Investigando los efectos causales de los rasgos metabólicos crónicos en el ictus y el papel mediador de la depresión: evidencia de la aleatorización mendeliana

Resumen

Este protocolo describe un enfoque para investigar los efectos causales de rasgos metabólicos crónicos en el ictus de pequeños vasos y para evaluar el papel mediador de la depresión mediante análisis de aleatorización mendeliana.

Resumen

Rasgos metabólicos crónicos como el índice de masa corporal (IMC), la obesidad y la diabetes tipo 2 (DT2) son factores de riesgo conocidos para las enfermedades cerebrovasculares. La depresión, a menudo comórbida con trastornos metabólicos, puede mediar estas asociaciones. Se realizó un análisis de aleatorización mendeliana (RM) de dos muestras para examinar los efectos causales del IMC genéticamente predicho, la obesidad y la DT2 en el ictus de vasos pequeños (SVS) y el trastorno depresivo mayor (TDM). Se evaluó más a fondo la relación entre depresión y SVS, y se aplicó un análisis de mediación por RM en dos pasos para explorar si la depresión media las asociaciones entre los rasgos metabólicos crónicos y el riesgo de SVS. IMC más alto, obesidad y diabetes tipo 2 se asociaron significativamente con un mayor riesgo de SVS (IMC: o = 1,25, p = 1,27 × ^10-3; Obesidad: OR = 1,09, p = 0,032; T2D: OR = 1,17, p = 1,14 × ^10-7). Los tres rasgos también aumentaron el riesgo de TDM (IMC: OR = 1,20, p = 3,31 × ^10-10; Obesidad: OR = 1,06, p = 0,006; T2D: OR = 1,03, p = 0,035). La TDM, a su vez, aumentó el riesgo de SVS (OR = 1,11, p = 0,035). Los análisis de mediación indicaron que la depresión mostraba un posible efecto mediador parcial sobre la asociación IMC–SVS (efecto indirecto = 0,019, p = 0,046), mientras que la mediación mediante obesidad o diabetes tipo 2 no era significativa. Estos resultados ponen de manifiesto la importancia de abordar la depresión comórbida en personas con trastornos metabólicos para reducir el riesgo cerebrovascular.

Introducción

El ictus es una de las principales causas de mortalidad y discapacidad a nivel mundial, con una estimación de 12 millones de nuevos casos anuales y más de 100 millones de personas viviendo con sus consecuencias a largo^plazo. Con el envejecimiento de la población mundial y la creciente prevalencia de condiciones relacionadas con el estilo de vida, se espera que la carga del ictus aumente aún más, lo que conllevará impactos sustanciales en la salud y^{socioeconómicas 1,2}. Además de factores de riesgo bien establecidos como la hipertensión, la diabetes, la dislipidemia, el tabaquismo y la obesidad, la evidencia emergente sugiere que los trastornos psiquiátricos, especialmente el trastorno depresivo mayor (TDM), también pueden contribuir al riesgo de^{ictus 3,4,5}. Sin embargo, la compleja interacción entre enfermedades metabólicas, depresión e ictus sigue siendo poco comprendida.

La aleatorización mendeliana (RM) utiliza variantes genéticas como variables instrumentales (IVs) para reducir la confusión y la causalidad inversa, proporcionando así un marco más robusto para la inferencia causal en comparación con los estudios observacionales^{convencionales 6}. A diferencia de los diseños observacionales, que son susceptibles a confusión residual, errores de medición y causalidad inversa, la RM aprovecha la asignación aleatoria de variantes genéticas en la concepción para aproximar un experimento natural. Además, en comparación con otros enfoques de inferencia causal como los modelos de mediación basados en regresión, la RM ofrece mayor robustez frente a la confusión no medida, especialmente al investigar rasgos complejos e interrelacionados. Estudios de asociación genómica a gran escala (GWAS) han permitido la aplicación de la RM de dos muestras para investigar los vínculos causales entre rasgos complejos y enfermedades a nivel genético. Estudios previos de RM han demostrado efectos causales de enfermedades metabólicas —como el índice de masa corporal (IMC), la obesidad y la diabetes tipo 2 (DT2)— en el^{ictus 7,8,9}. Del mismo modo, la evidencia genética apoya una relación bidireccional entre la depresión y el^{ictus 10}. Sin embargo, no se ha evaluado sistemáticamente si la depresión media el efecto de las enfermedades metabólicas sobre el ictus.

Varios posibles mecanismos biológicos apoyan un papel mediador de la depresión. Se sabe que los trastornos metabólicos crónicos promueven inflamación sistémica, disfunción endotelial y desregulación del eje hipotalámico–hipófisis–suprarrenal, lo que puede aumentar la vulnerabilidad a la^depresión. A su vez, la depresión se asocia con factores de riesgo conductuales (por ejemplo, fumar, inactividad física, mala alimentación), desequilibrio autonómico, hiperactividad plaquetaria y aumento de la secreción de cortisol, todos los cuales pueden aumentar el riesgo de^{ictus 12,13}. Los estudios observacionales han intentado abordar estas vías, pero los hallazgos siguen siendo inconsistentes debido a la confusión, el seguimiento corto y el error^{de medición 14}. En consecuencia, la naturaleza causal de la vía metabólica–depresión–ictus sigue siendo incierta. Aunque la RM puede fortalecer la inferencia causal, no puede dilucidar completamente los mecanismos biológicos detallados ni informar directamente las intervenciones clínicas, y su validez depende de supuestos clave como la ausencia de pleiotropía horizontal.

En este estudio, se investigaron dos hipótesis utilizando análisis de resonancia magnética univariable, multivariable y de dos pasos con dos muestras. En primer lugar, se examinaron las asociaciones causales entre los rasgos metabólicos (IMC, obesidad y diabetes tipo 2) y el riesgo de ictus en pequeños vasos (SVS). En segundo lugar, se evaluó el posible papel mediador de la depresión en estas asociaciones y se cuantificó la proporción mediada. Este marco analítico es especialmente adecuado para desenredar efectos de mediación entre rasgos metabólicos y psiquiátricos correlacionados, ya que descompone los efectos totales en componentes directos e indirectos minimizando la confusión. Aprovechando estadísticas resumidas a gran escala de GWAS, este estudio proporciona evidencia genética novedosa para clarificar la interacción entre trastornos metabólicos, depresión y SVS. Estos hallazgos pueden ayudar a identificar vías biológicas subyacentes al riesgo de ictus y a informar estrategias de prevención integradas que se dirijan tanto a la salud metabólica como a la salud mental.

Protocolo

Se realizaron análisis de mediación por RM univariable, multivariable y de dos muestras para investigar si las enfermedades metabólicas crónicas genéticamente predichas estaban causalmente asociadas con el riesgo de SVS y para evaluar la proporción de mediación por TDM. El diagrama de flujo de los análisis de RM en este estudio se muestra en la Figura 1. Las características detalladas de todos los conjuntos de datos GWAS utilizados en este estudio se resumen en la Tabla Suplementaria 1. Las estadísticas resumen GWAS se obtuvieron de una base de datos pública (IEU OpenGWAS: https://gwas.mrcieu.ac.uk/) utilizando una plataforma de software de análisis de aleatorización mendeliana (véase Tabla de Materiales) mediante las funciones extract_instruments() y extract_outcome_data(). Las exposiciones incluyeron IMC¹⁵ (ebi-a-GCST90013974), obesidad¹⁶ (ieu-a-90) y diabetes tipo 2 (T2D; ebi-a-GCST006867). El mediador fue el trastorno depresivo mayor (TDM; ieu-a-1188)¹⁸, y el resultado fue SVS (ebi-a-GCST006909). Todos los conjuntos de datos GWAS incluían individuos de ascendencia predominantemente europea para minimizar el sesgo de estratificación poblacional.

Datos GWAS de rasgos metabólicos crónicos

Las enfermedades metabólicas crónicas se examinaron como exposiciones, incluyendo IMC, obesidad y diabetes tipo 2. Las estadísticas resumidas GWAS para IMC¹⁵ (ebi-a-GCST90013974) y obesidad¹⁶ (ieu-a-90) se obtuvieron del consorcio MRC-IEU y GIANT (ascendencia europea, hasta 407.609 individuos para IMC y 32.858 casos/65.839 controles para obesidad). Los datos de diabetes^{tipo 2 17} (ebi-a-GCST006867) se derivaron del consorcio DIAGRAM (ascendencia europea, 62.892 casos/596.424 controles). Estos conjuntos de datos GWAS están disponibles públicamente y se basan principalmente en el Biobanco del Reino Unido y otras cohortes a gran escala.

Datos GWAS para la depresión

Para el resultado de la depresión, se utilizaron las últimas estadísticas resumidas GWAS del Consorcio de Genómica Psiquiátrica (PGC) (ieu-a-1188)¹⁸ , incluyendo 59.851 casos y 113.154 controles de ascendencia europea. El diagnóstico de TDM en las cohortes incluidas se basó en entrevistas clínicas estructuradas o autoinformes validados según los criterios diagnósticos del DSM-III/IV o CIE-9/10. Se excluyeron a las personas con antecedentes de trastorno bipolar o esquizofrenia.

Datos GWAS para SVS

Las estadísticas resumen para el ictus se obtuvieron del consorcio MRC-IEU (ebi-a-GCST006909)¹⁹, que incluyó hasta 5.386 casos y 192.662 controles de ascendencia predominantemente europea. SVS se definió en base al diagnóstico médico y/o a los registros clínicos. Este conjunto de datos se ha utilizado ampliamente en estudios de RM que investigan factores de riesgo vascular y está disponible públicamente.

Análisis estadístico

Todos los análisis se realizaron en R (versión 4.1.2) utilizando una plataforma de software de análisis de aleatorización mendeliana (véase Tabla de Materiales). La RM de dos muestras se realizó utilizando polimorfismos de nucleótido único (SNPs) como variables instrumentales (IVs), que deben cumplir tres supuestos fundamentales: relevancia (asociada a la exposición), independencia (no asociada a confundidores) y restricción de exclusión (que afecta al resultado solo a través de la exposición)^20,21,22. Los SNPs se seleccionaron en función de la significación genómica general (p < 5 × ^10-5), poda por desequilibrio de ligamiento (r² < 0,001 dentro de una ventana de 10.000 kB) y estadísticas F >10 para evitar un sesgo débil de instrumentos^20,22. El agrupamiento de LD se realizó utilizando el panel de referencia europeo del Proyecto 1000^{Genomas 23}. Los SNPs palindrómicos y ambiguos fueron excluidos tanto durante los procedimientos de extracción de datos como de armonización. Durante la extracción de datos de resultados mediante la función extract_outcome_data(), los SNPs palindrómicos se mantuvieron inicialmente usando funciones estándar de extracción, y se utilizó información de frecuencia alelada para inferir el alineamiento de las hebras cuando fue posible. Se conservaron SNPs con frecuencia alelar menor (MAF) por debajo de un umbral predefinido (por ejemplo, MAF < 0,3), ya que la orientación de la hebra podía inferirse de forma fiable, mientras que aquellos con frecuencias alelares intermedias se consideraron ambiguas. Durante el paso de armonización a través de la función harmonise_data(), se excluyeron los SNPs palindrómicos con orientación ambigua de la hebra—especialmente aquellos con frecuencias alelares intermedias—para asegurar una alineación consistente de los alelos de efecto a través de conjuntos de datos de exposición, mediadores y resultados. La armonización de SNP se realizó mediante la función harmonise_data() para alinear los alelos de efecto entre conjuntos de datos. Durante este proceso, las cadenas aleladas se alinearon para garantizar la consistencia, y se excluyeron SNPs con alelos incompatibles o ambigüedad de la hebra. Tras el filtrado, se conservaron aproximadamente entre 600 y 800 SNPs para IMC, 70–90 SNPs para obesidad y 326 SNPs para la DT2 para análisis posteriores (véase Tabla 1 y Tabla 2).

Para la RM univariable, el método principal utilizado fue ponderado por inversa de la varianza (IVW), que estima el efecto causal combinando estimaciones específicas de la razón SNP usando ponderación inversa de varianza bajo la suposición de que no hay pleiotropía^{horizontal 20}. La pleiotropía se evaluó utilizando la prueba de interceptación MR-Egger implementada mediante la función mr_pleiotropy(), con P < 0,05 indicando pleiotropía horizontal potencial. La heterogeneidad se evaluó utilizando la prueba Q de Cochran, implementada mediante la función mr_heterogeneity(). Si se detectaba heterogeneidad (P < 0,05), se aplicaba un modelo de IVW de efectos aleatorios; de lo contrario, se utilizó un modelo de FIV de efectos fijos. Para análisis de resonancia magnética multivariable, los SNPs se combinaron entre exposiciones y mediadores. Los alelos de efecto se armonizaron utilizando la función harmonise_data() entre los conjuntos de datos de exposición, mediador y resultado, y se realizó el análisis de IVW multivariable como método principal.

Para tener en cuenta las comparaciones múltiples, se aplicó la corrección de tasa de descubrimiento de falsos (FDR) utilizando el método de Benjamini–Hochberg mediante la función p.adajust() en R en los principales análisis de aleatorización mendeliana. Específicamente, se realizó un ajuste para el número total de pruebas causales primarias, incluyendo los efectos de los rasgos metabólicos en SVS (n = 3), rasgos metabólicos en la depresión (n = 3) y depresión en SVS (n = 1), resultando en un total de siete pruebas. Se calcularon los valores p ajustados (valores q de FDR) y se interpretó la significación estadística considerando tanto los valores P nominales como los valores corregidos por FDR. Los resultados que permanecieron significativos tras la corrección de FDR se consideraron robustos, mientras que aquellos con solo significación nominal se interpretaron con cautela.

Análisis de mediación

Para los análisis de mediación, se aplicó un marco de resonancia magnética en dos pasos para estimar los efectos indirectos de los rasgos metabólicos crónicos sobre el SVS a través de la depresión. Este marco se implementó realizando dos análisis de RM secuenciales utilizando estadísticas resumen GWAS. En este marco, E denota la exposición (IMC, obesidad o DT2), M denota el mediador (depresión) y Y denota el resultado (SVS). En primer lugar, se estimó el efecto causal de cada rasgo metabólico crónico (IMC, obesidad y diabetes tipo 2) sobre el mediador (β (EM)). En segundo lugar, se evaluó el efecto causal del mediador en el resultado (β (MY)). El efecto indirecto (efecto mediación) se calculó multiplicando estas dos estimaciones:

y la proporción mediada se derivó dividiendo el efecto indirecto por el efecto total

(Proporción mediada = ).

El error estándar (SE) del efecto indirecto se estimó usando el método delta, asumiendo la independencia entre las dos estimaciones del efecto:

_{SE indirecto} =

Resultados

Efectos causales de los rasgos metabólicos crónicos en la SVS

En los análisis de RM univariable, el IMC más alto, la obesidad y la DT2 se asociaron positivamente con un mayor riesgo de SVS. Las asociaciones fueron consistentes en los análisis de sensibilidad, sin evidencia de pleiotropía horizontal sustancial en la prueba de interceptación MR-Egger. El IMC más alto predicho genéticamente se asoció significativamente con un mayor riesgo de SVS,...

Discusión

En este estudio de RM, se investigaron sistemáticamente las asociaciones causales entre los principales rasgos metabólicos crónicos (IMC, obesidad y diabetes tipo 2), la depresión y el SVS. El estudio destaca tres hallazgos clave. En primer lugar, el IMC más alto, la obesidad y la diabetes tipo 2 se asociaron causalmente con un mayor riesgo de SVS. En segundo lugar, estos rasgos metabólicos también se asociaron con un mayor riesgo de depresión, mientras que la propia depresión mostró una...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
R software (versión 4.1.2)	The R Foundation	https://www.r-project.org/	Entorno de computación estadística
Paquete TwoSampleMR (versión 0.6.22)	IEU OpenGWAS	https://mrcieu.github.io/TwoSampleMR/index.html	Plataforma de software de análisis de randomización mendeliana