Este estudo identificou oito potenciais alvos farmacológicos para insuficiência cardíaca através de análise genética e explorou compostos terapêuticos candidatos associados a esses alvos identificados.
Method Article
Este estudo identificou oito potenciais alvos farmacológicos para insuficiência cardíaca através de análise genética e explorou compostos terapêuticos candidatos associados a esses alvos identificados.
A insuficiência cardíaca (IC) é uma doença cardiovascular prevalente que prejudica significativamente a qualidade de vida em seus estágios avançados. Apesar de uma variedade de estratégias de tratamento atuais, a carga da doença da IC permanece significativa. Portanto, explorar novos alvos terapêuticos é urgentemente necessário. Este estudo utilizou randomização mendeliana (MR) para avaliar as relações causais entre genes tratáveis e IC. Análise de colocalização e randomização mendeliana baseada em dados sumários (SMR) foram conduzidas para validar ainda mais a relação entre eles. Finalmente, 8 potenciais alvos terapêuticos para IC foram identificados, incluindo 4 fatores de risco (CYP11A1, GALT, KCNH2 e METRN) e 4 fatores protetores (APOM, CHD4, IL11RA e LPAR5). A análise de enriquecimento GO, enriquecimento KEGG e rede de interação proteína-proteína (PPI) indicou que esses genes estavam principalmente envolvidos na regulação metabólica e nos processos eletrofisiológicos cardíacos. Além disso, potenciais medicamentos direcionados a esses alvos foram identificados usando previsão de medicamentos e docking molecular, incluindo mitotano, Adehl, Benzofurans, 1,3-Di-o-tolilguanidina, 96-69-5 e bromoenolactona. Além disso, os resultados de PCR também demonstraram que o mitotano pode estar associado a CYP11A1 e KCNH2. Medicamentos projetados com base nesses potenciais alvos terapêuticos podem oferecer taxas de sucesso mais altas e melhorar os resultados clínicos.
A insuficiência cardíaca (IC) é um síndrome cardiovascular prevalente definido por preenchimento ventricular prejudicado ou contratilidade miocárdica, resultando em produção cardíaca inadequada para atender às demandas metabólicas1,2,3. Clinicamente, a IC é caracterizada por congestão pulmonar e sistêmica, hipoperfusão tecidual e sintomas como dispneia, fadiga e edema periférico1,4,5. Apesar dos avanços terapêuticos, a IC permanece uma das principais causas de morbidade e mortalidade em todo o mundo, afetando mais de 64 milhões de indivíduos, de acordo com o estudo Global Burden of Disease (GBD)6,7,8. A carga substancial da doença ressalta a necessidade urgente de novas estratégias terapêuticas.
As intervenções farmacológicas e baseadas em dispositivos para IC são limitadas por eficácia subótima e efeitos adversos, contribuindo para taxas de reinternação persistentemente altas e qualidade de vida comprometida9,10,11,12. Identificar novos alvos moleculares com ligações causais à patogênese da IC é, portanto, crítico para melhorar os resultados clínicos. A integração da genômica na descoberta de medicamentos representa uma estratégia altamente eficaz para melhorar a eficiência, pois as terapias geneticamente validadas demonstram uma taxa de sucesso significativamente maior em ensaios clínicos13,14,15. Além disso, as proteínas codificadas por esses genes acionáveis servem como principais alvos terapêuticos para moléculas pequenas e anticorpos monoclonais16,17.
Recentes avanços na genética humana facilitaram a priorização de alvos de medicamentos por meio da análise integrativa de estudos de associação genômica ampla (GWAS) e dados de loci quantitativos de traços de expressão (eQTL). A randomização mendeliana (MR) aproveita variantes genéticas como variáveis instrumentais para estimar efeitos causais, minimizando a confusão e a causalidade reversa inerentes aos estudos observacionais13,14. Quando combinada com colocalização e MR baseada em resumos (SMR), essa abordagem permite uma priorização robusta de genes cuja modulação pode influenciar o risco de doença, oferecendo uma estratégia geneticamente ancorada para a descoberta de alvos18,19,20. Em comparação com os estudos de associação convencionais, a integração de MR, SMR e colocalização supera a confusão e a causalidade reversa para estabelecer inferências causais robustas. Além disso, essa estrutura filtra sinais falso-positivos do desequilíbrio de ligação, garantindo que a expressão gênica e o risco de insuficiência cardíaca compartilhem a mesma variante causal subjacente, otimizando a priorização do alvo. Vale ressaltar que, embora os tecidos cardiovasculares apresentem alta especificidade, este estudo utiliza principalmente dados de eQTL cis em larga escala de sangue para maximizar o poder estatístico. Embora essa abordagem possa não capturar totalmente os mecanismos específicos do tecido inerentes à IC, as variantes derivadas do sangue servem como biomarcadores acessíveis e fornecem insights robustos sobre os impulsionadores genéticos sistêmicos da doença.
Neste estudo, GWAS em larga escala e conjuntos de dados eQTL foram usados para avaliar os efeitos causais de genes tratáveis no risco de IC. Associações significativas foram posteriormente validadas por meio de análises de colocalização e SMR. Para elucidar as funções biológicas dos alvos priorizados, análises de enriquecimento Gene Ontology (GO) e Kyoto Encyclopedia of Genes and Genomes (KEGG), juntamente com análise de rede de interação proteína-proteína (PPI), foram realizadas. O potencial terapêutico foi posteriormente avaliado por meio de previsão de medicamentos e doca molecular. Por fim, as associações entre genes tratáveis selecionados e candidatos a medicamentos foram validadas por meio de experimentos in vitro.
Em conclusão, este estudo oferece insights importantes para a descoberta de novos alvos terapêuticos para IC. Ao empregar MR, SMR, análise de colocalização, análise de enriquecimento gênico, construção de rede PPI, previsão de medicamentos, doca molecular e experimentos in vitro, esses resultados podem contribuir para o desenvolvimento de estratégias terapêuticas mais eficazes para IC.
Todos os conjuntos de dados utilizados neste estudo foram obtidos de estudos previamente publicados com aprovação ética. Os reagentes e equipamentos utilizados estão listados na Tabela de Materiais.
1. Projeto do estudo
O fluxo de trabalho deste estudo é ilustrado na Figura 1. Primeiro, os dados de exposição foram obtidos a partir dos cis-eQTLs de genes druggáveis. Em segundo lugar, a análise MR foi conduzida para investigar a relação causal entre genes druggáveis e IC. Os alvos terapêuticos candidatos para IC foram subsequentemente identificados por análises de colocalização e SMR. Em seguida, foram realizadas análises de enriquecimento gênico e construção de rede PPI. Finalmente, predição de drogas e docking molecular foram conduzidos para explorar a afinidade dos medicamentos pelos genes.
2. Fonte de dados
Um total de 6.888 genes druggáveis foram identificados a partir de duas fontes. Um conjunto de dados incluiu 4.463 genes de um estudo previamente publicado que integrou múltiplas fontes de dados17. O outro conjunto de dados continha 5.012 genes do Drug-Gene Interaction Database (DGIdb)21. Informações detalhadas foram ilustradas no site (https://www.dgidb.org/). Após mesclar e remover duplicatas, 6.888 genes druggáveis únicos foram mantidos para análise.
Dados de cis-eQTL foram obtidos do consórcio eQTLGen (https://eqtlgen.org/cis-eqtls.html), que inclui perfis de expressão de 31.684 amostras de sangue e cobre 16.987 genes22.
As estatísticas resumidas de IC foram obtidas da versão R12 do banco de dados FinnGen23, que incluiu 37.653 casos e 462.695 controles. O diagnóstico de IC foi baseado na Classificação Internacional de Doenças (ICD), incluindo ICD-10—I11.0, I13.0, I13.2, I50, ICD-9—4029B|428, e ICD-8—42700|42710|428|7824. Todos os participantes eram de ascendência europeia. Informações detalhadas estão disponíveis no site do FinnGen e no artigo original (https://www.finngen.fi/en/access_results).
3. Análise de randomização mendeliana
Variaveis instrumentais (IVs) foram selecionadas com base em três pressupostos centrais da MR24. Primeiramente, IVs estão diretamente associadas com fatores de exposição. Em segundo lugar, IVs não estão associadas com fatores de confusão. Finalmente, IVs afetam o resultado apenas através da exposição. Dado que eQTLs proximais exercem um controle regulatório mais imediato e robusto sobre os genes-alvo, MR utilizou exclusivamente SNPS localizados dentro de regiões de 100 kb dos genes para maximizar a proximidade biológica. Critérios rigorosos foram empregados para a seleção de SNPS. Todos os SNPS selecionados estavam localizados dentro de 100 kb a montante do local de início da transcrição e 100 kb a jusante do local de fim da transcrição de cada gene druggável. Apenas SNPS com significância genome-wide (p < 5×10-8) foram incluídos25. Para minimizar o desequilíbrio de ligação (LD), o agrupamento LD foi realizado usando um limiar de r2 de 0,001 e uma distância de agrupamento de 10.000 kb26. SNPS com estatísticas F >10 foram retidos, calculados usando a fórmula: F = [R2(N−k−1)]/[k(1−R2)]27. Informações sobre SNPS são fornecidas na Tabela Suplementar 1.
Os principais métodos analíticos foram o ponderado por inversa da variância (IVW) e a razão de Wald. Um valor de p menor que 0,05 foi considerado estatisticamente significativo28,29. Taxa de falsa descoberta (FDR) foi aplicada para ajustar o valor de p para minimizar resultados falsos positivos30. Quando apenas um SNP estava disponível, o método da razão de Wald foi usado; caso contrário, IVW foi aplicado. As análises incluíram MR-Egger, mediana ponderada, modo ponderado e modo simples quando houve SNPS suficientes.
O teste de Cochran's Q e a análise do intercepto MR-Egger foram empregados para testar heterogeneidade e pleiotropia. Um valor de Q-p maior que 0,05 indicou a ausência de heterogeneidade31. Um valor de p para o intercepto MR-Egger menor que 0,05 indicou a presença de pleiotropia direcional18. Finalmente, o teste leave-one-out foi conduzido para testar se os resultados poderiam ser influenciados por um único SNP. As análises MR foram realizadas usando o pacote TwoSampleMR (versão 0.6.11) no R (versão 4.4.2).
4. Análise de colocalização
A análise de colocalização foi conduzida usando o pacote R coloc (versão 6.0.1) para identificar se variantes genéticas compartilhadas influenciaram tanto a expressão gênica quanto o risco de IC32. Probabilidades prévias para um SNP estar associado a qualquer característica e a ambas as características foram definidas como 1 × 10-4 e 1 × 10-5, respectivamente. As probabilidades posteriores das cinco hipóteses podem ser calculadas: (1) PPH0: SNPs não estão ligados a duas características. (2) PPH1/PPH2: SNPs estão associados à expressão gênica ou IC. (3) PPH3: SNPs estão ligados a IC e expressão gênica, mas são impulsionados por SNPs diferentes. (4) PPH4: SNPs estão ligados a IC e expressão gênica, e são impulsionados pelos SNPs comuns. Um PPH4 > 0,8 foi considerado evidência de colocalização.
5. Análise SMR
A análise SMR foi realizada para explorar a relação entre o gene e IC usando o software SMR (versão 1.3.1)33. O teste de heterogeneidade em instrumentos dependentes (HEIDI) foi realizado para determinar se as associações observadas se devem ao linkage. Um valor de SMR p significativo (< 0,05) combinado com um valor de
Randomização mendeliana
Os resultados da RM avaliando os efeitos causais entre a expressão gênica druggable e a IC foram apresentados na Tabela Suplementar 3. Um valor P ajustado por FDR inferior a 0,05 foi considerado estatisticamente significativo. Um total de 11 genes com associações causais significativas com IC foram identificados (Figura 2). Entre eles, seis genes foram associados a um risco aumentado de IC, incluindo 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). Os cinco genes restantes foram associados a um risco reduzido de IC, incluindo 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).
A análise de sensibilidade foi realizada neste estudo, e os resultados mostraram que nenhuma heterogeneidade significativa ou pleiotropia horizontal foi detectada (Tabela 1), e as estimativas de MR não foram influenciadas por nenhum SNP único (Figura Suplementar 1).
Análise de colocalização
A análise de colocalização foi realizada nos 11 genes identificados (Figura 3 e Tabela 2). Nove genes demonstraram forte evidência de compartilhamento de variantes causais com IC, incluindo 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). Dois genes foram excluídos da análise adicional porque o PP.H4 era menor que 0,8, a saber, CDKN1A e CAMK2G.
Análise SMR
Para validar ainda mais as associações entre genes e doenças, a análise SMR foi realizada para os nove genes colocalizados (Tabela 2). A análise SMR revelou que oito genes permaneceram significativamente associados à IC. Havia quatro genes negativamente associados à IC, incluindo 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 quatro estavam positivamente associados à IC, incluindo 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). Embora LST1 (P_SMR: 4,61E-05, P_HEIDI: 0,025, OR: 1,135) tenha mostrado uma associação com o aumento do risco de IC, o teste HEIDI indicou que a associação pode ter sido causada por desequilíbrio de ligação. Portanto, LST1 foi excluído.
Análise de enriquecimento
Os oito genes identificados por meio de análises de MR, colocalização e SMR foram submetidos a análise de enriquecimento GO e análise de enriquecimento KEGG (Figura 4A–E). Na classe BP, os genes foram enriquecidos na desmontagem de processos metabólicos (processo metabólico de cortisol, processo metabólico de galactose, processo biossintético de glicocorticoides e transporte reverso de colesterol), processos relacionados a partículas de lipoproteínas (montagem de partículas de lipoproteína de alta densidade, remodelação de partículas de lipoproteína de alta densidade e eliminação de partículas de lipoproteína de alta densidade) e repolarização da membrana durante o potencial de ação das células musculares cardíacas ventriculares. Na classe CC, os genes foram enriquecidos em partículas de lipoproteínas (partícula de lipoproteína de baixa densidade, partícula de lipoproteína de muito baixa densidade, partícula de lipoproteína rica em triglicerídeos, partícula de lipoproteína de alta densidade, partícula de lipoproteína plasmática e partícula de lipoproteína) e complexos proteicos (complexo NuRD, complexo do tipo CHD e complexo proteína-lípide). Na classe MF, os genes foram enriquecidos em processos eletrofisiológicos (atividade do canal de potássio dependente de voltagem envolvida na repolarização do potencial de ação das células musculares cardíacas ventriculares, atividade do canal de potássio dependente de voltagem envolvida na repolarização do potencial de ação das células musculares cardíacas, atividade do canal de potássio retificador retardado e atividade do canal de potássio retificador de entrada) e ligação à estrutura nuclear (ligação ao DNA nucleossomal, ligação a proteínas scaffold e ligação ao nucleossomo). Como mostrado na Figura 4D,E, as vias analisadas pela enriquecimento KEGG foram processos metabólicos (metabolismo da galactose, biossíntese de açúcares nucleotí
Esta pesquisa avaliou sistematicamente os efeitos causais de genes druggáveis no risco de HF usando RM, identificando oito potenciais alvos terapêuticos. Estes incluíram quatro fatores de proteção (APOM, CHD4, IL11RA e LPAR5) e quatro fatores de risco (CYP11A1, GALT, KCNH2 e METRN). Essas associações foram ainda apoiadas por análise de colocalização e SMR. A anotação funcional através de GO, enriquecimento KEGG e análises de rede PPI sugeriram que esses genes podem influenciar a HF principalmente através de vias relacionadas ao metabolismo e à eletrofisiologia. Além disso, estudos de previsão de medicamentos e acoplamento molecular destacaram o potencial translacional desses alvos.
APOM foi identificado como um fator de proteção para a HF. APOM se liga à sfingosina-1-fosfato (S1P) e exerce efeitos anti-inflamatórios reduzindo a expressão de TNF-α, limitando a adesão monócito-endotelial e mantendo a integridade da barreira endotelial, mitigando assim a lesão miocárdica induzida pela inflamação42,43,44. Além disso, APOM apoia a sobrevivência e proliferação dos cardiomiócitos enquanto reduz a apoptose, preservando a estrutura e função cardíacas. Sua deficiência tem sido associada a resultados cardíacos adversos, consistente com esse achado42,45. No entanto, o mecanismo subjacente que liga APOM à HF requer mais investigação.
CHD4, outro gene protetor identificado, é um componente central do complexo nucleossomo remodelador e desacetilase (NuRD) e desempenha um papel essencial no desenvolvimento cardíaco e crescimento miocárdico46,47,48. A perda de CHD4 leva à incorporação de proteínas miofibrilar inadequadas nos sarcômeros cardíacos, resultando em anormalidades estruturais e funcionais, incluindo dilatação das câmaras e desenvolvimento ventricular prejudicado. Este resultado reforça o papel crítico de CHD4 na manutenção da função cardíaca normal.
Também foi revelado que IL11RA poderia diminuir o risco de HF. IL11RA é a subunidade de ligação ao ligante primária do complexo do receptor IL-11. Embora IL-11 tenha demonstrado impulsionar respostas fibrosas no coração, o papel específico de IL11RA permanece incerto49. O efeito protetor observado neste estudo sugere que IL11RA pode exercer funções dependentes do contexto ou interagir com outros componentes de sinalização para limitar a fibrose sob certas condições50. Esta discrepância aparente destaca a necessidade de mais estudos mecanísticos para esclarecer o papel funcional de IL11RA na patogênese da HF.
Este estudo mostrou que LPAR5 estava associado a um risco reduzido de HF. LPAR5 é um receptor para ácido lisofosfatídico (LPA). Embora LPA seja geralmente considerado pró-inflamatório e tenha sido implicado no remodelamento cardíaco adverso, os receptores LPA individuais podem ter papéis divergentes51,52. Por exemplo, a sinalização LPA modula a formação de fibras de estresse citoesquelético através das vias Gα12/13 e Gαq/11, desempenhando um papel importante na manutenção da morfologia, função contrátil e transdução de sinal dos cardiomiócitos53,54. No entanto, o papel preciso de LPAR5 na fisiopatologia da HF requer mais investigação.
Esta investigação indicou que CYP11A1 era um fator de risco para HF. CYP11A1 codifica a enzima limitante de taxa na biossíntese de hormônios esteroides55,56. A produção elevada de hormônios esteroides, particularmente aldosterona, contribui para a retenção de sódio e o aumento da carga cardíaca, características-chave da progressão da HF57,58. Além disso, CYP11A1 gera espécies reativas de oxigênio durante sua atividade metabólica, o que pode exacerbar o dano miocárdico59. Uma correlação real entre CYP11A1 e mitotano foi observada in vitro, fornecendo evidências de que o mitotano pode ter valor terapêutico potencial para o tratamento da HF. No entanto, mais experimentos são necessários para explorar a relação entre mitotano e HF.
GALT poderia aumentar o risco de HF nesta pesquisa. GALT é uma enzima-chave no metabolismo da galactose e mostra uma associação positiva com o risco de HF60,61. A expressão elevada de GALT foi proposta como um biomarcador para fibrose e remodelamento cardíaco, com níveis mais elevados associados a piores resultados clínicos, possivelmente devido à sua associação com vias metabólicas pró-fibroses62,63. Este achado sugere que o direcionamento de GALT pode melhorar o prognóstico da HF; no entanto, se isso é mediado através da atenuação da fibrose requer mais investigação.
Esta pesquisa demonstrou que KCNH2 era um fator de risco para HF. KCNH2 codifica uma subunidade do canal de potássio dependente de voltagem, que está envolvido na repolarização cardíaca64. Mutações em KCNH2 são conhecidas por causar arritmias, aumentando o estresse miocárdico e o risco de HF65,66. Evidências emergentes também sugerem que KCNH2 pode influenciar a função mitocondrial. Dado o papel estabelecido da disfunção mitocondrial na patogênese da HF, os efeitos potenciais de KCNH2 na função mitocondrial no contexto da HF representam uma importante direção para pesquisas futuras67,68. O resultado do RT-PCR indicou que KCNH2 estava associado ao mitotano; mais investigação foi necessária para explorar a ligação entre mitotano e HF.
Finalmente, METRN foi identificado como um fator de risco, embora seu papel na HF permaneça controverso. METRN é uma proteína secretora altamente expressa no tecido adiposo e mucosa, implicada no brunimento da gordura, sensibilidade à insulina e inflamação69,70. Enquanto alguns estudos relataram efeitos protetores através das vias AMPK e PPARγ, outros associaram níveis elevados de METRN plasmático a piores resultados em pacientes com HF71,72. Este achado suporta a última visão, sublinhando a necessidade de mais estudos para esclarecer a função de METRN na HF.
Este
Os autores declaram que não têm interesses conflitantes.
Os participantes e investigadores do estudo FinnGen são reconhecidos. O consórcio eQTLGen, DGIdb e outros pesquisadores que forneceram dados publicamente disponíveis para esta análise também são reconhecidos com gratidão. Este trabalho foi apoiado pelo Projeto de Inovação de Pesquisa de Mestrado do Primeiro Colégio Clínico da Universidade Médica de Chongqing (CYYY-SSCX202516) e o Diagnóstico e Tratamento Padronizado da Insuficiência Cardíaca (2025cyjstg006).
Contribuição do Autor
Huiling Zhu contribuiu para conceitualização, aquisição de financiamento, investigação, metodologia, recursos, software, supervisão, validação, redação do rascunho original e revisão e edição do manuscrito. Suxin Luo contribuiu com aquisição de financiamento, metodologia, supervisão e revisão e edição do manuscrito.
| Name | Company | Catalog Number | Comments |
|---|---|---|---|
| 2× Universal SYBR Green Fast qPCR Mix | Abclonal | RK21203 | |
| AC16 | HyCyte | TCH-C119 | |
| Meio de cultura específico para células AC16 | HyCyte | TCH-G119 | |
| Kit de reverso de cDNA | Abclonal | RK20400 | |
| Sistema Real-Time CFX96™ | Bio-Rad Laboratories | ||
| Mitotano | TargetMol | T1199 | |
| Ácido palmítico | TargetMol | T2908 | |
| Kit de extração de RNA | Abclonal | RK30120 |
Request permission to reuse the text or figures of this JoVE article
Request Permission