Badanie to zidentyfikował osiem potencjalnych celów leków na niewydolność serca poprzez analizę genetyczną i zbadał kandydujące związki terapeutyczne związane z tymi zidentyfikowanymi celami.
Artykuł badawczy
Badanie to zidentyfikował osiem potencjalnych celów leków na niewydolność serca poprzez analizę genetyczną i zbadał kandydujące związki terapeutyczne związane z tymi zidentyfikowanymi celami.
Niewydolność serca (NS) jest częstą chorobą układu krążenia, która znacznie pogarsza jakość życia w zaawansowanych stadiach. Pomimo różnorodności obecnych strategii leczenia, obciążenie chorobowe NS pozostaje znaczne. Dlatego konieczne jest pilne poszukiwanie nowych docelowych terapii. W niniejszym badaniu wykorzystano randomizację Mendelowską (MR) do oceny przyczynowych związków między genami podatnymi na leczenie a NS. Przeprowadzono analizę lokalizacji współbieżnej i randomizację Mendelowską opartą na danych sumarycznych (SMR), aby dalece potwierdzić relację 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 i analizy sieci interakcji białko-białko (PPI) wskazała, że geny te były przede wszystkim zaangażowane w regulację metabolizmu i procesy elektrofizjologiczne serca. Ponadto, potencjalne leki przeciwko tym celom zidentyfikowano za pomocą przewidywania leków i dokowania molekularnego, w tym mitotanu, Adehlu, benzofuranów, 1,3-Di-o-tolylguanidine, 96-69-5 i bromoenolaktonu. 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 współczynniki sukcesu i poprawiać wyniki kliniczne.
Niewydolność serca (NS) jest częstym zespołem sercowo-naczyniowym określonym jako upośledzone napełnienie komór lub kurczliwość mięśnia sercowego, co prowadzi do niewystarczającego wyrzutu serca, aby 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. Mimo postępu terapeutycznego, NS pozostaje jedną z głównych przyczyn morbidytetu i mortalytetu na całym świecie, dotyczącą ponad 64 milionów osób według Global Burden of Disease (GBD) study6,7,8. Znaczna obciążenie chorobowe podkreśla pilną potrzebę nowych strategii terapeutycznych.
Obecne farmakologiczne i urządzeniami wspierane interwencje dla NS są ograniczone przez nieoptymalną skuteczność i działania niepożądane, co prowadzi do stale wysokich wskaźników ponownego hospitalizowania i upośledzonej jakości życia9,10,11,12. Identyfikowanie nowych docelowych molekuł o przyczynowym związku z patogenezą NS jest zatem kluczowe dla poprawy wyników klinicznych. Integracja genomiki w odkrywaniu leków reprezentuje wysoce efektywną strategię poprawy efektywności, gdyż terapeutyki genetycznie zweryfikowane wykazują znacznie wyższy wskaźnik sukcesu w badaniach klinicznych13,14,15. Co więcej, białka kodowane przez te geny akcji 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 mendelowska (MR) wykorzystuje warianty genetyczne jako zmienne instrumentalne do estymacji efektów przyczynowych, minimalizując wpływ niekontrolowanych zmiennych i odwrotną przyczynowość nieodłączną od badań obserwacyjnych13,14. W połączeniu z kolokalizacją i MR opartą na sumarycznych danych (SMR), podejście to umożliwia mocną priorytetyzację genów, których modulacja może wpływać na ryzyko choroby, oferując genetycznie zakotwiczoną strategię odkrywania docelowych składników18,19,20. W porównaniu z konwencjonalnymi badaniami skojarzeniowymi, integracja MR, SMR i kolokalizacji eliminuje wpływ niekontrolowanych zmiennych i odwrotną przyczynowość, aby ustalić mocne wnioski przyczynowe. Co więcej, ten rama eliminuje fałszywie dodatnie sygnały z niezrównoważenia łączenia, zapewniając, że ekspresja genów i ryzyko niewydolności serca dzielą ten sam podstawowy wariant przyczynowy, optymalizując priorytetyzację docelowych składników. Warto zauważyć, że choć tkanki krążenia wykazują wysoką specyficzność, to niniejsze badanie głównie wykorzystuje duże skale danych cis-eQTL z krwi, aby zmaksymalizować moc statystyczną. Choć ten podejście może nie w pełni uchwycić mechanizmów specyficznych dla tkanek właściwych NS, warianty pochodzące z krwi służą jako dostępne biomarkery i dostarczają mocnych wglądów w układowe genetyczne czynniki ryzyka choroby.
W niniejszym badaniu, duże skale danych GWAS i eQTL zostały użyte do oceny przyczynowych efektów genów leczniczych na ryzyko NS. Istotne skojarzenia zostały następnie potwierdzone przez analizy kolokalizacji i SMR. Aby wyjaśnić biologiczne funkcje priorytetowych docelowych składników, przeprowadzono analizy wzbogacania Gene Ontology (GO) i Kyoto Encyclopedia of Genes and Genomes (KEGG), wraz z analizą sieci interakcji białko-białko (PPI). Potencjalne zastosowanie terapeutyczne zostało następnie ocenione poprzez przewidywanie leków i dokowanie molekularne. Wreszcie, skojarzenia między wybranymi leczniczymi genami a kandydackimi lekami zostały potwierdzone poprzez eksperymenty in vitro.
Podsumowując, niniejsze badanie oferuje ważne wglądy dla odkrywania nowych docelowych składników terapeutycznych dla NS. Zastosowanie MR, SMR, analizy kolokalizacji, analizy wzbogacania genów, konstrukcję sieci PPI, przewidywanie leków, dokowanie molekularne i eksperymenty in vitro, te wyniki mogą przyczynić się do opracowania bardziej efektywnych strategii terapeutycznych dla NS.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wszystkie zestawy danych wykorzystane w tym badaniu zostały uzyskane z wcześniej opublikowanych badań z uzyskaniem aprobaty etycznej. Reagenty i użyte wyposażenie są wymienione w Tabeli Materiałów.
1. Projekt badania
Przepływ pracy tego badania został przedstawiony na Rysunku 1. Po pierwsze, dane dotyczące ekspozycji zostały uzyskane z cis-eQTL genów podatnych na leczenie. Po drugie, przeprowadzono analizę MR w celu zbadania przyczynowego związku między genami podatnymi na leczenie a HF. Następnie zidentyfikowano kandydujące do terapii cele dla HF poprzez analizy kolokalizacji i SMR. Następnie przeprowadzono analizę wzbogacenia genów i konstrukcję sieci PPI. Wreszcie przeprowadzono przewidywanie leków i dokowanie molekularne w celu zbadania powinności leków do genów.
2. Źródło danych
W sumie zidentyfikowano 6 888 genów podatnych na leczenie z dwóch źródeł. Jeden zestaw danych obejmował 4 463 geny z wcześniej opublikowanego badania, które zintegrowało wiele źródeł danych17. Drugi zestaw danych zawierał 5 012 genów z bazy danych interakcji leki-geny (DGIdb)21. Szczegółowe informacje są przedstawione na stronie internetowej (https://www.dgidb.org/). Po połączeniu i usunięciu duplikatów, do analizy zachowano 6 888 unikalnych genów podatnych na leczenie.
Dane cis-eQTL uzyskałyś z konsorcjum eQTLGen (https://eqtlgen.org/cis-eqtls.html), które obejmuje profile ekspresji z 31 684 próbek krwi i obejmuje 16 987 genów22.
Statystyki sumaryczne HF uzyskano z wersji R12 bazy danych FinnGen23, która zawierała 37 653 przypadki i 462 695 kontroli. Rozpoznanie HF opierała się na Międzynarodowej Klasyfikacji Chorób (ICD), w tym ICD-10—I11.0, I13.0, I13.2, I50, ICD-9—4029B|428, oraz ICD-8—42700|42710|428|7824. Wszyscy uczestnicy mieli europejskie pochodzenie. Szczegółowe informacje są dostępne na stronie internetowej FinnGen oraz oryginalnym artykule (https://www.finngen.fi/en/access_results).
3. Analiza randomizacji mendelowskiej
Zmienne instrumentalne (IV) zostały wybrane na podstawie trzech kluczowych założeń MR24. Po pierwsze, IV są bezpośrednio związane z czynnikami ekspozycji. Po drugie, IV nie są związane z czynnikami mylącymi. Wreszcie, IV wpływają na wynik tylko poprzez ekspozycję. Biorąc pod uwagę, że proksymalne eQTL wywierają bardziej natychmiastową i bardziej efektywną kontrolę nad celami genowymi, MR wykorzystywała wyłącznie SNP-y zlokalizowane w obrębie regionów 100 kb genów, aby zmaksymalizować biologiczną bliskość. Zastosowano rygorystyczne kryteria doboru SNP. Wszystkie wybrane SNP-y znajdowały się w obrębie 100 kb powyżej strony startowej transkrypcji i 100 kb poniżej strony końcowej transkrypcji każdego genu podatnego na leczenie. Uwzględniono tylko SNP-y z znaczeniem genomowym (p < 5×10-8)25. Aby zminimalizować dysekwilibryjność łączną (LD), wykonano grupowanie LD przy użyciu progu r2 wynoszącego 0,001 i odległości grupowania 10 000 kb26. SNP-y o statystykach F >10 zostały zachowane, obliczone za pomocą wzoru: F = [R2(N−k−1)]/[k(1−R2)]27. Informacje o SNP-ach znajdują się w Tabeli uzupełniającej 1.
Głównymi metodami analizy były ważone odwrotnie wariancją (IVW) i stosunek Walda. Wartość p mniejsza niż 0,05 była uważana za statystycznie znaczącą28,29. Stosowano korektę fałszywie dodatnich wyników (FDR) w celu skorygowania wartości p w celu zminimalizowania fałszywie dodatnich wyników30. Gdy dostępny był tylko jeden SNP, stosowano metodę stosunek Walda; w przeciwnym razie stosowano IVW. Analizy obejmowały MR-Egger, ważony median, ważony tryb i prosty tryb, gdy było wystarczająco dużo SNP-ów.
Test Cochrana Q i analizę przechwytywania MR-Egger wykorzystano do przetestowania heterogeniczności i pleiotropji. Wartość Q-p większa niż 0,05 wskazywała na brak heterogeniczności31. Wartość p dla przechwytywania MR-Egger mniejsza niż 0,05 wskazywała na obecność pleiotropji kierunkową18. Wreszcie, przeprowadzono test leave-one-out w celu przetestowania, czy wyniki mogą być wpłynięte przez pojedynczy SNP. An
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Randomizacja mendelowska
Wyniki MR oceniające efekty przyczynowe między ekspresją genów leczalnych a niewydolnością serca zostały przedstawione w Tabeli uzupełniającej 3. Wartość P skorygowanych FDR poniżej 0,05 uznano za statystycznie istotną. Zidentyfikowano łącznie 11 genów o istotnych kauzalnych skojarzeniach z niewydolnością serca (Rysunek 2). Wśród nich sześć genów było związanych ze zwiększonym ryzykiem niewydolności serca, w tym CDKN1A
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
To badanie systematycznie oceniło przyczynowe wpływy genów leczniczych na ryzyko wystąpienia niewydolności serca poprzez zastosowanie MR, identyfikując osiem potencjalnych docelowych terapii. Obejmowały one cztery czynniki ochronne (APOM, CHD4, IL11RA i LPAR5) i cztery czynniki ryzyka (CYP11A1, GALT, KCNH2 i METRN). Te powiązania zostały dodatkowo potwierdzone poprzez analizę kolokalizacji i SMR. Funkcjonalna adnotacja poprzez GO, wzbogacanie KEGG i analizy sieci PPI sugerują, że te geny mogą wpływać na niewydolność serc...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Autorzy deklarują, że nie mają żadnych spornych interesów.
Wymienieni są uczestnicy i badacze badania FinnGen. Konsorcjum eQTLGen, DGIdb i inni badacze, którzy dostarczyli dostępne publicznie dane do tej analizy, są również wdzięcznie wymienieni. Praca ta była wspierana przez Projekt Innowacji Badań Magisterskich Pierwszego Kolegium Klinicznego Uniwersytetu Medycznego w Chongqing (CYYY-SSCX202516) oraz Standardy Diagnostyki i Terapii Niewydolności Serca (2025cyjstg006).
Wkład autora
Huiling Zhu przyczynił się do konceptualizacji, pozyskiwania funduszy, przeprowadzenia badań, metodologii, zasobów, oprogramowania, nadzoru, walidacji, napisania oryginalnego projektu i przeglądu oraz edycji manuskryptu. Suxin Luo przyczynił się do pozyskiwania funduszy, metodologii, nadzoru oraz przeglądu i edycji manuskryptu.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| 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 |
Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE
Poproś o pozwolenie