Search

National audience; La nutrition foetale est maintenant reconnue comme un facteur de risque pour le développement du syndrome métabolique (SMet) et du diabète de type 2 à l’âge adulte. Cette étude cas-témoins nichée au sein de la cohorte Haguenau a pour objectif d’identifier des biomarqueurs précoces et/ou prédictifs du SMet, associés ou non à l’empreinte foetale par une approche protéomique ciblée. Elle utilise les données anthropométriques et sociales d’individus nés à la maternité d’Haguenau et identifiés avec ou non un petit poids de naissance ajusté pour l’âge gestationnel (petit poids=SGA, poids normal=AGA). Nous avons sélectionné des sujets SGA, sains à 20 ans (T1, n=56), ayant développé (SMet30, n=27) ou non (non SMet30, n=29) un SMet à 30 ans (T2). Une analyse protéomique ciblée a été réalisée sur 56 échantillons biologiques prélevés à T1 en utilisant des biopuces à protéines. Les résultats ont été analysés pour mettre en évidence des modulations de protéines et identifier des biomarqueurs prédictifs de l’apparition du SMet à T2. Une étape de validation a été effectuée (n=12) pour tester la robustesse du modèle prédictif obtenu. Les résultats ont révélé la variation significative de 47 protéines entre cas et témoins à T1, soit plus de 7 ans avant l’apparition du SMet, et avec un ratio de variation supérieur à 1,5 (n=45) ou inférieur à 0,65 (n=2). Elles sont en majorité impliquées dans la régulation de l’angiogenèse (n=7), de l’inflammation (n=5) ou encore du métabolisme (n=3). D’autres participent à la prolifération cellulaire ou sont impliquées dans le développement foetal (n=5).Un modèle de régression logistique a permis de retenir 4 protéines avec une capacité prédictive. Ce projet va contribuer à renforcer nos connaissances sur le SMet et l’empreinte foetale; il va permettre l’identification précoce des sujets à risque pour améliorer leur prise en charge avec une meilleure stratégie préventive.

Grâce à une vision intégrée des phénomènes post-génomes, les approches omiques devraient permettre de mieux comprendre l’ensemble des processus biologiques complexes ayant lieu au cours du développement des maladies métaboliques chroniques telles que le syndrome métabolique (SMet). Cet ensemble de désordres cardiovasculaires et métaboliques précède et prédit le diabète de type 2 (T2D) et la nutrition foetale est maintenant reconnue comme un facteur de risque important pour son développement et le T2D à l’âge adulte. Dans cette étude, notre objectif était d’identifier des biomarqueurs précoces et/ou prédictifs du SMet, associés ou non à l’empreinte foetale par une approche protéomique ciblée. Cette étude cas-témoins nichée au sein de la cohorte Haguenau utilise les données anthropométriques et sociales d’individus nés à la maternité d’Haguenau et identifiés avec ou non un petit poids de naissance ajusté pour l’âge gestationnel (petit poids=SGA, poids normal=AGA). Nous avons donc sélectionné des sujets SGA, sains à 20 ans (T1, n=46), ayant développé (SMet30, n=23) ou non (nonSMet30, n=23) un SMet à 30 ans (T2). Une analyse protéomique ciblée a été réalisée sur les échantillons biologiques prélevés à T1 en utilisant des biopuces ciblant des cytokines, chemokines, adipokines, facteurs de croissance, facteurs angiogéniques, protéases, récepteurs solubles, ou encore des molécules d’adhésion. Cette technique détecte simultanément 1000 protéines à partir d’une faible quantité de sérum. Les résultats ont été analysés par des méthodes statistiques uni- et multivariées (ANOVA, ACP et PLS-DA) pour mettre en évidence des modulations de protéines et identifier des biomarqueurs prédictifs de l’apparition du SMet à T2. Une étape de validation a été effectuée (n=11) pour tester la robustesse du modèle prédictif obtenu. Les résultats ont montré 60 protéines modulées de façon significative entre cas et témoins à T1, soit plus de 7 ans avant l’apparition du SMet. Parmi celles-ci, 31 protéines ont un ratio de variation supérieur à 1,5 (n=23) ou inférieur à 0,65 (n=8). Elles sont en majorité impliquées dans la régulation de l’angiogenèse (n=7), de l’inflammation (n=5) ou encore du métabolisme (n=3). D’autres participent à la prolifération cellulaire ou sont impliquées dans le développement foetal (n=5). Une approche réseau utilisant Ingenuity a permis d’explorer en détail leurs liens et corrélations. L’analyse statistique par PLS-DA a permis de sélectionner les protéines candidats biomarqueurs ayant les plus fortes capacités discriminantes. L’intégration d’autres types de données (socio-économiques, cliniques, métabolomiques) par Random Forest sera réalisée pour enrichir les modèles prédictifs. Ce projet contribuera à renforcer nos connaissances sur le SMet et l’empreinte foetale; il va permettre l’identification précoce des sujets à risque afin d’améliorer leur prise en charge et de proposer une stratégie préventive efficace