Cette étude a identifié huit cibles potentielles de médicaments pour l'insuffisance cardiaque par l'analyse génétique et a exploré les composés thérapeutiques candidats associés à ces cibles identifiées.
Method Article
Cette étude a identifié huit cibles potentielles de médicaments pour l'insuffisance cardiaque par l'analyse génétique et a exploré les composés thérapeutiques candidats associés à ces cibles identifiées.
L'insuffisance cardiaque (IC) est une maladie cardiovasculaire répandue qui altère considérablement la qualité de vie dans ses stades avancés. Malgré une variété de stratégies de traitement actuelles, le fardeau de la maladie de l'IC reste important. Par conséquent, l'exploration de nouveaux cibles thérapeutiques est urgent. Cette étude a utilisé la randomisation mendélienne (RM) pour évaluer les relations de causalité entre les gènes pharmacologiques et l'IC. Une analyse de colocalisation et une randomisation mendélienne basée sur les données sommaires (SMR) ont été menées pour valider davantage la relation entre eux. Enfin, 8 cibles thérapeutiques potentielles pour l'IC ont été identifiées, dont 4 facteurs de risque (CYP11A1, GALT, KCNH2 et METRN) et 4 facteurs protecteurs (APOM, CHD4, IL11RA et LPAR5). L'enrichissement GO, l'enrichissement KEGG et l'analyse de réseau d'interaction protéine-protéine (PPI) ont indiqué que ces gènes étaient principalement impliqués dans la régulation métabolique et les processus électrophysiologiques cardiaques. De plus, des médicaments potentiels ciblant ces cibles ont été identifiés à l'aide de la prédiction de médicaments et du docking moléculaire, notamment le mitotane, l'Adehl, les benzofurannes, le 1,3-Di-o-tolylguanidine, le 96-69-5 et le bromoénol lactone. En outre, les résultats de la PCR ont également démontré que le mitotane pourrait être associé à CYP11A1 et KCNH2. Les médicaments conçus sur la base de ces cibles thérapeutiques potentielles pourraient offrir des taux de réussite plus élevés et améliorer les résultats cliniques.
L'insuffisance cardiaque (IC) est un syndrome cardiovasculaire prévalent défini par un remplissage ventriculaire altéré ou une contractilité myocardique, entraînant une production cardiaque inadéquate pour répondre aux demandes métaboliques1,2,3. Cliniquement, l'IC est caractérisée par une congestion pulmonaire et systémique, une hypoperfusion tissulaire et des symptômes tels que dyspnée, fatigue et œdème périphérique1,4,5. Malgré les progrès thérapeutiques, l'IC reste une cause majeure de morbidité et de mortalité dans le monde, affectant plus de 64 millions de personnes selon l'étude Global Burden of Disease (GBD)6,7,8. Le fardeau substantiel de la maladie souligne le besoin urgent de nouvelles stratégies thérapeutiques.
Les interventions pharmacologiques et basées sur les dispositifs actuelles pour l'IC sont limitées par une efficacité sous-optimale et des effets indésirables, contribuant à des taux de réhospitalisation persistants et une qualité de vie altérée9,10,11,12. L'identification de nouvelles cibles moléculaires avec des liens de causalité avec la pathogenèse de l'IC est donc cruciale pour améliorer les résultats cliniques. L'intégration de la génomique dans la découverte de médicaments représente une stratégie très efficace pour améliorer l'efficacité, car les thérapies validées génétiquement démontrent un taux de réussite significativement plus élevé dans les essais cliniques13,14,15. De plus, les protéines codées par ces gènes exploitables servent de cibles thérapeutiques de premier plan pour les petites molécules et les anticorps monoclonaux16,17.
Les progrès récents en génétique humaine ont facilité la priorisation des cibles thérapeutiques par l'analyse intégrative des études d'association pangénomique (GWAS) et des données sur les loci quantitatifs des traits d'expression (eQTL). La randomisation mendélienne (MR) utilise des variants génétiques comme variables instrumentales pour estimer les effets causaux, minimisant les confusions et la causalité inverse inhérentes aux études observationnelles13,14. Combinée à la colocalisation et à la MR basée sur les résumés (SMR), cette approche permet une priorisation robuste des gènes dont la modulation peut influencer le risque de maladie, offrant une stratégie ancrée génétiquement pour la découverte de cibles18,19,20. Par rapport aux études d'association conventionnelles, l'intégration de la MR, de la SMR et de la colocalisation surmonte les confusions et la causalité inverse pour établir des inférences causales robustes. De plus, ce cadre filtre les faux signaux provenant de l'équilibre de liaison en s'assurant que l'expression génique et le risque d'insuffisance cardiaque partagent le même variant causal sous-jacent, optimisant la priorisation des cibles. Il convient de noter que, bien que les tissus cardiovasculaires présentent une haute spécificité, cette étude utilise principalement des données eQTL cis à grande échelle du sang pour maximiser la puissance statistique. Bien que cette approche ne capture pas entièrement les mécanismes spécifiques aux tissus inhérents à l'IC, les variants dérivés du sang servent de biomarqueurs accessibles et fournissent des aperçus robustes sur les moteurs génétiques systémiques de la maladie.
Dans cette étude, des GWAS à grande échelle et des ensembles de données eQTL ont été utilisés pour évaluer les effets causaux des gènes exploitables sur le risque d'IC. Les associations significatives ont été ensuite validées par des analyses de colocalisation et SMR. Pour élucider les fonctions biologiques des cibles prioritaires, des analyses d'enrichissement de l'Ontologie des Gènes (GO) et de l'Encyclopédie des Gènes et des Génomes de Kyoto (KEGG), ainsi qu'une analyse de réseau d'interaction protéine-protéine (PPI), ont été effectuées. Le potentiel thérapeutique a ensuite été évalué par la prédiction de médicaments et le docking moléculaire. Enfin, les associations entre les gènes exploitables sélectionnés et les candidats médicaments ont été validées par des expériences in vitro.
En conclusion, cette étude offre des aperçus importants pour la découverte de nouvelles cibles thérapeutiques pour l'IC. En utilisant la MR, la SMR, l'analyse de colocalisation, l'analyse d'enrichissement génique, la construction de réseaux PPI, la prédiction de médicaments, le docking moléculaire et des expériences in vitro, ces résultats peuvent contribuer au développement de stratégies thérapeutiques plus efficaces pour l'IC.
Tous les ensembles de données utilisés dans cette étude ont été obtenus à partir d'études précédemment publiées avec approbation éthique. Les réactifs et les équipements utilisés sont répertoriés dans le Tableau des matériaux.
1. Conception de l'étude
Le flux de travail de cette étude est illustré dans la Figure 1. Tout d'abord, les données d'exposition ont été obtenues à partir des cis-eQTL des gènes médicamenteux. Ensuite, une analyse MR a été menée pour étudier la relation causale entre les gènes médicamenteux et l'IC. Les cibles thérapeutiques candidates pour l'IC ont ensuite été identifiées par colocalisation et analyses SMR. Une analyse d'enrichissement génique et la construction d'un réseau PPI ont ensuite été effectuées. Enfin, des prédictions de médicaments et un docking moléculaire ont été réalisés pour explorer l'affinité des médicaments pour les gènes.
2. Source des données
Un total de 6 888 gènes médicamenteux ont été identifiés à partir de deux sources. Un ensemble de données comprenait 4 463 gènes provenant d'une étude précédemment publiée qui a intégré de multiples sources de données17. L'autre ensemble de données contenait 5 012 gènes de la base de données d'interaction médicament-gène (DGIdb)21. Des informations détaillées ont été illustrées sur le site web (https://www.dgidb.org/). Après fusion et suppression des doublons, 6 888 gènes médicamenteux uniques ont été retenus pour l'analyse.
Les données cis-eQTL ont été obtenues du Consortium eQTLGen (https://eqtlgen.org/cis-eqtls.html), qui comprend des profils d'expression de 31 684 échantillons sanguins et couvre 16 987 gènes22.
Les statistiques sommaires de l'IC ont été obtenues à partir de la version R12 de la base de données FinnGen23, qui comprenait 37 653 cas et 462 695 témoins. Le diagnostic de l'IC était basé sur la Classification Internationale des Maladies (ICD), y compris ICD-10—I11.0, I13.0, I13.2, I50, ICD-9—4029B|428, et ICD-8—42700|42710|428|7824. Tous les participants étaient d'ascendance européenne. Des informations détaillées sont disponibles sur le site web FinnGen et dans l'article original (https://www.finngen.fi/en/access_results).
3. Analyse de randomisation mendélienne
Les variables instrumentales (IV) ont été sélectionnées sur la base de trois hypothèses fondamentales de MR24. Premièrement, les IV sont directement associées aux facteurs d'exposition. Deuxièmement, les IV ne sont pas associées aux facteurs de confusion. Enfin, les IV affectent le résultat uniquement par l'exposition. Étant donné que les eQTL proximaux exercent un contrôle réglementaire plus immédiat et robuste sur les gènes cibles, la MR a exclusivement utilisé des SNP situés dans les régions de 100 kb des gènes pour maximiser la proximité biologique. Des critères stricts ont été employés pour la sélection des SNP. Tous les SNP sélectionnés étaient situés dans 100 kb en amont du site de démarrage de la transcription et 100 kb en aval du site de fin de la transcription de chaque gène médicamenteux. Seuls les SNP avec une signification à l'échelle du génome (p < 5×10-8) ont été inclus25. Pour minimiser le déséquilibre de liaison (LD), le regroupement LD a été effectué en utilisant un seuil r2 de 0,001 et une distance de regroupement de 10 000 kb26. Les SNP avec des statistiques F >10 ont été retenus, calculés en utilisant la formule : F = [R2(N−k−1)]/[k(1−R2)]27. Les informations sur les SNP sont fournies dans le Tableau supplémentaire 1.
Les principales méthodes analytiques étaient le pondéré inverse de la variance (IVW) et le rapport de Wald. Une valeur p inférieure à 0,05 était considérée comme statistiquement significative28,29. Le taux de fausse découverte (FDR) a été appliqué pour ajuster la valeur p afin de minimiser les faux positifs30. Lorsque seul un SNP était disponible, la méthode du rapport de Wald était utilisée ; sinon, IVW était appliqué. Les analyses comprenaient MR-Egger, médiane pondérée, mode pondéré et mode simple lorsqu'il y avait suffisamment de SNP.
Le test de Cochran Q et l'analyse de l'interception MR-Egger ont été utilisés pour tester l'hétérogénéité et le pléiotropie. Une valeur p de Q supérieure à 0,05 indiquait l'absence d'hétérogénéité31. Une valeur p pour l'interception MR-Egger inférieure à 0,05 indiquait la présence d'un pléiotropie directionnel18. Enfin, le test leave-one-out a été effectué pour tester si les résultats pouvaient être influencés par un seul SNP. Les analyses MR ont été effectuées à l'aide du package TwoSampleMR (version 0.6.11) dans R (version 4.4.2).
4. Analyse de colocalisation
L'analyse de colocalisation a été réalisée à l'aide du package coloc R (version 6.0.1) pour identifier si des variantes génétiques partagées ont influencé à la fois l'expression génique et le risque d'IC32. Les probabilités a priori pour qu'un SNP soit associé à l'un ou aux deux traits étaient fixées à 1 × 10-4 et 1 × 10-5, respectivement. Les probabilités postérieures des cinq hypothèses peuvent être calculées : (1) PPH0 : Les SNP ne sont pas liés aux deux traits. (2) PPH1/PPH2 : Les SNP sont associés à l'expression génique ou à l'IC. (3) PPH3 : Les SNP sont liés à l'IC et à l'expression génique, mais ils sont conduits par différents SNP. (4) PPH4 : Les SNP sont liés à l'IC et à l'expression génique, et ils sont conduits par
Mendelian randomization
Les résultats de la RM évaluant les effets causaux entre l'expression des gènes médicamenteux et l'IC ont été présentés dans le Tableau supplémentaire 3. Une valeur p ajustée selon FDR inférieure à 0,05 était considérée comme statistiquement significative. Un total de 11 gènes présentant des associations causales significatives avec l'IC ont été identifiés (Figure 2). Parmi eux, six gènes étaient associés à un risque accru d'IC, notamment CDKN1A (P_FDR : 0,03, OR : 1,293), CYP11A1 (P_FDR : 0,034, OR : 1,494), GALT (P_FDR : 0,042, OR : 1,074), KCNH2 (P_FDR : 0,018, OR : 1,163), LST1 (P_FDR : 0,03, OR : 1,112) et METRN (P_FDR : 0,018, OR : 1,115). Les cinq gènes restants étaient associés à un risque diminué d'IC, notamment APOM (P_FDR : 0,03, OR : 0,773), CAMK2G (P_FDR : 0,018, OR : 0,699), CHD4 (P_FDR : 0,018, OR : 0,811), IL11RA (P_FDR : 0,018, OR : 0,947), et LPAR5 (P_FDR : 0,021, OR : 0,915).
Une analyse de sensibilité a été réalisée dans cette étude, et les résultats ont montré qu'aucune hétérogénéité significative ou pléiotropie horizontale n'a été détectée (Tableau 1), et les estimations de RM n'étaient pas influencées par un seul SNP (Figure supplémentaire 1).
Analyse de colocalisation
L'analyse de colocalisation a été réalisée sur les 11 gènes identifiés (Figure 3 et Tableau 2). Neuf gènes ont démontré une forte preuve de partage de variants causaux avec l'IC, notamment APOM (PP.H4 : 0,923), CHD4 (PP.H4 : 0,942), CYP11A1 (PP.H4 : 0,91), GALT (PP.H4 : 0,967), IL11RA (PP.H4 : 0,967), KCNH2 (PP.H4 : 0,815), LPAR5 (PP.H4 : 0,938), LST1 (PP.H4 : 0,913) et METRN (PP.H4 : 0,907). Il y avait deux gènes exclus de l'analyse ultérieure car le PP.H4 était inférieur à 0,8, à savoir, CDKN1A et CAMK2G.
Analyse SMR
Pour valider davantage les associations gène-maladie, une analyse SMR a été menée pour les neuf gènes colocalisés (Tableau 2). L'analyse SMR a démontré que huit gènes restaient significativement associés à l'IC. Il y avait quatre gènes négativement associés à l'IC, notamment APOM (P_SMR : 0,018, P_HEIDI : 0,115, OR : 0,838), CHD4 (P_SMR : 5,45E-05, P_HEIDI : 0,458, OR : 0,732), IL11RA (P_SMR : 1,00E-04, P_HEIDI : 0,388, OR : 0,938), et LPAR5 (P_SMR : 3,71E-05, P_HEIDI : 0,168, OR : 0,889). Et quatre étaient positivement associés à l'IC, notamment CYP11A1 (P_SMR : 5,68E-04, P_HEIDI : 0,056, OR : 1,81), GALT (P_SMR : 1,02E-04, P_HEIDI : 0,726, OR : 1,085), KCNH2 (P_SMR : 2,76E-04, P_HEIDI : 0,162, OR : 1,236) et METRN (P_SMR : 1,55E-05, P_HEIDI : 0,068, OR : 1,103). Bien que LST1 (P_SMR : 4,61E-05, P_HEIDI : 0,025, OR : 1,135) ait montré une association avec un risque accru d'IC, le test HEIDI a indiqué que l'association pourrait être causée par un déséquilibre de liaison. Par conséquent, LST1 a été exclu.
Analyse d'enrichissement
Les huit gènes identifiés par les analyses MR, de colocalisation et SMR ont été soumis à une analyse d'enrichissement GO et KEGG (Figure 4A–E). Dans la classe BP, les gènes étaient enrichis dans le désassemblage des processus métaboliques (processus métabolique du cortisol, processus métabolique du galactose, processus biosynthétique des glucocorticoïdes et transport inverse du cholestérol), les processus liés aux particules de lipoprotéines (assemblage de particules de lipoprotéines de haute densité, remodelage de particules de lipoprotéines de haute densité et élimination des particules de lipoprotéines de haute densité) et la repolarisation membranaire pendant le potentiel d'action des cellules musculaires cardiaques ventriculaires. Dans la classe CC, les gènes étaient enrichis dans les particules de lipoprotéines (particules de lipoprotéines de basse densité, particules de lipoprotéines de très basse densité, particules de lipoprotéines plasmatiques riches en triglycérides, particules de lipoprotéines de haute densité, particules de lipoprotéines plasmatiques et particules de lipoprotéines) et les complexes protéiques (complexe NuRD, complexe de type CHD et complexe protéine-lipide). Dans la classe MF, les gènes étaient enrichis dans les processus électrophysiologiques (activité des canaux potassiques voltage-dépendants impliquée dans la
Cette recherche a évalué systématiquement les effets causaux des gènes pharmacologiquement ciblables sur le risque d'IC en utilisant la RM, identifiant huit cibles thérapeutiques potentielles. Celles-ci comprenaient quatre facteurs de protection (APOM, CHD4, IL11RA et LPAR5) et quatre facteurs de risque (CYP11A1, GALT, KCNH2 et METRN). Ces associations ont été en outre soutenues par l'analyse de colocalisation et le SMR. L'annotation fonctionnelle par le biais de GO, l'enrichissement KEGG et les analyses de réseau PPI ont suggéré que ces gènes peuvent influencer l'IC principalement par le biais de voies liées au métabolisme et à l'électrophysiologie. De plus, les études de prédiction de médicaments et de docking moléculaire ont mis en évidence le potentiel translationnel de ces cibles.
APOM a été identifié comme un facteur de protection contre l'IC. APOM se lie au sphingosine-1-phosphate (S1P) et exerce des effets anti-inflammatoires en réduisant l'expression de TNF-α, en limitant l'adhésion monocyte-endothéliale et en maintenant l'intégrité de la barrière endothéliale, atténuant ainsi les lésions myocardiques induites par l'inflammation42,43,44. De plus, APOM soutient la survie et la prolifération des cardiomyocytes tout en réduisant l'apoptose, préservant ainsi la structure et la fonction cardiaques. Sa déficience a été associée à des résultats cardiaques défavorables, conformément à cette découverte42,45. Cependant, le mécanisme sous-jacent reliant APOM à l'IC nécessite une étude plus approfondie.
CHD4, un autre gène protecteur identifié, est un composant essentiel du complexe de remodelage des nucléosomes et de déacétylase (NuRD) et joue un rôle essentiel dans le développement cardiaque et la croissance myocardique46,47,48. La perte de CHD4 conduit à l'incorporation de protéines myofibrillaires inappropriées dans les sarcomères cardiaques, entraînant des anomalies structurelles et fonctionnelles, notamment une dilatation des cavités et une altération du développement ventriculaire. Ce résultat renforce le rôle essentiel de CHD4 dans le maintien d'une fonction cardiaque normale.
Il a également été révélé que IL11RA pouvait diminuer le risque d'IC. IL11RA est la sous-unité principale de liaison au ligand du complexe du récepteur IL-11. Bien que IL-11 ait été montré pour stimuler les réponses fibrotiques dans le cœur, le rôle spécifique de IL11RA reste incertain49. L'effet protecteur observé dans cette étude suggère que IL11RA peut exercer des fonctions dépendantes du contexte ou interagir avec d'autres composants de signalisation pour limiter la fibrose dans certaines conditions50. Cette apparente contradiction souligne la nécessité d'études mécanistiques supplémentaires pour clarifier le rôle fonctionnel de IL11RA dans la pathogenèse de l'IC.
Cette étude a montré que LPAR5 était associé à un risque réduit d'IC. LPAR5 est un récepteur de l'acide lysophosphatidique (LPA). Bien que LPA soit généralement considéré comme pro-inflammatoire et ait été impliqué dans le remodelage cardiaque défavorable, les récepteurs LPA individuels peuvent avoir des rôles divergents51,52. Par exemple, la signalisation LPA module la formation de fibres de tension du cytosquelette par les voies Gα12/13 et Gαq/11, jouant un rôle important dans le maintien de la morphologie, de la fonction contractile et de la transduction du signal des cardiomyocytes53,54. Néanmoins, le rôle précis de LPAR5 dans la physiopathologie de l'IC mérite d'être étudié plus en détail.
Cette enquête a indiqué que CYP11A1 était un facteur de risque pour l'IC. CYP11A1 code pour l'enzyme limitante dans la biosynthèse des hormones stéroïdales55,56. Une production élevée d'hormones stéroïdales, en particulier l'aldostérone, contribue à la rétention de sodium et à l'augmentation de la charge de travail cardiaque, caractéristiques clés de la progression de l'IC57,58. De plus, CYP11A1 génère des espèces réactives de l'oxygène pendant son activité métabolique, ce qui peut exacerber les dommages myocardiques59. Une corrélation réelle entre CYP11A1 et le mitotane a été observée in vitro, fournissant des preuves que le mitotane pourrait avoir une valeur thérapeutique potentielle pour le traitement de l'IC. Cependant, des expériences supplémentaires sont nécessaires pour explorer la relation entre le mitotane et l'IC.
GALT pourrait augmenter le risque d'IC dans cette recherche. GALT est une enzyme clé dans le métabolisme du galactose et montre une association positive avec le risque d'IC60,61. Une expression élevée de GALT a été proposée comme biomarqueur de fibrose cardiaque et de remodelage, des niveaux plus élevés étant liés à des résultats cliniques pires, probablement en raison de son association avec des voies métaboliques profibrotiques62,63. Cette découverte suggère que cibler GALT pourrait améliorer le pronostic de l'IC; cependant, il reste à déterminer si cela est médié par l'atténuation de la fibrose.
Cette recherche a démontré que KCNH2 était un facteur de risque pour l'IC. KCNH2 code pour une sous-unité du canal potassique voltage-dépendant, impliqué dans la repolarisation cardiaque64. Les mutations de KCNH2 sont connues pour provoquer des arythmies, augmentant le stress myocardique et le risque d'IC65,66. Des preuves émergentes suggèrent également que KCNH2 peut influencer la fonction mitochondriale. Étant donné le rôle établi du dysfonctionnement mitochondrial dans la pathogenèse de l'IC, les effets potentiels de KCNH2 sur la fonction mitochondriale dans le contexte de l'IC représentent une direction importante pour la recherche future67,68. Le résultat de RT-PCR a indiqué que KCNH2 était associé au mitotane; une investigation plus poussée était nécessaire pour explorer le lien entre le mitotane et l'IC.
Les auteurs déclarent qu'ils n'ont aucun intérêt concurrent.
Les participants et les chercheurs de l'étude FinnGen sont remerciés. Le consortium eQTLGen, DGIdb et d'autres chercheurs qui ont fourni des données accessibles au public pour cette analyse sont également remerciés. Ce travail a été soutenu par le Projet d'Innovation de Recherche de Master du Premier Collège Clinique de l'Université Médicale de Chongqing (CYYY-SSCX202516) et le Diagnostic et Traitement Standardisés de l'Insuffisance Cardiaque (2025cyjstg006).
Contribution des auteurs
Huiling Zhu a contribué à la conceptualisation, l'acquisition de fonds, l'investigation, la méthodologie, les ressources, les logiciels, la supervision, la validation, la rédaction du projet original et la révision et l'édition du manuscrit. Suxin Luo a contribué à l'acquisition de fonds, à la méthodologie, à la supervision et à la révision et à l'édition du manuscrit.
| Name | Company | Catalog Number | Comments |
|---|---|---|---|
| 2× Universal SYBR Green Fast qPCR Mix | Abclonal | RK21203 | |
| AC16 | HyCyte | TCH-C119 | |
| AC16 cell-specific culture medium | HyCyte | TCH-G119 | |
| cDNA reverse kit | Abclonal | RK20400 | |
| CFX96™ Real-Time system | Bio-Rad Laboratories | ||
| Mitotane | TargetMol | T1199 | |
| Palmitic acid | TargetMol | T2908 | |
| RNA extraction kit | Abclonal | RK30120 |
Request permission to reuse the text or figures of this JoVE article
Request Permission