To badanie zidentyfikowało osiem potencjalnych celów leków na niewydolność serca poprzez analizę genetyczną i zbadano kandydujące związki terapeutyczne związane z tymi zidentyfikowanymi celami.
Method Article
To badanie zidentyfikowało osiem potencjalnych celów leków na niewydolność serca poprzez analizę genetyczną i zbadano kandydujące związki terapeutyczne związane z tymi zidentyfikowanymi celami.
Niewydolność serca (NS) jest powszechną chorobą układu krążenia, która znacznie pogarsza jakość życia w zaawansowanych stadiach. Pomimo różnorodności obecnych strategii leczenia, ciężar choroby NS pozostaje znaczący. Dlatego poszukiwanie nowych docelowych terapii jest pilnie potrzebne. W niniejszym badaniu wykorzystano randomizację mendelską (RM) do oceny przyczynowych związków między genami nadającymi się do leczenia a NS. Analiza kolokalizacji oraz randomizacja mendelska oparta na danych sumarycznych (SMR) zostały przeprowadzone w celu dalszej walidacji związku między nimi. Ostatecznie zidentyfikowano 8 potencjalnych docelowych terapii dla NS, w tym 4 czynniki ryzyka (CYP11A1, GALT, KCNH2 i METRN) oraz 4 czynniki ochronne (APOM, CHD4, IL11RA i LPAR5). Analiza wzbogacenia GO, wzbogacenia KEGG oraz analizy sieci interakcji białko-białko (PPI) wskazuje, że te geny były głównie zaangażowane w regulację metabolizmu i procesy elektrofizjologiczne serca. Ponadto, potencjalne leki ukierunkowane na te cele zostały zidentyfikowane za pomocą predykcji leków i dokowania molekularnego, w tym mitotan, Adehl, Benzofurany, 1,3-Di-o-tolylguanidine, 96-69-5 oraz bromoenolakton. Ponadto, wyniki PCR wykazały również, że mitotan może być związany z CYP11A1 i KCNH2. Leki zaprojektowane na podstawie tych potencjalnych docelowych terapii mogą oferować wyższe szanse na sukces i poprawić wyniki kliniczne.
Niewydolność serca (NS) jest rozpowszechnionym zespołem układu krążenia zdefiniowanym przez upośledzone napełnianie komór lub kurczliwość mięśnia sercowego, co skutkuje niewystarczającą wydajnością serca, by sprostać zapotrzebowaniom metabolicznym1,2,3. Klinicznie NS charakteryzuje się przekrwieniem płucnym i ogólnoustrojowym, niedokrwieniem tkanek oraz objawami takimi jak duszność, zmęczenie i obrzęki obwodowe1,4,5. Pomimo postępów terapeutycznych, NS pozostaje jedną z głównych przyczyn przewlekłych chorób i zgonów na całym świecie, dotycząc ponad 64 milionów osób zgodnie z badaniem Global Burden of Disease (GBD)6,7,8. Znaczna obciążalność choroby podkreśla pilną potrzebę nowych strategii terapeutycznych.
Obecne farmakologiczne i urządzenia-bazowane interwencje dla NS są ograniczone przez nieoptymalną skuteczność i skutki uboczne, co przyczynia się do stale wysokich wskaźników ponownych hospitalizacji i upośledzonej jakości życia9,10,11,12. Identyfikowanie nowych molekularnych punktów docelowych o przyczynowych łączach z patogenezą NS jest zatem krytyczne dla poprawy wyników klinicznych. Integracja genomiki w odkrywaniu leków reprezentuje bardzo efektywną strategię poprawy efektywności, ponieważ genetycznie zweryfikowane terapie wykazują znacznie wyższy wskaźnik sukcesu w badaniach klinicznych13,14,15. Co więcej, białka kodowane przez te działalne geny służą jako główne cele terapeutyczne zarówno dla małych cząsteczek, jak i przeciwciał monoklonalnych16,17.
Ostatnie osiągnięcia w genetyce człowieka ułatwiły priorytetyzację docelowych leków poprzez integracyjną analizę badań skojarzeń genomowych (GWAS) i danych loci cech ilościowych ekspresji (eQTL). Randomizacja Mendela (MR) wykorzystuje warianty genetyczne jako zmienne instrumentalne do oszacowania efektów przyczynowych, minimalizując zaburzenia i odwrotną przyczynowość nieodłączne dla obserwacyjnych badań13,14. Kiedy łączy się to z kolokalizacją i opartą na podsumowaniu MR (SMR), podejście to umożliwia solidną priorytetyzację genów, których modulacja może wpływać na ryzyko choroby, oferując genetycznie zakotwiczoną strategię odkrywania docelowych genów18,19,20. W porównaniu z konwencjonalnymi badaniami skojarzeń, integracja MR, SMR i kolokalizacji eliminuje zaburzenia i odwrotną przyczynowość, aby ustalić solidne wnioski przyczynowe. Co więcej, ten rama eliminuje fałszywie dodatnie sygnały z dysekwilibru łączności, zapewniając, że ekspresja genów i ryzyko niewydolności serca dzielą ten sam podstawowy wariant przyczynowy, optymalizując priorytetyzację docelowych genów. Warto zauważyć, że podczas gdy tkanki układu krążenia wykazują wysoką specyficzność, to badanie to głównie wykorzystuje duże dane cis-eQTL krwi, aby zmaksymalizować moc statystyczną. Chociaż to podejście może nie w pełni uchwycić mechanizmów specyficznych dla tkanek, które są nieodłączne dla NS, warianty pochodzące z krwi służą jako dostępne biomarkery i dostarczają solidnych informacji na temat układowych genetycznych czynników choroby.
W tym badaniu duże skale GWAS i eQTL zostały wykorzystane do oceny efektów przyczynowych docelowych genów na ryzyko NS. Znaczące skojarzenia zostały następnie zweryfikowane poprzez analizy kolokalizacji i SMR. Aby wyjaśnić funkcje biologiczne priorytetowych docelowych genów, przeprowadzono analizy wzbogacenia Gene Ontology (GO) i Kyoto Encyclopedia of Genes and Genomes (KEGG), wraz z analizą sieci interakcji białko-białko (PPI). Potencjał terapeutyczny został następnie oceniony poprzez predykcje leków i dokowanie molekularne. Wreszcie, skojarzenia między wybranymi docelowymi genami a kandydatowskimi lekami zostały zweryfikowane poprzez eksperymenty in vitro.
Podsumowując, to badanie oferuje ważne wnioski dla odkrywania nowych docelowych terapii dla NS. Poprzez zastosowanie MR, SMR, analizy kolokalizacji, analizy wzbogacenia genów, konstrukcję sieci PPI, predykcji leków, dokowania molekularnego i eksperymentów in vitro, te wyniki mogą przyczynić się do rozwoju bardziej efektywnych strategii terapeutycznych dla NS.
Wszystkie zestawy danych użyte w niniejszym badaniu zostały uzyskane z wcześniej opublikowanych badań z uzyskaniem zgody etycznej. Reagenty i użyte sprzęty są wymienione w Tabeli Materiałów.
1. Projekt badania
Przepływ pracy niniejszego badania jest przedstawiony na Rysunku 1. Po pierwsze, dane dotyczące ekspozycji zostały uzyskane z cis-eQTL leków. Po drugie, przeprowadzono analizę MR w celu zbadania przyczynowego związku między genami lekowymi a HF. Następnie, poprzez analizy kolokalizujące i SMR, zidentyfikowano kandydatów do terapii HF. Następnie przeprowadzono analizę wzbogacania genów i budowę sieci PPI. Wreszcie, przeprowadzono przewidywanie leków i dokowanie molekularne, aby zbadać powinowactwo leków do genów.
2. Źródło danych
Łącznie 6 888 leków zostało zidentyfikowanych z dwóch źródeł. Jeden zestaw danych zawierał 4 463 geny z wcześniej opublikowanego badania, które zintegrowało wiele źródeł danych17. Drugi zestaw danych zawierał 5 012 genów z Drug-Gene Interaction Database (DGIdb)21. Szczegółowe informacje zostały przedstawione na stronie internetowej (https://www.dgidb.org/). Po połączeniu i usunięciu duplikatów, 6 888 unikalnych leków zostało zachowanych do analizy.
Dane cis-eQTL zostały uzyskane z eQTLGen Consortium (https://eqtlgen.org/cis-eqtls.html), które obejmuje profile ekspresji z 31 684 próbek krwi i obejmuje 16 987 genów22.
Statystyki zbiorowe HF zostały uzyskane z wersji R12 bazy danych FinnGen23, która obejmowała 37 653 przypadki i 462 695 kontroli. Rozpoznanie HF było oparte na Międzynarodowej Klasyfikacji Chorób (ICD), w tym ICD-10—I11.0, I13.0, I13.2, I50, ICD-9—4029B|428 i ICD-8—42700|42710|428|7824. Wszyscy uczestnicy byli pochodzenia europejskiego. Szczegółowe informacje są dostępne na stronie internetowej FinnGen i oryginalnym artykule (https://www.finngen.fi/en/access_results).
3. Analiza randomizacji Mendelowskiej
Zmienne instrumentalne (IV) zostały wybrane na podstawie trzech podstawowych założeń MR24. Po pierwsze, IV są bezpośrednio związane z czynnikami ekspozycji. Po drugie, IV nie są związane z czynnikami mylącymi. Wreszcie, IV wpływa na wynik tylko poprzez ekspozycję. Biorąc pod uwagę, że proximalne eQTL wpływają bardziej natychmiastowo i silniej na efekty regulacyjne nad celami genowymi, MR wykorzystywało wyłącznie SNPy znajdujące się w promieniu 100 kb od genów, aby zmaksymalizować biologiczną bliskowość. Zastosowano rygorystyczne kryteria doboru SNP. Wszystkie wybrane SNPy znajdowały się w promieniu 100 kb powyżej początku transkrypcji i 100 kb poniżej końca transkrypcji każdego leku. Uwzględniono tylko SNPy o istotności ogólnogenomowej (p < 5×10-8)25. Aby zminimalizować dysrównowagę łączności (LD), wykonano LD clumping z progiem r2 równym 0,001 i odległością clumpingu równą 10 000 kb26. Utrzymuje się SNPy o F-statystykach >10, obliczanych według wzoru: F = [R2(N−k−1)]/[k(1−R2)]27. Informacje o SNP są dostępne w Tabeli uzupełniającej 1.
Głównymi metodami analitycznymi były odwrotnie ważone (IVW) i stosunek Walda. Wartość p mniejsza niż 0,05 była uważana za istotną statystycznie28,29. Stosowano falszowanie odkryć (FDR) w celu dostosowania wartości p, aby zminimalizować fałszywie dodatnie wyniki30. Gdy dostępny był tylko jeden SNP, stosowano metodę stosunku Walda; w przeciwnym razie stosowano IVW. Analizy obejmowały MR-Egger, uwzględnione mediany, uwzględnione mody i prosty tryb, gdy było wystarczająco dużo SNP.
Test Cochrana i analiza przechwytywania MR-Egger zostały zastosowane w celu przetestowania heterogeniczności i pleiotropii. Wartość Q-p większa niż 0,05 wskazywała na brak heterogeniczności31. Wartość p dla przechwytywania MR-Egger mniejsza niż 0,05 wskazywała na obecność pleiotropii kierunkowej18. Wreszcie przeprowadzono test leave-one-out w celu sprawdzenia, czy wyniki mogą być wpłynięte przez pojedynczy SNP. Analizy MR przeprowadzono za pomocą pakietu TwoSampleMR (wersja 0.6.11) w R (wersja 4.4.2).
4. Analiza kolokalizacji
Anali
Randomizacja Mendelowska
Wyniki MR oceniające efekty przyczynowe między ekspresją genów podatnych na leki a niewydolnością serca przedstawiono w Tabeli 3 uzupełniającej. Wartość P dostosowana do FDR poniżej 0,05 uznano za statystycznie istotną. Łącznie zidentyfikowano 11 genów z istotnymi przyczynowymi związkami z NH (Rysunek 2). Wśród nich sześć genów było związanych ze zwiększonym ryzykiem NH, w tym 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) i METRN (P_FDR: 0,018, OR: 1,115). Pozostałe pięć genów było związanych ze zmniejszonym ryzykiem NH, w tym 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) i LPAR5 (P_FDR: 0,021, OR: 0,915).
W badaniu przeprowadzono analizę wrażliwości, a wyniki wykazały, że nie wykryto istotnej niejednorodności ani poziomej pleiotropii (Tabela 1), a estymacje MR nie były napędzane przez żaden pojedynczy SNP (Rysunek uzupełniający 1).
Analiza kolokalizacji
Analizę kolokalizacji przeprowadzono na 11 zidentyfikowanych genach (Rysunek 3 i Tabela 2). Dziewięć genów wykazało mocne dowody na wspólne warianty przyczynowe z NH, w tym 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) i METRN (PP.H4: 0,907). Dwa geny zostały wykluczone z dalszej analizy, ponieważ PP.H4 było mniejsze niż 0,8, a mianowicie CDKN1A i CAMK2G.
Analiza SMR
Aby dodatkowo zweryfikować skojarzenia gen-choroba, przeprowadzono analizę SMR dla dziewięciu skolokowanych genów (Tabela 2). Analiza SMR wykazała, że osiem genów nadal istotnie współwystępowało z NH. Cztery geny były negatywnie skorelowane z NH, w tym 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) i LPAR5 (P_SMR: 3,71E-05, P_HEIDI: 0,168, OR: 0,889). Natomiast cztery geny były pozytywnie skorelowane z NH, w tym 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) i METRN (P_SMR: 1,55E-05, P_HEIDI: 0,068, OR: 1,103). Chociaż LST1 (P_SMR: 4,61E-05, P_HEIDI: 0,025, OR: 1,135) wykazywał skorelowanie ze zwiększonym ryzykiem NH, test HEIDI wskazał, że skorelowanie może być spowodowane dysekwilibryem łączeniowym. Dlatego LST1 został wykluczony.
Analiza wzbogacania
Osiem genów zidentyfikowanych przez analizy MR, kolokalizacji i SMR zostało poddanych analizie wzbogacania GO i analizie wzbogacania KEGG (Rysunek 4A–E). W klasie BP geny były wzbogacone w procesy demontażu metabolicznego (metabolizm kortyzolu, metabolizm galaktozy, proces biosyntezy glikokortykoidów i odwrotny transport cholesterolu), procesy związane z cząsteczkami lipoprotein (zestawianie cząstek lipoprotein o wysokiej gęstości, remodelowanie cząstek lipoprotein o wysokiej gęstości i usuwanie cząstek lipoprotein o wysokiej gęstości) oraz repolaryzację błony w czasie potencjału czynnościowego komórek mięśnia sercowego komory. W klasie CC geny były wzbogacone w cząsteczki lipoprotein (cząsteczki lipoprotein o niskiej gęstości, cząsteczki lipoprotein o bardzo niski
To badanie systematycznie oceniło przyczynowe wpływy genów leczniczych na ryzyko wystąpienia niewydolności serca poprzez zastosowanie MR, identyfikując osiem potencjalnych celów terapeutycznych. Obejmowały one cztery czynniki ochronne (APOM, CHD4, IL11RA i LPAR5) oraz cztery czynniki ryzyka (CYP11A1, GALT, KCNH2 i METRN). Te powiązania zostały dodatkowo wsparte przez analizy kolokalizacji oraz SMR. Analiza funkcjonalna poprzez GO, wzbogacanie KEGG i analizy sieci PPI sugerują, że te geny mogą wpływać na niewydolność serca głównie poprzez ścieżki związane z metabolizmem i elektrofizjologią. Ponadto badania nad przewidywaniem leków oraz dokowanie molekularne podkreśliły potencjał translacyjny tych celów.
APOM został zidentyfikowany jako czynnik ochronny dla niewydolności serca. APOM wiąże sfingozynę-1-fosforan (S1P) i wywiera działanie przeciwzapalne poprzez zmniejszenie ekspresji TNF-α, ograniczanie adhezji monocytów do komórek śródbłonka oraz utrzymanie integralności bariery śródbłonkowej, łagodząc w ten sposób uszkodzenia mięśnia sercowego spowodowane zapaleniem42,43,44. Ponadto, APOM wspiera przetrwanie i proliferację kardiomiocytów, zmniejszając apoptozę, zachowując strukturę i funkcję serca. Jego niedobór został powiązany z niekorzystnymi wynikami układu krążenia, co jest zgodne z tym stwierdzeniem42,45. Jednakże, mechanizm łączący APOM z niewydolnością serca wymaga dalszych badań.
CHD4, kolejny zidentyfikowany gen ochronny, jest podstawowym składnikiem kompleksu remodelującego nukleosom i deacetylującego (NuRD) i odgrywa istotną rolę w rozwoju serca i wzroście mięśnia sercowego46,47,48. Utrata CHD4 prowadzi do włączenia nieodpowiednich białek miofibrilarnych do sarkomerek sercowych, powodując nieprawidłowości strukturalne i funkcjonalne, w tym rozszerzenie komór i upośledzenie rozwoju komór przedsionkowych. Ten wynik potwierdza krytyczną rolę CHD4 w utrzymaniu prawidłowej funkcji serca.
Wykazano również, że IL11RA może zmniejszać ryzyko wystąpienia niewydolności serca. IL11RA jest podstawową podjednostką wiązania ligandu kompleksu receptora IL-11. Podczas gdy IL-11 okazało się wywoływać odpowiedzi fibrytyczne w sercu, konkretna rola IL11RA pozostaje niejasna49. Efekt ochronny zaobserwowany w tym badaniu sugeruje, że IL11RA może wywierać funkcje zależne od kontekstu lub współdziałać z innymi składnikami sygnałowymi, aby ograniczać fibrozę w pewnych warunkach50. Ta pozorna sprzeczność podkreśla potrzebę dalszych badań mechanizmu, aby wyjaśnić rolę funkcjonalną IL11RA w patogenezie niewydolności serca.
To badanie wykazało, że LPAR5 był związany z obniżonym ryzykiem niewydolności serca. LPAR5 jest receptorem kwasu lizofosfatydowego (LPA). Chociaż LPA jest ogólnie uważany za prozapalny i jest związany z niekorzystnym remodelowaniem serca, pojedyncze receptory LPA mogą mieć różne role51,52. Na przykład, sygnalizacja LPA modyfikuje tworzenie stresowych włókien cytoszkieletu poprzez ścieżki Gα12/13 i Gαq/11, odgrywając ważną rolę w utrzymaniu morfologii, funkcji skurczu oraz przewodzenia sygnałów u kardiomiocytów53,54. Niemniej jednak, dokładna rola LPAR5 w patofizjologii niewydolności serca wymaga dalszych badań.
To śledztwo wskazało, że CYP11A1 był czynnikiem ryzyka niewydolności serca. CYP11A1 koduje enzym ograniczający syntezę hormonów steroidowych55,56. Podwyższona produkcja hormonów steroidowych, szczególnie aldosteronu, przyczynia się do zatrzymania sodu i zwiększonego obciążenia serca, co są kluczowymi cechami progresji niewydolności serca57,58. Ponadto, CYP11A1 wytwarza reaktywne formy tlenu podczas swojej aktywności metabolicznej, co może zaostrzyć uszkodzenia mięśnia sercowego59. Realna korelacja między CYP11A1 a mitotane została zaobserwowana in vitro, co dostarcza dowodów na to, że mitotane może mieć potencjalną wartość terapeutyczną w leczeniu niewydolności serca. Jednakże, wymagane są dalsze eksperymenty, aby zbadać związek między mitotanem a niewydolnością serca.
GALT mógł zwiększyć ryzyko niewydolności serca w tym badaniu. GALT jest kluczowym enzymem w metabolizmie galaktozy i wykazuje dodatnią korelację z ryzykiem niewydolności serca60,61. Podwyższona ekspresja GALT została zaproponowana jako biomarker dla fibrozy i remodelowania serca, przy czym wyższe poziomy są związane z gorszymi
Autorzy deklarują, że nie mają żadnych rywalizujących interesów.
Dziękujemy uczestnikom i badaczom z badania FinnGen. Zwracamy również wdzięczną uwagę na konsorcjum eQTLGen, DGIdb i innych badaczy, którzy dostarczyli publicznie dostępne dane do tej analizy. Praca ta była wspierana przez Projekt Innowacji Badań Magisterskich Pierwszego Kolegium Klinicznego Uniwersytetu Medycznego w Chongqing (CYYY-SSCX202516) oraz Standaryzowanej Diagnostyki i Terapii Niewydolności Serca (2025cyjstg006).
Wkład autorów
Huiling Zhu współtworzył konceptualizację, pozyskiwanie funduszy, badania, metodologię, zasoby, oprogramowanie, nadzór, walidację, pisanie oryginalnego projektu oraz recenzowanie i edycję manuskryptu. Suxin Luo współtworzył pozyskiwanie funduszy, metodologię, nadzór oraz recenzowanie i edycję manuskryptu.
| 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