Questo studio ha identificato otto potenziali bersagli farmacologici per l'insufficienza cardiaca attraverso l'analisi genetica ed ha esplorato i candidati composti terapeutici associati a questi bersagli identificati.
Method Article
Questo studio ha identificato otto potenziali bersagli farmacologici per l'insufficienza cardiaca attraverso l'analisi genetica ed ha esplorato i candidati composti terapeutici associati a questi bersagli identificati.
L'insufficienza cardiaca (IC) è una malattia cardiovascolare diffusa che compromette significativamente la qualità della vita nelle sue fasi avanzate. Nonostante la varietà delle attuali strategie di trattamento, il peso della malattia dell'IC rimane significativo. Pertanto, è urgentemente necessario esplorare nuovi bersagli terapeutici. Questo studio ha utilizzato la randomizzazione mendeliana (MR) per valutare le relazioni causali tra i geni trattabili e l'IC. L'analisi di colocalizzazione e la randomizzazione mendeliana basata sui dati di sintesi (SMR) sono state condotte per convalidare ulteriormente la relazione tra loro. Infine, sono stati identificati 8 potenziali bersagli terapeutici per l'IC, inclusi 4 fattori di rischio (CYP11A1, GALT, KCNH2 e METRN) e 4 fattori protettivi (APOM, CHD4, IL11RA e LPAR5). L'arricchimento GO, l'arricchimento KEGG e l'analisi della rete di interazione proteina-proteina (PPI) hanno indicato che questi geni erano principalmente coinvolti nella regolazione metabolica e nei processi elettrofisiologici cardiaci. Inoltre, sono stati identificati potenziali farmaci che prendono di mira questi bersagli utilizzando la previsione dei farmaci e il docking molecolare, tra cui mitotano, Adehl, Benzofurans, 1,3-Di-o-tolilguanidina, 96-69-5 e bromoenol lattone. Inoltre, i risultati del PCR hanno anche dimostrato che il mitotano potrebbe essere associato a CYP11A1 e KCNH2. I farmaci progettati basati su questi potenziali bersagli terapeutici potrebbero offrire tassi di successo più elevati e migliorare gli esiti clinici.
L'insufficienza cardiaca (IC) è un sindrome cardiovascolare prevalente definito da un riempimento ventricolare compromesso o contrattilità miocardica, che risulta in un output cardiaco inadeguato per soddisfare le richieste metaboliche1,2,3. Clinicamente, l'IC è caratterizzata da congestione polmonare e sistemica, ipoperusione tissutale e sintomi come dispnea, affaticamento ed edema periferico1,4,5. Nonostante i progressi terapeutici, l'IC rimane una delle principali cause di morbilità e mortalità in tutto il mondo, colpendo oltre 64 milioni di individui secondo lo studio Global Burden of Disease (GBD)6,7,8. L'elevato onere della malattia sottolinea l'urgente necessità di nuove strategie terapeutiche.
Gli interventi farmacologici e basati su dispositivi attuali per l'IC sono limitati da un'efficacia e da effetti avversi subottimali, contribuendo a tassi di riammissione ospedaliera persistentemente elevati e a una qualità della vita compromessa9,10,11,12. Identificare nuovi bersagli molecolari con collegamenti causali alla patogenesi dell'IC è, quindi, fondamentale per migliorare gli esiti clinici. Integrare la genomica nella scoperta di farmaci rappresenta una strategia altamente efficace per migliorare l'efficienza, poiché le terapie geneticamente validate dimostrano un tasso di successo significativamente più alto negli studi clinici13,14,15. Inoltre, le proteine codificate da questi geni azionabili fungono da bersagli terapeutici primari sia per i piccoli molecole che per gli anticorpi monoclonali16,17.
I recenti progressi nella genetica umana hanno facilitato la prioritizzazione dei bersagli farmacologici attraverso l'analisi integrativa degli studi di associazione su tutto il genoma (GWAS) e dei dati sui loci quantitativi dei tratti di espressione (eQTL). La randomizzazione mendeliana (MR) sfrutta le varianti genetiche come variabili strumentali per stimare gli effetti causali, minimizzando il confounding e la causalità inversa intrinseca agli studi osservazionali13,14. Quando combinata con la colocalizzazione e la MR basata sulle somme (SMR), questo approccio consente una prioritizzazione robusta dei geni la cui modulazione può influenzare il rischio di malattia, offrendo una strategia geneticamente ancorata per la scoperta di bersagli18,19,20. Rispetto agli studi di associazione convenzionali, l'integrazione di MR, SMR e colocalizzazione supera il confounding e la causalità inversa per stabilire inferenze causali robuste. Inoltre, questo framework elimina i falsi positivi dal disequilibrio di legame assicurandosi che l'espressione genica e il rischio di insufficienza cardiaca condividano lo stesso variant causale sottostante, ottimizzando la prioritizzazione dei bersagli. Vale la pena notare che, sebbene i tessuti cardiovascolari mostrano un'alta specificità, questo studio utilizza principalmente dati eQTL cis-eQTL su larga scala del sangue per massimizzare la potenza statistica. Sebbene questo approccio potrebbe non catturare completamente i meccanismi specifici dei tessuti intrinseci all'IC, le varianti derivate dal sangue fungono da biomarcatori accessibili e forniscono informazioni robuste sui driver genetici sistemici della malattia.
In questo studio, GWAS su larga scala ed eQTL sono stati utilizzati per valutare gli effetti causali dei geni farmacologicamente azionabili sul rischio di IC. Le associazioni significative sono state ulteriormente validate attraverso analisi di colocalizzazione e SMR. Per elucidare le funzioni biologiche dei bersagli prioritari, sono state eseguite analisi di arricchimento del Gene Ontology (GO) e dell'Enciclopedie dei Geni e dei Genomi di Kyoto (KEGG), insieme all'analisi della rete di interazione proteina-proteina (PPI). Il potenziale terapeutico è stato successivamente valutato attraverso la previsione dei farmaci e il docking molecolare. Infine, le associazioni tra i geni farmacologicamente azionabili selezionati e i farmaci candidati sono state validate attraverso esperimenti in vitro.
In conclusione, questo studio offre importanti spunti per la scoperta di nuovi bersagli terapeutici per l'IC. Impiegando MR, SMR, analisi di colocalizzazione, analisi di arricchimento genico, costruzione di reti PPI, previsione di farmaci, docking molecolare ed esperimenti in vitro, questi risultati possono contribuire allo sviluppo di strategie terapeutiche più efficaci per l'IC.
Tutti i set di dati utilizzati in questo studio sono stati ottenuti da studi precedentemente pubblicati con approvazione etica. I reagenti e le apparecchiature utilizzate sono elencati nel Tabella dei materiali.
1. Progettazione dello studio
Il flusso di lavoro di questo studio è illustrato in Figura 1. In primo luogo, i dati di esposizione sono stati ottenuti dai cis-eQTL dei geni druggable. In secondo luogo, è stata condotta un'analisi MR per indagare la relazione causale tra geni druggable e HF. I potenziali obiettivi terapeutici candidati per HF sono stati successivamente identificati mediante analisi di colocalizzazione e SMR. Sono state quindi eseguite l'analisi di arricchimento genico e la costruzione della rete PPI. Infine, sono state condotte previsioni di farmaci e docking molecolare per esplorare l'affinità dei farmaci per i geni.
2. Fonte dei dati
Un totale di 6.888 geni druggable sono stati identificati da due fonti. Un set di dati includeva 4.463 geni da uno studio precedentemente pubblicato che integrava molteplici fonti di dati17. L'altro set di dati conteneva 5.012 geni dal Drug-Gene Interaction Database (DGIdb)21. Informazioni dettagliate sono illustrate sul sito web (https://www.dgidb.org/). Dopo l'unione e la rimozione dei duplicati, sono stati mantenuti 6.888 geni druggable unici per l'analisi.
I dati cis-eQTL sono stati ottenuti dall'eQTLGen Consortium (https://eqtlgen.org/cis-eqtls.html), che include profili di espressione da 31.684 campioni di sangue e copre 16.987 geni22.
Le statistiche di sintesi dell'HF sono state ottenute dalla versione R12 del database FinnGen23, che includeva 37.653 casi e 462.695 controlli. La diagnosi di HF era basata sulla Classificazione Internazionale delle Malattie (ICD), includendo ICD-10—I11.0, I13.0, I13.2, I50, ICD-9—4029B|428, e ICD-8—42700|42710|428|7824. Tutti i partecipanti erano di ascendenza europea. Informazioni dettagliate sono disponibili sul sito web di FinnGen e sull'articolo originale (https://www.finngen.fi/en/access_results).
3. Analisi di randomizzazione mendeliana
Le variabili strumentali (IV) sono state selezionate in base a tre ipotesi fondamentali di MR24. In primo luogo, le IV sono direttamente associate ai fattori di esposizione. In secondo luogo, le IV non sono associate a fattori di confondimento. Infine, le IV influenzano il risultato solo attraverso l'esposizione. Dato che i cis-eQTL prossimali esercitano un controllo regolatorio più immediato e robusto sui geni target, MR ha utilizzato esclusivamente SNP localizzati entro regioni di 100 kb dei geni per massimizzare la prossimità biologica. Sono stati impiegati criteri rigorosi per la selezione degli SNP. Tutti gli SNP selezionati erano localizzati entro 100 kb a monte del sito di inizio della trascrizione e 100 kb a valle del sito di fine trascrizione di ogni gene druggable. Sono stati inclusi solo gli SNP con significato genome-wide (p < 5×10-8)25. Per minimizzare il disequilibrio di legame (LD), il clumping di LD è stato eseguito utilizzando una soglia r2 di 0,001 e una distanza di clumping di 10.000 kb26. Sono stati conservati gli SNP con F-statistiche >10, calcolate utilizzando la formula: F = [R2(N−k−1)]/[k(1−R2)]27. Le informazioni sugli SNP sono fornite in Tabella supplementare 1.
I metodi analitici principali sono stati il pesato all'inverso della varianza (IVW) e il rapporto di Wald. Un valore p inferiore a 0,05 è stato considerato statisticamente significativo28,29. Il tasso di falsi scoperti (FDR) è stato applicato per adeguare il valore p per minimizzare i falsi positivi30. Quando era disponibile un solo SNP, è stato utilizzato il metodo del rapporto di Wald; altrimenti, è stato applicato IVW. Le analisi includevano MR-Egger, mediana ponderata, modalità ponderata e modalità semplice quando erano presenti abbastanza SNP.
Il test di Cochran e l'analisi dell'intercettazione MR-Egger sono stati impiegati per testare l'eterogeneità e il pleiotropio. Un valore p-Q maggiore di 0,05 indicava l'assenza di eterogeneità31. Un valore p per l'intercettazione MR-Egger inferiore a 0,05 indicava la presenza di pleiotropia direzionale18. Infine, è stato eseguito il test leave-one-out per verificare se i risultati potessero essere influenzati da un singolo SNP. Le analisi MR sono state eseguite utilizzando il pacchetto TwoSampleMR (versione 0.6.11) in R (versione 4.4.2).
4. Analisi di colocalizzazione
L'analisi di colocalizzazione è stata condotta utilizzando il pacchetto coloc R (versione 6.0.1) per identificare se varianti genetiche condivise influenzassero sia l'espressione genica che il rischio di HF32. Le probabilità a priori per un SNP essere associato a un tratto o entrambi i tratti sono state impostate rispettivamente a 1 × 10-4 e 1 × 10-5. Le probabilità posteriori delle cinque ipotesi possono essere calcolate: (1) PPH0: gli SNP non sono collegati con due tratti. (2) PPH1/PPH2: gli SNP sono associati all'espressione genica o all'HF. (3) PPH3: gli SNP sono collegati con l'HF e l'espressione genica, ma sono guidati da SNP diversi. (4) PPH4: gli SNP sono collegati con l'HF e l'espressione genica, e sono guidati dagli SNP comuni. Un PPH4 > 0,8 è stato considerato come evidenza di colocalizzazione.
5. Analisi SMR
L'analisi SMR è stata eseguita per esplorare la relazione tra il gene e l'HF utilizzando il software SMR (versione 1.3.1)33
Mendelian randomization
I risultati della MR che valutano gli effetti causali tra l'espressione genica druggable e l'HF sono presentati in Tabella supplementare 3. Un valore P corretto per FDR inferiore a 0,05 è stato considerato statisticamente significativo. Sono stati identificati un totale di 11 geni con associazioni causali significative con HF (Figura 2). Tra questi, sei geni erano associati a un aumento del rischio di HF, tra cui 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) e METRN (P_FDR: 0,018, OR: 1,115). I restanti cinque geni erano associati a un rischio ridotto di HF, tra cui 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) e LPAR5 (P_FDR: 0,021, OR: 0,915).
Nello studio è stata eseguita un'analisi di sensibilità e i risultati hanno mostrato che non è stata rilevata alcuna eterogeneità o pleiotropismo orizzontale significativo (Tabella 1) e le stime MR non sono state guidate da nessun singolo SNP (Figura supplementare 1).
Analisi di colocalizzazione
L'analisi di colocalizzazione è stata eseguita sui 11 geni identificati (Figura 3 e Tabella 2). Nove geni hanno dimostrato una forte evidenza di condivisione di varianti causali con HF, tra cui 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) e METRN (PP.H4: 0,907). Ci sono stati due geni esclusi da ulteriori analisi perché il PP.H4 era inferiore a 0,8, vale a dire CDKN1A e CAMK2G.
Analisi SMR
Per convalidare ulteriormente le associazioni gene-malattia, è stata eseguita l'analisi SMR per i nove geni colocalizzati (Tabella 2). L'analisi SMR ha manifestato che otto geni sono rimasti significativamente associati all'HF. C'erano quattro geni negativamente associati all'HF, tra cui 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) e LPAR5 (P_SMR: 3,71E-05, P_HEIDI: 0,168, OR: 0,889). E quattro erano positivamente associati all'HF, tra cui 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) e METRN (P_SMR: 1,55E-05, P_HEIDI: 0,068, OR: 1,103). Sebbene LST1 (P_SMR: 4,61E-05, P_HEIDI: 0,025, OR: 1,135) abbia mostrato un'associazione con un aumento del rischio di HF, il test HEIDI ha indicato che l'associazione potrebbe essere causata da un disequilibrio di legame. Pertanto, LST1 è stato escluso.
Analisi di arricchimento
Gli otto geni identificati attraverso le analisi MR, di colocalizzazione e SMR sono stati sottoposti all'analisi di arricchimento GO e KEGG (Figura 4A–E). Nella classe BP, i geni erano arricchiti nei processi di disassemblaggio metabolico (processo metabolico del cortisolo, processo metabolico del galattosio, processo biosintetico dei glucocorticoidi e trasporto inverso del colesterolo), nei processi relativi alle particelle di lipoproteine (assemblaggio di particelle di lipoproteine ad alta densità, rimodellamento di particelle di lipoproteine ad alta densità e clearance di particelle di lipoproteine ad alta densità) e nella ripolarizzazione della membrana durante il potenziale d'azione delle cellule muscolari cardiache ventricolari. Nella classe CC, i geni erano arricchiti in particelle di lipoproteine (particella di lipoproteine a bassa densità, particella di lipoproteine a densità molto bassa, particella di lipoproteine plasmatiche ricche di trigliceridi, particella di lipoproteine ad alta densità, particella di lipoproteine plasmatiche e particella di lipoproteine) e complessi proteici (complesso NuRD, complesso di tipo CHD e complesso proteina-lipide). Nella classe MF, i geni erano arricchiti nei processi elettrofisiologici (attività del canale del potassio voltaggio-dipendente coinvolta nella ripolarizzazione del potenziale d'azione delle cellule muscolari cardiache ventricolari, attività del canale del potassio voltaggio-dipendente coinvolta nella ripolarizzazione del potenziale d'azione delle cellule muscolari cardiache, attività del canale del potassio rettificatore ritardato e attività del canale del potassio rettificatore in entrata) e nel legame alla struttura nucleare (legame del DNA nucleosomico, legame delle proteine scaffold e legame del nucleosoma). Come mostrato in Figura 4D</
Questa ricerca ha valutato sistematicamente gli effetti causali dei geni trattabili sul rischio di HF utilizzando MR, identificando otto potenziali bersagli terapeutici. Questi includevano quattro fattori protettivi (APOM, CHD4, IL11RA e LPAR5) e quattro fattori di rischio (CYP11A1, GALT, KCNH2 e METRN). Queste associazioni sono state ulteriormente supportate dall'analisi di colocalizzazione e SMR. L'annotazione funzionale attraverso GO, l'arricchimento KEGG e le analisi di rete PPI hanno suggerito che questi geni possono influenzare l'HF principalmente attraverso percorsi legati al metabolismo e all'elettrofisiologia. Inoltre, gli studi di previsione dei farmaci e di docking molecolare hanno evidenziato il potenziale traslazionale di questi bersagli.
APOM è stato identificato come fattore protettivo per l'HF. APOM si lega allo sfingosina-1-fosfato (S1P) ed esercita effetti antinfiammatori riducendo l'espressione di TNF-α, limitando l'adesione monocita-endoteliale e mantenendo l'integrità della barriera endoteliale, mitigando così il danno miocardico indotto dall'infiammazione42,43,44. Inoltre, APOM supporta la sopravvivenza e la proliferazione dei cardiomiociti riducendo l'apoptosi, preservando la struttura e la funzione cardiaca. La sua carenza è stata collegata a risultati cardiaci avversi, coerenti con questo risultato42,45. Tuttavia, il meccanismo sottostante che collega APOM all'HF richiede ulteriori indagini.
CHD4, un altro gene protettivo identificato, è un componente centrale del complesso nucleosome remodeling and deacetylase (NuRD) e svolge un ruolo essenziale nello sviluppo cardiaco e nella crescita miocardica46,47,48. La perdita di CHD4 porta all'incorporazione di proteine miofibrillari inappropriati nei sarcomeri cardiaci, risultando in anomalie strutturali e funzionali, inclusa la dilatazione delle camere e lo sviluppo ventricolare compromesso. Questo risultato rafforza il ruolo critico di CHD4 nel mantenimento della normale funzione cardiaca.
È stato anche rivelato che IL11RA potrebbe diminuire il rischio di HF. IL11RA è la subunità di legame del ligando primaria del complesso del recettore IL-11. Mentre IL-11 è stato dimostrato di guidare risposte fibrotiche nel cuore, il ruolo specifico di IL11RA rimane poco chiaro49. L'effetto protettivo osservato in questo studio suggerisce che IL11RA potrebbe esercitare funzioni dipendenti dal contesto o interagire con altri componenti di segnalazione per limitare la fibrosi in determinate condizioni50. Questa apparente discrepanza evidenzia la necessità di ulteriori studi meccanicistici per chiarire il ruolo funzionale di IL11RA nella patogenesi dell'HF.
Questo studio ha dimostrato che LPAR5 era associato a un rischio ridotto di HF. LPAR5 è un recettore per l'acido lisofosfatidico (LPA). Sebbene LPA sia generalmente considerato pro-infiammatorio ed sia stato implicato nel rimodellamento cardiaco avverso, i singoli recettori LPA potrebbero avere ruoli divergenti51,52. Ad esempio, la segnalazione LPA modula la formazione di fibre di stress citoscheletriche attraverso i percorsi Gα12/13 e Gαq/11, svolgendo un ruolo importante nel mantenimento della morfologia dei cardiomiociti, della funzione contrattile e della trasduzione del segnale53,54. Tuttavia, il ruolo preciso di LPAR5 nella fisiopatologia dell'HF richiede ulteriori indagini.
Questa indagine ha indicato che CYP11A1 era un fattore di rischio per l'HF. CYP11A1 codifica l'enzima limitante della sintesi degli ormoni steroidei55,56. La produzione elevata di ormoni steroidei, in particolare l'aldosterone, contribuisce alla ritenzione di sodio e all'aumento del carico cardiaco, caratteristiche chiave della progressione dell'HF57,58. Inoltre, CYP11A1 genera specie reattive dell'ossigeno durante la sua attività metabolica, che possono esacerbare il danno miocardico59. Una vera correlazione tra CYP11A1 e mitotano è stata osservata in vitro, fornendo prove che il mitotano possa avere un potenziale valore terapeutico per il trattamento dell'HF. Tuttavia, sono necessari ulteriori esperimenti per esplorare la relazione tra mitotano e HF.
GALT potrebbe aumentare il rischio di HF in questa ricerca. GALT è un enzima chiave nel metabolismo del galattosio e mostra un'associazione positiva con il rischio di HF60,61. L'espressione elevata di GALT è stata proposta come biomarcatore per la fibrosi cardiaca e il rimodellamento, con livelli più alti collegati a risultati clinici peggiori, possibilmente a causa della sua associazione con percorsi metabolici profibrotici62,63. Questa scoperta suggerisce che il targeting di GALT potrebbe migliorare la prognosi dell'HF; tuttavia, se questo sia mediato attraverso l'attenuazione della fibrosi richiede ulteriori indagini.
Questa ricerca ha dimostrato che KCNH2 era un fattore di rischio per l'HF. KCNH2 codifica una subunità del canale del potassio voltaggio-dipendente, coinvolto nella ripolarizzazione cardiaca64. Le mutazioni in KCNH2 sono note per causare aritmie, aumentando lo stress miocardico e il rischio di HF65,66. Prove emergenti suggeriscono anche che KCNH2 possa influenzare la funzione mitocondriale. Data il ruolo consolidato del disfunzionamento mitocondriale nella patogenesi dell'HF, gli effetti potenziali di KCNH2 sulla funzione mitocondriale nel contesto dell'HF rappresentano una direzione importante per la ricerca futura67,68. Il risultato dell'RT-PCR ha indicato che KCNH2 era associato al mitotano; era necessaria un'ulteriore indagine per esplorare il collegamento tra mitotano e HF.
Infine, METRN è stato identificato come fattore di rischio, sebbene il suo ruolo nell'HF rimanga controverso. METRN è una proteina secretoria altamente espressa nel tessuto adiposo e nella mucosa, implicata nel browning del grasso, nella sensibilità all'insulina e nell'infiammazione69,70. Mentre alcuni studi hanno riportato effetti protettivi attraverso i percorsi AMPK e PPARδ, altri hanno associato livelli elevati di METRN plasmatico a risultati peggiori nei pazienti
Gli autori dichiarano di non avere interessi contrastanti.
Si riconoscono i partecipanti e i ricercatori dello studio FinnGen. Si ringraziano anche il consorzio eQTLGen, DGIdb e altri ricercatori che hanno fornito dati pubblicamente disponibili per questa analisi. Questo lavoro è stato supportato dal Progetto di Innovazione della Ricerca Magistrale del Primo Collegio Clinico dell'Università Medica di Chongqing (CYYY-SSCX202516) e dalla Diagnosi e Trattamento Standardizzati dell'Insufficienza Cardiaca (2025cyjstg006).
Contributo degli autori
Huiling Zhu ha contribuito alla concettualizzazione, acquisizione dei fondi, indagine, metodologia, risorse, software, supervisione, validazione, scrittura della bozza originale e revisione e modifica del manoscritto. Suxin Luo ha contribuito all'acquisizione dei fondi, alla metodologia, alla supervisione e alla revisione e modifica del manoscritto.
| 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