Malgré des décennies de recherche et des progrès significatifs dans le contrôle du glucose et l'administration d'insuline, un véritable remède reste insaisissable. La maladie impose un fardeau permanent de vigilance, d'injections et de risques de complications. Les percées récentes dans les technologies à haut débit ont donné lieu à des approches multi-omiques – des analyses intégratives du génome, du transcriptome, du protéome, du métabolome et au-delà. En superposant ces ensembles de données biologiques, les chercheurs peuvent maintenant cartographier la chorégraphie moléculaire complexe qui conduit à la destruction des cellules bêta et, de façon cruciale, identifier de nouvelles cibles d'intervention.

Comprendre les approches multiomiques

Les molécules multi-omiques se rapportent à l'analyse simultanée ou séquentielle de plusieurs -omes biologiques, les ensembles complets de molécules qui définissent une cellule, un tissu ou un organisme à un moment donné. Plutôt que d'étudier chaque couche isolément, les données multi-omiques intègrent dans ces domaines des données pour révéler les interactions, les réseaux causaux et les propriétés émergentes que les études mono-omiques manquent.

  • Génomique:[ L'étude d'une séquence d'ADN complète individuelle, incluant des variations telles que des polymorphismes nucléotidiques uniques (SNP), des insertions et des suppressions. Dans T1D, la génomique a identifié des locus à risque comme HLA, INS[, PTPN22 et CTLA-4.
  • Epigenomique: La carte des modifications chimiques de l'ADN et des protéines histoniques qui régulent l'expression des gènes sans modifier la séquence sous-jacente. Les patrons de méthylation de l'ADN, par exemple, diffèrent entre les patients T1D et les témoins sains, en particulier dans les gènes immunologiques.
  • Transcriptomique: La mesure des transcriptions d'ARN – à la fois du codage (ARNm) et du non-codage (p. ex. microARN, ARNl) – fournit un instantané des gènes actifs. Le séquençage d'ARN à cellules uniques est devenu un outil puissant pour étudier l'hétérogénéité des cellules bêta et infiltrer les cellules immunitaires.
  • Protéomique: L'étude à grande échelle des protéines, y compris leur abondance, modifications post-traductionnelles et interactions.Les auto-anticorps contre l'insuline, GAD65, IA-2 et ZnT8 sont des marqueurs protéomiques classiques de T1D, mais de nouvelles approches découvrent des cibles protéiques moins évidentes.
  • Métabolomique: Le profilage complet des métabolites de petites molécules (p. ex. acides aminés, lipides, intermédiaires du glucose).Les perturbations métaboliques précèdent souvent l'auto-immunité et offrent des biomarqueurs précoces.
  • Microbiomique: Analyse de la communauté microbienne intestinale, qui influe sur le développement du système immunitaire et qui a été liée au risque T1D par des effets sur l'imitaire moléculaire, la production d'acides gras à chaîne courte et l'intégrité de la barrière.

L'intégration de ces couches – souvent combinée avec des données cliniques, des facteurs de vie et des échantillons longitudinales – permet aux chercheurs de construire des modèles de pathogenèse T1D au niveau des systèmes. Par exemple, une variante génomique peut augmenter le risque seulement lorsque certaines conditions environnementales (p. ex. infection virale, facteurs alimentaires) déclenchent des changements épigénétiques qui modifient les profils transcriptomiques dans les cellules immunitaires, entraînant finalement des signatures protéomiques et métabolomiques du stress des cellules bêta.

Le rôle du multi-omique dans la recherche T1D

Génomique et susceptibilité génétique

L'architecture génétique du T1D a été largement caractérisée par des études d'association à l'échelle du génome (GWAS) et des efforts de cartographie fine. Plus de 60 loci à risque ont été identifiés, avec la région HLA[ sur le chromosome 6p21 représentant environ 40 à 50% du risque héréditaire. Cependant, la connaissance des variantes génétiques n'est que la première étape. Des études multiomiques ont révélé comment ces variantes affectent les processus moléculaires en aval. Par exemple, les variantes de risque dans le gène INS modifient l'expression de l'ARNm de l'insuline dans le thymus, réduisant ainsi la tolérance centrale. De même, les variantes de PTPN22 affectent l'activité de la tyrosine phosphatase, influençant les seuils de signalisation des récepteurs des cellules T. L'intégration de la génomique avec la transcriptomique et l'épigénomique a précisé que de nombreux PNS à risque T1D sont situés dans des régions réglementaires non codant

Epigénétique et déclencheurs environnementaux

L'étude TEDDY (Les déterminants environnementaux du diabète chez les jeunes) a permis de recueillir des échantillons de sang longitudinaux chez des enfants à risque et de réaliser un profilage de méthylation de l'ADN à l'échelle du génome.Ces données ont permis d'identifier des régions méthylées différentiellement (RMD) associées à une séroconversion future à la positivité auto-anticorps. Par exemple, l'hypométhylation du promoteur INS dans les cellules sanguines périphériques a été observée chez des enfants qui développent plus tard un T1D, ce qui suggère que la dysrégulation épigénétique de l'expression de l'insuline dans les cellules immunitaires peut précéder l'auto-immunité.

Transcriptomique: De la résolution en vrac à la résolution à une seule cellule

Cependant, l'avènement du séquençage monocellulaire de l'ARN (scRNA-seq) a révolutionné le champ. En profilant des milliers de cellules individuelles provenant d'îlots pancréatiques humains et de ganglions lymphatiques drainants, les chercheurs ont découvert des sous-types de cellules bêta rares qui sont plus résistants au stress, ainsi que de nouvelles populations de cellules T qui provoquent la destruction de cellules bêta. Par exemple, des études de scRNA-seq ont révélé que dans les cellules T1D, les cellules CD8+ de mémoire résidente (T]RM) persistent dans les îlots et expriment des molécules cytolytiques comme le granozyme B et la perforine.

Proteomique: Au-delà des auto-anticorps

La protéomique de T1D est traditionnellement axée sur les auto-anticorps, qui sont la norme aurifère pour la prédiction des risques. Cependant, la protéomique basée sur la spectrométrie de masse permet maintenant l'identification impartiale des protéines qui sont exprimées ou modifiées de façon différentielle dans T1D. Par exemple, une étude de 2022 a analysé le protéome sérique des enfants qui progressent vers T1D et a trouvé des niveaux élevés de protéines impliquées dans l'activation du complément, la coagulation et la remodelage de matrice extracellulaire des années avant l'apparition clinique. Certaines de ces protéines (p. ex., C3, SERPINA1) peuvent servir de nouveaux biomarqueurs ou même de cibles d'intervention.

Métabolomique et fenêtre préclinique

Le profilage métabolomique des enfants qui développent plus tard le T1D a révélé des changements métaboliques qui surviennent des mois à des années avant l'apparition des auto-anticorps.Il s'agit notamment de la modification des niveaux d'acides aminés à chaîne ramifiée, des lipides (p. ex., phospholipides, triglycérides) et des métabolites dérivés de l'intestin-microbiote, tels que les acides gras à chaîne courte.Une étude de 2019 de l'étude DIPP en Finlande a révélé que les enfants qui progressent vers le T1D ont un métabolisme sérique distinct dès l'âge de 3 mois, suggérant une dysrégulation métabolique très précoce.

Résultats clés : Nouvelles cibles pour la thérapie

Points de contrôle et cellules T réglementaires

Les analyses multiomiques ont permis de déterminer les molécules de contrôle immunitaire dysrégées et la fonction de la cellule T (Treg) réglementaire en tant que central de la pathogenèse T1D. Les études transcriptomiques de Tregs de patients T1D montrent une expression réduite de l'alpha (CD25) et du FoxP3 des récepteurs IL-2, ainsi qu'une expression accrue de cytokines pro-inflammatoires. La protéomique a identifié une phosphorylation altérée des nœuds de signalisation clés (par exemple STAT5) chez Tregs. Ces résultats appuient le développement de thérapies qui stimulent le nombre ou la fonction de Treg, comme la thérapie à faible dose de l'IL-2, qui a montré des promesses au début des essais cliniques.

Stress de cellules bêta et néoépitopes

Sous le stress (p. ex., à cause d'un taux élevé de glucose, de stress ER ou d'une infection virale), les cellules bêta peuvent modifier post-traductionnellement les autoprotéines, créant des néoépitopes reconnus par les cellules T. Par exemple, les peptides hybrides d'insuline (PIH) fusionnent des fragments d'insuline avec d'autres protéines granulaires sécrétoires comme le neuropeptide Y. La protéomique a identifié des dizaines de ces IPH, et les réponses des cellules T sont présentes chez les patients T1D. Thérapeutiquement, bloquer la formation de ces néoépitopes – ou utiliser des vaccins tolérogiques qui leur induisent une tolérance immunitaire – pourrait prévenir la progression. La multiomique révèle également le rôle de la signature de l'interféron de type I dans les cellules bêta; inhiber la signalisation de l'interféron avec les inhibiteurs de JAK (p. ex., baricitinib) a démontré un avantage clinique dans le T1D nouvellement diagnostiqué.

Éléments rétroviraux et immunité innée

Les anciennes séquences virales, normalement réduites au silence, peuvent être réactivées dans des conditions inflammatoires, produisant un ARN à double brin qui déclenche des réponses immunitaires innées antivirales. Les capteurs PRR (p. ex. MDA5, RIG-I) et les voies d'interféron en aval représentent des cibles médicamenteuses potentielles. La découverte que les variantes de risque T1D dans le gène IFIH1[ (encodant MDA5) modifient la réponse à l'ARNdsdssérivé par le VRE renforce le lien. Moduler cette voie — peut-être avec des médicaments qui inhibent le MDA5 ou son signal en aval — pourrait réduire le déclenchement initial de l'auto-immunité.

Cibles enzymatiques métaboliques

Par exemple, les taux de céramides sont élevés chez les patients atteints de T1D et peuvent contribuer à l'apoptose des cellules bêta. L'inhibition de la sérine palmitoyltransférase (la première enzyme de synthèse du céramide) protège les cellules bêta dans les modèles animaux. De même, l'enzyme 12-lipoxygénase (12-LOX) produit des eicosanoïdes pro-inflammatoires dans les cellules bêta; les inhibiteurs 12-LOX ont été mis en oeuvre dans les essais cliniques pour T1D. L'intégration multi-omique aide à prioriser ces cibles en montrant que leur expression et leur activité sont en corrélation avec le stade de la maladie et l'infiltration immunitaire.

Défis et stratégies d'intégration

D'abord, l'hétérogénéité des données : chaque couche d'omique utilise différentes plates-formes, unités et effets par lots. Les méthodes d'intégration statistique – comme l'analyse multivariée (p. ex. MOFA, DIABLO), les approches en réseau (p. ex. WBCNA, réseaux bayésiens) et l'apprentissage par machine (p. ex. forêts aléatoires, apprentissage profond) – sont nécessaires pour fusionner de façon significative les ensembles de données. Deuxièmement, la disponibilité de l'échantillon : les tissus pancréatiques humains sont rares et la plupart des études reposent sur des programmes ou des biopsies de donneurs d'organes.

Les pipelines informatiques qui traitent les données manquantes, qui se normalisent entre les plateformes et qui intègrent les connaissances antérieures arrivent à maturité rapidement. Les plateformes basées sur le cloud et les dépôts publics (p. ex., la base de données multi-omiques EBI, le portail de connaissances T1D) permettent aux chercheurs de partager et de consulter des données multi-omiques.

Orientations futures de la recherche T1D

Thérapies personnalisées

Par exemple, certains patients peuvent avoir une forte composante génétique (p. ex., haplotypes HLA à haut risque) tandis que d'autres ont un déclencheur environnemental prédominant (p. ex., associé à l'entérovirus). Multi-omique pourrait informer les patients qui sont susceptibles de bénéficier de thérapies stimulant Treg, d'inhibiteurs de JAK ou de tolérance spécifique à l'antigène. Les essais cliniques commencent déjà à intégrer la stratification basée sur l'omics pour enrichir les intervenants.

Biopsies liquides et détection précoce

La méthylation de l'ADN sans cellules circulantes (pour la mort des cellules bêta), les panneaux d'ARN micro (pour l'activation immunitaire) et les marqueurs protéomiques/métabolomiques peuvent permettre de détecter l'insulite des années avant l'apparition des symptômes.Un tel test d'alerte précoce T1D réduirait considérablement le fardeau des essais et ouvrirait la porte aux thérapies préventives.

Modélisation informatique et IA

Les modèles d'apprentissage automatique qui intègrent des données multiomiques aux paramètres cliniques peuvent prédire la progression de la maladie avec une précision accrue. Les architectures d'apprentissage profond (par exemple, les autoencodeurs, les réseaux neuronaux graphes) peuvent apprendre des représentations qui capturent des interactions non linéaires entre les couches omiques. Ces modèles peuvent identifier des combinaisons de cibles synergiques pour la thérapie. Par exemple, un modèle peut prédire qu'une combinaison d'un inhibiteur JAK et d'un booster Treg est plus efficace que l'une ou l'autre seule, et cela pourrait être testé dans les systèmes précliniques.

De banc à lit

Plusieurs cibles multi-omiques sont déjà en développement clinique. Baricitinib (un inhibiteur JAK1/JAK2) a terminé un essai de phase 2 montrant la préservation du C-peptide dans T1D nouveau-onset. L'IL-2 à faible dose (aldesleukin) est dans les essais de phase 3 pour T1D. Un vaccin à ADN tolérogénique ciblant la proinsuline (BHT-3021) a été développé sur la base de la découverte d'épitope par la protéomique et la transcriptomique.

Conclusion

En intégrant la génomique, l'épigénomique, la transcriptomique, la protéomique, la métabolomique et la microbiomique, les scientifiques dressent une image moléculaire complète de la façon dont commence et progresse le T1D. Cette vision au niveau des systèmes a dévoilé de nouvelles cibles thérapeutiques invisibles aux études monoomiques antérieures, des points de contrôle immunitaires et néoépitopes aux éléments rétroviraux et aux enzymes métaboliques. Bien que les défis de l'intégration des données, de la disponibilité des échantillons et de la validation causale demeurent, la trajectoire est claire : le multi-omique accélère la recherche d'un remède. La prochaine décennie verra probablement la traduction de ces découvertes en thérapies personnalisées ciblées qui peuvent arrêter ou inverser le T1D, apportant l'espoir à des millions de personnes vivant avec la maladie.