absztrakt

A megemelkedett szérum trigliceridek (TG) a koszorúér-betegség (CHD) egyik fő kockázati tényezője, még más ismert lipoprotein-kockázati tényezők, például az alacsony lipoprotein-koleszterin (LDL-C) és a magas lipoprotein-koleszterin (HDL) ellenőrzése után is.). C). 2, 3 Közvetlenül hozzájárul a CHD-hez azáltal, hogy kiváltja a vaszkuláris endothelsejtek diszfunkcióját és gyulladását a TG 4-ben gazdag aterogén lipoproteinek fokozott termelődése miatt, és közvetett módon a II-es típusú cukorbetegséggel és a hasi elhízással való összefüggése révén, amelyek mindkettő a CHD fő kockázati tényezője. 5.

A magas szérum TG diétás vagy gyógyszeres terápiákkal történő csökkentése kimutatták, hogy csökkenti a CHD miatti káros hatásokat (azaz halál vagy miokardiális infarktus). A jelenlegi TG-szintet csökkentő terápiák közé tartoznak a fibrátok, a niacin és az omega-3 zsírsavak (halolaj). A sztatinoknak, amelyeket gyakran írnak elő az LDL-C szint csökkentésére, néhány betegcsoportban enyhe TG-csökkentő hatásuk is lehet. A fibrátok (beleértve, de nem kizárólag a fenofibrátot, a gemfibrozilt és a bezafibrátot) a magas TG elsődleges kezelési módjai, és nagyon alacsony mellékhatásokat mutatnak, 8 azonban ezekre a gyógyszerekre adott válaszok között jelentős az egyének közötti eltérés. A fibrátok kötődnek a PPAR-k nevű transzkripciós faktorokhoz, amelyek aztán a magba vándorolnak, és befolyásolják a lipidanyagcserében részt vevő célgének transzkripcióját. 8.

A fenofibrát csökkenti az éhomi TG szintet, és elmozdulást indít egy kevésbé atherogén TG-ben gazdag lipoprotein profilra. A fenofibrát hatása a teljes plazma TG szintre és a keringő nagyon kis sűrűségű lipoprotein (VLDL) részecskékre, amelyek a TG elsődleges hordozója éhezés során, a PPAR-α-hoz való kötődése révén közvetítik. A lipoprotein anyagcserében részt vevő számos gén fel- és leszabályozása számos mechanizmus révén csökkenti a TG-t: (1) csökkenti a szabad zsírsavak rendelkezésre állását a TG képződéséhez, (2) növeli a VLDL katabolizmust és (3) csökkenti a semleges lipideket ( koleszterin-észter és TG) a VLDL és a HDL között. 10, 12 A PPAR-α-ra adott válaszként felszabályozott gének közé tartozik az LPL, amely részt vesz a TG lipolízisében, 8 APOA5, amely fokozza az LPL hatását és csökkentheti a máj VLDL szekrécióját, 8, 13 és számos HDL-rel kapcsolatos gén. C anyagcsere, beleértve az APOA1, APOA2 és FABP. A PPAR-α szintén csökkenti az APOC3-at, egy apolipoproteint, amely gátolja a VLDL clearance-t. 8.

Bár a fenofibrát hatásmechanizmusa jól jellemezhető, a 9-es fenofibrátra adott válasz jelentős egyéni variabilitása korlátozza az egyéni gyógyszerreakció előrejelzésének képességét. Ez a variáció a fenofibrát válaszban, hasonlóan más komplex fenotípusokhoz, valószínűleg genetikai és biológiai kockázati tényezők 14 kombinációjának és ezen tényezők közötti kölcsönhatásoknak köszönhető. Ebben a tanulmányban, amely az eddigi legnagyobb, a fenofibrát gyógyszeres terápiára adott éhomi TG válaszok genetikai felépítését jellemezzük független genetikai hatások, genetikai és demográfiai vagy biokémiai tényezők közötti kölcsönhatások, valamint a teljes plazma TG (mg/dl) és TG-tartalma a legnagyobb komponensében, a VLDL részecskékben, válaszul a fenofibrátra.

91 gén egyetlen nukleotid polimorfizmust (SNP) azonosítottunk 25 génben, amelyekről korábban azonosították, hogy szerepet játszanak a lipoprotein anyagcserében. 16., 17. A tesztelt géneket és polimorfizmusokat az 1. táblázat tartalmazza, a gének funkcionális szerepének részletesebb leírását az 1. kiegészítő táblázat tartalmazza. Az ezen elemzéshez kiválasztott polimorfizmusok korábban funkcionálisnak bizonyultak. önmagában a lipid anyagcserén vagy étrendi tényezőkkel való kölcsönhatás révén. 18., 19., 20., 21., 22., 23. Ezen gének változásai szintén kimutatták, hogy befolyásolják a fibrátok és más gyógyszerek farmakológiai beavatkozására adott választ. 24, 25, 26

Asztal teljes méretben

Ezeknek a variánsoknak a fenofibrát-válaszra gyakorolt ​​hatását vizsgáljuk átfogó szisztematikus megközelítés alkalmazásával, amely értékeli sok gén, sok demográfiai és klinikai kovariáns szerepét és kölcsönhatásait. A fenofibrátra adott választ befolyásoló genetikai és demográfiai és/vagy biokémiai tényezők konstellációjának áttekintése áttekintést nyújt a fenofibrát komplex hatásmechanizmusáról, és javíthatja az orvosok azon képességét, hogy azonosítsák azokat az egyéneket, amelyek valószínűleg reagálnak a fenofibrát kezelésre.

az eredmény

A klinikai változók és eredmények leíró statisztikáit a 2. táblázat mutatja. A résztvevők átlagos életkora 47,8 év volt, a résztvevők 51,9% -a nő volt, a résztvevők 17,6% -a pedig dohányosok közé sorolt ​​(élet közben ≥ 100 cigarettát szívtak). Átlagos BMI 28,5 kg/m 2, az öv és a csípő aránya 0,9, az éhomi teljes koleszterinszint pedig 189 mg/dl. Az átlagos éhomi TG-szint 132 mg/dl volt a fenofibrát kezelés előtt és 88 mg/dl a fenofibrát kezelés után. Az átlagos ATG és AVLDL szint -46,3 és -46,4 mg/dl volt. Az allélek és genotípusok gyakorisága, a dbSNP-től származó rs-számok (127-es felépítés), az SNP típusa (szinonimák, nem-szinonimák, intronok stb.) És a Hardy-Weinberg egyensúlyi teszt eredményei a 2. kiegészítő táblázatban találhatók.

Asztal teljes méretben

Asztal teljes méretben

fenofibrát

Az F-teszt P részértékei a CV R 2-vel összehasonlítva SNP-kovariált és episztatikus (SNP-SNP) kölcsönhatásokra, amelyek megjósolják a ΔTG és ΔVLDL értékeket. A független tesztmintákban (CV R 2) megmagyarázott százalékos eltérés az SNP-kovariáns és episztatikus (SNP-SNP) kölcsönhatások 10 log 10 részleges F-teszt értéke P-vel szemben, amelyek szignifikánsak voltak a ΔTG vagy a ΔVLDL esetében (részleges F-finomérték P = 0,1) . R 2 a −log P és CV értéke közötti korrelációra 0, 13. A vonalak a −log P = 0,05 és CV R2 = 0,5% értékeken jelennek meg.

Teljes méretű kép

A 2. ábra az ATG és AVLDL eredmények alapját képező komplex genetikai és klinikai társulás vizuális ábrázolása. A szín- és térbeli viszonyok felhasználásával a KGraph bemutatja az asszociációkat az érdeklődés eredményével, valamint az ezeknek az összefüggéseknek az alapjául szolgáló prediktorok korrelációs szerkezetét. Azokat az SNP-ket, amelyek legalább egy szignifikáns és kereszt-validált asszociációval nem rendelkeznek, vagy egyváltozósak, vagy kölcsönhatásba lépnek egy másik SNP-vel, vagy mindkét esetben kovariáltak, kizárták a KGraph expozícióból.

Teljes méretű kép

A 2. ábra 1. régiója zöld színnel mutatja az SNP-k és a klinikai kovariánsok közötti kapcsolatot. Bár ezt a lépést az asszociációs vizsgálatok során gyakran figyelmen kívül hagyják, az SNP-k és a kovariánsok közötti kapcsolat megértése informatív lehet annak megkülönböztetésében, hogy az SNP-k milyen hatással vannak az eredményre. Ezen a területen számos kereszt-validált asszociáció van az SNP-k között az apolipoprotein gének klaszterében, amelyek APOA1, APOA4, APOA5 és APOC3, valamint a TG vagy az éhomi koleszterin alapszintjét tartalmazzák. A szürkén látható 2. régió a kovariánsok közötti összefüggéseket szemlélteti. A legtöbb kovariátum nincs szignifikánsan korrelálva (∣ r ∣ 0, 6). Az SNP-k közötti LD vörös színnel jelenik meg a 3. régióban. A megfigyelt LD-k többsége ugyanazon a génben lévő SNP-k között, elsősorban az APOC3-ban, és az apolipoprotein-klaszter gén többi SNP-je között fordul elő.

A fennmaradó területek kék színnel vannak festve, és asszociációkat képviselnek az ATG-vel és az AVLDL-szel. Ezeken a területeken a sejtek jobb felső része képviseli az ATG eredményeit, a bal alsó rész pedig az AVLDL eredményeit. A keresztellenőrzött asszociációkat fekete sáv jelöli. A 4. régió, amely egyoldalú összefüggést mutat a klinikai kovariánsok és az eredmények között, azt mutatja, hogy a kiindulási TG, a koleszterin és az inzulin, valamint a glükóz a fenofibrát-kezelés előtt kereszt-validált összefüggést mutat az ATG-vel és az ALDLDL-vel, míg a görbe alatti fenofibrosav-terület, a fenofibrát utáni glükózszint és az öv és a csípő aránya kereszt-validált összefüggést mutat az AVLDL-lel, de nem AT-vel. Az 5. régió, amely szemlélteti az SNP-k és az eredmények közötti egyoldalú összefüggést, azt mutatja, hogy az APOA5-ben csak egy SNP-nek (APOA5_S19W) van keresztvalidált kapcsolata az ATT-vel és az ALDLDL-lel.

A 6. régió az ATG-hoz és/vagy az AVLDL-hez szignifikánsan társult kovariáns-kovariáns kölcsönhatásokat mutat. A legtöbb keresztvalidált interakciót az éhomi kiindulási TG és a glükóz- és inzulinszintek között figyelték meg a fenofibrát előtt és után, valamint a fenofibrinsav görbe alatti területe és az inzulinszintek között a fenofibrát előtt és után.

Összességében a négy SNP felelős az SNG-kovariáns kölcsönhatások nagy részéért, amelyek megjósolják az ATG-t (APOA4_M35, APOC3_3U386, ABCA1_I27943 és LIPC_T224T). Ezek az SNP-k együttesen az SNP-kovariánsok nyolc (32%) validált kölcsönhatását képviselik az ATG-re gyakorolt ​​hatásukban, prediktív erővel 0,52–1,29% (átlag = 0,82%) és ΔR2 × 100 értékek között 0 0,73-1,33% (átlag = 1,02%). Az ALDLDL előrejelzést illetően négy SNP felelős az SNP-kovariáns interakciók jelentős részéért (ABCG8_C54Y, LIPC_i67180, FABP1_m2353 és FABP1_T94A). Ezek az SNP-k 10 (29%) validált SNP-kovariát interakciót képviselnek az ALDLDL esetében, prediktív képességekkel 0,56 és 1,47% között (átlag = 0,90%) és R 2 × 100 értékekkel 0,87 és 2,40% között (átlag = 1,41%). . Mindkét eredmény esetében a fennmaradó SNP-k legfeljebb egy validált interakcióban vettek részt a kovariánssal (a részleteket lásd a 3. függelék táblázatban).

A 8. terület episztatikus kölcsönhatásokat mutat az SNP-k között, amelyek jelentős és validált prediktív erővel rendelkeznek az ATG és az AVLDL számára. Az SNP-kovariáns kölcsönhatásokhoz hasonlóan az episztatikus kölcsönhatások nagy része az SNP-k kis számának köszönhető. Az SNG-k, amelyek a legtöbb interakcióval rendelkeznek, és amelyeket az ATG prediktoraként validáltak, az APOA5_S19W hat interakcióval, a PDZK1_i4201 öt interakcióval és az APOA1_M2630 és FABP1_T94A négy interakcióval. Ezek az SNP-k együttesen 16 (30%) validált episztatikus interakciót képviselnek, amelyek megjósolják az ATG-t, prediktív képességeik 0,53–2,19% (átlag = 0,85%) és R 2 × 100 értékek 0, 71–2,80 ( átlag = 1,58%). A legtöbb interakcióval rendelkező SNP-k, amelyeket az ALDLDL prediktoraként validáltak, az APOA5_S19W hat interakcióval, az APOB_E4181K öt interakcióval és az APOA1_M3012, APOB_T2515T és APOC3_3U386 négy interakcióval. Ezek az SNP-k 18 (33%) validált episztatikus interakciót képviselnek, amelyek megjósolják az AVLDL-t, prediktív képességeik 0,51 és 2,42% között mozognak (átlag = 0,81%), és az R 2 × 100 értékek 0, 52 és 2,56% között mozognak (átlag = 1, 18%). Az összes jelentős és keresztvalidált episztatikus kölcsönhatás teljes listáját a 6. kiegészítő táblázat tartalmazza.

Az SNP-SNP és az SNP-kovariáns csúcs kölcsönhatásokat alkalmazó többváltozós modellezés eredményeit a 4. táblázat mutatja. PPARG_C1A i27289 inzulinnal a fenofibrát után), ami azt sugallja, hogy ezeknek a legjobb besorolású SNP-knek az összefüggései és az eredmény nem elsősorban a kovariánsokkal való kapcsolatuk eredménye. A négy legfelsőbb besorolású episztatikust (SNP) tartalmazó modell minimálisan növeli a fent kifejtett variációk százalékos arányát, mint amit csak a kiindulási TG magyarázott (0,4% az ATG és 0,4% az AVLDL esetében). A négy legmagasabb besorolású SNP-kovariancia interakciót magában foglaló modell azonban jelentősen megnöveli a variációk százalékos arányát, amelyet a kiindulási TG felett magyaráznak (11,9% az ATG esetében és 7,8% az AVLDL esetében).

Asztal teljes méretben

vita

A fenofibrátra adott TG-válasz alapjául szolgáló genetikai architektúra megismerése segít azonosítani azokat, akiknek a fenofibrátkezeléssel valószínűleg nagyobb haszna származik, és tisztázni fogja az olyan gyógyszerek, mint például a fenofibrát metabolikus válaszát szabályozó hálózat bonyolultságát. Több mint egyszerű, egyszerű SNP-hatások vizsgálata és az SNP-k, valamint a klinikai kovariánsok és SNP-párok közötti kölcsönhatások vizsgálata során ez a tanulmány fontos első lépést tesz e genetikai architektúra feltérképezése felé.

Az ehhez hasonló elemzés kulcsfontosságú tényezője, hogy megpróbálja a lehető legnagyobb mértékben megfelelően modellezni a rendszer komplexitását. A fenofibrát kezeléssel végzett éhomi TG reakciót a környezeti változások (mind a sejtek, mind az organizmusok szintjén) és kiterjedt génexpressziós hálózatok befolyásolják, amelyeket részben genetikai variáció vezérel. Valószínűtlen, hogy egy ekkora tanulmány megfelelő irányítással indítsa el e hálózat teljes rekonstrukcióját, de fel lehet használni egy jobb térkép létrehozására a gének és a kovariánsok és asszociációk között, amelyek szerepet játszanak az egyének közötti variációkban.

Az asszociációs vizsgálatban figyelembe vett SNP-k számának növekedésével nő a valódi eredmények és a véletlen okozta hamis eredmények elkülönítésének problémája is. 51 A probléma leküzdésére tett kísérletek gyakran a P értékekre összpontosítanak, azzal érvelve, hogy ha véletlenszerűen a legkevésbé véletlenszerű modelleket választják, akkor a hamis pozitív eredmény bekerülésének valószínűsége jelentősen csökken. 52 Sajnos, ha egy komplex jellemzőt veszünk figyelembe, az egyes SNP-k és a páros kölcsönhatások hatása általában meglehetősen kicsi. Ez korlátozza a szignifikancia szintjét, amelyet ezek a modellek el tudnak érni a tipikus epidemiológiai vizsgálatok során, ami azt jelenti, hogy a valódi pozitívumok eltávolíthatók a P-kiigazítás során. Ezenkívül a nagyon alacsony P-értékek szükségesek ahhoz, hogy az asszociáció szignifikáns maradjon a kiigazítással (pl. Bonferroni-korrekcióval vagy hamis felfedezés korrekciójával) valószínűleg alacsonyabb allélfrekvenciájú SNP-ket kapunk, amelyek extrém szinteken ragadnak meg csoportokat. fenotípusos farok (néha egyszerűen véletlenül).

Más irányból közelítettük meg a problémát. A kutatott asszociációk felhasználása abban rejlik, hogy képesek megjósolni az érdeklődés kimenetelét, ezért természetes, hogy a prediktív képesség alapján választják ki a legjobb modelleket. Kereszt-validációs eljárással, amely fokozatosan elhagyja az adatok egynegyedét, és az adatok fennmaradó háromnegyedében genetikai modelleket épít fel, megbecsülhetjük a modell teljesítményét ugyanazon populációból származó egyének új, független mintáján.

Érdekes módon a P és a CV R2 közötti korreláció a legjobb esetben is átlagos (1. ábra), és sok, csak marginálisan szignifikáns P értékkel rendelkező asszociációnak nincs negatív CVR2 értéke. Ahogy az SNP-k százezreit mérő genomkutatások irányába növekszik a tendencia, a több teszt kijavításával kapcsolatos problémák is nőnek. A keresztellenőrzés vonzó választás a genetikai epidemiológusok számára, mivel közvetlen értékelést kínál az asszociáció prediktív hasznosságáról, és tekintettel a keresztvalidációs becslés relatív egyszerűségére és stabilitására. 38 Ezenkívül a független mintavételezett mintában történő replikáció a genetikai asszociáció eredményeinek validálásának standard eszközévé vált. Az ehhez hasonló speciális beavatkozási vizsgálatokhoz azonban nincs összehasonlítható minta. Replikációs minták hiányában a keresztellenőrzés lehetőséget ad arra, hogy megerősítsük eredményeinket, és egyúttal értékeljük előrejelző képességüket. Ugyanakkor replikált minta nélkül nem tudjuk megbecsülni, hogy az ebben az adatkészletben létrehozott több változó modell prediktív ereje megegyezik-e más adathalmazokkal.

91 SNP ebben a tanulmányban számos olyan gént vizsgált, amelyekről ismert, hogy részt vesznek a lipid anyagcsere számos aspektusában. Érdekes, hogy 78 közülük (86% SNP) legalább egy szignifikáns kereszt-validált összefüggés van a klinikai kovariánssal, vagy legalább egy olyan episztatikus vagy SNP-kovariáns interakcióval rendelkezik, amely megjósolta ezen eredmények egyikét. Józan, de nem teljesen váratlan, hogy az egyes polimorfizmusok és kölcsönhatások viszonylag kis mértékben járulnak hozzá az ATG és az ALDLDL variációinak magyarázatához. Az SNP által ebben a vizsgálatban kifejtett jellemzőváltozások százalékos változása azonban hasonló a többi komplex fenotípuson végzett vizsgálatokhoz. Például egy nemrégiben végzett tanulmány a cukorbetegség és a kapcsolódó tulajdonságok összefüggéséről a genomban azt mutatta, hogy a TG-szinttel legszorosabban összefüggő egyes SNP-k 0,5 és 1,2% közötti maradék változékonyságot magyaráznak a TG-szintek között a hagyományos kockázati tényezőkhöz való igazodás után. A vérnyomás-fenotípusok jelölt génvizsgálata azt találta, hogy a szisztolés vérnyomásra leginkább jósolt SNP-k CVR2-je 1,9 és 6,2% között mozgott. 54.

Ezeknek az egyedi interakcióknak a többváltozós modellbe történő kombinálása növelte a megmagyarázott változások számát, bár csak kissé az episztatikus interakciók esetében. Megfigyeltük, hogy a nem keresztvalidált genetikai modellek általában túlbecsülik az egyes prediktorok vagy interakciók előnyeit, így valószínű, hogy a kereszt-validációval magyarázott variációk százaléka, bár kicsi, reálisabb becslés, mint az R 2 értékek Keresztellenőrzés nélkül nyerték.

A jelentős kereszt-validált interakciókban részt vevő SNP-k nagy száma szemlélteti az e tulajdonságok mögött álló hálózat bonyolultságát, beleértve az egyes génhatásokat és a sok gén többféle variációja közötti kölcsönhatásokat, valamint kölcsönhatásukat a klinikai tényezőkkel. Bár az ATG-t és az ALDLDL-t megjósló klinikai tényezők és kölcsönhatások jelentős mértékben átfedik egymást, vannak bizonyítékok olyan egyesületekre is, amelyek egyediak az egyes eredményeknél, jelezve, hogy vannak olyan genetikai és környezeti kölcsönhatások, amelyek befolyásolják az éhezés során a fenofibrátra adott TG-választ. amelyek kívül esnek a VLDL részecskék metabolizmusán.

Ahogy a genotipizálás olcsóbbá válik, a genetikai asszociációs vizsgálatok köre drámaian megnőtt, 55 de a legtöbb tanulmány, még a genom egészére kiterjedő vizsgálatok is, az egytagú asszociációkra összpontosít. Kétségtelen, hogy egyes polimorfizmusok jelentősen befolyásolhatják a fiziológiát; sok betegség egyetlen genetikai hiba eredménye, amelynek súlyos fenotípusos következményei vannak. A komplex, nem mendeli tulajdonságokat azonban valószínűleg kevésbé egyszerű polimorfizmusok befolyásolják, mint az interakciók, különösen az episztatikus interakciók. Eredményeink arra utalnak, hogy a polimorfizmusok ebben a viszonylag korlátozott részhalmazában is nagyszámú páros kölcsönhatás található meg. Most olyan módszereket kell kidolgozni, mint például az általunk leírt többdimenziós modellezési módszer, amely lehetővé teszi ezen eredmények integrálását egy prediktív keretbe annak érdekében, hogy finomítsák és kihasználják a fenofibrát kezelésre adott TG válasz genetikai felépítésének megértését.