Une récente Médecine naturelle L’étude combine des mesures de protéines plasmatiques et des informations cliniques pour construire des modèles de prédiction clairsemés pour l’incidence sur 10 ans de plusieurs maladies rares et courantes.
Étude: Les signatures protéomiques améliorent la prédiction des risques pour les maladies courantes et rares. Crédit photo : ArtemisDiana / Shutterstock.com
Sommaire
Diagnostic des maladies et signatures protéomiques
Le développement d’outils cliniques utiles pour identifier les personnes présentant un risque accru de maladie reste un défi majeur en médecine de précision. L’absence de ces outils retarde souvent le diagnostic, contribuant ainsi à des résultats défavorables pour les patients.
Les protéines plasmatiques individuelles peuvent être utilisées pour diagnostiquer certaines maladies, comme les troponines pour les syndromes coronariens aigus. Les signatures protéomiques plasmatiques peuvent également refléter l'état de santé actuel, les comportements de santé et même les déterminants génétiques et environnementaux de la maladie.
Il n’est pas encore certain que la protéomique plasmatique puisse être utilisée pour prédire certaines maladies, seule ou en combinaison avec d’autres marqueurs. Les études antérieures examinant le rôle de la protéomique plasmatique dans le diagnostic ont été associées à certaines limites, notamment la petite taille des échantillons et l’inclusion de quelques maladies courantes, plutôt que d’adopter une approche de découverte agnostique. Il existe également un manque de preuves sur la précision des mesures de dépistage par rapport aux modèles cliniques sans protéines.
À propos de l'étude
L'échantillon de l'étude comprenait 41 931 individus issus du projet de protéomique pharmaceutique de la Biobank du Royaume-Uni. Les mesures d'environ 3 000 protéines plasmatiques ont été intégrées aux informations cliniques pour construire des modèles de prédiction clairsemés pour 218 maladies rares et courantes. Ces maladies étaient associées à des taux de morbidité et/ou de mortalité élevés.
Pour construire le modèle, 80 cas incidents dans les 10 ans suivant le suivi ont été isolés à partir de la UK Biobank aléatoire. Les cas incidents contenus dans le sous-ensemble « sélectionné par le consortium » ont également été utilisés.
L’intégration des données des soins primaires, des registres du cancer et des décès, des statistiques sur les épisodes hospitaliers et des maladies autodéclarées a permis de valider les phénotypes sur lesquels se fondent les définitions des maladies. Les cas incidents enregistrés au cours des six premiers mois de suivi ont été exclus de l’étude. Les cas prévalents ou ceux enregistrés avant la visite d’évaluation initiale ont également été exclus.
Le profilage protéomique a permis de capturer 2 923 protéines uniques ciblées par 2 941 analyses. Un cadre d'apprentissage automatique (ML) en trois étapes a été adapté, qui comprenait la sélection des fonctionnalités, le réglage, l'optimisation des hyperparamètres et la validation.
La moitié de l'échantillon a été utilisée pour la sélection des caractéristiques, tandis que l'autre moitié a été divisée en parts égales pour l'optimisation et la validation du modèle. Les modèles basés sur les données protéomiques ont ensuite été comparés à ceux basés soit sur des informations cliniques seules, soit sur une combinaison d'informations cliniques et de données issues de 37 essais cliniques.
Cette étude de cohorte est basée sur un sous-ensemble aléatoire d'individus UKB-PPP (N = 41 931). La cohorte a été divisée en ensembles d'entraînement (comprenant des étapes de sélection et d'optimisation des caractéristiques) et de validation pour développer des prédicteurs à base de protéines éparses (comprenant 5 à 20 protéines des panels Olink Explore 1536 et Explore Expansion) pour 218 maladies définies à l'aide de données du questionnaire de santé UKB, des soins primaires, des statistiques sur les épisodes hospitaliers et des registres du cancer et des décès. Les performances des modèles utilisant des signatures protéiques ont été comparées à celles des modèles utilisant des informations cliniques de base seules ou utilisant des informations cliniques de base combinées à des données d'essais cliniques ou à un PGS à l'échelle du génome. BioRender.com.
Résultats de l'étude
Les modèles cliniques ont obtenu les meilleurs résultats pour les maladies endocriniennes et cardiovasculaires. Pour un sous-ensemble de 163 maladies, cinq protéines à elles seules ont obtenu des résultats aussi bons que le modèle clinique et significativement meilleurs pour 30 maladies supplémentaires.
L’intégration de cinq à vingt protéines a considérablement amélioré les performances des modèles cliniques pour 67 maladies rares et courantes, dont la maladie cœliaque, la maladie des motoneurones et la fibrose pulmonaire. Pour 28 maladies, les modèles intégrant des données d’analyses sanguines ont surpassé les modèles cliniques.
Pour 52 de ces 67 maladies, les modèles avec des signatures protéiques éparses ont surpassé les modèles cliniques avec des analyses sanguines. L'inclusion de protéines a augmenté les modèles spécifiquement pour les maladies moins courantes.
Le fort pouvoir prédictif des protéines a été démontré chez les patients nouvellement diagnostiqués d'un myélome multiple (MM). Le séquençage de l'acide ribonucléique (ARN) unicellulaire de la moelle osseuse a mis en évidence que quatre des cinq protéines prédictives, dont le récepteur Fc de type B (FCRLB), la glutaminyl-peptide cyclotransférase (QPCT), le membre 7 de la famille SLAM (SLAMF7) et le membre 17 de la superfamille des récepteurs du facteur de nécrose tumorale (TNFRSF17) étaient exprimés spécifiquement dans les plasmocytes.
Pour six maladies, la validité externe des modèles protéiques a pu être établie dans l'étude EPIC-Norfolk. Pour quatre des cinq protéines, qui étaient capables de prédire plus de dix maladies, l'âge était le principal corrélat.
En comparaison, le statut tabagique était le principal corrélat du ligand 17 de la chimiokine (motif CXC) (CXCL17). Néanmoins, l'intégration des données protéiques a amélioré la prévisibilité diagnostique par rapport aux facteurs de risque conventionnels.
Des protéines qui étaient uniquement et fortement prédictives d'une seule maladie ont également été identifiées, notamment TNFRSF13B pour la gammapathie monoclonale de signification indéterminée (MGUS) et TNFRSF17 ou l'antigène de maturation des cellules B pour le MM. Dans les analyses de sensibilité, l'incorporation de protéines supplémentaires n'a pas nécessairement amélioré les performances du modèle ; cependant, l'inclusion de biomarqueurs spécifiques a amélioré la prédiction pour certaines maladies.
Conclusions
Les signatures de protéines plasmatiques éparses peuvent améliorer la prédiction par rapport aux tests cliniques standard pour les maladies courantes et rares. Néanmoins, des études futures sont nécessaires pour valider ces résultats dans des populations ethniquement diverses et dans différentes régions géographiques. Pour les maladies plus rares, des échantillons plus grands sont nécessaires pour estimer les taux de détection avec précision.
Les plateformes protéomiques actuelles fournissent des tests de quantification relative des protéines ; cependant, la traduction clinique nécessitera un développement et une validation supplémentaires des tests de quantification absolue des protéines.
Les protéines plasmatiques semblent mieux prédire les maladies appartenant à certaines spécialités cliniques. Par conséquent, la prédiction d'autres maladies devra être basée sur des informations cliniques différentes.
