du foie bioartificiel avec celui de cellules de foie en culture dans des boites de Pétri. Pour chaque exposition, un modèle de régression multidimensionnelle aux moindres carrés partiels (PLS) a été construit, afin d'identifier une relation quantitative entre la dose administrée de chaque substance et la réponse métabolique du pour chaque type d'organe bioartificiel. Il en résulte quatre modèles PLS spécifiques a chaque type de traitement: NH3 sur foie bioartificiel C3A), DMSO sur foie bioartificiel C3A, APAP sur foie bioartificiel C3A et finalement APAP sur culture cellulaire C3A en boites de Pétri. Les modèles de régression PLS montrent une relation quantitative de dose-effet, démontrant une réponse métabolique endogène indirecte des foies bioartificiels quantitativement reliées à chaque traitement administré. Les coefficients de chaque modèle PLS ont été analysés afin de repérer les métabolites endogènes hépatiques significativement affectés par un traitement ou un autre. La comparaison des listes de métabolites pour chaque traitement montre que le foie bioartificiel présente une réponse métabolique unique et caractéristique de chaque molécule toxique administrée (Table 4). Dans cette table, pour chaque métabolite est indiqué entre parenthèses le signe de la variation de sa concentration quand la dose du xénobiotique de l'expérience augmente.
Ces résultats sont chacun une signature de toxicité du xénobiotique, qui lui est propre. NH3 DMSO APAP APAP pétri
Alanine (+)
Glucose (+)
Valine (+)
Isoleucine (+) Isoleucine (-) Isoleucine (-)
Leucine (+) Leucine (-)
Succinate (+) Succinate (-)
Alpha-keto- Alpha-keto- methylvalerate (-) methylvalerate (-)
Alpha- Alpha- ketoisovalerate (-) ketoisovalerate (-)
Phenylalanine (+) Phenylalanine (-)
Tyrosine (+)
Lactate (-)
Unknown (-)
Acétate (+)
Tyrosine (+)
Pyruvate/oxaloacet
ate (-)
Ethanol (-)
Glutamate (-)
Lysine (-)
Arginine (-)
Table 4 En marge de ces quatre expériences, des courbes ROC ont été calculées pour plusieurs modèles afin d'évaluer leurs performances. Les prédictions de toxicité ont par exemple été faites pour un jeu exposé à de l'APAP à 1 0mM, et à du NH3 à 5 m M. Les courbes ROC obtenues sont respectivement représentées par les figures 5a et 5b. L'AUC vaut respectivement 0.943723 et 0.9335968, soit une confiance de près de 95%. Un modèle d'évaluation de toxicité du NH3 à 10mM à même atteint un AUC de 0.9994318 (99.94% de confiance).
Les performances des modèles sont donc pleinement satisfaisantes.
Criblage toxicologique
L'invention propose selon un deuxième aspect un procédé de criblage toxicologique.
L'idée est de constituer une base de signatures par comparaison avec lesquelles on va pouvoir très rapidement identifier un xénobiotique. Avantageusement, à chaque fois que l'on évalue une nouvelle substance avec le procédé selon le premier aspect, on rajoute sa signature dans une base de données. Au fur et à mesure une base de données de plus en plus complète apparaît.
Lorsque l'on souhaite identifier une substance inconnue, on commence par procéder à l'ensemble des étapes de l'évaluation toxicologique, de façon à obtenir sa signature de toxicité. Ensuite, sont recherchées dans la base de données et identifiées la ou les signatures comparables à la signature de la substance inconnue. Avantageusement, un seuil de tolérance est fixé par l'utilisateur. Un niveau de tolérance très faible augmente la probabilité de ne pas détecter une substance pourtant connue, mais assure un grand degré de confiance si la substance est effectivement identifiée. Un niveau de tolérance plus faible permet de proposer plusieurs solutions, et de laisser l'utilisateur conclure. Alternativement, ce n'est pas les signatures qui sont comparées, mais les listes de biomarqueurs détectés, ou directement les spectres.
Ce procédé permet, si une substance à déjà été rencontrée, de l'identifier avec une grande certitude en quelques minutes seulement, ouvrant des perspectives de criblage haut débit. Actuellement, les seules méthodes d'identification d'une substance inconnue consistent en une succession de tests chimiques décidés par l'utilisateur, nécessitant de faire des hypothèses, et d'y passer du temps et des moyens conséquents.
Systèmes
L'invention propose selon un dernier aspect des systèmes mettant en œuvre le procédé d'évaluation toxicologique selon le premier aspect de l'invention, ou mettant en œuvre le procédé de criblage toxicologique selon le deuxième aspect de l'invention. Ces systèmes comprennent au moins un bioréacteur, des moyens de traitement de données et un dispositif de détection de biomarqueurs.
Pour le système destiné au criblage toxicologique il possède en outre des moyens de stockage de données, sur lequel va pouvoir être stockée la base de données contenant par exemple les signatures des xénobiotiques connus.

Claims

REVENDICATIONS
1. Procédé d'évaluation toxicologique d'une substance candidate sur au moins un tissu ou organe, caractérisé en ce qu'il comprend les étapes de :
(a) Obtention d'un tissu ou organe bioartificiel par simulation ou modélisation de l'activité métabolique dudit tissu ou organe par au moins un bioréacteur ;
(b) Exposition dudit tissu ou organe bioartificiel à ladite substance ;
(c) Observation de la réponse métabolique du tissu ou de l'organe bioartificiel et acquisition sans a priori d'un jeu de données multidimensionnel associé ;
(d) Identification au moyen d'une méthode d'analyse statistique multivariée des composantes du jeu de données multidimensionnel quantitativement corrélées à des variables prédéterminées ;
(e) Génération d'un modèle prédictif à partir des composantes du jeu de données effectivement retenues ;
(f) Test du caractère prédictif dudit modèle par au moins une méthode statistique d'estimation de fiabilité ;
(g) Identification de la réponse métabolique du tissu ou de l'organe bioartificiel sous la forme de biomarqueurs associés aux composantes du jeu de données retenues pour le modèle.
2. Procédé selon la revendication précédente, caractérisé en ce que la méthode d'analyse multivariée utilisée à l'étape (d) est une analyse discriminante par régression aux moindres carrés partiels (PLS- DA).
3. Procédé selon l'une des revendications précédentes, caractérisé en ce que l'étape (d) est précédée d'une étape (d1 ) de repérage et d'élimination des points aberrants dans ledit jeu de données multidimensionnel.
4. Procédé selon la revendication précédente, caractérisé en ce que l'étape (d1 ) comprend une analyse non supervisée par composantes principales (PCA).
5. Procédé selon l'une des revendications précédentes, caractérisé en ce que l'une des méthodes statistiques d'estimation de fiabilité utilisée à l'étape (d) est une validation croisée.
6. Procédé selon l'une des revendications précédentes, caractérisé en ce que l'une des méthodes statistiques d'estimation de fiabilité utilisée à l'étape (d) est une validation par l'hypothèse nulle.
7. Procédé selon l'une des revendications précédentes, caractérisé en ce que l'une des méthodes statistiques d'estimation de fiabilité utilisée à l'étape (d) comprend le calcul de l'aire sous une courbe Receiver Operative Characteristic (ROC).
8. Procédé selon l'une des revendications précédentes, caractérisé en ce que les variables prédéterminées utilisées à l'étape (d) sont choisies parmi les conditions de culture, le type cellulaire du tissu ou de l'organe bioartificiel, le type de ladite substance, et sa dose.
9. Procédé selon l'une des revendications précédentes, caractérisé en ce que l'étape (c) s'effectue par au moins une technique de chimie analytique choisie, parmi les techniques du groupe comprenant la spectroscopie RMN du proton, la spectroscopie RMN du carbone, la spectrométrie de masse, la chromatographie en phase gazeuse, la chromatographie en phase liquide, et les méthodes de détection multiplexées.
10. Procédé selon l'une des revendications précédentes, caractérisé en ce que l'étape (c) s'effectue dans le milieu de culture en sortie de bioréacteur afin d'observer la réponse métabolique extracellulaire.
11. Procédé selon l'une des revendications 1 à 9, caractérisé en ce que l'étape (c) s'effectue sur les culots cellulaires afin d'observer la réponse métabolique endogène intracellulaire.
12. Procédé selon l'une des revendications précédentes, caractérisé en ce qu'il comprend en outre une étape (h) d'obtention d'une signature de toxicité spécifique de ladite substance à partir de la liste des biomarqueurs obtenue à l'étape (g).
13. Procédé selon l'une des revendications précédentes, caractérisé en ce qu'il comprend en outre une étape (i) dans laquelle on renseigne une banque de marqueurs et/ou de signatures de toxicité à l'aide des informations obtenues lors des étapes précédentes.
14. Procédé de criblage toxicologique d'une substance candidate sur au moins un tissu ou organe, caractérisé en ce qu'il comprend les étapes de :
(a) Obtention d'un tissu ou organe bioartificiel par simulation ou modélisation de l'activité métabolique dudit tissu ou organe par au moins un bioréacteur ;
(b) Exposition dudit tissu ou organe bioartificiel à ladite substance ;
(c) Observation de la réponse métabolique du tissu ou de l'organe bioartificiel et acquisition sans a priori d'un jeu de données multidimensionnel associé ; (d) Identification au moyen d'une méthode d'analyse statistique multivariée des composantes du jeu de données multidimensionnel quantitativement corrélées à des variables prédéterminées ;
(e) Génération d'un modèle prédictif à partir des composantes du jeu de données effectivement retenues ;
(f) Test du caractère prédictif dudit modèle par au moins une méthode statistique d'estimation de fiabilité ;
(g) Identification de la réponse métabolique du tissu ou de l'organe bioartificiel sous la forme de biomarqueurs associés aux composantes du jeu de données retenues pour le modèle ;
(h) Obtention d'une signature de toxicité spécifique de ladite substance à partir de la liste des biomarqueurs obtenue à l'étape (g)
(i) Comparaison des biomarqueurs et/ou de la signature de toxicité spécifique avec une banque de marqueurs et/ou signatures de toxicité, de manière à identifier ladite substance.
15. Procédé selon la revendication précédente, caractérisé en ce que ladite banque de marqueurs et/ou signatures de toxicité a été établie par la mise en œuvre d'au moins un procédé selon la revendication 13.
16. Système comprenant au moins un bioréacteur, des moyens de traitement de données et un dispositif de détection de biomarqueurs, caractérisé en ce qu'il est apte à mettre en œuvre un procédé d'évaluation toxicologique selon l'une des revendications 1 à 13.
17. Système selon la revendication précédente comprenant en outre des moyens de stockage de données, caractérisé en ce qu'il est apte à mettre en œuvre un procédé de criblage toxicologique selon l'une des revendications 14 et 15.
PCT/EP2011/057720 2010-05-12 2011-05-12 Procédé d'évaluation toxicologique, procédé de criblage toxicologique et système associé WO2011151148A2 (fr)

Priority Applications (5)

Application Number Priority Date Filing Date Title
US13/696,861 US9448226B2 (en) 2010-05-12 2011-05-12 Method of toxicological evaluation, method of toxicological screening and associated system
JP2013509573A JP5937576B2 (ja) 2010-05-12 2011-05-12 毒性評価法、毒物スクリーニング法及びそのシステム
EP11719026.4A EP2569628B8 (fr) 2010-05-12 2011-05-12 Procédé d'évaluation toxicologique, procédé de criblage toxicologique et système associé
CA2799229A CA2799229C (fr) 2010-05-12 2011-05-12 Procede d'evaluation toxicologique, procede de criblage toxicologique et systeme associe
IL222978A IL222978B (en) 2010-05-12 2012-11-11 Toxicological evaluation method, toxicological sorting method and system accordingly

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1053732A FR2960062B1 (fr) 2010-05-12 2010-05-12 Procede d'evaluation toxicologique, procede de criblage toxicologique et systeme associe
FR1053732 2010-05-12

Publications (2)

Publication Number Publication Date
WO2011151148A2 true WO2011151148A2 (fr) 2011-12-08
WO2011151148A3 WO2011151148A3 (fr) 2013-11-28

Family

ID=43302629

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2011/057720 WO2011151148A2 (fr) 2010-05-12 2011-05-12 Procédé d'évaluation toxicologique, procédé de criblage toxicologique et système associé

Country Status (7)

Country Link
US (1) US9448226B2 (fr)
EP (1) EP2569628B8 (fr)
JP (1) JP5937576B2 (fr)
CA (1) CA2799229C (fr)
FR (1) FR2960062B1 (fr)
IL (1) IL222978B (fr)
WO (1) WO2011151148A2 (fr)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014224916B4 (de) * 2014-12-04 2024-01-18 Bruker Daltonics GmbH & Co. KG Verfahren zur rechnergestützten Analyse eines oder mehrerer Gewebeschnitte des menschlichen oder tierischen Körpers
CN105651804B (zh) * 2016-03-11 2017-05-17 山西大学 一种慢性萎缩性胃炎大鼠模型的评价方法
CN110044997B (zh) * 2018-01-15 2023-08-04 中国医学科学院药物研究所 一种体内药物的离子强度虚拟校正和定量质谱成像分析方法
CN113345524B (zh) * 2021-06-02 2023-10-20 北京市疾病预防控制中心 毒理学数据的筛选方法、筛选装置及存储介质
CN117690476A (zh) * 2023-12-11 2024-03-12 广东医科大学附属医院 利用斑马鱼模型评估肠道菌群对砷代谢贡献率的预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR954288A (fr) 1947-10-15 1949-12-21 Perfectionnements aux emballages étanches

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2946984B1 (fr) 2009-06-23 2011-08-12 Univ Compiegne Tech Bioreacteur pour cultiver des cellules.

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR954288A (fr) 1947-10-15 1949-12-21 Perfectionnements aux emballages étanches

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHRYSANTHOPOULOS, P.K., GOUDAR, C.T., KLAPA, M.1: "Metabolomics for high-resolution monitoring of the cellular physiological state in cell culture engineering", METAB ENG, 2009
MCLEAN, J.S., SCHOLTEN, J.C.: "NMR bioreactor development for live in-situ microbial functional analysis", J MAGN RESON, vol. 192, no. 1, 2008, pages 159 - 166, XP022635654, DOI: doi:10.1016/j.jmr.2008.02.014
SEAGLE, C., CHRISTIE, M.A., WINNIKE, J.H., MCCLELLAND, R.E., LUDLOW, J.W., O'CONNELL, T.M., GAMCSIK, M.P., MACDONALD, J.M.: "High- throughput nuclear magnetic resonance metabolomic footprinting for tissue engineering", TISSUE ENG PART C METHODS, vol. 14, 2008, XP002614422, DOI: doi:10.1089/ten.tec.2007.0401

Also Published As

Publication number Publication date
FR2960062A1 (fr) 2011-11-18
EP2569628A2 (fr) 2013-03-20
US9448226B2 (en) 2016-09-20
IL222978B (en) 2018-11-29
EP2569628B8 (fr) 2019-04-24
IL222978A0 (en) 2013-02-03
FR2960062B1 (fr) 2012-12-28
JP2013533734A (ja) 2013-08-29
US20130060550A1 (en) 2013-03-07
CA2799229C (fr) 2020-02-11
EP2569628B1 (fr) 2018-11-07
WO2011151148A3 (fr) 2013-11-28
CA2799229A1 (fr) 2011-12-08
JP5937576B2 (ja) 2016-06-22

Similar Documents

Publication Publication Date Title
Patlewicz et al. Proposing a scientific confidence framework to help support the application of adverse outcome pathways for regulatory purposes
Gatto et al. Initial recommendations for performing, benchmarking and reporting single-cell proteomics experiments
EP2569628B1 (fr) Procédé d'évaluation toxicologique, procédé de criblage toxicologique et système associé
Kantae et al. Pharmacokinetic modeling of paracetamol uptake and clearance in zebrafish larvae: expanding the allometric scale in vertebrates with five orders of magnitude
Yugandhar et al. Inferring protein-protein interaction networks from mass spectrometry-based proteomic approaches: a mini-review
JP6089345B2 (ja) 時および／または空間系列ファイルの多成分回帰／多成分分析
Watt et al. Uncertainty quantification in ToxCast high throughput screening
Rinnan et al. Handling of first-order Rayleigh scatter in PARAFAC modelling of fluorescence excitation–emission data
Gonnelli et al. A decoy-free approach to the identification of peptides
Olesti et al. Approaches in metabolomics for regulatory toxicology applications
Chang et al. Crystal-C: a computational tool for refinement of open search results
Harnik et al. Spatial discordances between mRNAs and proteins in the intestinal epithelium
Du et al. Metabolic profiling of femoral muscle from rats at different periods of time after death
Knorr et al. Performance evaluation of a nontargeted platform using two-dimensional gas chromatography time-of-flight mass spectrometry integrating computer-assisted structure identification and automated semiquantification for the comprehensive chemical characterization of a complex matrix
JP2012515902A (ja) マススペクトロメトリーにより特に未知物質を同定するための方法
Dumas et al. Analyzing the physiological signature of anabolic steroids in cattle urine using pyrolysis/metastable atom bombardment mass spectrometry and pattern recognition
Tyler et al. Denoising of mass spectrometry images via inverse maximum signal factors analysis
Lavancier et al. Testing independence between two random sets for the analysis of colocalization in bioimaging
Gardner et al. Two-dimensional and three-dimensional time-of-flight secondary ion mass spectrometry image feature extraction using a spatially aware convolutional autoencoder
Hulleman et al. Critical Assessment of the Chemical Space Covered by LC–HRMS Non-Targeted Analysis
Zushi et al. Direct classification of GC× GC-analyzed complex mixtures using non-negative matrix factorization-based feature extraction
Schrangl et al. Kinetic analysis of single molecule FRET transitions without trajectories
Klein Affine transformation of negative values for NMR metabolomics using the mrbin R package
Eaton et al. Multidimensional fluorescence fingerprinting for classification of shrimp by location and species
Soh et al. A comparison between the human sense of smell and neural activity in the olfactory bulb of rats

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 11719026

Country of ref document: EP

Kind code of ref document: A2

WWE Wipo information: entry into national phase

Ref document number: 13696861

Country of ref document: US

ENP Entry into the national phase

Ref document number: 2013509573

Country of ref document: JP

Kind code of ref document: A

Ref document number: 2799229

Country of ref document: CA

WWE Wipo information: entry into national phase

Ref document number: 222978

Country of ref document: IL

WWE Wipo information: entry into national phase

Ref document number: 2011719026

Country of ref document: EP