Analyse intégrée du protéome et du génome dans l’obésité
Introduction
L’obésité est une maladie métabolique chronique caractérisée par une accumulation excessive ou une distribution anormale de graisse corporelle. Elle est généralement évaluée par l’indice de masse corporelle (IMC), défini comme le poids en kilogrammes divisé par le carré de la taille en mètres. Selon l’Organisation mondiale de la santé (OMS), le surpoids correspond à un IMC de 25,0–29,9 kg/m² et l’obésité à un IMC ≥30 kg/m². L’obésité entraîne des risques sanitaires importants, augmentant la probabilité de développer un diabète de type 2, une coronaropathie, une hypertension, une apnée du sommeil obstructive et certains cancers. Des études récentes ont également souligné un risque accru de complications graves de la COVID-19 chez les individus obèses. La prévalence mondiale de l’obésité a considérablement augmenté au cours des dernières décennies, engendrant un fardeau économique substantiel. Par exemple, le coût médical annuel de l’obésité aux États-Unis s’élevait à près de 173 milliards de dollars en 2019, tandis qu’en Chine, les dépenses médicales directes liées à l’obésité représentaient environ 8,0 % des coûts nationaux totaux en 2010, avec une projection d’augmentation à 22,0 % d’ici 2030.
Génétique de l’obésité
La pathogenèse de l’obésité est complexe, influencée par des facteurs génétiques, environnementaux, sociaux et leurs interactions. Les facteurs génétiques contribueraient à 40,0–70,0 % du risque d’obésité, comme le montrent des études sur les jumeaux, les familles et l’adoption. L’obésité se classe en deux groupes génétiques principaux : l’obésité monogénique, causée par des défauts génétiques uniques ou des délétions chromosomiques, et l’obésité polygénique, la forme la plus courante impliquant de multiples variants génétiques. L’obésité monogénique est rare et se manifeste généralement précocement avec des phénotypes sévères, souvent dus à des mutations dans des gènes comme la leptine (LEP), son récepteur (LEPR), le récepteur de la mélanocortine-4 (MC4R) et la pro-opiomélanocortine (POMC). L’obésité polygénique implique des centaines de loci identifiés par des études d’association pangénomique (GWAS). Malgré la découverte de nombreux gènes associés, comme FTO, CTNNBL1 et CTSS, ces loci n’expliquent qu’une petite partie de l’héritabilité de l’obésité. La plus grande GWAS sur l’IMC, incluant 700 000 participants, a identifié 941 polymorphismes nucléotidiques (SNPs) indépendants associés à l’IMC, expliquant seulement 6,0 % de la variance. Ceci souligne les défis de transposition des résultats GWAS en pratique clinique.
Niveaux protéiques et obésité
Les protéines sont les acteurs fonctionnels des processus biologiques et des cibles thérapeutiques potentielles. Le protéome, reflet dynamique de l’état cellulaire, tissulaire ou organismique, révèle des variations significatives chez les individus obèses. Par exemple, la leptine (LEP), une hormone peptidique régulant l’appétit, et la protéine C-réactive (CRP), marqueur inflammatoire, présentent des niveaux altérés. Le tissu adipeux, organe endocrine actif, libère des hormones et cytokines contribuant à l’élévation de la CRP. Cependant, les études protéomiques restent limitées par de petits échantillons ou un nombre restreint de protéines analysées. Une investigation systématique des liens fonctionnels entre protéome et obésité dans de grandes cohortes est donc cruciale.
Intégration du protéome et du génome dans l’analyse de l’obésité
La combinaison de la génomique et de la protéomique permet de combler les lacunes dans la compréhension des associations variants-obésité et d’identifier de nouvelles cibles thérapeutiques. Plusieurs stratégies sont employées : analyses de chevauchement, de colocalisation, randomisation mendélienne (RM) et études d’association pangénomique du protéome (PWAS).
Analyse de chevauchement entre variants pQTL et signaux GWAS
Cette méthode compare les loci de caractère quantitatif des protéines (pQTLs) aux signaux GWAS liés à l’obésité. Neuf études pQTL ont identifié des loci associés à la fois à l’obésité et aux niveaux protéiques, comme le SNP rs1878047 (CD33) lié à l’IMC, ou les pQTLs de CTSS associés à la masse grasse. Bien qu’utile, cette approche ne démontre pas de causalité.
Colocalisation des associations pQTL et GWAS
Cette analyse détermine si deux signaux partagent un variant causal. Dans la cohorte Fenland, des protéines comme NEC1, APOL3 et LRIG1 partagent des variants causaux avec l’IMC, le tour de taille (TT) ou le tour de hanches (TH). Cependant, cette méthode dépend du choix des régions analysées et ne quantifie pas les effets causaux.
Randomisation mendélienne
La RM utilise des variants génétiques comme variables instrumentales pour évaluer les relations causales. Cinq analyses RM ont lié des protéines plasmatiques à l’obésité : l’IMC influence 24 protéines (ex. SERPINE1, LEP), tandis que six protéines (ex. LEPR, IGFBP1) affectent causalement l’IMC. Les limites incluent la variance expliquée par les variants, les facteurs confusionnels et la pléiotropie.
Étude d’association pangénomique du protéome (PWAS)
La PWAS intègre l’expression protéique et les résultats GWAS. Une PWAS cérébrale a identifié 216 gènes influençant l’IMC via l’abondance protéique cérébrale, tandis qu’une PWAS plasmatique a associé 11 gènes à l’IMC et/ou au rapport TT/TH. Les limites incluent la focalisation sur les SNPs cis, la nécessité de données individuelles et l’absence d’analyse multi-omique.
Mécanismes identifiés par les stratégies intégratives
Ces approches ont révélé des mécanismes clés, comme le rôle de PCSK1 dans le traitement des prohormones. PCSK1 médie la production d’ACTH, convertie en α-MSH, une hormone anorexigène. Son absence entraîne obésité et dysfonctionnements gastro-intestinaux.
Discussion
L’intégration protéome-génome est prometteuse pour identifier des loci et cibles thérapeutiques. Cependant, les études pQTL actuelles souffrent de petits échantillons et d’un nombre limité de tissus analysés. Les recherches futures devraient élargir les cohortes, diversifier les populations et inclure des données protéomiques multi-tissus. Des méthodes comme la RM généralisée (GSMR), le modèle LCV ou la PWAS FIRM pourraient enrichir le domaine. Les modifications post-traductionnelles (phosphorylation, glycosylation, etc.), régulant des processus physiologiques clefs, méritent également des analyses à grande échelle.
Conclusion
L’application de l’analyse intégrée protéome-génome à l’obésité ouvre des perspectives importantes pour la recherche et la médecine personnalisée. Néanmoins, son plein potentiel nécessite le développement d’études pQTL à grande échelle, une diversification des populations étudiées et l’exploration de multiples tissus. L’adoption de méthodes innovantes et l’analyse des modifications post-traductionnelles permettront d’approfondir notre compréhension des mécanismes moléculaires de l’obésité.
doi.org/10.1097/CM9.0000000000002644