Indice alimentaire du microbiote : tension et inflammation plus basses chez les adultes obèses
L’obésité est devenue un problème majeur de santé publique à l’échelle mondiale : la prévalence standardisée sur l’âge chez les adultes est passée d’environ 6,6 % en 1990 à 15,8 % en 2022 dans le monde. Des travaux récents indiquent que plus d’un milliard de personnes vivent désormais avec l’obésité, soit une hausse de plus du double chez les adultes et une multiplication par quatre de l’obésité infantile entre 1990 et 2022. L’étiologie de l’obésité est multifactorielle et comprend des prédispositions génétiques, des comportements et des influences environnementales. Parmi ces facteurs, l’alimentation occupe une place prépondérante : un apport prolongé d’aliments transformés denses en énergie et pauvres en nutriments, associé à une faible consommation d’aliments riches en nutriments, entretient un excédent énergétique chronique et l’adiposité.
Le microbiote intestinal humain, composé de milliers de milliards de micro-organismes, dont des bactéries, des archées, des virus et des champignons, joue un rôle important dans le maintien de la santé de l’hôte. Il contribue au métabolisme des nutriments, à la synthèse des acides gras à chaîne courte (AGCC), à la régulation des réponses immunitaires, à la protection contre les agents pathogènes et à la modulation de l’inflammation systémique. Des modifications de la composition ou de la fonction du microbiote intestinal, couramment désignées sous le nom de dysbiose, ont été impliquées dans la pathogenèse de plusieurs affections chroniques, notamment l’obésité, le diabète de type 2, les maladies cardiovasculaires et les maladies inflammatoires de l’intestin.
Des données récentes suggèrent que le microbiote intestinal influence aussi le bilan énergétique de l’hôte, le métabolisme des lipides et la sensibilité à l’insuline, et qu’il agit ainsi comme un intermédiaire important de la régulation métabolique. Parmi les facteurs modifiables qui façonnent le microbiome intestinal, l’alimentation est l’un des plus influents.
Les profils alimentaires riches en fibres alimentaires, en glucides complexes, en polyphénols et en graisses insaturées ont été associés à des profils microbiens intestinaux favorables et à la production de métabolites microbiens, dont les AGCC, dont on a proposé qu’ils contribuent à la régulation immunitaire et au maintien de l’intégrité de la barrière intestinale. À l’inverse, les alimentations riches en graisses saturées, en protéines animales, en sucres ajoutés et en aliments ultratransformés ont été associées à une moindre diversité microbienne et à une augmentation des métabolites microbiens pro-inflammatoires. Ces constatations ont renforcé l’intérêt pour l’identification de facteurs alimentaires précis qui influencent favorablement la composition et la fonction du microbiote intestinal.
Compte tenu de la forte influence de l’alimentation sur la composition microbienne intestinale, les chercheurs ont cherché à quantifier les profils alimentaires qui favorisent la santé microbienne. L’indice alimentaire du microbiote intestinal (Dietary Index for Gut Microbiota, DIGM) a été mis au point comme outil composite pour évaluer l’adhésion à des composantes alimentaires associées, dans des travaux antérieurs, à la santé du microbiote intestinal. L’indice comprend habituellement des groupes d’aliments favorables au microbiote, comme l’avocat, les pois chiches, le brocoli, le café, les produits laitiers fermentés, le soja et les céréales complètes. Il pénalise en même temps la consommation d’aliments qui perturbent le microbiote, notamment les viandes rouges et transformées, les céréales raffinées et une alimentation riche en graisses. Ces composantes ont été choisies à partir de données antérieures qui les relient à des profils alimentaires associés aux caractéristiques du microbiote intestinal et à des issues de santé (Fig. 1).
Figure 1
Les composantes de l’indice alimentaire du microbiote intestinal (DIGM).
Des études antérieures sur le DIGM et des issues liées au microbiome ont rapporté des associations entre des scores DIGM plus élevés et des caractéristiques du microbiote intestinal, dont la diversité microbienne et certains taxons bactériens qui contribuent à la régulation immunitaire et à des effets anti-inflammatoires. Des scores DIGM plus élevés ont aussi été associés à des profils métaboliques favorables, notamment la sensibilité à l’insuline, les paramètres lipidiques et les marqueurs inflammatoires.
L’axe intestin-cerveau est une voie de communication bidirectionnelle entre le tube digestif et le système nerveux central, fortement influencée par le microbiote intestinal. Deux biomarqueurs importants dans ce contexte sont le lipopolysaccharide (LPS) et le facteur neurotrophique dérivé du cerveau (BDNF). Le LPS, une endotoxine pro-inflammatoire issue de bactéries à Gram négatif, a été proposé comme marqueur circulant lié à une signalisation inflammatoire d’origine microbienne ; il est associé à l’inflammation systémique et à des états neuro-inflammatoires. Le BDNF, de son côté, est une neurotrophine impliquée dans la fonction neuronale, et les concentrations circulantes de BDNF ont été étudiées comme biomarqueur potentiellement lié aux processus métaboliques et à l’axe intestin-cerveau. Une baisse du BDNF et une élévation du LPS ont été reliées à des troubles métaboliques et neurologiques, ce qui montre leur intérêt possible comme biomarqueurs circulants dans la recherche métabolique et sur l’axe intestin-cerveau.
Des études antérieures ont rapporté qu’une plus forte adhésion au DIGM était associée à des profils métaboliques plus favorables, notamment un moindre risque de syndrome métabolique et d’issues liées au diabète ; le DIGM a aussi été étudié en lien avec des issues liées au cancer. Ces résultats suggèrent une association possible entre des profils alimentaires orientés vers le microbiote intestinal et la santé métabolique ; les mécanismes sous-jacents demandent toutefois des travaux supplémentaires. Les données restent en revanche limitées sur la relation entre le DIGM et les principaux marqueurs de l’axe intestin-cerveau ainsi que les issues cardiovasculaires, en particulier la pression artérielle, chez les adultes atteints d’obésité. Compte tenu du poids croissant de l’obésité et de son lien avec l’hypertension et les voies neuro-inflammatoires, comprendre le rôle des profils alimentaires liés au microbiote dans ces mécanismes est nécessaire. Cette étude visait donc à examiner l’association entre l’adhésion à l’indice alimentaire du microbiote intestinal (DIGM) et des biomarqueurs circulants liés à la santé intestinale et à l’inflammation, dont le LPS, le BDNF et la protéine C-réactive (CRP), retenus comme critères principaux. Les critères secondaires comprenaient la pression artérielle, les marqueurs glycémiques, le profil lipidique et les mesures anthropométriques chez des adultes atteints d’obésité.
Méthodes
Schéma de l’étude et participants
Cette étude transversale a été menée auprès d’adultes atteints d’obésité, recrutés par échantillonnage de convenance entre janvier et décembre 2025 dans des cliniques rattachées à l’université de Mansoura, en Égypte, ainsi que par des annonces publiques invitant les personnes admissibles à participer. L’obésité était définie par un indice de masse corporelle (IMC) ≥ 30 kg/m². Les participants admissibles étaient âgés de 20 à 55 ans. Les personnes ayant des antécédents de maladie cardiovasculaire, de diabète sucré, de cancer, ou de troubles rénaux, hépatiques, thyroïdiens ou gastro-intestinaux ont été exclues. Les participantes enceintes, allaitantes ou ménopausées, ainsi que les personnes qui avaient suivi un régime particulier ou un programme de perte de poids, ou reçu un conseil diététique au cours des trois mois précédents, ont aussi été exclues. Afin de limiter l’influence possible des médicaments et des compléments sur le microbiote intestinal et les biomarqueurs inflammatoires, les personnes qui avaient utilisé des antibiotiques, des prébiotiques, des anti-inflammatoires, des médicaments hypoglycémiants, des médicaments hypolipémiants ou des compléments nutritionnels au cours des trois mois précédents n’étaient pas admissibles. La consommation d’alcool n’a pas été évaluée, car son usage est restreint sur le plan légal et culturel dans le contexte de l’étude, ce qui rend les données autodéclarées potentiellement peu fiables.
Les caractéristiques sociodémographiques et le mode de vie, notamment l’âge, le sexe, le niveau d’études, l’emploi, la situation matrimoniale, le tabagisme et les antécédents de dépression, ont été recueillis à l’aide d’un questionnaire autoadministré conçu pour cette étude. Ces informations ont été obtenues lors d’entretiens menés par des chercheurs formés, et les réponses ont été enregistrées selon des catégories prédéfinies. L’organigramme de l’étude est présenté à la Fig. 2.
Figure 2
Organigramme de l’étude.
Après confirmation des critères d’admissibilité, tous les participants ont été informés des procédures de l’étude et ont fourni un consentement écrit avant l’inclusion. Le protocole a reçu l’approbation éthique du décanat de la recherche et des études supérieures de l’université de Mansoura, en Égypte (approbation éthique n° R.26.05.3722). Toutes les procédures ont été réalisées conformément aux normes éthiques énoncées dans la Déclaration d’Helsinki et ses révisions ultérieures.
Évaluation alimentaire et construction du score DIGM
Les apports alimentaires ont été évalués à l’aide d’un questionnaire semi-quantitatif de fréquence alimentaire (QFA), adapté d’un instrument validé antérieurement pour des populations arabes et déjà utilisé dans de grandes études épidémiologiques, dont l’étude Mutaba’ah. Le QFA adapté comprenait 146 aliments représentant les principaux groupes : céréales, produits laitiers, légumes, fruits, légumineuses, viande, poisson, œufs, matières grasses et huiles, plats mixtes, boissons, sucreries, noix et graines. Les participants devaient indiquer leur alimentation habituelle au cours des 12 mois précédents, en précisant à la fois la fréquence de consommation et la portion habituelle de chaque aliment. Les portions déclarées ont été converties en grammes à l’aide de mesures ménagères standardisées, et les apports quotidiens moyens (g/jour) ont été calculés. Les données alimentaires ont ensuite été analysées avec le logiciel Nutritionist IV (First Databank, San Bruno, CA, États-Unis) afin d’estimer l’apport énergétique quotidien, les apports en macronutriments et la consommation par groupe d’aliments.
Le DIGM a été élaboré pour caractériser des profils alimentaires associés à la composition et à la fonction du microbiote intestinal, à partir de données antérieures reliant certaines composantes alimentaires à la diversité microbienne, à la richesse et à la production de métabolites. Le score DIGM comprenait 14 composantes alimentaires, dont 10 considérées comme favorables au microbiote intestinal et 4 comme défavorables (Fig. 1). Les composantes favorables étaient les pois chiches, les céréales complètes, le soja, les canneberges, les produits laitiers fermentés, le brocoli, le café, l’avocat, les fibres et le thé vert. Pour chaque composante favorable, les participants recevaient un score de 1 si leur apport était supérieur ou égal à la médiane selon le sexe, et de 0 dans le cas contraire. Les composantes défavorables étaient la viande transformée, la viande rouge, les céréales raffinées et une alimentation riche en graisses. Pour la viande transformée, la viande rouge et les céréales raffinées, les participants recevaient un score de 0 si l’apport était supérieur ou égal à la médiane selon le sexe, et de 1 dans le cas contraire. La composante alimentation riche en graisses était notée selon l’algorithme DIGM d’origine : un score de 0 était attribué aux participants qui tiraient au moins 40 % de leur énergie totale des lipides, et un score de 1 à ceux dont l’apport lipidique était plus faible. Les scores des composantes ont été additionnés pour obtenir le score DIGM global, un score plus élevé indiquant un profil alimentaire plus favorable au microbiote. Dans cette population, les scores DIGM observés allaient de 1 à 11. Pour les analyses par catégories, les participants ont été classés en tertiles selon la distribution des rangs du score DIGM continu, ce qui a donné trois groupes mutuellement exclusifs : T1 (n = 212), T2 (n = 212) et T3 (n = 213). Le score DIGM continu a servi de variable d’exposition principale dans les analyses de régression multivariée, tandis que les catégories par tertiles ont servi aux comparaisons descriptives.
Mesures anthropométriques, cliniques et activité physique
Le poids a été mesuré avec une balance numérique étalonnée et la taille avec une toise, respectivement au 0,1 kg et au 0,5 cm près. L’IMC a été calculé comme le poids (kg) divisé par la taille au carré (m²). Les paramètres de composition corporelle, dont la masse grasse (MG) et la masse maigre (MM), ont été évalués par analyse d’impédance bioélectrique (BIA) avec l’appareil InBody (InBody Co., Ltd., Séoul, République de Corée), selon les instructions du fabricant. Les participants ont été mesurés dans des conditions standardisées, le matin après un jeûne nocturne et pieds nus, afin de limiter la variabilité des mesures. Le tour de taille a été mesuré à mi-distance entre le bord inférieur de la dernière côte palpable et le sommet de la crête iliaque, avec un mètre ruban non extensible. Le tour de hanches a été mesuré au niveau de la partie la plus large des fesses, les participants étant debout, le buste droit et les pieds joints. Le rapport taille/hanches a été calculé comme le tour de taille divisé par le tour de hanches. Toutes les mesures anthropométriques et de composition corporelle ont été réalisées par du personnel formé selon des procédures standardisées, et des mesures répétées ont été obtenues pour en vérifier la fiabilité. La pression artérielle a été mesurée en position assise, après au moins 10 minutes de repos, avec un tensiomètre numérique automatisé (Omron, Japon). Deux mesures ont été prises à 5 minutes d’intervalle, et la valeur moyenne a été retenue pour les analyses statistiques.
Le niveau d’activité physique a été évalué avec le questionnaire international d’activité physique validé (IPAQ). Le score global d’activité physique a été calculé en MET-heures/semaine en additionnant les dépenses énergétiques liées à la marche, aux activités d’intensité modérée et aux activités d’intensité vigoureuse.
Analyses biochimiques
Après un jeûne nocturne de 8 à 12 h, des échantillons de sang veineux ont été prélevés et centrifugés à 3 000 tours/min pendant 10 min. Le sérum et le plasma ont été séparés, aliquotés et conservés à -80 °C jusqu’aux analyses biochimiques. Les biomarqueurs inflammatoires et liés à l’intestin, dont la CRP et le LPS, ont été mesurés avec des trousses commerciales de dosage immuno-enzymatique (ELISA) (ZellBio, Allemagne), selon les instructions du fabricant. Les concentrations sériques de BDNF ont été mesurées avec une trousse ELISA (IBL International, Allemagne). Les plages analytiques indiquées étaient d’environ 0,1 à 10 mg/L pour la hs-CRP, de 0,1 à 50 UE/mL pour le LPS et de 0,2 à 100 ng/mL pour le BDNF. Les coefficients de variation intra-essai et inter-essais se situaient dans les plages jugées acceptables par les fabricants (en général < 10 %). Toutes les mesures ELISA ont été réalisées dans des conditions de laboratoire standardisées, et les échantillons ont été analysés selon des procédures constantes afin de limiter la variabilité analytique. Les paramètres du profil lipidique sérique, dont le cholestérol total, le HDL-C, le cholestérol des lipoprotéines de basse densité (LDL-C) et les triglycérides, ont été mesurés avec un analyseur biochimique automatisé (Hitachi 902, Roche Diagnostics, Allemagne). La glycémie à jeun a été déterminée par la méthode à la glucose oxydase. Les concentrations d’HbA1c ont été mesurées par chromatographie liquide à haute performance (CLHP) d’échange d’ions avec un système Bio-Rad D-10 (Bio-Rad Laboratories, États-Unis). Les concentrations d’insuline sérique à jeun ont été déterminées avec une trousse ELISA commerciale (Monobind Inc., États-Unis).
Analyse statistique
Toutes les analyses statistiques ont été réalisées avec SPSS version 26.0 (IBM Corp., Armonk, NY, États-Unis). La distribution des variables continues a été évaluée par le test de Kolmogorov-Smirnov. Les variables continues ont été présentées sous forme de moyenne ± écart-type, et les variables catégorielles sous forme d’effectifs et de pourcentages. Les participants ont été classés en tertiles selon le score DIGM pour les comparaisons descriptives. La normalité des variables continues a été évaluée par le test de Kolmogorov-Smirnov, l’inspection des histogrammes, les diagrammes Q-Q et l’examen des valeurs d’asymétrie et d’aplatissement. Les variables s’écartant nettement de la normalité ont été analysées par des méthodes non paramétriques. Les différences de variables continues entre les tertiles de DIGM ont été évaluées par une analyse de variance à un facteur (ANOVA) pour les variables de distribution normale et par le test de Kruskal-Wallis pour les variables qui ne l’étaient pas. Lorsque cela était indiqué, le test post hoc de Tukey a été appliqué après l’ANOVA, et des comparaisons deux à deux ajustées selon Bonferroni ont été réalisées après le test de Kruskal-Wallis. Les variables catégorielles ont été comparées par le test du khi-deux. Pour les composantes alimentaires incluses dans l’algorithme de score DIGM, les comparaisons entre tertiles ont servi uniquement à décrire la distribution des composantes du score et n’ont pas été considérées comme des analyses de validation indépendantes. Des modèles linéaires généraux multivariés ont été appliqués pour examiner les associations entre le score DIGM continu et les variables anthropométriques, cardiométaboliques, biochimiques et inflammatoires. Les résultats des analyses de régression ont été rapportés sous forme de coefficients de régression standardisés (β), d’intervalles de confiance (IC) à 95 % et des valeurs de P correspondantes. Pour les comparaisons catégorielles, les valeurs de P brutes et ajustées ont été rapportées lorsqu’elles s’appliquaient. Les modèles ajustés ont servi à évaluer si les associations observées persistaient après prise en compte de facteurs de confusion possibles.
Les covariables incluses dans les modèles multivariés ont été choisies a priori en raison de leurs associations établies à la fois avec les apports alimentaires (score DIGM) et avec les issues cardiométaboliques, telles qu’identifiées dans la littérature antérieure. L’ensemble prédéfini de facteurs de confusion comprenait l’âge, le sexe, l’IMC (lorsque cela était pertinent), le tabagisme, l’activité physique, l’apport énergétique total, le niveau d’études, l’emploi, la situation matrimoniale et les antécédents de dépression. Afin de tenir compte des comparaisons multiples portant sur les issues cardiométaboliques, biochimiques et inflammatoires, la procédure du taux de fausses découvertes (FDR) de Benjamini-Hochberg a été appliquée aux valeurs de P ajustées issues des modèles pleinement ajustés. Les valeurs de P nominales et les valeurs q ajustées pour le FDR sont rapportées, et la signification statistique après correction pour tests multiples a été définie par q < 0,05. Les valeurs aberrantes ont été examinées à l’aide de boîtes à moustaches et de résidus standardisés. Aucune valeur aberrante influente justifiant une exclusion n’a été identifiée ; toutes les observations ont donc été conservées dans les analyses.
La multicolinéarité entre les variables indépendantes a été évaluée par la tolérance et le facteur d’inflation de la variance (VIF). Des valeurs de tolérance > 0,20 et des valeurs de VIF < 5 ont été considérées comme le signe d’une colinéarité acceptable. Une valeur de P bilatérale < 0,05 a été considérée comme statistiquement significative. Le résumé graphique a été conçu par les auteurs et réalisé avec l’aide de la plateforme ChatGPT d’OpenAI à partir des résultats de l’étude.
Résultats
Les caractéristiques démographiques et anthropométriques de départ des participants selon les tertiles de DIGM sont présentées dans le tableau 1. Le sexe, le tabagisme, l’activité physique, le niveau d’études, l’emploi, la situation matrimoniale, les antécédents de dépression, l’âge, le poids, la taille, le tour de taille, le tour de hanches et le rapport taille/hanches étaient comparables entre les tertiles de DIGM (tous les P > 0,05). En revanche, des différences significatives ont été observées pour les mesures de composition corporelle. L’indice de masse corporelle différait significativement entre les tertiles : les participants du tertile DIGM le plus élevé avaient des valeurs plus basses que ceux des tertiles inférieurs (P brut = 0,003 ; P ajusté = 0,008). Cette association restait significative après ajustement sur l’âge, le sexe, le tabagisme, l’activité physique, l’apport énergétique alimentaire, le niveau d’études, l’emploi, la situation matrimoniale et les antécédents de dépression. L’analyse post hoc indiquait une différence significative entre les deuxième et troisième tertiles. La masse grasse différait aussi entre les tertiles (P brut = 0,040 ; P ajusté = 0,047). De même, la masse maigre restait significativement différente dans les analyses brute (P = 0,049) et ajustée (P = 0,037), l’analyse post hoc montrant une différence significative entre les premier et troisième tertiles.
Tableau 1
Caractéristiques démographiques et anthropométriques de départ des participants selon les tertiles de DIGM.
| Variable | T1 (n = 212) | T2 (n = 212) | T3 (n = 213) | P * | P ** |
|---|---|---|---|---|---|
| Sexe, [hommes, n (%)] | 99 (46,7) | 96 (45,3) | 108 (50,7) | 0,510 | – |
| Tabagisme [fumeurs, n (%)] | 21 (9,9) | 24 (11,3) | 17 (8) | 0,196 | – |
| AP (MET.h/semaine) | 36,69 ± 6,16 | 36,37 ± 6,27 | 35,87 ± 6,66 | 0,410 | – |
| Études [≥ 12 ans, n (%)] | 68 (32,1) | 54 (25,5) | 70 (32,8) | 0,098 | – |
| Emploi [sans emploi, n (%)] | 48 (22,6) | 34 (16,03) | 38 (17,8) | 0,197 | – |
| Situation matrimoniale [mariés, n (%)] | 94 (44,3) | 86 (40,5) | 62 (29,10) | 0,67 | – |
| Dépression, n (%) | 18 (8,5) | 28 (13,2) | 18 (8,4) | 0,386 | – |
| Âge (années) | 40,20 ± 9,10 | 40,06 ± 9,73 | 39,64 ± 9,73 | 0,818 | – |
| Poids (kg) | 93,13 ± 14,60 | 92,17 ± 13,16 | 91,78 ± 14,72 | 0,610 | 0,348 |
| Taille (cm) | 166,25 ± 10,63 | 164,27 ± 14,98 | 166,47 ± 11,14 | 0,134 | 0,10 |
| IMC (kg/m²) † | 33,66 ± 4,57 | 34,24 ± 4,84 | 32,55 ± 6,08 | 0,003 | 0,008 |
| Tour de taille (cm) | 106,70 ± 9,49 | 107,38 ± 9,60 | 105,48 ± 10,21 | 0,129 | 0,071 |
| Tour de hanches (cm) | 114,38 ± 10,44 | 115,78 ± 11,65 | 114,18 ± 11,04 | 0,268 | 0,431 |
| Rapport taille/hanches | 0,94 ± 0,08 | 0,93 ± 0,11 | 0,93 ± 0,09 | 0,612 | 0,267 |
| Masse grasse (kg) | 35,55 ± 9,17 | 35,47 ± 10,13 | 33,52 ± 8,67 | 0,04 | 0,047 |
| Masse maigre (kg) ‡ | 58,50 ± 11,88 | 56,54 ± 11,63 | 55,46 ± 14,93 | 0,049 | 0,037 |
DIGM : indice alimentaire du microbiote intestinal ; IMC : indice de masse corporelle ; AP : activité physique ; MET : équivalent métabolique. * Valeurs de P issues d’une analyse de variance à un facteur. ** Valeurs de P issues d’un modèle linéaire général après ajustement sur l’âge, le sexe, l’activité physique, le tabagisme, l’apport énergétique alimentaire, le niveau d’études, l’emploi, la situation matrimoniale et les antécédents de dépression. † L’analyse post hoc de Tukey a montré une différence statistiquement significative entre les 2e et 3e tertiles. ‡ L’analyse post hoc de Tukey a montré une différence statistiquement significative entre les 1er et 3e tertiles. Les valeurs en gras sont statistiquement significatives.
Les caractéristiques cardiométaboliques, biochimiques et inflammatoires des participants selon les tertiles de DIGM sont présentées dans le tableau 2. Les participants du tertile DIGM le plus élevé avaient une PAS plus basse que ceux des tertiles inférieurs, et cette association restait significative dans le modèle pleinement ajusté (P = 0,015). En revanche, bien que la pression artérielle diastolique (PAD) diffère significativement dans les analyses brute et partiellement ajustées, l’association n’était plus significative après ajustement complet (P = 0,511). Parmi les indices glycémiques, ni la glycémie à jeun ni l’HbA1c ne restaient significativement associées aux tertiles de DIGM après ajustement complet (P = 0,910 et P = 0,157, respectivement), et les concentrations d’insuline étaient comparables entre les tertiles. Concernant le profil lipidique, les participants du tertile DIGM le plus élevé avaient des concentrations de HDL-C significativement plus élevées que ceux des tertiles inférieurs, et cette association restait significative après ajustement complet (P < 0,001). Le cholestérol total montrait aussi une association significative dans le modèle pleinement ajusté (P = 0,011), tandis que le LDL-C atteignait la signification statistique après ajustement complet (P = 0,027). Aucune association significative n’a été observée pour les concentrations de triglycérides (P = 0,275). Des différences marquées ont été observées pour les biomarqueurs inflammatoires et liés au microbiote intestinal. Les concentrations de BDNF augmentaient progressivement avec les tertiles de DIGM, tandis que les concentrations de LPS et de CRP diminuaient. Ces associations restaient hautement significatives après ajustement complet (tous les P < 0,001). Les analyses post hoc ont montré des différences significatives entre tous les tertiles pour le BDNF, le LPS et la CRP.
Tableau 2
Caractéristiques cardiométaboliques, biochimiques et inflammatoires des participants selon les tertiles de DIGM.
| Variable | T1 (n = 212) | T2 (n = 212) | T3 (n = 213) | P * | P ** | P *** | P **** |
|---|---|---|---|---|---|---|---|
| PAS (mmHg) † | 121,87 ± 18,26 | 117,55 ± 13,55 | 116,85 ± 14,12 | < 0,001 | 0,001 | 0,001 | 0,015 |
| PAD (mmHg) † | 81,56 ± 12,65 | 79,09 ± 10,83 | 77,91 ± 10,41 | < 0,001 | 0,003 | 0,001 | 0,511 |
| Glycémie à jeun (mg/dL) † | 98,62 ± 24,36 | 95,38 ± 21,51 | 94,69 ± 26,04 | 0,02 | 0,231 | 0,198 | 0,910 |
| Cholestérol total (mg/dL) | 191,22 ± 42,53 | 189,17 ± 40,34 | 194,14 ± 43,19 | 0,645 | 0,665 | 0,602 | 0,011 |
| Triglycérides (mg/dL) | 141,02 ± 86,25 | 140,12 ± 83,33 | 133,91 ± 85,49 | 0,302 | 0,466 | 0,409 | 0,275 |
| HDL-C (mg/dL) ‡ | 42,86 ± 9,42 | 42,71 ± 12,43 | 45,61 ± 11,55 | 0,007 | 0,016 | 0,013 | < 0,001 |
| LDL-C (mg/dL) | 123,24 ± 37,43 | 119,97 ± 37,47 | 125,12 ± 38,81 | 0,447 | 0,513 | 0,497 | 0,027 |
| Insuline (µUI/mL) | 15,89 ± 22,28 | 16,46 ± 15,67 | 14,31 ± 13,06 | 0,308 | 0,558 | 0,495 | 0,274 |
| HbA1c (%) ≠ | 5,72 ± 0,84 | 5,49 ± 1,01 | 5,64 ± 0,89 | 0,04 | 0,035 | 0,016 | 0,157 |
| BDNF (ng/ml) † | 12,65 ± 0,77 | 14,06 ± 0,64 | 14,87 ± 0,77 | < 0,001 | < 0,001 | < 0,001 | < 0,001 |
| LPS (UE/mL) † | 25,65 ± 0,81 | 23,04 ± 1,58 | 21,65 ± 1,62 | < 0,001 | < 0,001 | < 0,001 | < 0,001 |
| CRP (mg/L) † | 2,96 ± 3,14 | 2,13 ± 2,08 | 1,52 ± 2,04 | < 0,001 | < 0,001 | < 0,001 | < 0,001 |
DIGM : indice alimentaire du microbiote intestinal ; PAS : pression artérielle systolique ; PAD : pression artérielle diastolique ; HDL : cholestérol des lipoprotéines de haute densité ; LDL : cholestérol des lipoprotéines de basse densité ; HbA1c : hémoglobine A1c ; BDNF : facteur neurotrophique dérivé du cerveau ; LPS : lipopolysaccharide ; CRP : protéine C-réactive. * Comparaison brute issue d’une analyse de variance à un facteur (ANOVA) ou du test de Kruskal-Wallis selon le cas. ** Valeurs de P issues d’un modèle linéaire général ajusté sur l’âge, le sexe et l’IMC. *** Valeurs de P du modèle linéaire général ajustées en plus sur le tabagisme, l’activité physique et l’énergie alimentaire. **** Valeurs de P du modèle linéaire général ajustées en plus sur le niveau d’études, l’emploi, la situation matrimoniale et les antécédents de dépression. † L’analyse post hoc a montré une différence statistiquement significative entre tous les tertiles. ‡ L’analyse post hoc a montré une différence statistiquement significative entre les 1er et 3e tertiles. ≠ L’analyse post hoc a montré une différence statistiquement significative entre les 1er et 2e tertiles. Les valeurs en gras sont statistiquement significatives.
Afin de tenir compte des comparaisons multiples portant sur les issues cardiométaboliques, biochimiques et inflammatoires, la procédure FDR de Benjamini-Hochberg a été appliquée aux analyses pleinement ajustées. Les associations pour la PAS, la PAD, le HDL-C, l’HbA1c, le BDNF, le LPS et la CRP étaient significatives après ajustement pour le FDR (tous les q < 0,05 ; tableau supplémentaire 1).
Le tableau 3 présente les analyses de régression linéaire multivariée évaluant les associations entre le score DIGM et les variables anthropométriques et biochimiques. Tous les modèles biochimiques ont été ajustés sur l’âge, le sexe, l’IMC, le tabagisme, l’activité physique, l’apport énergétique alimentaire, le niveau d’études, l’emploi, la situation matrimoniale et les antécédents de dépression. Parmi les variables anthropométriques, des scores DIGM plus élevés étaient significativement associés à une masse grasse plus basse (β = -0,115, P = 0,047) et à une masse maigre plus basse (β = -0,144, P = 0,005), alors qu’aucune association significative n’a été observée pour le poids, la taille, l’IMC, le tour de taille, le tour de hanches ou le rapport taille/hanches. Parmi les variables biochimiques, des scores DIGM plus élevés étaient significativement associés à une PAS plus basse (β = -0,057, P = 0,039), à un HDL-C plus élevé (β = 0,100, P < 0,001), à un BDNF plus élevé (β = 0,504, P < 0,001), à un LPS plus bas (β = -0,468, P < 0,001) et à une CRP plus basse (β = -0,048, P = 0,017). Aucune association significative n’a été observée pour la PAD, la glycémie à jeun, le cholestérol total, les triglycérides, le LDL-C, l’insuline ou l’HbA1c (tous les P > 0,05). Les résultats des diagnostics de colinéarité pour les variables incluses dans le modèle de régression multivariée sont présentés dans le tableau supplémentaire 2. Aucun signe de multicolinéarité problématique n’a été observé parmi les variables. Toutes les valeurs de tolérance étaient supérieures à 0,20 et toutes les valeurs de VIF étaient inférieures à 5, ce qui indique des niveaux de colinéarité acceptables. Les valeurs de VIF les plus élevées concernaient le LPS (VIF = 4,670) et le BDNF (VIF = 4,592), et restaient sous le seuil prédéfini.
Tableau 3
Analyse de régression linéaire multivariée des variables anthropométriques et biochimiques associées au score DIGM.
| Variable | β standardisé | IC à 95 % | Valeur de P |
|---|---|---|---|
| Variables anthropométriques | |||
| Poids | 0,041 | -0,005, 0,010 | 0,538 |
| Taille | 0,005 | -0,007, 0,007 | 0,933 |
| IMC | 0,018 | -0,017, 0,023 | 0,788 |
| Tour de taille | -0,262 | -0,068, 0,024 | 0,353 |
| Tour de hanches | 0,265 | -0,023, 0,062 | 0,365 |
| Rapport taille/hanches | 0,215 | -3,115, 6,931 | 0,456 |
| Masse grasse | -0,115 | -0,020, 0,000 | 0,047 |
| Masse maigre | -0,144 | -0,015, -0,003 | 0,005 |
| Variables biochimiques | |||
| PAS | -0,057 | -0,011, -0,006 | 0,039 |
| PAD | -0,028 | -0,006, 0,002 | 0,301 |
| Glycémie à jeun | -0,039 | -0,003, 0,000 | 0,050 |
| Cholestérol total | -0,078 | -0,004, 0,001 | 0,173 |
| Triglycérides | 0,020 | 0,000, 0,001 | 0,454 |
| HDL-C | 0,100 | 0,004, 0,011 | < 0,001 |
| LDL-C | 0,079 | -0,001, 0,004 | 0,135 |
| Insuline | -0,021 | -0,003, 0,001 | 0,281 |
| HbA1c | 0,002 | -0,032, 0,035 | 0,917 |
| BDNF | 0,504 | 0,295, 0,407 | < 0,001 |
| LPS | -0,468 | -0,208, -0,146 | < 0,001 |
| CRP | -0,048 | -0,028, -0,003 | 0,017 |
DIGM : indice alimentaire du microbiote intestinal ; IMC : indice de masse corporelle ; PAS : pression artérielle systolique ; PAD : pression artérielle diastolique ; HDL : cholestérol des lipoprotéines de haute densité ; LDL : cholestérol des lipoprotéines de basse densité ; HbA1c : hémoglobine A1c ; BDNF : facteur neurotrophique dérivé du cerveau ; LPS : lipopolysaccharide ; CRP : protéine C-réactive. Les valeurs sont présentées comme coefficients de régression standardisés (β), intervalles de confiance (IC) à 95 % du coefficient de régression non standardisé (B) et valeurs de P correspondantes. Tous les modèles de régression des variables biochimiques ont été ajustés sur l’âge, le sexe, le tabagisme, l’IMC, l’activité physique, l’apport énergétique alimentaire, le niveau d’études, l’emploi, la situation matrimoniale et les antécédents de dépression. Les valeurs en gras sont statistiquement significatives.
La distribution des composantes alimentaires incluses dans l’algorithme de score DIGM selon les tertiles de DIGM est présentée dans le tableau 4. Comme on pouvait s’y attendre d’après la construction du score, les participants des différents tertiles de DIGM différaient significativement pour l’apport des composantes alimentaires favorables et défavorables qui entraient dans le calcul du DIGM (tous les P ajustés sur l’énergie < 0,001). Ces données sont présentées pour décrire l’application de l’algorithme de score DIGM et la distribution de ses composantes individuelles selon les catégories.
Tableau 4
Distribution des composantes alimentaires individuelles qui contribuent au score de l’indice alimentaire du microbiote intestinal (DIGM), selon les tertiles.
| Variable | T1 (n = 210) | T2 (n = 214) | T3 (n = 201) | Valeur de P* |
|---|---|---|---|---|
| Favorables au microbiote intestinal | ||||
| Pois chiches (g/jour) | 2,49 ± 6,44 | 6,06 ± 8,22 | 14,52 ± 11,31 | < 0,001 |
| Thé vert (g/jour) | 3,25 ± 8,60 | 8,74 ± 15,42 | 18,63 ± 28,75 | < 0,001 |
| Céréales complètes (g/jour) | 85,34 ± 42,16 | 112,57 ± 55,83 | 156,82 ± 71,45 | < 0,001 |
| Soja (g/jour) | 2,96 ± 7,72 | 2,72 ± 10,61 | 7,34 ± 14,28 | < 0,001 |
| Canneberges (g/jour) | 0,18 ± 0,92 | 1,24 ± 3,85 | 3,76 ± 8,14 | < 0,001 |
| Produits laitiers fermentés (g/jour) | 70,35 ± 83,89 | 128,63 ± 136,16 | 211,66 ± 215,80 | < 0,001 |
| Brocoli (g/jour) | 1,76 ± 5,12 | 7,10 ± 13,42 | 13,52 ± 18,83 | < 0,001 |
| Café (g/jour) | 6,66 ± 19,95 | 11,01 ± 27,31 | 28,10 ± 58,38 | < 0,001 |
| Avocat (g/jour) | 0,06 ± 0,31 | 0,86 ± 3,21 | 2,06 ± 4,99 | < 0,001 |
| Fibres (g/jour) | 44,59 ± 24,70 | 56,70 ± 31,50 | 74,01 ± 45,94 | < 0,001 |
| Défavorables au microbiote intestinal | ||||
| Viande transformée (g/jour) | 9,36 ± 15,93 | 6,09 ± 13,09 | 4,66 ± 9,84 | < 0,001 |
| Viande rouge (g/jour) | 26,26 ± 15,28 | 26,19 ± 28,67 | 18,99 ± 19,15 | < 0,001 |
| Céréales raffinées (g/jour) | 582,83 ± 443,77 | 512,41 ± 250,84 | 502,10 ± 351,54 | < 0,001 |
| Alimentation riche en graisses (%) | 46,99 ± 39,64 | 41,31 ± 34,98 | 28,37 ± 6,36 | < 0,001 |
DIGM : indice alimentaire du microbiote intestinal. * Valeurs de P ajustées sur l’énergie, issues d’une analyse de variance à un facteur (ANOVA). Les valeurs en gras sont statistiquement significatives.
Discussion
Dans cette étude transversale menée chez des adultes atteints d’obésité, une plus forte adhésion au DIGM, un indice alimentaire qui reflète des composantes alimentaires antérieurement associées à la santé du microbiote intestinal, était associée à un profil de biomarqueurs cardiométaboliques et inflammatoires plus favorable. Les participants du tertile DIGM le plus élevé présentaient une pression artérielle plus basse, des concentrations circulantes de CRP et de LPS plus basses et des concentrations circulantes de BDNF plus élevées que ceux des tertiles inférieurs. Ces associations restaient significatives après ajustement sur les facteurs de confusion démographiques, liés au mode de vie, alimentaires et socio-économiques pertinents. En raison du schéma transversal, ces résultats doivent toutefois être lus comme des associations, et non comme la preuve d’effets causaux ou de mécanismes passant par le microbiote.
Le fait que des scores DIGM plus élevés soient associés à un profil de pression artérielle plus favorable, en particulier à une pression artérielle systolique plus basse, concorde avec des données antérieures qui relient des profils alimentaires riches en fibres, en aliments d’origine végétale et en d’autres composantes alimentaires liées au microbiote à la santé cardiométabolique. Par exemple, des alimentations riches en fibres, susceptibles d’influencer la production d’acides gras à chaîne courte (AGCC), ont été rapportées comme réduisant la pression artérielle dans des modèles animaux hypertendus, par des modifications des voies métaboliques d’origine intestinale. Des profils alimentaires riches en végétaux, qui partagent plusieurs composantes avec le DIGM, ont aussi été associés à des profils favorables de pression artérielle et de cholestérol LDL dans des essais cliniques et des revues systématiques. Ces voies peuvent fournir des explications possibles aux associations observées, mais la composition du microbiote intestinal et les métabolites microbiens n’ont pas été mesurés directement dans la présente étude ; ces mécanismes restent donc à confirmer dans de futurs travaux.
Les participants dont l’adhésion au DIGM était plus élevée présentaient des concentrations circulantes de CRP et de LPS significativement plus basses. Ces résultats concordent avec des études expérimentales antérieures qui suggèrent que des profils alimentaires riches en fibres et en aliments fermentés peuvent influencer les voies inflammatoires d’origine intestinale et la signalisation liée aux endotoxines. Dans des études chez l’humain, des alimentations caractérisées par un apport plus élevé d’aliments d’origine végétale et de composantes liées au microbiote ont aussi été associées à des profils inflammatoires et métaboliques plus favorables. Savoir si ces associations passent par des modifications de la fonction de barrière intestinale, de la composition microbienne ou des métabolites microbiens demande toutefois des travaux supplémentaires.
Les marqueurs lipidiques et glycémiques montraient en général des profils favorables dans les catégories de DIGM plus élevées, mais ces associations n’atteignaient pas la signification statistique après ajustement multivarié. Ces estimations doivent donc être interprétées avec prudence : elles peuvent refléter une variation aléatoire ou une précision statistique limitée plutôt que de véritables associations sous-jacentes. Des méta-analyses antérieures ont rapporté des associations entre des profils alimentaires d’origine végétale ou de type DASH et une amélioration de la pression artérielle, des profils lipidiques et des paramètres glycémiques. La présente étude transversale n’était toutefois pas conçue pour évaluer des effets causaux ou longitudinaux. Des études prospectives et d’intervention seront nécessaires pour déterminer si l’adhésion à des profils alimentaires liés au microbiote est associée à des issues métaboliques à long terme.
L’un des principaux atouts de cette étude est l’utilisation du DIGM, qui reflète des profils alimentaires associés à la santé intestinale. Un autre atout est l’évaluation, dans la même population, de biomarqueurs anthropométriques, cardiométaboliques, inflammatoires et liés à l’axe intestin-cerveau. Plusieurs limites doivent cependant être prises en compte. D’abord, le schéma transversal limite l’interprétation causale, et la possibilité d’une causalité inverse ne peut pas être entièrement écartée. Les personnes ayant reçu récemment un conseil diététique, suivi un régime particulier ou pris des médicaments et des compléments susceptibles d’affecter les issues métaboliques ou inflammatoires ont été exclues, mais une confusion résiduelle peut demeurer. Ensuite, les apports alimentaires ont été évalués par un QFA, qui peut être influencé par un biais de rappel et une erreur de mesure. En troisième lieu, la durée de l’obésité et la consommation d’alcool n’étaient pas disponibles, et une confusion non mesurée ne peut pas être entièrement exclue malgré l’ajustement sur des covariables prédéfinies. De plus, la composition du microbiote intestinal et les métabolites microbiens, dont les AGCC, n’ont pas été mesurés directement ; les mécanismes proposés comme passant par le microbiote doivent donc être lus avec prudence et demandent une confirmation dans de futures études intégrant des analyses de microbiome et de métabolomique. Enfin, la population étudiée comprenait des adultes atteints d’obésité recrutés dans des cliniques et par annonces publiques au sein d’une seule région géographique, ce qui peut limiter la généralisabilité des résultats.
En conclusion, une plus forte adhésion au DIGM était associée à un profil de biomarqueurs cardiométaboliques, inflammatoires et liés à l’axe intestin-cerveau plus favorable chez des adultes atteints d’obésité (Fig. 3). Les associations observées, dont une pression artérielle plus basse, des concentrations de CRP et de LPS plus basses et des taux de BDNF plus élevés, montrent le rôle possible de profils alimentaires orientés vers la santé intestinale en lien avec le statut métabolique et inflammatoire associé à l’obésité. Compte tenu du schéma transversal et de l’absence de mesure directe de la composition du microbiote intestinal et des métabolites microbiens, ces résultats doivent être interprétés avec prudence. De futures études longitudinales et d’intervention, intégrant des analyses de microbiome et de métabolomique, sont nécessaires pour confirmer ces associations et élucider les voies biologiques sous-jacentes.
Résumé
Contexte. Le microbiote intestinal joue un rôle important dans l’homéostasie métabolique et l’inflammation systémique, et les habitudes alimentaires sont des déterminants majeurs de sa composition et de sa fonction. Cette étude a examiné l’association entre l’adhésion à l’indice alimentaire du microbiote intestinal (Dietary Index for Gut Microbiota, DIGM) et des biomarqueurs cardiométaboliques, inflammatoires et liés au microbiote intestinal chez des adultes atteints d’obésité. Méthodes. Dans cette étude transversale menée de janvier à décembre 2025, 637 adultes atteints d’obésité, âgés de 20 à 55 ans, ont été recrutés dans des cliniques rattachées à l’université de Mansoura, en Égypte, par recrutement en consultation et par annonces publiques. Les apports alimentaires ont été évalués à l’aide d’un questionnaire semi-quantitatif de fréquence alimentaire, et le score DIGM a été calculé à partir de composantes alimentaires favorables et défavorables prédéfinies, selon le cadre de notation d’origine. Les participants ont été classés en tertiles selon leur score DIGM. Les mesures anthropométriques, la pression artérielle, les indices glycémiques, le profil lipidique, le lipopolysaccharide (LPS), le facteur neurotrophique dérivé du cerveau (BDNF) et la protéine C-réactive (CRP) ont été évalués. Les analyses multivariées ont été ajustées sur l’âge, le sexe, l’indice de masse corporelle (IMC), le tabagisme, l’activité physique, l’apport énergétique alimentaire, le niveau d’études, l’emploi, la situation matrimoniale et les antécédents de dépression. Résultats. Une plus forte adhésion au DIGM était associée à une pression artérielle systolique (PAS) plus basse et à un cholestérol des lipoprotéines de haute densité (HDL-C) plus élevé après ajustement multivarié. Les participants du tertile DIGM le plus élevé présentaient des concentrations circulantes de LPS et de CRP plus basses et des taux de BDNF plus élevés que ceux des tertiles inférieurs (tous les P ajustés < 0,001). Dans des modèles de régression linéaire multivariée ajustés sur les facteurs de confusion, des scores DIGM plus élevés étaient associés de façon indépendante à une PAS plus basse (β = -0,057 ; IC à 95 % : -0,011 à -0,006), à un HDL-C plus élevé (β = 0,100 ; IC à 95 % : 0,004 à 0,011), à un BDNF plus élevé (β = 0,504 ; IC à 95 % : 0,295 à 0,407), ainsi qu’à un LPS plus bas (β = -0,468 ; IC à 95 % : -0,208 à -0,146) et à une CRP plus basse (β = -0,048 ; IC à 95 % : -0,028 à -0,003). Conclusion. Une plus grande adhésion au DIGM était associée de façon indépendante à un profil inflammatoire plus favorable, à des concentrations circulantes de BDNF plus élevées, à des taux de LPS et de CRP plus bas et à une pression artérielle plus basse chez les adultes atteints d’obésité. Ces résultats suggèrent que des profils alimentaires caractérisés par une plus forte adhésion au DIGM peuvent être associés aux profils cardiométaboliques et inflammatoires. D’autres études prospectives, intégrant une évaluation directe de la composition du microbiote intestinal, des métabolites microbiens et des issues cliniques, sont nécessaires pour préciser les mécanismes sous-jacents et les relations temporelles. Mots-clés : microbiote intestinal, score alimentaire, obésité, inflammation, pression artérielle, BDNF, profil métabolique, risque cardiométabolique.
Informations supplémentaires
Le matériel supplémentaire électronique accompagne la version en ligne de l’article.
Remerciements
Les auteurs expriment leur sincère gratitude à la faculté de médecine de l’université de Mansoura pour son soutien continu, ses conseils et ses encouragements tout au long de ce travail. Les auteurs reconnaissent l’engagement de l’institution en faveur de l’excellence universitaire et de l’avancement de la recherche, qui a contribué à la bonne réalisation de cette étude. Les figures 1 et 3 sont des illustrations schématiques originales élaborées par les auteurs. Le cadre conceptuel, le contenu scientifique et toutes les révisions ont été conçus, relus et validés par les auteurs. Une intelligence artificielle générative (ChatGPT d’OpenAI) a été utilisée uniquement comme outil d’aide visuelle lors de la préparation des illustrations schématiques, après le concept initial des auteurs et des révisions successives. Les auteurs assument l’entière responsabilité de l’exactitude, de l’originalité et du contenu scientifique de ces figures.
Contributions des auteurs
A.A.M.A.E.S. : conceptualisation, formulation de l’hypothèse, acquisition des données, analyse formelle, rédaction de la version initiale. I.K. : méthodologie statistique, analyse formelle, validation des approches statistiques, relecture et révision. S.L. : recueil des données, analyse des données nutritionnelles, analyse du QFA, curation des données, relecture et révision. I.M.A. : recueil des données, analyse des données nutritionnelles, analyse du QFA, curation des données, relecture et révision. Mansour A.A. : recueil des données, curation des données, relecture et révision. Mona A.A. : investigation, recueil des données, curation des données, relecture et révision. M.S.M. : investigation, recrutement des participants, recueil des données, relecture et révision. H.G.A. : investigation, recrutement des participants, recueil des données, relecture et révision. K.D. : conceptualisation, supervision, relecture et révision. A.A.F. : investigation, recrutement des participants, recueil des données, relecture et révision. Tous les auteurs ont relu et approuvé la version finale du manuscrit soumise.
Disponibilité des données
Les jeux de données de la présente étude sont disponibles auprès de l’auteur correspondant sur demande raisonnable.
Déclarations
Conflits d’intérêts
Les auteurs déclarent n’avoir aucun conflit d’intérêts.
Approbation éthique et consentement à participer
Un consentement éclairé écrit a été obtenu de tous les participants. Le protocole de l’étude a été approuvé par le comité d’éthique de l’université de Mansoura (R.26.05.3722). Toutes les méthodes ont aussi été réalisées conformément à la Déclaration d’Helsinki.
Notes
Note de l’éditeur. Springer Nature reste neutre à l’égard des revendications juridictionnelles concernant les cartes publiées et les affiliations institutionnelles.
Source : Nih
