Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł badawczy

Analiza randomizacji mendlowskiej cech zapalnych związanych z NETs oraz cukrzycy typu 2 i jej powikłań

46 wyświetleń

⸱

DOI:

10.3791/71230

⸱

21 sierpnia 2026

 ,  ,  ,  ,  ,  ,  ,  , 
1Department of Laboratory Medicine, Zhongshan People's Hospital, 2Department of Advanced Diagnostic and Clinical Medicine, Zhongshan People's Hospital

W tym artykule

Podsumowanie

Niniejsze badanie MR przeprowadzone na dwóch próbkach zidentyfikowało potencjalne powiązania między genetycznie przewidywanymi cechami zapalnymi związanymi z NETs a powikłaniami T2DM. Genetycznie przewidywany poziom IL-6 był odwrotnie powiązany z cukrzycową CAD, podczas gdy NETs były powiązane z powikłaniami nerkowymi i krążenia obwodowego w T2DM. Analizy wrażliwości w ogólności potwierdziły stabilność tych istotnych powiązań.

Streszczenie

Cechy zapalne związane z zewnątrzkomórkowymi pułapkami neutrofilowymi (NETs) odgrywają istotną rolę w cukrzycy typu 2 (T2DM) oraz jej powikłaniach. W szczególności IL-6, kluczowa cytokina zapalna, jest ściśle powiązana z tworzeniem NETs oraz patogenezą T2DM i jej powikłań. Celem niniejszego badania było zbadanie związku przyczynowego między cechami zapalnymi związanymi z NETs a T2DM oraz jej powikłaniami, z wykorzystaniem metody randomizacji mendlowskiej (MR). W badaniu zastosowano dwupróbkowy projekt MR z danymi pochodzącymi z badań GWAS (Genome-Wide Association Studies), obejmujący obszerną metaanalizę opartą na populacji europejskiej dla T2DM i jej powikłań. Główną metodą analizy było podejście oparte na odwrotnej wariancji ważonej (IVW), uzupełnione o regresję MR-Egger, metodę ważonej mediany oraz metodę ważonej mody. Analizy wrażliwości obejmowały metody MR-Egger, MR-PRESSO, test Q Cochrana oraz metodę pomijania jednej zmiennej (leave-one-out), aby ocenić solidność wyników. Badanie wykazało, że genetycznie przewidywane poziomy interleukiny-6 (IL-6) były odwrotnie powiązane z chorobą wieńcową (CAD) w przebiegu cukrzycy (OR = 0,8997, 95% CI: 0,8257–0,9803, P = 0,0158). Ponadto NETs wykazały istotne powiązania z T2DM z powikłaniami nerkowymi (OR = 0,97, 95% CI 0,9428–0,998, P = 0,0358) oraz T2DM z powikłaniami w obrębie krążenia obwodowego (OR = 1,0342, 95% CI 1,002–1,0673, P = 0,037). Istotne powiązania IVW nie wykazały dowodów na heterogeniczność lub plejotropię horyzontalną. Niniejsze badanie sugeruje, że genetycznie przewidywane cechy zapalne związane z NETs są powiązane z konkretnymi powikłaniami T2DM. Genetycznie przewidywany poziom IL-6 był odwrotnie powiązany z CAD w cukrzycy, podczas gdy NETs były powiązane z powikłaniami nerkowymi i krążenia obwodowego w T2DM.

Wprowadzenie

Cukrzyca typu 2 (T2DM), charakteryzująca się insulinoopornością i często przebiegająca z postępującą dysfunkcją komórek beta, osiągnęła proporcje epidemii na całym świecie1,2. Powikłania T2DM, obejmujące choroby układu sercowo-naczyniowego, niewydolność nerek, neuropatię i retinopatię, stanowią znaczne obciążenie nie tylko dla pacjentów pod kątem ich stanu zdrowia i jakości życia, ale także dla systemów opieki zdrowotnej na świecie, nadwyrężając zasoby i zwiększając koszty, a także dla gospodarek3,4. Biorąc pod uwagę wieloaspektowy charakter T2DM, konieczne jest szczegółowe zbadanie czynników etiologicznych tej choroby. Narastające dowody wskazują na udział zewnątrzkomórkowych pułapek neutrofilowych (NETs) w patofizjologii różnych zaburzeń metabolicznych, szczególnie tych związanych z T2DM.

Zewnątrzkomórkowe pułapki neutrofilowe (NETs) to sieci zewnątrzkomórkowe złożone z rozplecionego DNA i białek ziarnistych, które wykazują silne właściwości mikrobicyjne5,6. Markery takie jak wolne DNA oraz cytrulinowana histona H3 służą jako kluczowe wskaźniki NETozy, odzwierciedlając aktywność zapalną w różnych jednostkach chorobowych7,8. Narastające dowody sugerują, że cukrzyca sprzyja tworzeniu się NETs, co w konsekwencji propaguje stan zapalny i uszkodzenia tkanek9,10. Klinicznie podwyższony poziom markerów NETs koreluje z hiperglikemią i niekorzystnymi rokowaniami w wielu powikłaniach cukrzycowych. Na przykład zwiększone poziomy dsDNA wiążą się z dysregulacją glukozy u pacjentów z STEMI11, podczas gdy komponenty NETs są powiązane z progresją retinopatii cukrzycowej12 i pozwalają przewidzieć ryzyko amputacji w przypadku stopnia cukrzycowego13. Pomimo tych zależności, dokładna relacja przyczynowo-skutkowa między NETs a rozwojem T2DM i jej powikłań nie została jeszcze w pełni wyjaśniona. Narastające dowody wskazują na dwukierunkową interakcję między IL-6 a NETs w zapaleniu metabolicznym. Hiperglikemia przygotowuje neutrofile do NETozy, przy czym IL-6 pełni rolę silnego induktora tego procesu zależnego od energii14. Klinicznie IL-6 niezależnie przewiduje podwyższony poziom markerów NETs (np. H3Cit i wolnego DNA) w cukrzycy typu 2, co silnie koreluje ze stanami prozakrzepowymi oraz powikłaniami mikronaczyniowymi, takimi jak retinopatia cukrzycowa15,16. Ponadto NEToza indukowana infekcją może nasilać trans-sygnalizację IL-6, tworząc wzajemną pętlę regulacyjną17. Łącznie odkrycia te podkreślają ściśle powiązaną patofizjologię IL-6 i NETs, szczególnie w środowisku cukrzycowym.

Randomizacja mendlowska (MR) to potężna metoda statystyczna, która wykorzystuje naturalnie występujące warianty genetyczne jako zmienne instrumentalne do szacowania przyczynowych efektów modyfikowalnych ekspozycji na wyniki zdrowotne, dostarczając wiedzy na temat złożonych ścieżek chorobowych18. Podejście to, zakorzenione w prawach dziedziczenia Mendla, pozwala badaczom na wnioskowanie o przyczynowości w badaniach obserwacyjnych poprzez wykorzystanie losowego rozdzielania alleli podczas mejozy, co pozwala ominąć niektóre ograniczenia tradycyjnych metod epidemiologicznych w ustalaniu związków przyczynowo-skutkowych19.

Do tej pory liczba doniesień z badań MR badających związek przyczynowy między genetycznie przewidywanymi cechami zapalnymi związanymi z NETs a cukrzycą typu 2 (T2DM) i jej powikłaniami była ograniczona. W związku z tym niniejsze badanie ma na celu zbadanie potencjalnych związków przyczynowych między cechami zapalnymi związanymi z NETs a T2DM oraz jej powikłaniami, przy użyciu metody dwupróbkowej analizy MR.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

Projekt badania

W niniejszym badaniu wykorzystano podejście MR z dwiema próbkami, aby zbadać związek przyczynowy między cechami zapalnymi związanymi z NETs a T2DM oraz jej powikłaniami. Model MR opiera się na trzech kluczowych założeniach20: 1) wariant genetyczny musi być silnie powiązany z ekspozycją, 2) wariant genetyczny musi wpływać na wynik wyłącznie poprzez ekspozycję (wykluczenie plejotropii) oraz 3) wariant genetyczny nie może być powiązany z żadnymi czynnikami zakłócającymi. Szczegółowy opis przebiegu badania znajduje się na Rysunku 1. Rękopis jest zgodny z wytycznymi MR-STROBE dotyczącymi raportowania badań MR, co zapewnia rygorystyczne standardy przejrzystości i powtarzalności21.

Źródła danych

Dane z badań asocjacyjnych całego genomu (GWAS) wykorzystane w niniejszej analizie MR pochodziły z publicznych baz danych GWAS. W odniesieniu do zbiorczych danych GWAS dotyczących T2DM uwzględniono największą metaanalizę populacji europejskiej, obejmującą 74 124 przypadki i 824 006 osób w grupie kontrolnej, a także prospektywne zagnieżdżone badanie kohortowe przeprowadzone w Europie, w którym wzięło udział 9 978 przypadków i 12 348 osób w grupie kontrolnej22. W przypadku powikłań cukrzycy, w tym T2DM z powikłaniami nerkowymi oraz T2DM z powikłaniami krążenia obwodowego, w badaniu tym pobrano statystyki zbiorcze GWAS z badań, w których przypadki stanowiły pacjenci z T2DM z konkretnym powikłaniem, a grupę kontrolną osoby bez T2DM. Szczegółowe informacje na temat źródeł danych znajdują się w Tabeli uzupełniającej 1.

Dane GWAS dla cech zapalnych związanych z NETs pozyskano z katalogu GWAS (patrz Tabela uzupełniająca 2). Aby uwzględnić heterogeniczność specyfiki biologicznej, w badaniu tym podzielono uwzględnione ekspozycje na dwie odrębne grupy w oparciu o ich role funkcjonalne w biologii neutrofili: (1) kluczowe czynniki związane z NETozą: kategoria ta obejmuje markery bezpośrednio zaangażowane w strukturalne formowanie NETs lub enzymatyczny proces dekondensacji chromatyny. W szczególności w badaniu uwzględniono same NETs, mieloperoksydazę (MPO), elastazę neutrofilową (NE) oraz kompleks MPO-DNA. MPO i NE są kluczowymi enzymami degradacji histonów i dekondensacji chromatyny, natomiast kompleks MPO-DNA jest specyficznym markerem zastępczym dla NETs23. (2) mediatorzy zapalne związane z NETs: kategoria ta obejmuje cytokiny i mediatory, które pełnią funkcję regulatorów upstream lub efektorów downstream ściśle powiązanych z NETozą, ale uczestniczą również w szerszych szlakach zapalnych. Grupa ta obejmuje interleukinę 6 (IL-6)24, czynnik martwicy nowotworów alfa (TNF-α)25, poziomy lipokaliny związanej z żelatynazą neutrofilową (NGAL)26 oraz czynnik sieci komunikacji komórkowej 1 (CCN1)27.

Dane wykorzystane w niniejszym badaniu pochodziły z baz danych o otwartym dostępie lub z GWAS opublikowanych w poprzednich badaniach; w związku z tym przeprowadzenie niniejszych badań nie wymagało zgody komisji etycznej.

Wybór instrumentów genetycznych powiązanych z NETs

Z uwagi na to, że tworzenie NETs stanowi dynamiczny proces biologiczny, którego nie mierzy się bezpośrednio w konwencjonalnych badaniach GWAS, w niniejszej pracy zastosowano podejście oparte na genach w celu zidentyfikowania instrumentów genetycznych dla cech zapalnych związanych z NETs. Na podstawie uznanych badań mechanistycznych oraz opublikowanej literatury28 opracowano kompleksowy zestaw 257 genów o krytycznym znaczeniu dla tworzenia i regulacji NETs, takich jak MPO, wraz z genami kodującymi histony i białka ziarnistości neutrofili.

Wybór zmiennych instrumentalnych

W celu zidentyfikowania wiarygodnych instrumentów genetycznych dla cech zapalnych związanych z NETs, w niniejszym badaniu zastosowano sekwencyjny proces filtrowania z wykorzystaniem statystyk zbiorczych GWAS. Poszczególne kroki operacyjne przebiegały następująco:

Wstępna selekcja: Warianty genetyczne istotnie powiązane z cechami ekspozycji zostały wyekstrahowane29 na podstawie progu istotności P < 5 × 10⁻6.

Filtrowanie częstości występowania rzadkiego allelu (MAF): Aby zapewnić moc statystyczną, wykluczono polimorfizmy pojedynczego nukleotydu (SNP) o MAF ≤ 0,0130.

Grupowanie w stanie nierównowagi sprzężeń (LD): Aby zniwelować wpływ zakłóceń wynikających z nierównowagi sprzężeń (LD), wybrano niezależne SNP, korzystając z funkcji clumping przy parametrach r2 < 0.001 w oknie 10 000 kb31.

Ocena siły instrumentów: Siłę każdego pozostałego IV określono ilościowo za pomocą statystyki F, obliczonej według wzoru F = R2 × (N-2) / (1-R2). Aby zminimalizować błąd wynikający ze słabych instrumentów, zachowano jedynie SNP o statystyce F > 1032.

Identyfikacja SNP zastępczych i harmonizacja danych

Aby rozwiązać problem brakujących SNP w zbiorze danych wynikowych, w badaniu przeprowadzono wyszukiwanie substytutów (proxy) oraz proces harmonizacji danych:

Podstawienie proksy: W przypadku braku docelowego SNP z GWAS ekspozycji w GWAS wyniku, w badaniu tym wykorzystano funkcję LDproxy() w oparciu o panel referencyjny Europejczyków z projektu 1,000 Genomes Project. Kandydacki SNP proksy wybierano tylko wtedy, gdy wykazywał on wysoką nierównowagę sprzężeń (LD) z oryginalnym SNP (r2> 0,8). Jeśli nie znaleziono odpowiedniego proksy, SNP został wykluczony.

Harmonizacja: Zbiory danych dotyczące ekspozycji i wyników zostały dopasowane przy użyciu funkcji harmonise_data() z pakietu TwoSampleMR (R wersja 4.0.5). W badaniu tym ustawiono parametr action = 2, aby automatycznie dopasować wszystkie SNP do nici prawoskrętnej oraz usunąć SNP palindromiczne o niejednoznacznej orientacji nici.

Weryfikacja: Po harmonizacji w ramach niniejszego badania przeprowadzono ręczną inspekcję zharmonizowanego zbioru danych, aby potwierdzić, że częstości alleli efektowych były spójne pomiędzy danymi dotyczącymi ekspozycji i wyników.

Analiza MR i testy wrażliwości

Wnioskowanie przyczynowe przeprowadzono przy użyciu pakietu TwoSampleMR (R wersja 4.0.5).

Analizy podstawowe i pomocnicze: W niniejszym badaniu jako podstawowe podejście zastosowano metodę odwrotności wariancji ważonej (IVW)33. W celu zapewnienia rzetelności wyników przeprowadzono analizy uzupełniające z wykorzystaniem metody MR-Egger34, metody ważonej mediany oraz metody ważonej mody35.

Analizy wrażliwości: Heterogeniczność zmiennych instrumentalnych (IV) oceniono za pomocą testu Q Cochrana36 przy użyciu funkcji mr_heterogeneity(). Plejotropię horyzontalną oceniono za pomocą testu przecięcia MR-Egger34 (mr_pleiotropy_test()).

Wykrywanie wartości odstających: W badaniu wykorzystano pakiet MR-PRESSO do wykrywania potencjalnych wartości odstających37. Funkcję mr_presso() uruchomiono z zastosowaniem 1 000 symulacji. Zidentyfikowane odstające SNP (P < 0,05) zostały usunięte, a szacunki przyczynowe przeliczono ponownie w celu weryfikacji stabilności wyników. Dodatkowo przeprowadzono analizę typu leave-one-out, aby upewnić się, że związek przyczynowy nie był determinowany przez pojedynczy SNP38.

Korekta statystyczna

Aby uwzględnić wielokrotne testowanie, wartości P uzyskane z analiz MR skorygowano przy użyciu metody False Discovery Rate (FDR). Zostało to zaimplementowane za pomocą funkcji P.adjust() w programie R z parametrem method = "fdr". Za statystycznie istotne uznano powiązania z poprawioną wartością P (PFDR) < 0.05.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Wybrane zmienne instrumentalne

W niniejszym badaniu przeprowadzono analizę MR, przyjmując cechy zapalne związane z NETs jako ekspozycję. W tym celu zidentyfikowano łącznie 106 IV, których szczegóły przedstawiono w Tabeli uzupełniającej 3. Statystyki F tych IV miały średnią wartość 26,46, w zakresie od minimum 20,6 do maksimum 250,4.

Przyjmując cukrzycę typu 2 oraz jej różnorodne powikłania (kwasicę ketonową, powikłania nerkowe, powikłania okulistycz...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Niniejsze badanie wykorzystuje podejście MR z dwiema próbkami w celu zbadania powiązań między cechami zapalnymi związanymi z NETs a cukrzycą typu 2 (T2DM) oraz jej powikłaniami. Główne wyniki sugerują statystycznie istotny odwrotny związek między genetycznie przewidywanymi poziomami IL-6 a cukrzycową chorobą wieńcową (CAD). Wynik ten może odzwierciedlać złożoną architekturę genetyczną szlaków sygnałowych IL-6, a nie bezpośredni efekt ochronny krążącej IL-6 na powikłania sercowo-naczyniowe cukrzycy. Ponadto badanie to uja...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy oświadczają, że nie mają żadnych konfliktów interesów.

Podziękowania

Badanie zostało wsparte przez Social Science and Technology Research Major Project of Zhongshan (numer grantu: 2021B3013) oraz Social Science and Technology Research Project of Zhongshan (numer grantu: 2022B1080). Podmioty finansujące nie brały udziału w planowaniu badania, gromadzeniu i analizie danych, decyzji o publikacji ani w przygotowaniu manuskryptu.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
CCN1GWAS CatalogGCST90277805http://ftp.ebi.ac.uk/pub/databases/gwas/summary_statistics/GCST90277001-GCST90278000/GCST90277805/harmonised/GCST90277805.h.tsv.gz
Choroba wieńcowa w cukrzycyGWAS CatalogGCST006405http://ftp.ebi.ac.uk/pub/databases/gwas/summary_statistics/GCST006001-GCST007000/GCST006405/Fall_gwas_results_any_chd_tab.txt.gz
IL-6GWAS CatalogGCST90010146http://ftp.ebi.ac.uk/pub/databases/gwas/summary_statistics/GCST90010001-GCST90011000/GCST90010146/harmonised/33303764-GCST90010146-EFO_0007937.h.tsv.gz
MPOGWAS CatalogGCST90087967http://ftp.ebi.ac.uk/pub/databases/gwas/summary_statistics/GCST90087001-GCST90088000/GCST90087967/harmonised/35078996-GCST90087967-EFO_0011039.h.tsv.gz
MPO-DNAGWAS CatalogGCST90013658http://ftp.ebi.ac.uk/pub/databases/gwas/summary_statistics/GCST90013001-GCST90014000/GCST90013658/harmonised/33717105-GCST90013658-EFO_0005243.h.tsv.gz
Pakiet MR-PRESSOGitHub (rondolab)Wersja 1.0Pakiet R wykorzystywany do wykrywania i korygowania pod kątem plejotropii szacunków przyczynowych.
NEGWAS CatalogGCST90162366http://ftp.ebi.ac.uk/pub/databases/gwas/summary_statistics/GCST90162001-GCST90163000/GCST90162366/harmonised/GCST90162366.h.tsv.gz
NETsGWAS CatalogGCST90137414http://ftp.ebi.ac.uk/pub/databases/gwas/summary_statistics/GCST90137001-GCST90138000/GCST90137414/harmonised/GCST90137414.h.tsv.gz
NGALGWAS CatalogGCST90161504http://ftp.ebi.ac.uk/pub/databases/gwas/summary_statistics/GCST90161001-GCST90162000/GCST90161504/harmonised/GCST90161504.h.tsv.gz
Oprogramowanie RR Foundation for Statistical ComputingWersja 4.0.5Główne środowisko obliczeń statystycznych wykorzystywane we wszystkich analizach.
Cukrzyca typu 2FINN R9T2Dhttps://storage.googleapis.com/finngen-public-data-r9/summary_stats/finngen_R9_T2D.gz
Cukrzyca typu 2 z kwasicą ketonowąFINN R9E4_DM2KETOhttps://storage.googleapis.com/finngen-public-data-r9/summary_stats/finngen_R9_E4_DM2KETO.gz
Cukrzyca typu 2 z powikłaniami neurologicznymiFINN R9E4_DM2NEUhttps://storage.googleapis.com/finngen-public-data-r9/summary_stats/finngen_R9_E4_DM2NEU.gz
Cukrzyca typu 2 z powikłaniami okulistycznymiFINN R9E4_DM2OPTHhttps://storage.googleapis.com/finngen-public-data-r9/summary_stats/finngen_R9_E4_DM2OPTH.gz
Cukrzyca typu 2 z powikłaniami krążenia obwodowegoFINN R9E4_DM2PERIPHhttps://storage.googleapis.com/finngen-public-data-r9/summary_stats/finngen_R9_E4_DM2PERIPH.gz
Cukrzyca typu 2 z powikłaniami nerkowymiFINN R9E4_DM2RENhttps://storage.googleapis.com/finngen-public-data-r9/summary_stats/finngen_R9_E4_DM2REN.gz
TNF-aGWAS CatalogGCST004426http://ftp.ebi.ac.uk/pub/databases/gwas/summary_statistics/GCST004001-GCST005000/GCST004426/harmonised/27989323-GCST004426-EFO_0004684.h.tsv.gz
Pakiet TwoSampleMRGitHub (MRCIEU)Wersja 0.6.22Pakiet R wykorzystywany do przeprowadzania analiz randomizacji mendlowskiej.

Bibliografia

  1. Tanase DM, et al. The intricate relationship between type 2 diabetes mellitus (T2DM), insulin resistance (IR), and nonalcoholic fatty liver disease (NAFLD). J Diabetes Res. 2020;2020:3920196.
  2. Yan Y, et al. Prevalence, awareness and control of type 2 diabetes mellitus and risk factors in Chinese elderly population. BMC Public Health. 2022;22(1):1382.
  3. Dugani SB, Mielke MM, Vella A. Burden and management of type 2 diabetes in rural United States. Diabetes Metab Res Rev. 2021;37(5):e3410.
  4. Rodriquez IM, O'Sullivan KL. Youth-onset type 2 diabetes: Burden of complications and socioeconomic cost. Curr Diab Rep. 2023;23(5):59-67.
  5. Zhang H, et al. Neutrophil, neutrophil extracellular traps and endothelial cell dysfunction in sepsis. Clin Transl Med. 2023;13(1):e1170.
  6. Hidalgo A, et al. Neutrophil extracellular traps: From physiology to pathology. Cardiovasc Res. 2022;118(13):2737-53.
  7. Goggs R, Jeffery U, Levine DN, Li RHL. Neutrophil-extracellular traps, cell-free DNA, and immunothrombosis in companion animals: A review. Vet Pathol. 2020;57(1):6-23.
  8. Tilley DO, et al. Histone H3 clipping is a novel signature of human neutrophil extracellular traps. Elife. 2022;11.
  9. Shafqat A, et al. Emerging role of neutrophil extracellular traps in the complications of diabetes mellitus. Front Med (Lausanne). 2022;9:995993.
  10. Njeim R, et al. NETosis contributes to the pathogenesis of diabetes and its complications. J Mol Endocrinol. 2020;65(4):R65-76.
  11. Helseth R, et al. Glucose associated NETosis in patients with ST-elevation myocardial infarction: An observational study. BMC Cardiovasc Disord. 2019;19(1):221.
  12. Magana-Guerrero FS, et al. Spontaneous neutrophil extracellular traps release are inflammatory markers associated with hyperglycemia and renal failure on diabetic retinopathy. Biomedicines. 2023;11(7).
  13. Ibrahim I, et al. Neutrophil extracellular traps (NETs) are associated with type 2 diabetes and diabetic foot ulcer related amputation: A prospective cohort study. Diabetes Ther. 2024;15(6):1333-48.
  14. Joshi MB, et al. High glucose modulates IL-6 mediated immune homeostasis through impeding neutrophil extracellular trap formation. FEBS Lett. 2013;587(14):2241-6.
  15. Bryk AH, et al. Predictors of neutrophil extracellular traps markers in type 2 diabetes mellitus: Associations with a prothrombotic state and hypofibrinolysis. Cardiovasc Diabetol. 2019;18(1):49.
  16. Park JH, et al. Evaluation of circulating markers of neutrophil extracellular trap (NET) formation as risk factors for diabetic retinopathy in a case-control association study. Exp Clin Endocrinol Diabetes. 2016;124(9):557-61.
  17. Winslow S, et al. Multi-omics links IL-6 trans-signalling with neutrophil extracellular trap formation and Haemophilus infection in COPD. Eur Respir J. 2021;58(4).
  18. Bowden J, Holmes MV. Meta-analysis and Mendelian randomization: A review. Res Synth Methods. 2019;10(4):486-96.
  19. Birney E. Mendelian randomization. Cold Spring Harb Perspect Med. 2022;12(4).
  20. Sanderson E, et al. Mendelian randomization. Nat Rev Methods Primers. 2022;2.
  21. Skrivankova VW, et al. Strengthening the reporting of observational studies in epidemiology using Mendelian randomization: The STROBE-MR statement. JAMA. 2021;326(16):1614-21.
  22. Liang YC, et al. Association of circulating inflammatory proteins with type 2 diabetes mellitus and its complications: A bidirectional Mendelian randomization study. Front Endocrinol (Lausanne). 2024;15:1358311.
  23. Papayannopoulos V, Metzler KD, Hakkim A, Zychlinsky A. Neutrophil elastase and myeloperoxidase regulate the formation of neutrophil extracellular traps. J Cell Biol. 2010;191(3):677-91.
  24. Kindberg KM, et al. IL-6R signaling is associated with PAD4 and neutrophil extracellular trap formation in patients with STEMI. Int J Mol Sci. 2025;26(11).
  25. Mao CL, et al. Neutrophil extracellular traps in rheumatoid arthritis: Pathogenic mechanisms and therapeutic potential. Front Immunol. 2025;16:1717671.
  26. Li H, et al. Hepatocytes and neutrophils cooperatively suppress bacterial infection by differentially regulating lipocalin-2 and neutrophil extracellular traps. Hepatology. 2018;68(4):1604-20.
  27. Li T, et al. Cellular communication network factor 1 promotes retinal leakage in diabetic retinopathy via inducing neutrophil stasis and neutrophil extracellular traps extrusion. Cell Commun Signal. 2024;22(1):275.
  28. Hao L, et al. Transcriptome sequencing and Mendelian randomization analysis identified biomarkers related to neutrophil extracellular traps in diabetic retinopathy. Front Immunol. 2024;15:1408974.
  29. Wang S, et al. Association between periodontitis and temporomandibular joint disorders. Arthritis Res Ther. 2023;25(1):143.
  30. Yin KJ, et al. No genetic causal association between periodontitis and arthritis: A bidirectional two-sample Mendelian randomization analysis. Front Immunol. 2022;13:808832.
  31. Genomes Project C, et al. A map of human genome variation from population-scale sequencing. Nature. 2010;467(7319):1061-73.
  32. Burgess S, Thompson SG, Collaboration CCG. Avoiding bias from weak instruments in Mendelian randomization studies. Int J Epidemiol. 2011;40(3):755-64.
  33. Burgess S, Butterworth A, Thompson SG. Mendelian randomization analysis with multiple genetic variants using summarized data. Genet Epidemiol. 2013;37(7):658-65.
  34. Burgess S, Thompson SG. Interpreting findings from Mendelian randomization using the MR-Egger method. Eur J Epidemiol. 2017;32(5):377-89.
  35. Bowden J, Davey Smith G, Haycock PC, Burgess S. Consistent estimation in Mendelian randomization with some invalid instruments using a weighted median estimator. Genet Epidemiol. 2016;40(4):304-14.
  36. Greco MF, Minelli C, Sheehan NA, Thompson JR. Detecting pleiotropy in Mendelian randomisation studies with summary data and a continuous outcome. Stat Med. 2015;34(21):2926-40.
  37. Verbanck M, Chen CY, Neale B, Do R. Publisher correction: Detection of widespread horizontal pleiotropy in causal relationships inferred from Mendelian randomization between complex traits and diseases. Nat Genet. 2018;50(8):1196.
  38. Cheng H, Garrick DJ, Fernando RL. Efficient strategies for leave-one-out cross validation for genomic best linear unbiased prediction. J Anim Sci Biotechnol. 2017;8:38.
  39. Cupido AJ, et al. Dissecting the IL-6 pathway in cardiometabolic disease: A Mendelian randomization study on both IL6 and IL6R. Br J Clin Pharmacol. 2022;88(6):2875-84.
  40. Indumathi B, Oruganti SS, Sreenu B, Kutala VK. Association of promoter methylation and expression of inflammatory genes IL-6 and TNF-alpha with the risk of coronary artery disease in diabetic and obese subjects among Asian Indians. Indian J Clin Biochem. 2022;37(1):29-39.
  41. Shrivastav D, et al. Comparative analysis of Nε-carboxymethyl-lysine and inflammatory markers in diabetic and non-diabetic coronary artery disease patients. World J Diabetes. 2023;14(12):1754-65.
  42. Chittaragi GH, Ambali AP, Honnutagi R, Ganesh V. Interleukin-6 and uric acid among type 2 diabetes mellitus patients with coronary artery disease. Bioinformation. 2023;19(12):1134-8.
  43. Liu L, et al. Adipokines, adiposity, and atherosclerosis. Cell Mol Life Sci. 2022;79(5):272.
  44. Hua MJ, Butera G, Akinyemi O, Porterfield D. Biases and limitations in observational studies of long COVID prevalence and risk factors: A rapid systematic umbrella review. PLoS One. 2024;19(5):e0302408.
  45. Savitz DA, Wellenius GA. Can cross-sectional studies contribute to causal inference? It depends. Am J Epidemiol. 2023;192(4):514-6.
  46. Hirano T. IL-6 in inflammation, autoimmunity and cancer. Int Immunol. 2021;33(3):127-48.
  47. Liu G, Ren X, Li Y, Li H. Midkine promotes kidney injury in diabetic kidney disease by increasing neutrophil extracellular traps formation. Ann Transl Med. 2022;10(12):693.
  48. Zheng F, et al. Neutrophil extracellular traps induce glomerular endothelial cell dysfunction and pyroptosis in diabetic kidney disease. Diabetes. 2022;71(12):2739-50.
  49. Schmidt-Arras D, Rose-John S. IL-6 pathway in the liver: From physiopathology to therapy. J Hepatol. 2016;64(6):1403-15.
  50. Xiao Y, et al. Cathepsin C promotes breast cancer lung metastasis by modulating neutrophil infiltration and neutrophil extracellular trap formation. Cancer Cell. 2021;39(3):423-37.e427.
  51. Sater MS, et al. Plasma IL-6, TREM1, uPAR, and IL6/IL8 biomarkers increment further witnessing the chronic inflammation in type 2 diabetes. Horm Mol Biol Clin Investig. 2023;44(3):259-69.
  52. Martino N, et al. Endothelial SOCS3 maintains homeostasis and promotes survival in endotoxemic mice. JCI Insight. 2021;6(14).
  53. Akboua H, Eghbalzadeh K, Keser U, Wahlers T, et al. Impaired non-canonical transforming growth factor-β signalling prevents profibrotic phenotypes in cultured peptidylarginine deiminase 4-deficient murine cardiac fibroblasts. J Cell Mol Med. 2021;25(20):9674-84.
  54. Thiam HR, et al. NETosis proceeds by cytoskeleton and endomembrane disassembly and PAD4-mediated chromatin decondensation and nuclear envelope rupture. Proc Natl Acad Sci U S A. 2020;117(13):7326-37.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Zewnątrzkomórkowe pułapki neutrofilneinterleukina-6powikłania cukrzycychoroba wieńcowapowikłania nerkowepowikłania krążenia obwodowegobadanie powiązań całego genomu
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.