В данном исследовании путем генетического анализа были определены восемь потенциальных мишеней для лекарств при сердечной недостаточности и изучены кандидатские терапевтические соединения, связанные с этими выявленными мишенями.
Method Article
В данном исследовании путем генетического анализа были определены восемь потенциальных мишеней для лекарств при сердечной недостаточности и изучены кандидатские терапевтические соединения, связанные с этими выявленными мишенями.
Сердечная недостаточность (СН) является распространенным заболеванием сердечно-сосудистой системы, которое значительно ухудшает качество жизни на ее поздних стадиях. Несмотря на разнообразие существующих стратегий лечения, бремя заболевания СН остается значительным. Поэтому срочно необходимо исследовать новые терапевтические цели. В этом исследовании был применен менделевский рандомизационный анализ (МР) для оценки причинно-следственных связей между лекарственными генами и СН. Для дальнейшей проверки взаимосвязи между ними были проведены анализ коллокаций и менделевский рандомизационный анализ на основе сводных данных (SMR). В результате было выявлено 8 потенциальных терапевтических целей для СН, включая 4 фактора риска (CYP11A1, GALT, KCNH2 и METRN) и 4 защитных фактора (APOM, CHD4, IL11RA и LPAR5). Анализ обогащения по GO, обогащения по KEGG и анализ сети взаимодействия белок-белок (PPI) показал, что эти гены в основном участвуют в регуляции метаболизма и сердечных электрофизиологических процессах. Более того, были определены потенциальные препараты, нацеленные на эти цели, с помощью прогнозирования лекарств и молекулярного докирования, включая митотан, Адехл, Бензофураны, 1,3-Ди-о-толилгуанидин, 96-69-5 и бромоенолактон. Кроме того, результаты ПЦР также показали, что митотан может быть связан с CYP11A1 и KCNH2. Лекарства, разработанные на основе этих потенциальных терапевтических целей, могут обеспечить более высокие показатели успешности и улучшить клинические результаты.
Сердечная недостаточность (СН) - это распространенный сердечно-сосудистый синдром, определяемый нарушением наполнения желудочков или контрактильной способности миокарда, что приводит к недостаточному сердечному выбросу для удовлетворения метаболических потребностей1,2,3. Клинически СН характеризуется легочной и системной конгестией, гиперперфузией тканей и симптомами, такими как одышка, усталость и периферический отек1,4,5. Несмотря на терапевтические достижения, СН остается одной из основных причин заболеваемости и смертности по всему миру, затрагивая более 64 миллионов человек по данным исследования Global Burden of Disease (GBD)6,7,8. Значительная нагрузка болезни подчеркивает срочную необходимость разработки новых терапевтических стратегий.
Существующие фармакологические и устройства для лечения СН ограничены недостаточной эффективностью и побочными эффектами, что приводит к постоянно высоким показателям повторных госпитализаций и ухудшению качества жизни9,10,11,12. Поэтому выявление новых молекулярных мишеней с причинной связью с патогенезом СН имеет решающее значение для улучшения клинических результатов. Интеграция геномических исследований в открытие новых лекарств представляет собой высокоэффективную стратегию для повышения эффективности, так как генетически валидированные терапии демонстрируют значительно более высокий успех в клинических испытаниях13,14,15. Кроме того, белки, кодируемые этими генами, служат первостепенными мишенями для терапии как малым молекулам, так и моноклональными антителами16,17.
Недавние достижения в человеческой генетике способствовали приоритетизации мишеней лекарств путем интегративного анализа исследований ассоциации генома (GWAS) и данных локализованных локус количественных характеристик экспрессии (eQTL). Менделевская рандомизация (MR) использует генетические варианты в качестве инструментальных переменных для оценки причинно-следственных связей, минимизируя конфундирующие факторы и обратную причинно-следственную связь, свойственную наблюдательным исследованиям13,14. В сочетании с коллокацией и сводной MR (SMR) этот подход позволяет надежную приоритетизацию генов, модуляция которых может влиять на риск заболевания, предлагая генетически закрепленную стратегию для открытия мишеней18,19,20. По сравнению с обычными исследованиями ассоциаций, интеграция MR, SMR и коллокаций позволяет преодолеть конфундирующие факторы и обратную причинно-следственную связь для установления надежных причинно-следственных выводов. Кроме того, этот подход отсеивает ложноположительные сигналы из-за связи неравновесий путем обеспечения того, что экспрессия генов и риск сердечной недостаточности делят одно и то же основное причинное изменение, оптимизируя приоритетизацию мишеней. Стоит отметить, что хотя сердечно-сосудистые ткани обладают высокой специфичностью, данное исследование в основном использует данные крупномасштабных цис-eQTL анализов крови для максимизации статистической мощности. Хотя этот подход может не полностью охватить тканеспецифические механизмы, присущие СН, ассоциированные с кровью варианты служат доступными биомаркерами и обеспечивают надежные представления о системных генетических драйверах заболевания.
В данном исследовании крупномасштабные GWAS и eQTL датасеты использовались для оценки причинно-следственных связей лечебных генов с риском СН. Значимые ассоциации были дополнительно подтверждены путем анализа коллокаций и SMR. Для выяснения биологических функций приоритетных мишеней проведены анализы обогащения по Онтологии генов (GO) и Энциклопедии генов и геномов Киото (KEGG), а также анализ сети взаимодействий белков-белков (PPI). Терапевтический потенциал затем оценивался с помощью предсказания лекарств и молекулярного докирования. Наконец, связь между выбранными лечебными генами и кандидатными лекарствами была подтверждена с помощью in vitro экспериментов.
Таким образом, данное исследование предлагает важные результаты для открытия новых терапевтических мишеней для СН. Применение методов Менделевской рандомизации, сводной Менделевской рандомизации, коллокаций, ан
Все наборы данных, используемые в этом исследовании, были получены из ранее опубликованных исследований с этическим одобрением. Реагенты и использованное оборудование перечислены в Таблице материалов.
1. Дизайн исследования
РабочиЙ процесс этого исследования показан на Рисунке 1. Во-первых, данные об экспозиции были получены из цис-eQTL лекарственных генов. Во-вторых, был проведен МР-анализ для исследования причинной связи между лекарственными генами и сердечной недостаточностью. Кандидатные терапевтические цели для сердечной недостаточности были затем определены с помощью анализа солокализации и SMR. Затем были проведены анализ обогащения генов и построение сети PPI. Наконец, были проведены прогнозирование лекарств и молекулярное докинг для исследования сродства лекарств к генам.
2. Источник данных
Всего 6 888 лекарственных генов были определены из двух источников. Один набор данных включал 4 463 гена из ранее опубликованного исследования, которое интегрировало несколько источников данных17. Другой набор данных содержал 5 012 генов из базы данных взаимодействий лекарство-ген (DGIdb)21. Подробная информация была представлена на веб-сайте (https://www.dgidb.org/). После слияния и удаления дубликатов для анализа было сохранено 6 888 уникальных лекарственных генов.
Данные цис-eQTL были получены из консорциума eQTLGen (https://eqtlgen.org/cis-eqtls.html), который включает профили экспрессии из 31 684 образцов крови и охватывает 16 987 генов22.
Сводная статистика по сердечной недостаточности была получена из версии R12 базы данных FinnGen23, которая включала 37 653 случая и 462 695 контролов. Диагностика сердечной недостаточности основывалась на Международной классификации болезней (МКБ), включая МКБ-10—I11.0, I13.0, I13.2, I50, МКБ-9—4029B|428 и МКБ-8—42700|42710|428|7824. Все участники были европейского происхождения. Подробная информация доступна на веб-сайте FinnGen и в оригинальной статье (https://www.finngen.fi/en/access_results).
3. Анализ менделевской рандомизации
Инструментальные переменные (IV) были выбраны на основе трех ключевых предположений МР24. Во-первых, IV связаны непосредственно с факторами экспозиции. Во-вторых, IV не связаны с факторами смешения. В-третьих, IV влияют на результат только через экспозицию. Учитывая, что проксимальные eQTL оказывают более непосредственное и устойчивое регулирующее влияние на целевые гены, МР исключительно использовал SNP, расположенные в пределах 100 кб регионов генов, чтобы максимизировать биологическую близость. Для выбора SNP были применены строгие критерии. Все выбранные SNP располагались в пределах 100 кб выше сайта старта транскрипции и 100 кб ниже сайта окончания транскрипции каждого лекарственного гена. Включались только SNP с глобальной значимостью (p < 5×10-8)25. Для минимизации связи в равновесии (LD) LD-кластеризация проводилась с использованием порогового значения r2 0,001 и расстояния кластеризации 10 000 кб26. SNP с F-статистикой >10 сохранялись, рассчитанной по формуле: F = [R2(N−k−1)]/[k(1−R2)]27. Информация о SNP представлена в Дополнительной таблице 1.
Основными аналитическими методами были обратная по величине дисперсии (IVW) и валовый коэффициент. Значение p-меньшее 0,05 считалось статистически значимым28,29. Для корректировки p-значения с целью минимизации ложноположительных результатов применялась коррекция по ложной скорости обнаружения (FDR)30. Когда был доступен только один SNP, использовался метод валового коэффициента; в противном случае применялся IVW. Анализы включали MR-Egger, взвешенный медианный, взвешенный модный и простой модный методы, когда было достаточно SNP.
Для проверки гетерогенности и плеиотропии были использованы тест Кохрена и анализ перехвата MR-Egger. Q-p-значение больше 0,05 указывало на отсутствие гетерогенности31. P-значение перехвата MR-Egger меньше 0
Рандомизация по Менделю
Результаты МР, оценивающие причинно-следственные связи между экспрессией лекарственных генов и СН, были представлены в дополнительной таблице 3. Значение P, корректированное с использованием корректирующего фактора FDR, меньшее 0,05 считалось статистически значимым. Всего было выявлено 11 генов с значительными причинно-следственными связями с СН (рисунок 2). Из них шесть генов были связаны с повышенным риском развития СН, включая 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) и METRN (P_FDR: 0,018, OR: 1,115). Оставшиеся пять генов были связаны с уменьшенным риском развития СН, включая 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) и LPAR5 (P_FDR: 0,021, OR: 0,915).
В рамках данного исследования была проведена чувствительная анализ, и результаты показали, что не было выявлено значительной гетерогенности или горизонтальной плеиотропии (таблица 1), а оценки МР не были обусловлены ни одним одиночным SNP (дополнительная фигура 1).
Анализ солокализации
Анализ солокализации был проведен для 11 выявленных генов (рисунок 3 и таблица 2). Девять генов продемонстрировали сильные доказательства совместного использования причинных вариантов с СН, включая 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) и METRN (PP.H4: 0,907). Было два гена, которые были исключены из дальнейшего анализа, поскольку PP.H4 было менее 0,8, а именно, CDKN1A и CAMK2G.
Анализ SMR
Для дальнейшей проверки связей ген-болезнь был проведен анализ SMR для девяти солокализованных генов (таблица 2). Анализ SMR показал, что восемь генов оставались значимо связанными с СН. Были четыре гена, отрицательно связанные с СН, включая 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) и LPAR5 (P_SMR: 3,71E-05, P_HEIDI: 0,168, OR: 0,889). И четыре были положительно связаны с СН, включая 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) и METRN (P_SMR: 1,55E-05, P_HEIDI: 0,068, OR: 1,103). Хотя LST1 (P_SMR: 4,61E-05, P_HEIDI: 0,025, OR: 1,135) показал связь с повышенным риском СН, тест HEIDI указал на то, что связь может быть вызвана дисэквилибрием связи. Поэтому LST1 был исключен.
Анализ обогащения
Восемь генов, выявленных путем анализов МР, солокализации и SMR, были подвергнуты анализу обогащения GO и анализу обогащения KEGG (рисунок 4A–E). В классе BP гены были обогащены процессами разборки метаболизма (метаболический процесс кортизола, процесс метаболизма галактозы, процесс биосинтеза глюкокортикоидов и обратный транспорт холестерина), процессами, связанными с липопротеинами (сборка частиц высокоплотных липопротеинов, ремоделирование частиц высокоплотных липопротеинов и очистка частиц высокоплотных липопротеинов) и
Это исследование систематически оценило причинно-следственные эффекты лекарственных генов на риск развития сердечной недостаточности (СН) с использованием MR, выявив восемь потенциальных терапевтических целей. Среди них были четыре защитных фактора (APOM, CHD4, IL11RA и LPAR5) и четыре фактора риска (CYP11A1, GALT, KCNH2 и METRN). Эти связи были дополнительно подтверждены анализом коллокализации и SMR. Функциональная аннотация через GO, обогащение KEGG и анализ сетей PPI предполагает, что эти гены могут влиять на СН в основном через пути, связанные с метаболизмом и электрофизиологией. Кроме того, предсказание лекарств и исследования молекулярного докирования подчеркивают переводной потенциал этих целей.
APOM был определен как защитный фактор для СН. APOM связывает спингозин-1-фосфат (S1P) и оказывает противовоспалительное действие, снижая экспрессию TNF-α, ограничивая адгезию моноцитов к эндотелию и поддерживая целостность эндотелиальной барьерной функции, тем самым смягчая индуцированное воспалением повреждение миокарда42,43,44. Кроме того, APOM поддерживает выживаемость и пролиферацию кардиомиоцитов, снижая апоптоз, сохраняя структуру и функции сердца. Его дефицит был связан с неблагоприятными исходами для сердца, что согласуется с этим результатом42,45. Однако подлежащий механизм связи между APOM и СН требует дальнейшего исследования.
CHD4, другой защитный ген, который был определен, является ядром комплекса нуклеосомного ремоделирования и деацетилазы (NuRD) и играет важную роль в развитии сердца и миокардиального роста46,47,48. Потеря CHD4 приводит к инкорпорации несоответствующих миофибриллярных белков в сердечные саркомеры, что приводит к структурным и функциональным нарушениям, включая расширение камер и нарушение развития желудочков. Этот результат подчеркивает критическую роль CHD4 в поддержании нормальной сердечно-сосудистой функции.
Также было выявлено, что IL11RA может уменьшить риск развития СН. IL11RA является основной лиганд-связывающей субъединицей комплекса рецептора IL-11. В то время как IL-11, как было показано, стимулирует фибротические реакции в сердце, конкретная роль IL11RA остается неясной49. Защитный эффект, наблюдаемый в этом исследовании, предполагает, что IL11RA может оказывать контекстно-зависимые функции или взаимодействовать с другими сигнализационными компонентами для ограничения фиброза при определенных условиях50. Это явное расхождение подчеркивает необходимость дальнейших механистических исследований для разъяснения функциональной роли IL11RA в патогенезе СН.
Это исследование показало, что LPAR5 связано с уменьшенным риском развития СН. LPAR5 является рецептором для лизофосфатидной кислоты (LPA). Хотя LPA, как правило, считается провоспалительным и был связан с неблагоприятной ремоделизацией сердца, отдельные рецепторы LPA могут иметь различные роли51,52. Например, сигнализация LPA модулирует формирование стрессовых волокон цитоскелета через пути Gα12/13 и Gαq/11, играя важную роль в поддержании морфологии кардиомиоцитов, контрактильной функции и передачи сигнала53,54. Тем не менее, точная роль LPAR5 в патофизиологии СН требует дальнейшего исследования.
Это исследование показало, что CYP11A1 был фактором риска СН. CYP11A1 кодирует ограничивающий фермент в биосинтезе стероидных гормонов55,56. Повышенное производство стероидных гормонов, особенно альдостерона, способствует задержке натрия и увеличению нагрузки на сердце, что является ключевыми характеристиками прогрессирования СН57,58. Кроме того, CYP11A1 образует активные формы кислорода во время своей метаболической активности, что может усугубить повреждение миокарда59. Была наблюдаема реальная корреляция между CYP11A1 и митотаном in vitro, что предоставляет доказательства того, что митотан может иметь потенциальную терапевтическую ценность для лечения СН. Однако необходимы дополнительные эксперименты для изучения связи между митотаном и СН.
GALT мог увеличить риск развития СН в этом исследовании. GALT является
Авторы заявляют, что у них нет конфликта интересов.
Участникам и исследователям исследования FinnGen выражается благодарность. Консорциуму eQTLGen, DGIdb и другим исследователям, которые предоставили общедоступные данные для этого анализа, также выражается искренняя благодарность. Эта работа была поддержана Проектом исследовательских инноваций магистратуры Первого клинического колледжа Чунцинского медицинского университета (CYYY-SSCX202516) и Стандартизированной диагностики и лечения сердечной недостаточности (2025cyjstg006).
Вклад автора
Хуилинг Чжу внесла вклад в концептуализацию, привлечение финансирования, исследование, методологию, ресурсы, программное обеспечение, руководство, валидацию, написание первоначального черновика и рецензирование и редактирование рукописи. Сусинь Лу внесла вклад в привлечение финансирования, методологию, руководство и рецензирование и редактирование рукописи.
| Name | Company | Catalog Number | Comments |
|---|---|---|---|
| 2× Universal SYBR Green Fast qPCR Mix | Abclonal | RK21203 | |
| AC16 | HyCyte | TCH-C119 | |
| Специфическая среда культивирования клеток AC16 | HyCyte | TCH-G119 | |
| Комплект для обратной транскрипции cDNA | Abclonal | RK20400 | |
| Система реального времени CFX96™ | Bio-Rad Laboratories | ||
| Митотан | TargetMol | T1199 | |
| Пальмитиновая кислота | TargetMol | T2908 | |
| Комплект для извлечения РНК | Abclonal | RK30120 |
Request permission to reuse the text or figures of this JoVE article
Request Permission