Jean Pierre LAROCHE 12 Juin 2026 Clics : 254

Diabète type 2/Coronaires/Signatures protéinomiques

Médecine prédictive

"La médecine fait mourir plus longtemps." Plutarque

"En parcourant un livre de médecine, on s'imagine avoir toutes les maladies qu'il décrit, de même, en lisant l'ouvrage d'un moraliste, on découvre tous les travers qu'il signale... mais chez les autres ! " Otto Von Bismarck

RAPPEL : signatures protéinomiques (Op Evidence)

Les signatures protéomiques définissent des ensembles caractéristiques de protéines maladiedes tissus ,(ou de modifications protéiques) dont l'expression, la quantité ou les modifications post-traductionnelles permettent de distinguer un état biologique d'un autre — par exemple, un tissu sain d'un tissu malade, ou un sous-type tumoral d'un autre.

Définition et principe

Le protéome est l'ensemble complet des protéines exprimées par une cellule, un tissu, un organe ou un fluide biologique à un moment donné. Contrairement au génome, qui est relativement stable, le protéome est dynamique : il varie selon le type cellulaire, l'état physiologique, les stimuli environnementaux et les modifications post-traductionnelles (phosphorylation, glycosylation, etc.)Une signature protéomique correspond donc à un profil d'expression protéique spécifique qui caractérise un état biologique particulier.

Comment les obtient-on ?

Les signatures protéomiques sont identifiées grâce à des technologies à haut débit, principalement :

Spectrométrie de masse (MS et MS/MS) couplée à la chromatographie liquide, qui permet l'identification et la quantification de milliers de protéines simultanément.
Électrophorèse bidimensionnelle (2D-PAGE), une technique plus ancienne mais encore utilisée pour séparer les protéines selon leur masse et leur charge
Protéomique ciblée (ex. : SRM/MRM), qui permet de quantifier précisément un panel défini de protéines dans de grands nombres d'échantillons.

Le processus suit généralement un pipeline allant de la découverte (identification de protéines différentiellement exprimées) à la validation puis à la traduction clinique .

Applications cliniques

Les signatures protéomiques ont de nombreuses applications en médecine :

Diagnostic et classification des maladies (ex. : sous-types tumoraux)
Stratification du risque et prédiction pronostique
Identification de biomarqueurs pour le dépistage ou le suivi thérapeutique
Découverte de cibles thérapeutiques et prédiction de la réponse au traitement
Biopsies liquides : analyse protéomique du sang ou d'autres fluides biologiques pour un suivi non invasif

La figure ci-dessous illustre les différentes applications d'un workflow protéomique en oncologie pédiatrique, montrant comment les signatures protéomiques peuvent guider les décisions cliniques, du diagnostic à la prédiction de la réponse thérapeutique.

Aperçu d'un flux de travail protéomique basé sur la spectrométrie de masse et d'une approche d'analyse protéomique pour éclairer le paysage protéomique du cancer infantile pour la médecine de précision et pour permettre des plans de traitement personnalisés.

Perspectives protéomiques sur le cancer pédiatrique : décryptage des signatures moléculaires et des opportunités thérapeutiques. Cancer du sang pédiatrique . 1 juin 2024 .

Utilisé sous licence de Wiley.

Avantage par rapport à la génomique

La protéomique apporte une information complémentaire à la génomique car elle capture l'état fonctionnel réel de la cellule : les épissages alternatifs, les modifications post-traductionnelles (plus de 200 types différents) et les interactions protéine-protéine ne sont pas prédictibles à partir du seul génomeLes signatures protéomiques ont donc plus fidèlement le phénotype et l'activité biologique en cours

Li Y, Li D, Lin J, Zhou L, Yang W, Yin X, Xu C, Cao Z, Wang Y. Proteomic signatures of type 2 diabetes predict the incidence of coronary heart disease.

Les signatures protéomiques du diabète de type 2 permettent de prédire l'incidence des maladies coronariennes.

Cardiovasc Diabetol. 2025 mars 14 ; 24(1) : 120. doi : 10.1186/s12933-025-02670-3. PMID : 40087642 ; PMCID : PMC11909814.
https://pmc.ncbi.nlm.nih.gov/articles/PMC11909814/

En libre accès

Des données récentes révèlent une association complexe entre le diabète de type 2 (DT2) et les maladies coronariennes (MC), qui partagent des facteurs de risque et des voies biologiques communs. Cette étude vise à identifier les signatures protéomiques communes au DT2 et aux MC, à déterminer si les protéines communes permettent de prédire l'apparition de MC chez les patients atteints de DT2 et à développer des modèles prédictifs. À partir des données de 53 014 participants de la UK Biobank et de 2 923 protéines plasmatiques, nous avons identifié 488 protéines associées au DT2, dont 125 le sont également aux MC.

Nous avons identifié neuf protéines communes ayant une association causale avec les MC, dont PCSK9, NRP1 et CD27.

Les analyses de médiation suggèrent que ces neuf protéines jouent un rôle de médiateur dans l'association entre le DT2 et les MC.

En intégrant ces protéines à notre modèle prédictif, nous avons obtenu une prédiction satisfaisante (AUC = 0,819) de l'apparition future de MC chez les patients atteints de DT2.

De plus, l'évaluation de la pharmacovigilance a révélé 32 agents thérapeutiques potentiels, dont des antihypertenseurs déjà connus et neuf composés inédits, ouvrant la voie à des stratégies de traitement à double cible.

Globalement, nos résultats mettent en lumière les signatures protéomiques associées au diabète de type 2 et aux maladies coronariennes, offrant des perspectives pour le dépistage et la prédiction de l'apparition future de maladies coronariennes chez les patients atteints de diabète de type 2.

Diagramme de flux. Tout d'abord, sélection des protéines clés liées au diabète de type 2 (DT2) parmi 2 923 protéines plasmatiques et construction d’un réseau d’interactions pour ces protéines ; deuxièmement, identification des protéines associées à la survenue de cardiopathie ischémique (CI) chez les patients atteints de DT2 ; troisièmement, validation de l’association causale entre les protéines associées à la survenue de CI dans la population atteinte de DT2 ; quatrièmement, construction d’un modèle prédictif de l’incidence future de CI chez les patients atteints de DT2 et vérification de son efficacité ; cinquièmement, explication de l’influence des protéines susmentionnées sur la progression du DT2 vers la CI ; sixièmement, identification des protéines potentielles par analyse des interactions protéine-protéine, analyse d’enrichissement, etc., et prédiction des médicaments susceptibles de prévenir la survenue de CI chez les patients atteints de DT2. DT2 : diabète de type 2 ; CI : cardiopathie ischémique

Illustration centrale : La divulgation des risques protéomiques permet d’adapter le traitement au risque et de détecter les changements : Les thérapies cardioprotectrices (TC) restent sous-utilisées chez les patients atteints de diabète de type 2 (DT2). Dans un essai multicentrique randomisé, des adultes atteints de DT2 ont été randomisés en deux groupes : un groupe informé des résultats de la RCVR (divulgation aux participants et aux professionnels de santé après la visite clinique initiale) et un groupe non informé (résultats de la RCVR non divulgués jusqu’à la fin de l’étude). La prescription de TC était plus fréquente dans le groupe informé (32,1 % vs 9,6 % ; OR 5,45, IC à 95 % : 2,31–12,89 ; p < 0,001 ), ce qui est cohérent avec un traitement adapté au risque. Parmi les participants informés ayant débuté un traitement cardioprotecteur, la RCVR a diminué de 3,9 % entre l’inclusion et le suivi (6 à 12 mois) ( p = 0,036). Ces résultats soutiennent la prescription de TC guidée par la protéomique et adaptée au risque, ainsi que la réduction précoce du risque.

Taux de prescription de médicaments cardioprotecteurs (MC) par classe de risque relatif RCVR : taux de prescription de MC (Y/N total par classe) avec intervalles de confiance à 95 %, comparé par classe de risque relatif RCVR (faible risque : 0-7,5 %, risque moyen-faible : 7,6-25 %, risque moyen-élevé : 26 %-50 % et risque élevé : 51 %-100 % de risque d’événement CV dans les 4 ans) et par bras de l’étude. Les taux de prescription sont significativement plus élevés (test unilatéral d’égalité des proportions, p < 0,05) dans le bras informé que dans le bras non informé pour toutes les classes de risque élevées. La significativité du test de tendance proportionnelle entre les classes de risque au sein des bras est présentée, suggérant une tendance à la hausse uniquement dans le bras informé.

En conclusion, cette recherche a identifié plusieurs protéines associées au diabète de type 2 et a permis de construire un modèle efficace pour prédire la survenue de cardiopathies ischémiques chez les patients diabétiques. Ces résultats offrent des perspectives précieuses pour le dépistage précoce et les stratégies d'intervention en pratique clinique, ce qui pourrait améliorer la santé des patients. De plus, cette étude approfondit les effets et les mécanismes des protéines identifiées en lien avec le diabète de type 2 et les cardiopathies ischémiques, et propose des candidats médicaments potentiels pour la prise en charge de ces comorbidités. Les recherches futures devraient s'attacher à valider ces protéines en milieu clinique et à explorer leurs effets dans le cadre de traitements personnalisés. À terme, cela pourrait améliorer la prise en charge du diabète de type 2 et des problèmes cardiovasculaires associés. Cela serait permis par la prévention de la maladie avant son apparition, par la facilitation de l'intervention précoce en cas de forme grave et par le soutien à la prise en charge conjointe de plusieurs maladies.

Limites et questions en suspens (Op Evidence)

Plusieurs obstacles pratiques persistants :

Coût et accessibilité : les plateformes protéomiques à haut débit (SomaScan ~5000 protéines, Olink ~3000) restent coûteuses et non disponibles en routine clinique.
Validation externe : la plupart des modèles ont été développés dans des populations majoritairement européennes, avec une généralisabilité incertaine à d'autres ethnies.
Seuils décisionnels : il reste à définir les seuils protéomiques qui déclenchent une modification thérapeutique, et à démontrer que cette stratégie est supérieure à l'approche clinique standard en termes de MACE.
Rapport coût-efficacité : même si le score protéomique améliore la discrimination, l'amélioration modeste du C-index (+0,01 à +0,07 selon les études) doit se traduire par un bénéfice clinique net justifiant le surcoût.

SYNTHESE NOTEBOOKLM
Cette étude clinique examine comment l’utilisation de tests protéomiques personnalisés peut combler le fossé entre les recommandations médicales et la pratique réelle dans le traitement du diabète de type 2. En fournissant aux médecins des scores de risque cardiovasculaire résiduel (RCVR) établis sur l'analyse des protéines sanguines, les chercheurs ont observé une augmentation significative de la prescription de médicaments cardioprotecteurs, tels que les analogues du GLP-1 et les inhibiteurs du SGLT2. Contrairement aux calculateurs de risques traditionnels qui restent souvent statiques, ces outils moléculaires se sont révélés sensibles aux changements à court terme, affichant une réduction du risque prédit après seulement six mois de traitement. En somme, cette approche favorise une médecine préventive de précision, permettant d'identifier et de traiter plus efficacement les patients les plus vulnérables avant l'apparition de complications graves.

Protéomique et prévention cardiovasculaire

Par CHATGPT

Commentaire : les signatures protéinomiques représentent une voie passionnante, mais il reste à déterminer quand elles seront concrètement disponibles et à quel coût. Le diabète de type 2 nécessite un traitement personnalisé, cela ne fait aucun doute. L'IA pourra-t-elle débloquer la situation ? Probablement et avec efficacité.

L'intersection des signatures protéomiques et de l'intelligence artificielle (IA) révolutionne la médecine de précision. Elle permet d'analyser des milliers de protéines dans le sang ou les fluides corporels pour identifier des biomarqueurs, diagnostiquer des maladies (comme les cancers) et prédire l'efficacité des traitements.

Comment l'IA transforme la protéomique ?

Découverte de biomarqueurs : L'IA et le machine learning (ex: algorithmes XGBoost ou réseaux de neurones) analysent des ensembles de données massifs pour isoler des combinaisons spécifiques de quelques protéines qui forment une signature fiable.
Médecine prédictive et pronostique : Des signatures protéiques sont utilisées pour anticiper la rechute d'un cancer (comme le cancer colorectal) ou évaluer la réponse à l'immunothérapie. Des modèles basés sur l'IA modélisent même "l'horloge du vieillissement protéomique" pour prédire des risques de rétinopathie diabétique ou de démence.
Biopsies liquides : L'intégration de la protéomique et de l'IA sur des biopsies liquides permet d'évaluer des états pathologiques cellulaires sans nécessiter de biopsies tissulaires invasives.

Évolution technologique récente

La révolution de l'intelligence artificielle appliquée aux protéines a franchi un cap historique lorsque des modèles comme AlphaFold (développé par Google DeepMind) ont permis de prédire avec précision la structure 3D de plus de 200 millions de protéines. Bien que cela se concentre davantage sur la découverte de médicaments et la biologie structurale, cela accélère l'interprétation des bases de données protéomiques complexes.

Défis actuels

Malgré des prouesses diagnostiques indéniables, la validation clinique des signatures protéomiques se heurte à des coûts d'analyse de spectrométrie de masse ou de micropuces (souvent entre $500 et $1000 par individu). Les chercheurs travaillent à réduire ces coûts pour faciliter une intégration de routine aux dossiers de santé électroniques.

Souhaitez-vous explorer un aspect particulier de cette thématique ? Je peux notamment

https://www.google.com/search?sca_esv=18b9090e1ebdf78c&sxsrf=ANbL-n6Ikf15IiWodswG2OTIaWfit6LefQ%3A1780750404340&q=signatures+prot%C3%A9omiques+et+IA&spell=1&sa=X&ved=2ahUKEwjD6aKa1PKUAxUvGDQIHco9Nj0QBSgAegQIEBAB&biw=1024&bih=690&dpr=1.25

Protéinomique et IA

A LIRE :