Logo Metabolon
Obtenir un devis
Démonstration de notre plateforme

Guide de la multiomique

Chapitre 5 - Protéomique

Dans ce chapitre, nous donnons un bref aperçu de la protéomique, la modalité qui s'intéresse à l'abondance des espèces protéiques dans les cellules et les tissus, y compris l'analyse des interactions protéiques. Nous aborderons le rôle de la protéomique dans les études multiomiques, la technologie permettant de réaliser des expériences de protéomique et les considérations expérimentales. Nous aborderons également trois études de cas qui mettent en évidence l'utilité de la protéomique dans la recherche sur les maladies infectieuses et l'oncologie.

Qu'est-ce que la protéomique ?

La protéomique est l'étude complète du protéome : l'ensemble des protéines, y compris leurs variations et modifications, produites par un organisme ou un système1. Ce domaine complète la génomique et la transcriptomique pour sonder le dogme central de la biologie au niveau des protéines. La compréhension des interactions complexes des protéines, en particulier dans le contexte de la régulation des gènes, ouvre des possibilités de comprendre la santé et la maladie et d'améliorer le diagnostic, le traitement et la prévention des maladies.

Les protéines sont fondamentales pour les systèmes biologiques car elles remplissent des fonctions essentielles à la vie, notamment en catalysant les réactions métaboliques, en répliquant l'ADN, en répondant aux stimuli et en transportant les molécules d'un endroit à un autre. Les protéines sont impliquées dans pratiquement tous les processus à l'intérieur d'une cellule2: les protéines structurelles, comme le collagène et la kératine, fournissent un échafaudage pour organiser les cellules et les tissus ; les hormones protéiques, les cytokines et les chimiokines transmettent des messages entre les cellules et les organes en utilisant des récepteurs protéiques pour recevoir ces signaux ; et les anticorps protègent le corps contre les agents pathogènes en se liant à des cibles spécifiques. Les protéines régulent également l'expression des gènes et l'activité d'autres protéines, ce qui démontre leur rôle crucial dans l'homéostasie et la régulation des gènes.

Comment étudier la protéomique ?

La protéomique fait appel à diverses technologies sophistiquées. Ces technologies sont essentielles pour analyser la structure, la fonction et les interactions des protéines, et fournissent des informations cruciales pour comprendre les processus cellulaires et les mécanismes des maladies. Voici quelques technologies clés qui ont joué un rôle crucial dans l'obtention d'informations précieuses grâce à la protéomique :

Spectrométrie de masse

La spectrométrie de masse est la pierre angulaire de la protéomique3,4, permettant l'identification et la quantification des protéines à partir d'échantillons biologiques. Elle fonctionne en fragmentant et en ionisant les protéines, puis en mesurant le rapport masse/charge des particules ionisées pour déterminer le poids moléculaire des peptides et des protéines. Un flux de travail typique implique la digestion des protéines en peptides, qui présentent alors une "empreinte" caractéristique du spectre de masse. Il existe trois principaux types de spectrométrie de masse :

  • MALDI-TOF (Matrix-Assisted Laser Desorption/Ionization Time-of-Flight) : Elle utilise un laser pour ioniser des fragments peptidiques sur un substrat, créant ainsi des fragments peptidiques ionisés qui atteignent un détecteur qui utilise le temps de vol pour mesurer le rapport masse/charge (un rapport masse/charge plus faible a un temps de vol plus court)5. MALDI-TOF est utile pour l'identification rapide des protéines en générant des empreintes de masse peptidique sans interférence par d'autres biomolécules ou substrats.
  • ESI-MS (spectrométrie de masse à ionisation par électronébulisation) : Souvent couplée à la chromatographie liquide (LC-ESI-MS/MS), elle fournit des informations détaillées sur les séquences peptidiques et les modifications post-traductionnelles car elle ne fragmente pas l'analyte en ions plus petits6.
  • MS en tandem (MS/MS) : permet le séquençage des peptides en les fragmentant et en déduisant la séquence des acides aminés par l'analyse des fragments obtenus7.

Chromatographie

Les techniques de chromatographie sont utilisées pour séparer les protéines et les peptides avant l'analyse, qui comprend souvent la spectrométrie de masse. Il s'agit notamment des techniques suivantes

  • Chromatographie liquide (LC)4: particulièrement utile pour sa capacité à séparer des milliers de protéines et de peptides en une seule fois.
  • Chromatographie par échange d'ions8 : sépare les protéines en fonction de leur charge.
  • Chromatographie d'affinité9 : cible des protéines et des peptides spécifiques avec une grande spécificité en utilisant des ligands qui se lient à une structure ou à un motif protéique particulier.

Spectrométrie de masse par imagerie

La spectrométrie de masse par imagerie (IMS) permet de visualiser la distribution spatiale des protéines et des peptides directement dans les tissus biologiques10. Des variantes, telles que la nanospectrométrie de masse à ions secondaires (NanoSIMS), permettent la localisation subcellulaire des métabolites11. Cette technique a des applications importantes en recherche clinique, comme la cartographie des marges tumorales ou la compréhension de la pathologie au niveau moléculaire12.

Électrophorèse sur gel en deux dimensions (2D-GE)

La 2D-GE est une technique puissante qui sépare les protéines dans une matrice de gel en fonction de leur point isoélectrique et de leur poids moléculaire13. Cette méthode est utile pour visualiser les différences d'expression des protéines dans divers échantillons, par exemple en comparant des tissus malades à des témoins sains. L'électrophorèse sur gel par différence en 2D (2D-DIGE) est une variante de l'électrophorèse sur gel en 2D qui ajoute des étiquettes fluorescentes à deux échantillons ou plus afin de disposer d'une méthode peu coûteuse pour comparer les protéomes14,15. Les points d'intérêt dans les gels DIGE peuvent être extraits et caractérisés par spectrométrie de masse.

Micropuces à protéines

Les puces à protéines immobilisent les protéines sur une surface solide, ce qui permet l'analyse parallèle de nombreuses interactions16. Ces puces peuvent être utilisées pour la caractérisation des anticorps, l'identification des enzymes et des substrats et l'analyse des interactions protéine-protéine.

Considérations expérimentales

Ces technologies offrent un aperçu unique du protéome dans diverses conditions physiologiques et pathologiques. Le choix des techniques dépendra de la question biologique, car leur coût, leur résolution, leur sensibilité, leurs exigences en matière de préparation et d'analyse varient. Les techniques peuvent être combinées pour gérer la profondeur et l'étendue des connaissances. Par exemple, la spectrométrie de masse est fréquemment utilisée pour identifier les interacteurs d'une protéine spécifique ou les changements globaux en réponse à une perturbation.

Cependant, la SM nécessite de grandes quantités de protéines de départ, et l'exécution et l'analyse nécessitent une expertise en bioinformatique. L'électrophorèse sur gel 2D, en revanche, peut être utilisée pour obtenir rapidement et à peu de frais un instantané du protéome ; la comparaison de deux protéomes à l'aide de la DIGE peut aider à mettre l'accent sur des différences spécifiques, mais ne serait pas sensible aux protéines peu abondantes. L'IMS est une technique relativement nouvelle qui ne cesse de progresser et qui permet désormais d'analyser les métabolites cellulaires au niveau des organites, ce qui permet de sonder plus profondément le fonctionnement interne de la cellule.

Utilisations modernes de la protéomique en multiomique: Études decas

Metabolon a travaillé avec plusieurs clients et collaborateurs pour réaliser une variété d'études de recherche multiomique sur un large éventail de sujets. Nous présentons ci-dessous quelques études de cas clés illustrant l'utilisation de la protéomique et de la métabolomique avec d'autres données omiques.

L'intégration de données multiomiques révèle que le métabolome est le principal prédicteur du microenvironnement cervicovaginal

Dans le cadre d'une étude multiomique à grande échelle combinant des données microbiomiques, métabolomiques et immunoprotéomiques, les chercheurs ont exploré les interactions complexes qui se produisent dans le microenvironnement cervicovaginal chez les femmes atteintes d'une néoplasie du col de l'utérus17. En intégrant ces ensembles de données, ils ont développé des modèles prédictifs de la santé vaginale. Leurs travaux, publiés dans PLoS Computational Biology, ont utilisé des échantillons cervicovaginaux prélevés sur 72 femmes atteintes d'un carcinome cervical invasif (CCI [n=8]), de lésions intraépithéliales de bas et de haut grade (HSIL [n=27], LSIL [n=10]), ainsi que sur des témoins HPV-positifs (n=18) et HPV-négatifs (n=9) (figure 1).

Une approche multiomique s'appuyant sur des classifieurs de forêts aléatoires a permis d'identifier plusieurs associations entre le microbiome vaginal, le pH vaginal, l'inflammation génitale, le statut de la maladie et le métabolome.

Figure 1. Une approche multiomique utilisant des classifieurs de forêts aléatoires a identifié des associations entre le microbiome vaginal, l'immunoprotéome et le métabolome pour prédire le pH vaginal, l'inflammation génitale, l'état de la maladie et la composition du microbiome17.

Des techniques d'apprentissage automatique (réseaux neuronaux et classificateurs de forêt aléatoire) ont été utilisées pour analyser les données relatives au microbiome, au métabolome, au protéome et au pH vaginal afin d'identifier des biomarqueurs prédictifs potentiels du cancer et du système immunitaire. Parmi leurs résultats, ils ont trouvé que les lipides (par exemple les sphingolipides et les acides gras insaturés à longue chaîne) étaient de puissants prédicteurs de l'inflammation génitale. En revanche, les métabolites d'acides aminés étaient des prédicteurs de la composition du microbiome vaginal et du pH vaginal. Des protéines immunitaires clés (IL-6, IL-10, MIP-1α) étaient fortement associées au microbiote vaginal, au pH vaginal (MIF) et à l'inflammation génitale.

L'intégration des données du microbiome, du métabolome et de l'immunoprotéome a généralement permis d'obtenir des modèles plus précis qu'une seule modalité omique, soulignant ainsi les avantages d'une multiomique complète. Cette approche globale a permis d'obtenir une vue d'ensemble du microenvironnement cervicovaginal, révélant des interconnexions complexes entre différentes couches biologiques qui peuvent servir de biomarqueurs pour le diagnostic et le traitement du cancer du col de l'utérus.

Caractérisation protéomique et métabolomique des sérums des patients COVID-19

Dans une étude publiée dans Cell, des chercheurs ont combiné des données protéomiques et métabolomiques pour mieux comprendre la gravité de la maladie COVID-19(figure 2)18. En collectant des échantillons de sérum de 65 patients atteints de COVID-19 sévère (n=28) ou non sévère (n=37), de patients souffrant de maladies respiratoires sans COVID-19 (n=25) et de témoins sains (n=28) en vue d'une analyse protéomique et métabolomique, les chercheurs ont identifié une dysrégulation de la fonction macrophagique, de la dégranulation plaquettaire et du système du complément, ainsi qu'une suppression métabolique chez les patients souffrant de COVID-19. En outre, 93 protéines et 204 métabolites ont été corrélés à la gravité de la maladie.

Les chercheurs ont entraîné un modèle d'apprentissage automatique par forêt aléatoire sur des données protéomiques et métaboliques (22 protéines et 7 métabolites) provenant de 31 patients atteints de COVID-19, dont 13 présentaient une infection sévère par COVID-19. La validation de ce modèle sur des cohortes indépendantes a révélé qu'il pouvait correctement stratifier les patients en fonction de la gravité de la maladie dans près de 85 % des cas testés. Les auteurs ont émis l'hypothèse que nombre de ces biomarqueurs sont impliqués dans le système immunitaire ou sont indicatifs de lésions hépatiques qui peuvent précéder les symptômes manifestes d'une infection sévère par COVID-19. Les auteurs ont également constaté que ces biomarqueurs présageaient des infections graves par COVID-19 jusqu'à quatre jours avant l'apparition des symptômes graves10.

Les analyses protéomiques et métabolomiques des sérums des patients atteints de COVID-19 ont permis d'identifier des signatures protéiques et métaboliques clés pouvant prédire la gravité de la maladie lorsqu'elles sont utilisées dans un modèle d'entraînement.

Figure 2. Les analyses protéomiques et métabolomiques des sérums de patients atteints de COVID-19 ont permis d'identifier des signatures protéiques et métaboliques clés susceptibles de prédire la gravité de la maladie lorsqu'elles sont utilisées dans un modèle d'entraînement18.

Développement d'un modèle multiomique pour l'identification de biomarqueurs prédictifs de la sévérité du COVID-19 : une étude de cohorte rétrospective

Dans une étude publiée dans Lancet Digital Health, des chercheurs ont combiné la métabolomique, la lipidomique et la protéomique pour identifier des biomarqueurs prédictifs des complications associées à COVID-1919. Dans une cohorte de 455 patients atteints de COVID-19 et de 182 témoins, les chercheurs ont établi rétrospectivement le profil des cytokines circulantes et d'autres protéines, lipides et métabolites.

En utilisant des modèles avancés d'apprentissage automatique sur les données, les chercheurs ont identifié 102 biomarqueurs qui prédisaient efficacement les résultats cliniques graves dans COVID-19. Certains, comme le membre A de la famille 6 du domaine des lectines de type C (CLEC6A), l'éther phosphatidyléthanolamine (P-18:1/18:1) et le 2-hydroxydécanoate(figure 3), sont de nouveaux biomarqueurs qui n'avaient pas encore été associés à la gravité du COVID-19. Ces découvertes soulignent le potentiel des approches multiomiques pour révéler des détails complexes sur les mécanismes de la maladie que les panels de cytokines traditionnels ne peuvent pas fournir.

Marqueurs métaboliques associés à la gravité de la maladie COVID-19.

Figure 3. Marqueurs métaboliques associés à la gravité de la maladie COVID-1919.

Non seulement l'intégration de multiples ensembles de données omiques a permis d'identifier des voies et processus biologiques interconnectés, mais l'application d'algorithmes d'apprentissage automatique a conduit à la création de modèles prédictifs plus performants que ceux basés uniquement sur des marqueurs traditionnels, illustrant la puissance de la combinaison de diverses données biologiques en tant qu'analyses multiomiques pour une meilleure précision prédictive et des connaissances biologiques plus approfondies.

La protéomique dans la recherche multiomique

Ces études de cas ont démontré l'importance de la protéomique en tant que composante essentielle de la recherche en multiomique pour fournir une compréhension holistique des systèmes biologiques et des processus pathologiques. La multiomique joue déjà un rôle clé dans l'avancement de la médecine personnalisée, et il est probable qu'elle continuera à le faire, en particulier à mesure que la technologie s'améliore.

guide de réussite de la conception d'une étude métabolomique

Lire la suite - Chapitre 6 - Métabolomique

Dans ce chapitre, nous présentons une vue d'ensemble de la métabolomique - la modalité omique qui s'intéresse au métabolome - et nous examinons les technologies qui permettent à ce domaine d'étude de fournir de nouvelles informations biologiques utiles aux soins de santé et à l'agriculture.

Lire la suite

Références

  1. Al-Amrami S, Al-Jabri Z, Al-Zaabi A, et al. Proteomics : Concepts et applications en médecine humaine. World J Biol Chem. 2021;12(5) : 57-69. doi : 10.4331/wjbc.v12.i5.57
  2. Alberts B, Johnson A, Lewis J, et al. Molecular Biology of the Cell. 4e édition. New York : Garland Science ; 2002. Analyse de la structure et de la fonction des protéines. Disponible à l'adresse suivante : https://www.ncbi.nlm.nih.gov/books/NBK26820/
  3. Han X, Aslanian A, et Yates III JR. Mass Spectrometry for Proteomics (Spectrométrie de masse pour la protéomique). Curr Opin Chem Biol. 2008;12(5) : 483-490. doi : 10.1016/j.cbpa.2008.07.024
  4. Parker CE, Warren MR, Mocanu V. Spectrométrie de masse pour la protéomique. In : Alzate O, éditeur. Neuroproteomics. Boca Raton (FL) : CRC Press/Taylor & Francis ; 2010. Chapitre 5. Disponible à l'adresse : https://www.ncbi.nlm.nih.gov/books/NBK56011/
  5. Li D, Yi J, Han G, Qiao L. MALDI-TOF mass spectrometry in clinical analysis and research. ACS Meas Sci Au. 2022;2(5):385-404. doi:10.1021/acsmeasuresciau.2c00019
  6. Pitt JJ. Principes et applications de la chromatographie liquide-spectrométrie de masse en biochimie clinique. Clin Biochem Rev. 2009;30(1):19-34.
  7. Neagu AN, Jayathirtha M, Baxter E, Donnelly M, Petre BA, Darie CC. Applications de la spectrométrie de masse en tandem (MS/MS) dans l'analyse des protéines pour la recherche biomédicale. Molecules. 2022;27(8):2411. doi:10.3390/molecules27082411
  8. Jungbauer A et Hahn R. Ion-exchange chromatography. Methods Enzymol. 2009:463:349-71. doi : 10.1016/S0076-6879(09)63022-6
  9. Urh M, Simpson D, et Zhao K. Affinity chromatography : general methods. Methods Enzymol. 2009:463:417-38. doi : 10.1016/S0076-6879(09)63026-3
  10. McDonnell LA, Heeren RMA. Imagerie de la spectrométrie de masse. Mass Spectrometry Reviews. 2007;26(4):606-643. doi:10.1002/mas.20124
  11. Siuzdak G. Subcellular quantitative imaging of metabolites at the organelle level. Nat Metab. 2023;5(9):1446-1448. doi:10.1038/s42255-023-00882-z
  12. Arentz G, Mittal P, Zhang C, et al. Applications de l'imagerie par spectrométrie de masse au cancer. In : Advances in Cancer Research. Vol 134. Elsevier ; 2017:27-66. doi:10.1016/bs.acr.2016.11.002
  13. Adams LD et Gallagher SR. Two-dimensional gel electrophoresis (électrophorèse sur gel en deux dimensions). Curr Protoc Mol Biol. 2004 Sep:Chapter 10:Unit 10.4. doi : 10.1002/0471142727.mb1004s67
  14. Kondo T. Cancer biomarker development and two-dimensional difference gel electrophoresis (2D-DIGE). Biochim Biophys Acta Proteins Proteom. 2019;1867(1):2-8. doi:10.1016/j.bbapap.2018.07.002
  15. Meleady P. Two-Dimensional Gel Electrophoresis and 2D-DIGE. Methods Mol Biol. 2023;2596:3-15. doi:10.1007/978-1-0716-2831-7_1
  16. Reymond Sutandy FX, Qian J, Chen C-S, et al. Overview of Protein Microarrays. Curr Protoc Protein Sci. 2013 ; 72(1) : 2711-27116. doi : 10.1002/0471140864.ps2701s72
  17. Bokulich NA, Łaniewski P, Adamov A, Chase DM, Caporaso JG, Herbst-Kralovetz MM. Multi-omics data integration reveals metabolome as the top predictor of the cervicovaginal microenvironment. Segata N, ed. PLoS Comput Biol. 2022;18(2):e1009876. doi:10.1371/journal.pcbi.1009876
  18. Shen B, Yi X, Sun Y, et al. Proteomic and metabolomic characterization of COVID-19 patient serums. Cell. 2020;182(1):59-72.e15. doi:10.1016/j.cell.2020.05.032
  19. Byeon SK, Madugundu AK, Garapati K, et al. Development of a multiomics model for identification of predictive biomarkers for COVID-19 severity : a retrospective cohort study. The Lancet Digital Health. 2022;4(9):e632-e645. doi:10.1016/S2589-7500(22)00112-1

Table des matières

Chapitre 1 - Introduction à la multiomique

Chapitre 2 - Conception d'une étude multiomique

Chapitre 3 - Génomique

Chapitre 4 - Transcriptomique

Chapitre 5 - Protéomique

Chapitre 6 - Métabolomique

Chapitre 7 - Microbiome

Chapitre 8 - L'avenir de la multiomique

Télécharger le guide au format PDF

Télécharger le PDF

Partager ce chapitre

Découvrez comment Metabolon peut vous aider à obtenir des informations précliniques et cliniques.

Obtenir un devis pour un projet

Nous contacter

Parler avec un expert

Demandez un devis pour nos services, obtenez plus d'informations sur les types d'échantillons et les procédures de manipulation, demandez une lettre de soutien ou posez une question sur la façon dont la métabolomique peut faire avancer votre recherche.

Siège social

617 Davis Drive, Suite 100
Morrisville, NC 27560

+1 (919) 572-1711

+1 (919) 572-1721