Intégrer les données génétiques et du microbiome pour prédire les maladies

Les avancées récentes en science ont permis aux chercheurs d'étudier diverses maladies de manière nouvelle. Un domaine prometteur s'appelle les "technologies multi-omiques", qui examinent plusieurs facteurs biologiques en même temps. Ça a aidé les scientifiques à trouver de nouveaux marqueurs qui pourraient aider à prédire des maladies courantes comme les maladies cardiaques, le diabète, les maladies du foie, la démence et le cancer.

Traditionnellement, les médecins utilisaient des facteurs de base comme l'âge, le sexe, le poids corporel et certains tests médicaux pour évaluer le risque de ces maladies. Cependant, avec l'essor des multi-omiques, il est désormais possible de regarder plusieurs facteurs biologiques et cellulaires simultanément. Ça peut mener à des prédictions de risque plus précises.

#Scores de Risque Polygénique

Un autre outil intéressant dans cette recherche s'appelle les scores de risque polygénique (PRS). Ces scores mesurent le risque génétique pour certaines maladies basées sur différents gènes. Des études ont montré que les PRS peuvent être utiles pour prédire des maladies comme les maladies cardiaques, les cancers, le diabète, et plus encore. C'est parce que les PRS peuvent être calculés à partir d'un test génétique simple et peu coûteux qui peut fournir des centaines de scores.

Du coup, les chercheurs du monde entier étudient l'efficacité des PRS en milieu clinique.

#Le Rôle du Microbiote intestinal

En plus des facteurs génétiques, les scientifiques ont aussi étudié le microbiote intestinal. Ça fait référence à la communauté de micro-organismes vivant dans nos intestins. La recherche suggère que ces bactéries peuvent influencer de nombreuses maladies courantes. Des schémas spécifiques dans les bactéries intestinales ont été liés à des maladies comme le diabète de type 2 et les maladies du foie, suggérant que le microbiome intestinal pourrait aider à prédire les risques de maladies.

Bien que les études génétiques aient trouvé des liens entre nos gènes et le microbiote intestinal, l'étendue à laquelle la génétique influence le microbiome intestinal n'est pas encore bien comprise.

#Combinaison des Scores de Risque Polygénique et du Microbiome Intestinal

Grâce aux avancées en technologie et à la nature non invasive des méthodes d'échantillonnage, les données des PRS et du microbiote intestinal sont considérées comme des éléments importants dans les prédictions de risque de maladie à l'avenir. Dans cette étude, les chercheurs ont examiné à quel point les PRS, la composition du microbiome intestinal et les facteurs de risque traditionnels pouvaient prédire une gamme de maladies courantes. Ils se sont concentrés sur des maladies qui ont montré une capacité prédictive significative à partir des études de PRS et de microbiome intestinal, à savoir les maladies coronariennes (CAD), le diabète de type 2 (T2D), la maladie d'Alzheimer (AD) et le cancer de la prostate.

Les chercheurs ont utilisé des données d'une grande étude basée sur la population réalisée en Finlande appelée FINRISK 2002. Ils ont étudié l'efficacité des PRS, des scores du microbiome intestinal et des facteurs de risque traditionnels pour prédire ces maladies.

#Résultats de l'Étude

Dans l'étude FINRISK 2002, les chercheurs ont collecté des données génétiques et des données sur le microbiome intestinal auprès des participants, suivant le développement des maladies au fil du temps. Ils ont identifié le nombre de nouveaux cas pour chaque maladie sur une période de suivi moyenne d'environ 18 ans en consultant les dossiers de santé électroniques.

Les chercheurs ont constaté que pour les CAD, T2D et AD, certains facteurs de risque étaient significativement différents entre ceux qui ont développé la maladie et ceux qui ne l'ont pas fait. Pour le cancer de la prostate, ils ont noté des variations dans l'âge de base et les habitudes de tabagisme.

#Scores de Risque Polygénique et Prédiction des Maladies

Pour évaluer l'efficacité des PRS et des facteurs de risque conventionnels dans la prédiction des maladies, les chercheurs ont utilisé des modèles statistiques. Pour chaque maladie, ils ont déterminé quels facteurs de risque étaient les prédicteurs les plus forts. L'âge s'est révélé être un des meilleurs prédicteurs pour la plupart des maladies, tandis que d'autres facteurs comme la pression artérielle et l'IMC ont aussi joué un rôle important.

En comparant la capacité prédictive des PRS aux facteurs de risque traditionnels, les chercheurs ont constaté que les PRS fournissaient des informations précieuses. Dans la plupart des cas, les PRS montraient une association plus forte avec l'apparition de la maladie que l'histoire familiale, souvent considérée comme un facteur de risque important.

#Microbiome Intestinal et Prédiction des Maladies

En plus des données génétiques, les chercheurs ont aussi regardé la composition du microbiome intestinal. Ils ont utilisé des techniques de séquençage pour analyser des échantillons de selles des participants. Leur objectif était de voir comment les variations dans les bactéries intestinales étaient associées au risque de développer des maladies.

Ils ont découvert que certains schémas de diversité dans le microbiote intestinal étaient liés au risque de maladie, particulièrement pour le T2D. Cependant, ils ont constaté que le pouvoir prédictif du microbiome intestinal n'était pas aussi fort lorsqu'il était combiné avec des facteurs de risque traditionnels par rapport à la performance individuelle des PRS.

#Modélisation Intégrative des Risques

Les chercheurs ont ensuite combiné les scores de PRS, les données du microbiome intestinal et les facteurs de risque standard pour évaluer leur capacité collective à prédire les maladies. Ils ont trouvé qu'ajouter des données de PRS et de microbiome intestinal améliorait les prédictions pour toutes les maladies étudiées.

Par exemple, incorporer les scores de PRS et de microbiome intestinal a considérablement amélioré les prédictions pour les CAD, T2D, AD et le cancer de la prostate par rapport à l'utilisation uniquement de facteurs de risque standards.

#L'Âge comme Facteur

L'âge s'est constamment révélé être le meilleur prédicteur individuel parmi toutes les maladies examinées, mais l'inclusion des scores de PRS et du microbiome intestinal a enrichi les modèles prédictifs. Les résultats indiquaient que ces modèles combinés pourraient fournir une meilleure évaluation du risque de maladie que les seuls facteurs traditionnels.

#Limitations de l'Étude

Bien que les résultats soient prometteurs, l'étude avait aussi quelques limitations. D'abord, le microbiome intestinal et les facteurs de risque n'ont été mesurés qu'une seule fois au début de l'étude, ce qui signifie que les changements au fil du temps n'ont pas été capturés. La composition des bactéries intestinales peut changer pour diverses raisons comme l'alimentation, les médicaments et l'environnement.

Deuxièmement, certains facteurs importants comme l'histoire familiale de la maladie d'Alzheimer n'ont pas été examinés. Ça pourrait influencer les résultats, surtout que l'histoire familiale est significative pour comprendre le risque de maladie.

Enfin, les participants de l'étude venaient principalement d'une démographie spécifique (les Finlandais), ce qui peut limiter la généralisation des résultats à d'autres populations.

#Conclusion

Cette étude représente l'un des premiers efforts pour combiner des données génétiques, une analyse du microbiome intestinal et des facteurs cliniques pour prédire des maladies courantes. Les chercheurs ont souligné que bien que des associations entre le microbiome intestinal et la maladie aient été notées, son utilité pour améliorer les prédictions de risque clinique était moins claire comparée aux fortes capacités prédictives des PRS.

Globalement, cette recherche suggère qu'intégrer les données de PRS et de microbiome intestinal pourrait maximiser le potentiel prédictif pour les maladies, marquant une étape importante vers une meilleure évaluation des risques en santé. D'autres études seront nécessaires pour affiner ces modèles et confirmer leur utilité dans différentes populations.