реферат

Підвищений вміст тригліцеридів у сироватці крові (ТГ) є основним фактором ризику розвитку ішемічної хвороби серця (ІХС) 1, навіть після контролю за іншими відомими факторами ризику ліпопротеїдів, такими як низький рівень ліпопротеїдів у крові (ЛПНЩ-С) і високий рівень ліпопротеїдів (ЛПВЩ). В). 2, 3 Він безпосередньо сприяє ІХС, викликаючи дисфункцію та запалення ендотеліальних клітин судин завдяки збільшенню вироблення атерогенних ліпопротеїдів, багатих на TG 4, та опосередковано через його асоціацію з діабетом II типу та абдомінальним ожирінням, що є головними факторами ризику ІХС. 5

Показано, що зниження високого рівня ТГ у осіб за допомогою дієти або медикаментозної терапії зменшує несприятливі наслідки (тобто смерть або інфаркт міокарда) через ІХС. Сучасна терапія, що знижує ТГ, включає фібрати, ніацин та омега-3 жирні кислоти (риб’ячий жир). 6 Статини, які часто призначають для зниження рівня ХС ЛПНЩ, можуть також мати слабкий ефект зниження рівня ТГ у деяких групах пацієнтів. Фібрати (включаючи, але не обмежуючись ними, фенофібрат, гемфіброзил та безафібрат) є основними методами лікування високого рівня ТГ і мають дуже низьку частоту побічних ефектів, 8 проте існують значні варіації між індивідами у відповіді на ці препарати. Фібрати зв'язуються з факторами транскрипції, які називаються PPAR, які потім мігрують до ядра і впливають на транскрипцію генів-мішеней, що беруть участь в метаболізмі ліпідів. 8

Фенофібрат знижує рівень ТГ натще і індукує перехід до менш атерогенного ТГ-профілю ліпопротеїдів. Ефекти фенофібрату на рівні загального плазмового ТГ і циркулюючих частинок ліпопротеїдів дуже низької щільності (ЛПНЩ), основного носія ТГ під час голодування, опосередковуються через його зв'язування з PPAR-α. Отримана вгору і вниз регуляція ряду генів, що беруть участь в метаболізмі ліпопротеїнів, знижує ТГ за кількома механізмами: (1) зменшення доступності вільних жирних кислот для утворення ТГ, (2) збільшення катаболізму ЛПНЩ і (3) зменшення нейтрального ліпіду ефір холестерину та TG) між ЛПНЩ і ЛПВЩ. 10, 12 Гени, які регулюються у відповідь на PPAR-α, включають LPL, який бере участь у ліполізі TG, 8 APOA5, який посилює ефект LPL і може зменшити секрецію печінкової ЛПДНЩ, 8, 13, та кілька генів, пов’язаних з ЛПВЩ. Метаболізм С, включаючи APOA1, APOA2 та FABP. PPAR-α також знижує регуляцію APOC3, аполіпопротеїну, який інгібує кліренс ЛПНЩ. 8

Незважаючи на те, що механізм дії фенофібрату добре охарактеризований, значна міжособистісна мінливість у відповідь на фенофібрат 9 обмежує можливість прогнозування індивідуальної реакції на препарат. Ця зміна реакції фенофібрату, як і інших складних фенотипів, ймовірно, зумовлена ​​комбінацією генетичних та біологічних факторів ризику 14 та взаємодією між цими факторами. У цьому дослідженні, яке є найбільшим на сьогоднішній день, ми характеризуємо генетичну архітектуру реакцій ТГ натще на медикаментозну терапію фенофібратом, досліджуючи незалежні генетичні ефекти, взаємодію між генетичними та демографічними чи біохімічними факторами та взаємодію між парами генетичних факторів, пов’язану зі змінами загальний вміст TG у плазмі (мг/дл) та вміст TG у його найбільшому компоненті, частках ЛПНЩ, у відповідь на фенофібрат.

Ми виявили 91 однонуклеотидний поліморфізм (SNP) у 25 генах, які раніше були визначені як такі, що відіграють роль у метаболізмі ліпопротеїдів. 16, 17 Випробовувані гени та поліморфізми наведені в таблиці 1, а більш детальний опис функціональної ролі генів наведено в додатковій таблиці 1. Поліморфізми, відібрані для цього аналізу, вже раніше були функціональними. на метаболізм ліпідів окремо або через взаємодію з дієтичними факторами. 18, 19, 20, 21, 22, 23 Також було показано, що зміни в цих генах впливають на реакцію на фармакологічне втручання фібратів та інших препаратів. 24, 25, 26

Стіл в натуральну величину

Ми досліджуємо вплив цих варіантів на реакцію фенофібратів, використовуючи комплексний систематичний підхід, що оцінює роль багатьох генів, багатьох демографічних та клінічних коваріатів та їх взаємодії. Визначення сукупності генетичних та демографічних та/або біохімічних факторів, що впливають на реакцію на фенофібрат, забезпечить огляд складного механізму дії фенофібрату та може покращити здатність лікарів виявляти осіб, які можуть реагувати на лікування фенофібратом.

результат

Описова статистика клінічних змінних та результатів наведена в таблиці 2. Середній вік учасників становив 47,8 років, 51,9% учасників були жінки та 17,6% учасників були класифіковані як курці (викурювали ≥ 100 сигарет протягом життя). Середній ІМТ 28,5 кг/м 2, співвідношення пояса до стегна 0,9, а загальний рівень холестерину натще 189 мг/дл. Середній рівень ТГ натще становив 132 мг/дл до лікування фенофібратом та 88 мг/дл після лікування фенофібратом. Середні рівні ATG та AVLDL становили -46,3 та -46,4 мг/дл. Частота алелів і генотипів, RS-числа з dbSNP (побудова 127), тип SNP (синонімічний, несинонімічний, інтронний та ін.) Та результати тесту рівноваги Харді - Вайнберга наведені в додатковій таблиці 2.

Стіл в натуральну величину

Стіл в натуральну величину

реакції

Часткові значення F-тесту P у порівнянні з CV R 2 для SNP-коваріантної та епістатичної (SNP-SNP) взаємодій, що передбачають ΔTG та ΔVLDL. Процентне відхилення, пояснюване в незалежних зразках (CV R 2), порівняно з 10log 10 частковим значенням F-тесту P для взаємодії SNP-коваріати та епістатики (SNP-SNP), які були значущими при ΔTG або ΔVLDL (часткове F -найкраще значення P ≤ 0,1) . R 2 для кореляції між значенням −log P та CV R 2 дорівнює 0, 13. Рядки показані на −log P = 0,05 та CV R2 = 0,5%.

Повнорозмірне зображення

Малюнок 2 - візуальне представлення складної генетичної та клінічної кооперації, яка лежить в основі результатів ATG та AVLDL. Використовуючи кольорові та просторові взаємозв'язки, KGraph представляє як асоціації з цікавими результатами, так і кореляційну структуру предикторів, які є основою цих асоціацій. SNP без хоча б однієї суттєвої та перехресно перевіреної асоціації, однозначної або взаємодіючої з іншим SNP або коваріатною в обох результатах, були виключені з впливу KGraph.

Повнорозмірне зображення

Регіон 1 на малюнку 2, позначений зеленим кольором, показує зв'язок між ОНП та клінічними коваріатами. Незважаючи на те, що цей крок часто ігнорується в дослідженнях асоціацій, розуміння взаємозв'язку між SNP та коваріатами може бути інформативним для розрізнення того, як опосередковується вплив SNP на результат. У цій області існує низка перехресно підтверджених асоціацій між SNP в скупченні генів аполіпопротеїнів, які містять APOA1, APOA4, APOA5 і APOC3 та базальний рівень TG або холестерину натще. Регіон 2, позначений сірим кольором, ілюструє кореляцію між коваріатами. Більшість коваріатів не суттєво корелюються (∣ r ∣ 0, 6). LD між SNP показаний червоним кольором в області 3. Більшість спостережуваних LDs зустрічаються між SNP в межах одного і того ж гена, переважно в APOC3, та серед інших SNP в гені кластера аполіпопротеїнів.

Решта ділянок забарвлені в синій колір і представляють асоціації з ATG та AVLDL. У цих областях верхня права частина клітин представляє результати для ATG, а нижня ліва частина - результати для AVLDL. Перехресно перевірені асоціації позначені чорною смужкою. Регіон 4, який демонструє односторонню взаємозв'язок між клінічними коваріатами та результатами, показує, що базовий рівень ТГ, холестерин та інсулін, а також глюкоза перед лікуванням фенофібратом мають перехресно підтверджені асоціації з ATG та ALDLDL, тоді як область фенофібринової кислоти під кривою, Рівень глюкози після фенофібрату та співвідношення пояса до стегон мають перехресно підтверджені асоціації з AVLDL, але не AT. Регіон 5, який ілюструє односторонню асоціацію між SNP та результатами, показує, що лише один SNP в APOA5 (APOA5_S19W) має перехресну перевірку асоціації з ATT та ALDLDL.

Регіон 6 показує коваріантно-коваріантні взаємодії, суттєво пов'язані з ATG та/або AVLDL. Більшість перехресно підтверджених взаємодій спостерігали між базовим ТГ натще і рівнем глюкози та інсуліну до і після фенофібрату та між площею фенофібринової кислоти нижче кривої та рівнями інсуліну до і після фенофібрату.

Загалом, чотири SNP відповідають за більшу частину SNV-коваріантних взаємодій, які передбачають ATG (APOA4_M35, APOC3_3U386, ABCA1_I27943 та LIPC_T224T). Разом ці SNP представляють вісім (32%) перевірених взаємодій SNP-коваріатів у їхньому впливі на ATG з прогнозованою потужністю в діапазоні від 0,52 до 1,29% (середнє = 0,82%) та значеннями ΔR2 × 100 в діапазоні 0 Від 73 до 1,33% (середнє значення - 1,02%). Що стосується передбачення ALDLDL, чотири SNP відповідають за значну частину SNV-коваріантних взаємодій (ABCG8_C54Y, LIPC_i67180, FABP1_m2353 та FABP1_T94A). Ці SNP представляють 10 (29%) підтверджених SNP-коваріантних взаємодій для ALDLDL з прогностичними здібностями в межах від 0,56 до 1,47% (середнє значення = 0,90%) та значеннями R 2 × 100 в межах від 0,87 до 2,40% (середнє значення = 1,41%) . Для обох результатів решта SNP брали участь щонайбільше в одній валідованій взаємодії з коваріатом (докладніше див. Додаток Таблиця 3).

Область 8 показує епістатичні взаємодії між ОНП, які мають значну та підтверджену прогностичну силу для ATG та AVLDL. Як і у випадку SNP-коваріантних взаємодій, більша частина епістатичної взаємодії обумовлена ​​невеликою кількістю SNP. SNP, які мають найбільшу кількість взаємодій, які були перевірені як предиктори ATG, - APOA5_S19W з шістьма взаємодіями, PDZK1_i4201 з п’ятьма взаємодіями та APOA1_M2630 та FABP1_T94A з чотирма взаємодіями. Разом ці SNP представляють 16 (30%) підтверджених епістатичних взаємодій, які передбачають ATG, мають прогностичні здібності в межах від 0,53 до 2,19% (середнє значення = 0,85%) і мають значення R 2 × 100 в межах від 0, 71 до 2,80 ( середнє = 1,58%). SNP з найбільшою кількістю взаємодій, які були перевірені як предиктори ALDLDL, це APOA5_S19W з шістьма взаємодіями, APOB_E4181K з п’ятьма взаємодіями та APOA1_M3012, APOB_T2515T та APOC3_3U386 з чотирма взаємодіями. Ці SNP представляють 18 (33%) підтверджених епістатичних взаємодій, які передбачають AVLDL, мають прогнозуючі здібності в межах від 0,51 до 2,42% (середнє значення = 0,81%) і мають значення R 2 × 100 в межах від 0,52 до 2,56% (середнє = 1,18%). Повний перелік усіх значущих та перехресно підтверджених епістатичних взаємодій наведено в Додатковій таблиці 6.

Результати багатовимірного моделювання з використанням пікових SNP-SNP та SNP-коваріантних взаємодій наведені в таблиці 4. Лише два з SNP, що використовуються в моделях, мали перехресно перевірені асоціації з будь-яким із цих коваріатів (PPARG_P12AEB з областю фенофібринової кислоти під кривими та PPARG_C1A i27289 з інсуліном після фенофібрату), припускаючи, що асоціації між цими найвищими ОНП та результатом не є в першу чергу результатом їх зв’язку з коваріатами. Модель, яка включає чотири найпопулярніших епістатичних препарати (SNP), мінімально збільшує відсоток варіацій, пояснених вище, ніж пояснюється лише базовим TG (0,4% для ATG та 0,4% для AVLDL). Однак модель, яка включає чотири найвищі взаємодії SNP-коваріації, значно збільшує відсоток варіацій, які пояснюються вище базового рівня TG (11,9% для ATG і 7,8% для AVLDL).

Стіл в натуральну величину

обговорення

Розуміння генетичної архітектури, що лежить в основі реакції ТГ на фенофібрат, допоможе визначити тих, хто найімовірніше отримає користь від лікування фенофібратом, та з’ясує складність мережі, яка контролює метаболічну відповідь на такі препарати, як фенофібрат. При дослідженні більш ніж простих, простих ефектів SNP та вивченні взаємодії між SNP та клінічними коваріатами та парами SNP, це дослідження робить важливий перший крок до картографування цієї генетичної архітектури.

Ключовим фактором такого аналізу є спроба якнайкраще моделювати складність системи. На реакцію ТГ натще на лікування фенофібратом впливають зміни навколишнього середовища (на рівні як клітин, так і організмів) та великі мережі експресії генів, які частково контролюються генетичними варіаціями. Навряд чи дослідження такого розміру буде адекватно спрямовано на реконструкцію цієї мережі в цілому, але воно може бути використано для початку створення кращої карти взаємодій між генами та коваріатами та асоціаціями, які відіграють певну роль у міжіндивідуальних варіаціях.

Зі збільшенням кількості ОНП, розглянутих у дослідженні асоціацій, зростає і проблема відокремлення справжніх результатів від хибних результатів, спричинених випадковістю. 51 Спроби боротися з цією проблемою часто концентруються на значеннях P, аргументуючи це тим, що, вибираючи випадково найменш випадкові моделі, ймовірність включення хибнопозитивних результатів значно зменшиться. 52 На жаль, при розгляді складної ознаки величина ефекту окремих ОНП та попарних взаємодій, як правило, досить мала. Це обмежує рівень значущості, якого ці моделі можуть досягти в типових епідеміологічних дослідженнях, а це означає, що реальні позитивні результати можуть бути усунені під час корекції Р. Крім того, дуже низькі значення Р, необхідні для збереження асоціації значною після коригування (наприклад, шляхом корекції Бонферроні або виправлення помилкового виявлення), ймовірно, будуть отримані SNP з низькими нижчими частотами алелів, які захоплюють групи на екстремальних рівнях. фенотиповий хвіст (іноді просто випадково).

Ми підійшли до проблеми з іншого напрямку. Використання досліджуваних асоціацій полягає в їх здатності прогнозувати результат, що цікавить, тому природно обирати найкращі моделі на основі прогнозуючих здібностей. Використовуючи процедуру перехресної перевірки, яка послідовно залишає одну чверть даних і створює генетичні моделі в решті трьох чвертях даних, ми можемо оцінити ефективність моделі на новій, незалежній вибірці осіб з тієї ж популяції.

Цікаво, що кореляція між P та CV R2 є в кращому випадку середньою (рис. 1), і багато асоціацій із лише незначно значущими значеннями P мають невід’ємний CVR2. Оскільки тенденція до досліджень геному, що вимірює сотні тисяч SNP, зростає, зростають і проблеми з виправленням багаторазового тестування. Перехресна перевірка є привабливим вибором для генетичних епідеміологів, оскільки вона пропонує пряму оцінку корисної асоціації асоціації та, враховуючи відносну простоту та стабільність оцінки перехресної перевірки. 38 Крім того, реплікація в незалежно відібраній пробі стала стандартним інструментом для перевірки результатів генетичної асоціації. Однак порівняльних зразків для таких спеціалізованих досліджень втручання, як цей, немає. За відсутності зразків реплікації перехресна перевірка дає нам змогу підтвердити наші результати та одночасно оцінити їх прогнозуючу здатність. Однак без реплікації вибірки ми не можемо оцінити, чи буде прогнозована потужність кількох моделей змінних, створених у цьому наборі даних, однаковою в інших наборах даних.

У цьому дослідженні 91 ОНП дослідили низку генів, які, як відомо, беруть участь у багатьох аспектах ліпідного обміну. Цікаво, що 78 з них (86% SNP) мають принаймні одну суттєву перехресно підтверджену асоціацію з клінічною коваріативою або мають принаймні одну епістатичну або SNP-коваріантну взаємодію, яка передбачала один із цих результатів. Це тверезо, але не зовсім несподівано, що окремі поліморфізми та взаємодії відносно мало сприяють поясненню варіацій ATG та ALDLDL. Однак процентна зміна варіацій ознак, пояснених SNP у цьому дослідженні, подібна до досліджень інших складних фенотипів. Наприклад, недавнє дослідження асоціації діабету та пов'язаних з ним ознак у геномі показало, що окремі SNP, найбільш сильно пов'язані з рівнем TG, пояснюють залишкову мінливість рівнів TG від 0,5 до 1,2% після поправки на традиційні фактори ризику. Генетичне дослідження кандидата на фенотипи артеріального тиску виявило, що CVR2 найбільш прогнозованих SNP для систолічного артеріального тиску становив від 1,9 до 6,2%. 54

Поєднання цих індивідуальних взаємодій у множинну змінну модель збільшило кількість пояснених змін, хоча лише незначно у випадку епістатичних взаємодій. Ми спостерігали, що генетичні моделі, які не перехресно перевіряються, загалом переоцінюють користь кожного предиктора чи взаємодії, тому, ймовірно, відсоток варіацій, пояснених перехресною валідацією, хоча і невеликий, є більш реальною оцінкою, ніж значення R 2 Отримані без перехресної перевірки.

Велика кількість SNP, що беруть участь у значних перехресно підтверджених взаємодіях, ілюструє складність мережі, яка лежить в основі цих ознак, включаючи індивідуальні генні ефекти та взаємодію між множинними варіаціями багатьох генів, а також їх взаємодію з клінічними факторами. Незважаючи на те, що клінічні фактори та взаємодії, які передбачали ATG та ALDLDL, значно збігаються, є також дані про асоціації, які є унікальними для кожного результату, вказуючи на те, що існують генетичні та екологічні взаємодії, які впливають на реакцію TG на фенофібрат під час голодування. які лежать поза метаболізмом частинок ЛПНЩ.

Оскільки генотипування стає менш затратним, спектр досліджень генетичних асоціацій різко збільшився 55, але більшість досліджень, навіть загальногеномних досліджень, зосереджені на одномандатних асоціаціях. Немає сумнівів, що деякі окремі поліморфізми можуть суттєво вплинути на фізіологію; багато захворювань є результатом однієї генетичної помилки із серйозними фенотиповими наслідками. Однак на складні, не менделівські властивості, ймовірно, впливають менш прості поліморфізми, ніж взаємодії, особливо епістатичні взаємодії. Отримані нами результати дозволяють припустити, що навіть у цьому відносно обмеженому підмножині поліморфізмів можна знайти велику кількість попарних взаємодій. Тепер потрібно розробити методи, такі як описаний нами метод багатовимірного моделювання, який дозволить інтегрувати ці результати в систему прогнозування, щоб вдосконалити та використати розуміння генетичної архітектури реакції TG на лікування фенофібратом.