La diabetes tipo 1 (T1D) es una enfermedad autoinmune crónica en la que el sistema inmunitario destruye selectivamente las células beta que producen insulina de las islotes pancreáticos. A pesar de décadas de investigación y avances significativos en la vigilancia de la glucosa y la entrega de insulina, una verdadera curación sigue siendo difícil.

Comprender enfoques multiomicos

Multi-omics se refiere al análisis simultáneo o secuencial de múltiples “omes” biológicos: los conjuntos completos de moléculas que definen una célula, tejido o organismo en un momento dado. En lugar de estudiar cada capa en aislamiento, multi-omics integra datos a través de estos dominios para revelar interacciones, redes causales, y propiedades emergentes que faltan estudios mono-omicos.

  • [LT] Genomics: El estudio de la secuencia completa de ADN de un individuo, incluyendo variaciones como polimorfismos de un solo núcleo (SNP), inserciones y deleciones. En T1D, la genómica ha señalado loci de riesgo como HLA, [FLT[LT]
  • Epigenomics: El mapa de modificaciones químicas a las proteínas de ADN y de piedra histérica que regulan la expresión genética sin alterar la secuencia subyacente. Los patrones de metilación de ADN, por ejemplo, difieren entre los pacientes con T1D y los controles saludables, especialmente en los genes relacionados con las inmunidades.
  • Transcriptomics: La medición de las transcripciones de ARN—tanto codificación (mRNA) como no codificación (por ejemplo, microRNAs, lncRNAs)—proporcionando una instantánea de los cuales los genes están activos. La secuenciación de ARN de células únicas se ha convertido en una poderosa herramienta para estudiar la infiltración heterogeneidad entre células inmunitarias y células beta.
  • Proteomics: El estudio a gran escala de proteínas, incluyendo su abundancia, modificaciones post-translacionales, e interacciones. Autoanticuerpos para la insulina, GAD65, IA-2 y ZnT8 son marcadores proteomicos clásicos de T1D, pero enfoques más nuevos están descubriendo objetivos de proteína menos obvios.
  • Metabolomics: El profiling integral de los metabolitos de molécula pequeña (por ejemplo, aminoácidos, lípidos, intermedios de glucosa). Las perturbaciones metabólicas suelen preceder a la autoinmunidad de sobredos y ofrecer biomarcadores tempranos.
  • Microbiomics: Análisis de la comunidad microbiana intestinal, que influye en el desarrollo del sistema inmunitario y se ha vinculado al riesgo de T1D a través de efectos sobre la micromicry molecular, la producción de ácido graso de cadena corta y la integridad de la barrera.

La integración de estas capas, a menudo combinada con datos clínicos, factores de estilo de vida y muestras longitudinales, permite a los investigadores construir modelos de nivel de sistemas de patogenesis T1D. Por ejemplo, una variante genómica puede aumentar el riesgo sólo cuando ciertas condiciones ambientales (por ejemplo, infección viral, factores dietéticos) desencadenan cambios epigenéticos que alteran los perfiles transcritosca en células inmunitarias, lo que conduce a la captura de signos proteomicos y metabómicos.

El papel de la multi-omics en la investigación T1D

Genómica y Susceptibilidad Genética

La arquitectura genética de T1D se ha caracterizado ampliamente a través de estudios de asociación de genomas (GWAS) y esfuerzos de talla fina. Más de 60 loci de riesgo se han identificado, con la HLA región de cromosoma 6p21 que tiene una relación de 40–50% de riesgo herible.

Epigenética y los desencadenantes ambientales

Las marcas epigenéticas proporcionan un puente entre la predisposición genética y las exposiciones ambientales.El estudio TEDDY (Los Determinantes Ambientales de la Diabetes en los Jóvenes) ha recogido muestras de sangre longitudinales de niños en riesgo y ha realizado la metilación del ADN en todo el genoma.

Transcripción: De Bulk a Resolución de un solo grito

Las células de la TLT2 son una nueva célula de la TLT, que se ha utilizado durante mucho tiempo para identificar las firmas de la T1D de la expresión genética. Sin embargo, el advenimiento de la secuencia de RNA única (scRNA-seq) ha revolucionado el campo.

Proteomics: Beyond Autoantibodies

Proteomics en T1D se ha centrado tradicionalmente en los autoanticuerpos, que son el estándar de oro para la predicción de riesgo. Sin embargo, la proteómica basada en espectrometría masiva permite ahora la identificación sin prejuicios de proteínas que se expresan o modifican de manera diferente en T1D. Por ejemplo, un estudio de 2022 analizó el proteoma sérico de niños progresando a la matriz T1D y encontró niveles elevados de proteínas implicados en la activación.

Metabolomics y la Ventana Preclínica

La profilación metabólica de niños que más tarde desarrollan T1D ha descubierto cambios metabólicos que ocurren meses a años antes de que aparezcan los autoanticuerpos. Estos incluyen niveles alterados de aminoácidos de cadena ramificada, lípidos (por ejemplo, fosfolípidos, triglicéridos) y metabolitos de transmisión intestinal como los primeros estudios de metabolismo de la cadena.

Búsquedas clave: Nuevos objetivos para la terapia

Puntos de control inmunitarios y células T reguladoras

Los análisis multi-omics han marcado moléculas de control inmunitarias y la función de Treg como central a la patogénesis T1D. Estudios de tracción de los pacientes T1D muestran una menor expresión de los receptores IL-2 alpha (CD25) y FoxP3, junto con una mayor expresión de citocinas pro-inflamatorias.

Estrés de células beta y Neoepitopes

La multi-omics integradas ha revelado que las células beta no son víctimas pasivas sino que contribuyen activamente a su propia desaparición. Bajo estrés (por ejemplo, de alta glucosa, estrés ER o infección viral), las células beta pueden modificar inhibiciones post-translacionalmente las autoproteínas, creando neoepitopes reconocidos por las células TIP.

Elementos retrovirales e inmunidad inscrita

Los estudios genómicos y transcritos han identificado la expresión de retrovirus endógenos (ERV) en islotes pancreáticos de pacientes T1D. Estas secuencias virales antiguas, normalmente silenciadas, pueden reactivarse bajo condiciones inflamatorias, produciendo RNA doble inhibido que desencadenan respuestas inmunitarias antivirales innatos.

Metas metabólicas de la enzima

La metabolomics ha destacado enzimas en las vías del metabolismo lípido que pueden ser farmacibles. Por ejemplo, los niveles de ceramidas se elevan en pacientes T1D y pueden contribuir a la apoptosis de células beta. Inhibir la inhibición de la palma de la serina (la primera enzima en la síntesis de la ceramida) protege las células beta en los modelos animales.

Desafíos e estrategias de integración

Los modelos de prueba son múltiples y de frecuencia son: la mayoría de los modelos de detección de células de origen humano, y la mayoría de los modelos de detección de células de origen humano, como la prueba de detección de casos, y la frecuencia de la prueba de detección de células de origen humano.

Los oleoductos computacionales que manejan datos perdidos, normalizan a través de plataformas e integran conocimientos previos están aparejados rápidamente. Plataformas basadas en la nube y repositorios públicos (por ejemplo, la base de datos multi-omics EBI, el Portal de Conocimiento T1D) permiten a los investigadores compartir y consultar datos multi-omicos. El uso de algoritmos de inferencia causal (por ejemplo, aleatorios de la aleatorios) puede ayudar a través de direcciones geómicas

Future Directions in T1D Research

Terapias personalizadas

El objetivo final de los multiómicos es estratificar a los pacientes en subgrupos —o “endotipos”— que responden a intervenciones específicas. Por ejemplo, algunos pacientes pueden tener un componente genético fuerte (por ejemplo, alto riesgo HLA]]]] haplotipos) mientras que otros tienen un desencadenante ambiental predominante (por ejemplo, el estrapecío podría ser utilizado).

Biopsias líquidas y detección temprana

Investigación multiomica basada en la sangre: combinación de la metilación de ADN libre de células circulantes (para la muerte de células beta), paneles de microRNA (para la activación inmunitaria), y marcadores proteomicos/metabolomicos—puede permitir la detección de insulitis años no invasivos antes de que aparezcan los síntomas. Tal “prueba de alerta temprana T1D” reduciría dramáticamente la carga de los ensayos y abriría la puerta a las biorapias preventivas.

Modelo computacional y AI

Los modelos de aprendizaje automático que integran datos multiomicos con parámetros clínicos pueden predecir la evolución de las enfermedades con mayor precisión. Las arquitecturas de aprendizaje profundo (por ejemplo, autoencoders, redes neuronales gráficas) pueden aprender representaciones que capturan interacciones no lineales entre capas de omics. Estos modelos pueden identificar combinaciones de objetivos que son sinérgicos para la terapia.

De Bench a Bedside

Varios objetivos multi-omics-derived ya están en desarrollo clínico. Baricitinib (un inhibidor JAK1/JAK2) ha completado una fase 2 ensayo que muestra la preservación de la péptida C en el nuevo inicio T1D. Baja dosis IL-2 (aldesleucina) está en ensayos fase 3 para T1D. Una vacuna antiaérmica de diagnóstico multipaso de proinsulina (BHT-3021)

Conclusión

El uso de enfoques multiomicos en la investigación de diabetes tipo 1 ha ido más allá de la mera descripción al descubrimiento factible. Al integrar la genómica, la epigeómica, la transcripción, la proteómica, la metabolomica y la microbiomica, los científicos están construyendo un cuadro molecular completo de cómo comienza y progresa la T1D. Esta visión de nivel de los sistemas ha desvelado nuevos objetivos terapéuticos que fueron invisibles a estudios inmunológicos