Santé
Cancer du sein : où en est la recherche en 2026 ?
Directeur de NeoPhi
Sur cette page
Octobre Rose : où en est aujourd’hui la recherche sur le cancer du sein ?
Sous la direction de Charlie Grosman, Directeur de NeoPhi - Cet article s’appuie sur 26 publications scientifiques parues entre 2023 et 2026, identifiées avec NeoPhi.
Le mois d’octobre se termine et, avec lui, la campagne Octobre Rose qui invite le grand public, les professionnels de santé et les institutions à se mobiliser contre le cancer du sein. Son principe est simple : mieux informer sur la maladie, encourager le dépistage organisé et la vigilance individuelle, soutenir les personnes concernées et collecter des fonds pour faire progresser la recherche. Le ruban rose, devenu son emblème, rappelle qu’une détection plus précoce peut améliorer les possibilités de prise en charge.
Au-delà de la prévention, Octobre Rose met en lumière un enjeu essentiel : la recherche scientifique sur le cancer du sein. Comprendre les mécanismes biologiques des tumeurs, identifier de nouveaux marqueurs, affiner le diagnostic, personnaliser les traitements et mieux prévenir les rechutes nécessitent des travaux de longue haleine. Recherche fondamentale, essais cliniques, sciences humaines et études de santé publique se complètent ainsi pour transformer les découvertes en progrès concrets, améliorer la qualité de vie et offrir de nouvelles perspectives aux patientes et aux patients.
Mais où en est la recherche aujourd’hui sur ces questions ? Pour y répondre, nous avons interrogé NeoPhi au moyen du cadre « Axes de recherche », à partir des publications scientifiques de rang B/Q2 ou supérieur parues entre 2023 et 2026.
Le cancer du sein est une maladie complexe et hétérogène, qui demeure une cause majeure de mortalité féminine dans le monde, et les marqueurs cliniques classiques ne suffisent pas toujours à personnaliser les décisions thérapeutiques [Alvarez-Frutos et al., 2023]. Les recherches récentes visent donc à mieux comprendre les tumeurs, identifier des biomarqueurs fiables, améliorer le diagnostic, adapter les traitements et anticiper les rechutes. Dans cette perspective, l’intégration des données multi-omiques (qui combinent plusieurs niveaux d’information biologique, notamment le génome, l’expression des gènes, les protéines et les métabolites) et de l’intelligence artificielle occupe une place croissante [Gazzah et al., 2025].
Hétérogénéité tumorale et cartographie multi-omique du cancer du sein
Le cancer du sein présente une forte diversité génétique, transcriptomique (liée à l’ensemble des ARN produits et donc à l’activité des gènes) et protéomique (liée à l’ensemble des protéines effectivement présentes et actives dans les cellules), qui influence son évolution et sa réponse aux traitements [Neagu et al., 2023].
Les analyses multi-omiques distinguent des sous-groupes aux pronostics différents, au-delà des classifications traditionnelles [Sharma et al., 2024]. Elles éclairent aussi les interactions entre métabolisme, immunité et résistance thérapeutique, notamment dans le cancer du sein triple négatif, ainsi nommé parce que les cellules tumorales ne présentent ni récepteurs aux œstrogènes, ni récepteurs à la progestérone, ni surexpression de la protéine HER2 [Guozheng Li et al., 2026] [Juan & Peng, 2025].
Les approches spatiales et unicellulaires précisent désormais le rôle du microenvironnement tumoral.
Découverte et validation de biomarqueurs du cancer du sein
L’oncologie de précision dépend de biomarqueurs robustes. Des analyses multi-omiques ont identifié des gènes pronostiques, comme LMO1 et PRAME, associés à une survie plus faible et à la résistance aux médicaments [Malighetti et al., 2025].
La métabolomique révèle également des dérèglements de la glycolyse, du métabolisme lipidique et de l’équilibre redox, c’est-à-dire l’équilibre cellulaire entre la production d’espèces oxydantes et les mécanismes antioxydants qui les neutralisent [Perestrelo & Silva, 2025].
La protéogénomique, qui croise les données génomiques avec l’analyse des protéines afin de relier les altérations de l’ADN à leurs effets fonctionnels dans les cellules, met en évidence des cibles potentielles propres à certains sous-types [E. Jaehnig et al., 2026], tandis que les vésicules extracellulaires circulantes offrent une piste non invasive pour détecter les récidives [Hyon et al., 2025].
Diagnostic du cancer du sein et évaluation du risque de rechute
L’intégration des données cliniques, pathologiques et moléculaires améliore la stratification du risque. Des signatures liées au métabolisme ou à l’hétérogénéité intratumorale prédisent la survie et renseignent sur le microenvironnement immunitaire [Shen et al., 2025] [Zhu, 2025].
Des modèles associant protéomique plasmatique et métabolomique ont obtenu une forte performance diagnostique (AUC > 0,95) [Zhang et al., 2026]. Pour les cancers HER2+, certaines altérations moléculaires semblent plus informatives que le seul statut HER2 [Eunjoo Lee et al., 2026].
Enfin, la pathomique assistée par intelligence artificielle (l’analyse quantitative d’images de lames de tissus afin d’en extraire des caractéristiques microscopiques invisibles ou difficiles à mesurer à l’œil nu) peut prédire la réponse au traitement et le risque de récidive précoce (AUC = 0,90) [Yue et al., 2026].
Personnalisation des traitements du cancer du sein et prédiction de la réponse
Les modèles multi-omiques d’apprentissage automatique améliorent la prédiction de la réponse au traitement selon le sous-type tumoral [Yang et al., 2025]. Le suivi transcriptionnel du sang peut aussi renseigner précocement sur la réponse à l’immunothérapie [Xiaopeng Sun et al., 2026].
Pour les tumeurs HER2+, le profilage moléculaire distingue des groupes ayant des sensibilités thérapeutiques différentes [Li et al., 2024]. Des modèles interprétables tels que B.R.E.A.S.T. (voir encadré), basés sur la protéomique, identifient par ailleurs des signatures associées à la sensibilité aux traitements [Alessia Bono et al., 2026].
Enfin, l’analyse de biopsies successives aide à repérer les mécanismes de résistance et à adapter les combinaisons thérapeutiques [Mitri et al., 2024].
Intelligence artificielle et cancer du sein : quels défis pour la pratique clinique ?
Le passage à la pratique clinique reste difficile. L’hétérogénéité des données, les effets de lot et le manque de standardisation limitent la reproductibilité des signatures [Jiang et al., 2025] [Gazzah et al., 2025].
La complexité et le manque d’interprétabilité de certains modèles freinent aussi leur adoption [Sabit et al., 2026]. Les biomarqueurs issus de la biopsie liquide ou de la protéomique spatiale doivent encore être validés prospectivement et évalués sur le plan médico-économique [Emad A Rakha, 2026].
Enfin, les différences entre tumeur primitive et métastases imposent une réévaluation moléculaire au cours de la maladie [Buchalter et al., 2026].
Conclusion : quelles perspectives pour la recherche sur le cancer du sein ?
Les données récentes montrent que l’association des approches multi-omiques et de l’intelligence artificielle améliore la compréhension du cancer du sein, la découverte de biomarqueurs et la personnalisation des traitements [Gazzah et al., 2025].
Les priorités sont désormais de standardiser les méthodes, valider les signatures dans des études prospectives et développer la biopsie liquide pour suivre la maladie résiduelle [Xiangxiang Cao et al., 2026].
L’omique spatiale, le séquençage unicellulaire et les modèles fonctionnels devraient également aider à mieux comprendre et contourner les résistances thérapeutiques [Kuasne et al., 2025]. Leur intégration dans des cadres cliniques transparents sera déterminante pour améliorer durablement la survie et la qualité de vie.
Questions fréquentes sur la recherche contre le cancer du sein
Où en est la recherche sur le cancer du sein en 2026 ?
Les publications analysées mettent notamment en évidence le développement des approches multi-omiques, de nouveaux biomarqueurs, de la biopsie liquide et de modèles d’intelligence artificielle destinés à améliorer le diagnostic, l’évaluation du risque et la personnalisation des traitements.
Comment l’intelligence artificielle est-elle utilisée dans la recherche sur le cancer du sein ?
L’intelligence artificielle peut notamment être utilisée pour analyser des données biologiques complexes, intégrer plusieurs types de données omiques, analyser des images pathologiques et développer des modèles capables de prédire la réponse aux traitements ou le risque de récidive.
Qu’est-ce que la multi-omique dans le cancer du sein ?
La multi-omique consiste à combiner plusieurs niveaux d’information biologique, par exemple les données génomiques, transcriptomiques, protéomiques et métabolomiques. Cette approche permet d’obtenir une représentation plus complète de la tumeur et de son environnement.
Quels sont les nouveaux biomarqueurs étudiés dans le cancer du sein ?
Les recherches récentes explorent notamment des signatures génétiques, protéomiques et métaboliques. Certains travaux étudient également les vésicules extracellulaires circulantes comme source potentielle de biomarqueurs non invasifs pour détecter les récidives.
L’IA peut-elle prédire la réponse au traitement du cancer du sein ?
Certains modèles d’apprentissage automatique étudiés dans la littérature scientifique permettent de prédire la réponse thérapeutique à partir de données multi-omiques, protéomiques ou pathologiques. Ces résultats restent toutefois dépendants des populations et des données étudiées et nécessitent une validation clinique avant une utilisation généralisée.
Qu’est-ce que la biopsie liquide et pourquoi est-elle étudiée dans le cancer du sein ?
La biopsie liquide consiste à rechercher dans le sang des informations biologiques associées à la tumeur. Elle pourrait notamment contribuer au suivi de la maladie, à l’identification de biomarqueurs et à la détection de signes de récidive sans recourir systématiquement à une biopsie tissulaire.
Quels sont les principaux défis de la recherche actuelle ?
Les principaux défis identifiés concernent la standardisation des données et des méthodes, la reproductibilité des signatures, l’interprétabilité de certains modèles d’intelligence artificielle et la validation prospective des biomarqueurs avant leur intégration dans la pratique clinique.
