Spectre de l’inflammation dans les SMD de bas risque
Réf. : HematoStat.net ; 2 (25).
Résumé de l’article
Dans ce travail principalement fondamental, les auteurs rapportent des données transcriptomiques de gènes impliqués dans l’inflammasome, corrélés à des taux de cytokines pro-inflammatoires de surnageant médullaires chez des patients SMD de bas (n=47) ou de haut (n=14) risque, des individus porteurs d’hématopoïèse clonale (n=12) et 15 individus sains témoins, tous caractérisés sur le plan moléculaire. De ces analyses corrélatives, il en ressort que les SMD de bas risque sont caractérisés par un profil d’expression génique hautement inflammatoire (NLPR1, NLRC, IL18) mais ce de façon hétérogène. En effet, il semble que les patients SF3B1 mutés et Del5q présentent des profils inflammatoires différents, caractérisés par une augmentation de l’expression de NLRP3, IL1b ou de S100A9 respectivement. Le traitement par inhibiteur d’IL1b (canakinumab) ou de NLRP3 (IFM-2384) permettait d’améliorer le potentiel de formation de colonies de cellules souches saines co-cultivées avec des cellules issues de patients SMD, par le biais supposé d’une correction de l’inflammation.
Dans nos pratiques
Si ce travail ne change pas nos pratiques dans l’immédiat, il présente une vue d’ensemble du paysage inflammatoire des patients SMD de bas risque, ainsi que des corrélations entre le phénotype inflammatoire et le génotype. Ces données sont notamment pertinentes dans l’utilisation des thérapies anti-inflammatoires à venir dans le contexte des SMD, à commencer par le canakinumab en cours d’évaluation chez les patients de bas risque (essai CANFIRE, NCT05237713).
Le regard du biostatisticien
Cette étude axée métagénomique (ou assimilé) a nécessité plusieurs logiciels pour effectuer analyses et graphiques, mais en spécifiant les versions des tous les logiciels et des packages utilisés, ainsi que les paramètres de certaines fonctions employées (ce qui devrait être la norme pour reproduire les résultats). La méthodologie concernant la nature des tests multiples effectués est décrite avec précision également. Parmi l’attirail proposé, non seulement des analyses en composantes principales et des heatmap par sous-groupes ont été générées pour caractériser les profils génétiques de cette petite cohorte de patients. Frustrant que l’outil de machine learning qu’est le random forest n’ait servi qu’à classifier les gènes par ordre d’importance car il peut servir également à trouver des profils de patients. Autrement, c’est une belle publication, riche en illustrations et résultats !
English 
French 