абстрактно

Повишените серумни триглицериди (TG) са основен рисков фактор за исхемична болест на сърцето (ИБС) 1, дори след контролиране на други известни рискови фактори за липопротеините като нисък липопротеинов холестерол (LDL-C) и висок липопротеинов холестерол (HDL).). ° С). 2, 3 Той допринася директно за ИБС чрез задействане на дисфункция и възпаление на съдовите ендотелни клетки поради увеличеното производство на атерогенни липопротеини, богати на TG 4 и индиректно чрез връзката си с диабет тип II и коремно затлъстяване, като и двете са основни рискови фактори за ИБС. 5

Доказано е, че намаляването на високия серумен TG при индивиди чрез диетични или медикаментозни терапии намалява неблагоприятните резултати (т.е. смърт или инфаркт на миокарда) поради ИБС. Настоящите терапии за понижаване на TG включват фибрати, ниацин и омега-3 мастни киселини (рибено масло). 6 Статините, които често се предписват за понижаване на LDL-C, могат също да имат лек ефект на понижаване на TG при някои популации пациенти. Фибратите (включително, но без да се ограничават до фенофибрат, гемфиброзил и безафибрат) са основните лечения за висок TG и имат много ниска честота на странични ефекти, 8 но има значителни индивидуални различия в отговор на тези лекарства. Фибратите се свързват с транскрипционни фактори, наречени PPAR, които след това мигрират към ядрото и засягат транскрипцията на целевите гени, участващи в липидния метаболизъм. 8

Фенофибратът намалява нивата на TG на гладно и предизвиква преминаване към по-малко атерогенен TG-богат профил на липопротеини. Ефектите на фенофибрата върху нивата на общия плазмен TG и циркулиращите частици липопротеини с много ниска плътност (VLDL), основният носител на TG по време на гладуване, се медиират чрез свързването му с PPAR-α. Резултантното повишаване и понижаване на редица гени, участващи в метаболизма на липопротеините, намалява TG по няколко механизма: (1) намаляване на наличността на свободни мастни киселини за образуване на TG, (2) увеличаване на катаболизма на VLDL и (3) намаляване на неутралния липид холестеролов естер и TG) между VLDL и HDL. 10, 12 Гените, които са регулирани в отговор на PPAR-α, включват LPL, който участва в TG липолиза, 8 APOA5, който усилва ефекта на LPL и може да намали чернодробната секреция на VLDL, 8, 13 и няколко свързани с HDL гени. C метаболизъм, включително APOA1, APOA2 и FABP. PPAR-α също понижава APOC3, аполипопротеин, който инхибира клирънса на VLDL. 8

Въпреки че механизмът на действие на фенофибрат е добре характеризиран, значителната вариабилност между индивидите в отговор на фенофибрат 9 ограничава възможността за предсказване на индивидуалния лекарствен отговор. Тази промяна в отговора на фенофибрата, подобно на други сложни фенотипове, вероятно се дължи на комбинация от генетични и биологични рискови фактори 14 и взаимодействия между тези фактори. В това проучване, което е най-голямото до момента, ние характеризираме генетичната архитектура на TG отговорите на гладно към лекарствената терапия с фенофибрат чрез изследване на независими генетични ефекти, взаимодействия между генетични и демографски или биохимични фактори и взаимодействия между двойки генетични фактори, свързани с промени в общ плазмен TG (mg/dl) и съдържание на TG в най-големия му компонент, VLDL частици, в отговор на фенофибрат.

Идентифицирахме 91 единични нуклеотидни полиморфизми (SNPs) в 25 гена, за които преди беше установено, че играят роля в метаболизма на липопротеините. 16, 17 Изследваните гени и полиморфизми са изброени в Таблица 1, а по-подробно описание на функционалната роля на гените е дадено в Допълнителна таблица 1. Полиморфизмите, избрани за този анализ, вече са показали, че са функционални. върху липидния метаболизъм самостоятелно или чрез взаимодействие с хранителни фактори. 18, 19, 20, 21, 22, 23 Промените в тези гени също са показали, че влияят върху отговора на фармакологичната интервенция от фибрати и други лекарства. 24, 25, 26

Маса в пълен размер

Ние изследваме ефектите на тези варианти върху фенофибратния отговор, използвайки цялостен систематичен подход, който оценява ролята на много гени, много демографски и клинични ковариати и техните взаимодействия. Идентифицирането на съзвездието от генетични и демографски и/или биохимични фактори, които влияят върху отговора на фенофибрат, ще предостави преглед на сложния механизъм на действие на фенофибрата и може да подобри способността на лекарите да идентифицират индивиди, които могат да отговорят на лечението с фенофибрат.

резултатът

Описателната статистика на клиничните променливи и резултати е показана в Таблица 2. Средната възраст на участниците е 47,8 години, 51,9% от участниците са жени и 17,6% от участниците са класифицирани като пушачи (пушат ≥ 100 цигари през живота). Среден ИТМ 28,5 кг/m 2, съотношение колан/ханш 0,9 и общ холестерол на гладно 189 mg/dl. Средното ниво на TG на гладно е 132 mg/dl преди лечение с фенофибрат и 88 mg/dl след лечение с фенофибрат. Средните нива на ATG и AVLDL са -46,3 и -46,4 mg/dl. Честоти на алели и генотипове, rs числа от dbSNP (компилация 127), тип SNP (синоним, несиноним, интрон и др.) И резултатите от теста за равновесие Харди - Вайнберг са дадени в допълнителна таблица 2.

Маса в пълен размер

Маса в пълен размер

генетична

Частични стойности на F-тест P в сравнение с CV R2 за SNP-ковариатни и епистатични (SNP-SNP) взаимодействия, предсказващи ΔTG и ΔVLDL. Процентно отклонение, обяснено в независими тестови образци (CV R 2) спрямо 10log 10 частична F-тестова стойност P за SNP-ковариатни и епистатични (SNP-SNP) взаимодействия, които са били значими при ΔTG или ΔVLDL (частична F -най-фина стойност P ≤ 0,1) . R 2 за корелацията между стойността на -log P и CV R 2 е 0, 13. Линиите са показани на -log P = 0.05 и CV R2 = 0.5%.

Изображение в пълен размер

Фигура 2 е визуално представяне на сложната генетична и клинична ко-асоциация, която е в основата на резултатите от ATG и AVLDL. Използвайки цветови и пространствени взаимоотношения, KGraph представя двете асоциации с резултатите от интерес и корелационната структура на предикторите, които са в основата на тези асоциации. SNPs без поне една значима и кръстосано валидирана асоциация, едномерна или взаимодействаща с друг SNP или ковариатен в двата резултата, бяха изключени от експозицията на KGraph.

Изображение в пълен размер

Регион 1 на Фигура 2, показан в зелено, показва връзката между SNP и клинични ковариати. Въпреки че тази стъпка често се пренебрегва в проучванията за асоцииране, разбирането на връзката между SNP и ковариати може да бъде информативно при разграничаване на начина, по който се медиира ефектът на SNP върху резултата. В тази област има редица кръстосано валидирани асоциации между SNP в клъстер от аполипопротеинови гени, които съдържат APOA1, APOA4, APOA5 и APOC3 и базални нива на TG или холестерол на гладно. Регион 2, показан в сиво, илюстрира корелациите между ковариатите. Повечето ковариати не са значително корелирани (∣ r ∣ 0, 6). LD между SNPs е показан в червено в област 3. Повечето от наблюдаваните LDs се срещат между SNPs в рамките на един и същ ген, предимно в APOC3, и сред другите SNPs в гена на аполипопротеиновия клъстер.

Останалите области са оцветени в синьо и представляват асоциации с ATG и AVLDL. В тези области горната дясна част на клетките представя резултатите за ATG, а долната лява част представлява резултатите за AVLDL. Кръстосано потвърдените асоциации са обозначени с черна лента. Регион 4, който показва едностранна връзка между клиничните ковариати и резултатите, показва, че изходният TG, холестеролът и инсулинът, както и глюкозата преди лечението с фенофибрат имат кръстосано валидирани връзки с ATG и ALDLDL, докато зоната на фенофибриновата киселина под кривата, нивото на глюкозата след фенофибрат и съотношението колан към бедрата имат кръстосано валидирани връзки с AVLDL, но не и AT. Регион 5, който илюстрира едностранната връзка между SNP и резултатите, показва, че само един SNP в APOA5 (APOA5_S19W) има кръстосано валидирана връзка с ATT и ALDLDL.

Регион 6 показва ковариантно-ковариантни взаимодействия, значително свързани с ATG и/или AVLDL. Повечето кръстосано валидирани взаимодействия са наблюдавани между изходните TG на гладно и нивата на глюкоза и инсулин преди и след фенофибрат и между областта на фенофибриновата киселина под кривата и нивата на инсулин преди и след фенофибрат.

Като цяло четирите SNP са отговорни за голяма част от SNP-ковариантните взаимодействия, които предсказват ATG (APOA4_M35, APOC3_3U386, ABCA1_I27943 и LIPC_T224T). Заедно тези SNP представляват осем (32%) валидирани взаимодействия на SNP-ковариати в техния ефект върху ATG с прогнозна мощност в диапазона от 0,52 до 1,29% (средна стойност = 0,82%) и ΔR2 × 100 стойности в диапазона 0 .73 до 1.33% (средно = 1.02%). Що се отнася до прогнозирането на ALDLDL, четири SNP са отговорни за значителна част от SNV-ковариантните взаимодействия (ABCG8_C54Y, LIPC_i67180, FABP1_m2353 и FABP1_T94A). Тези SNP представляват 10 (29%) валидирани SNP-ковариатни взаимодействия за ALDLDL с прогностични способности в диапазона от 0,56 до 1,47% (средно = 0,90%) и R 2 × 100 стойности в диапазона от 0,87 до 2,40% (средно = 1,41%) . И за двата резултата останалите SNP участваха в най-много едно валидирано взаимодействие с ковариата (вж. Приложение Таблица 3 за подробности).

Област 8 показва епистатични взаимодействия между SNP, които имат значителна и утвърдена прогностична сила за ATG и AVLDL. Както при ковариативните SNP взаимодействия, голяма част от епистатичните взаимодействия се дължат на малък брой SNP. SNP, които имат най-много взаимодействия, които са валидирани като предиктори на ATG, са APOA5_S19W с шест взаимодействия, PDZK1_i4201 с пет взаимодействия и APOA1_M2630 и FABP1_T94A с четири взаимодействия. Заедно тези SNP представляват 16 (30%) валидирани епистатични взаимодействия, които предсказват ATG, имат прогностични способности в диапазона от 0,53 до 2,19% (средно = 0,85%) и имат R 2 × 100 стойности, вариращи от 0, 71 до 2,80 ( средно = 1,58%). SNPs с най-много взаимодействия, които са валидирани като предиктори на ALDLDL, са APOA5_S19W с шест взаимодействия, APOB_E4181K с пет взаимодействия и APOA1_M3012, APOB_T2515T и APOC3_3U386 с четири взаимодействия. Тези SNPs представляват 18 (33%) валидирани епистатични взаимодействия, които предсказват AVLDL, имат прогностични способности в диапазона от 0,51 до 2,42% (средно = 0,81%) и имат R 2 × 100 стойности в диапазона от 0,52 до 2,56% (средно = 1, 18%). Пълен списък на всички значими и кръстосано валидирани епистатични взаимодействия е даден в Допълнителна таблица 6.

Резултатите за многовариантно моделиране с използване на пикови SNPs - SNPs и SNPs - ковариантни взаимодействия са показани в Таблица 4. Само два от SNPs, използвани в моделите, са имали кръстосано валидирани асоциации с някой от тези ковариати (PPARG_P12AEB с площ на фенофибриновата киселина под кривите и PPARG_C1A i27289 с инсулин). След фенофибрат), което предполага, че асоциациите между тези най-високо оценени SNP и резултата не са преди всичко резултат от връзката им с ковариатите. Моделът, който включва четирите най-класифицирани епистатични (SNP), минимално увеличава процента на вариации, които са обяснени по-горе, отколкото обяснено само с изходния TG (0,4% за ATG и 0,4% за AVLDL). Моделът, който включва четирите най-високо оценени SNP-ковариационни взаимодействия, значително увеличава процента на вариации, обяснени над изходния TG (11, 9% за ATG и 7,8% за AVLDL).

Маса в пълен размер

дискусия

Разбирането на генетичната архитектура, залегнала в основата на TG отговора на фенофибрат, ще помогне да се идентифицират онези, които най-вероятно ще се възползват от лечението с фенофибрат, и да се изясни сложността на мрежата, която контролира метаболитния отговор на лекарства като фенофибрат. При изследване на повече от прости, прости SNP ефекти и изследване на взаимодействията между SNP и клинични ковариати и двойки SNP, това проучване прави важна първа стъпка към картографиране на тази генетична архитектура.

Ключов фактор в анализ като този е да се опитаме да моделираме по подходящ начин сложността на системата във възможно най-голяма степен. Отговорът на TG на гладно към лечението с фенофибрат се влияе от промените в околната среда (на ниво както на клетките, така и на организмите) и обширни мрежи за генна експресия, които са частично контролирани от генетични вариации. Малко вероятно е изследване с такъв размер да бъде адекватно насочено за реконструкция на тази мрежа в нейната цялост, но то може да се използва за започване на създаването на по-добра карта на взаимодействията между гени и ковариати и асоциации, които играят роля в междуиндивидуалните вариации.

С увеличаването на броя на SNP, разглеждани в изследването за асоцииране, нараства и проблемът с разделянето на истинските резултати от фалшивите, причинени случайно. 51 Опитите за борба с този проблем често се фокусират върху стойностите на Р, като се аргументира, че чрез избора на модели, които са най-малко случайни случайно, вероятността от включване на фалшиво положителен резултат значително намалява. 52 За съжаление, когато се разглежда сложна характеристика, степента на ефекта на отделните SNP и двойни взаимодействия обикновено е доста малка. Това ограничава нивото на значимост, което тези модели могат да постигнат при типични епидемиологични проучвания, което означава, че реалните положителни резултати могат да бъдат премахнати по време на корекцията на P. Освен това много ниските стойности на Р, необходими за поддържане на асоциацията значима след корекция (напр. чрез корекция на Bonferroni или корекция на фалшиво откриване), вероятно ще се получат SNP с ниски ниски честоти на алела, които улавят групи на екстремни нива. фенотипна опашка (понякога просто случайно).

Подходихме към проблема от друга посока. Използването на изследваните асоциации се крие в способността им да предсказват резултата от интереса, така че е естествено да се изберат най-добрите модели въз основа на предсказуемите способности. Използвайки процедура за кръстосана валидация, която последователно оставя една четвърт от данните и изгражда генетични модели в останалите три четвърти от данните, можем да оценим ефективността на модела върху нова, независима извадка от индивиди от същата популация.

Интересното е, че корелацията между P и CV R2 в най-добрия случай е средна (Фигура 1) и много асоциации само с незначително значими P стойности имат неотрицателен CVR2. Тъй като тенденцията към изследване на генома, измерваща стотици хиляди SNP, се увеличава, нарастват и проблемите при коригирането на множество тестове. Кръстосаното валидиране е привлекателен избор за генетичните епидемиолози, тъй като предлага директна оценка на предсказуемата полезност на асоциацията и, предвид относителната простота и стабилност на оценката за кръстосано валидиране. 38 В допълнение, репликацията в независимо взета проба се превърна в стандартен инструмент за валидиране на резултатите от генетична асоциация. Няма обаче сравними проби за специализирани интервенционни проучвания като тази. При липса на репликационни проби, кръстосаното валидиране ни дава възможност да потвърдим резултатите си и в същото време да оценим техния прогностичен капацитет. Без репликирана извадка обаче не можем да преценим дали силата на предсказване на множество променливи модели, създадени в този набор от данни, ще бъде еднаква в други набори от данни.

91 SNPs изследват в това проучване набор от гени, за които е известно, че участват в много аспекти на липидния метаболизъм. Интересното е, че 78 от тях (86% SNP) имат поне една значителна кръстосано потвърдена асоциация с клинична ковариация или имат поне едно епистатично или SNP-ковариантно взаимодействие, което е предсказало един от тези резултати. Трезво, но не съвсем неочаквано е, че отделните полиморфизми и взаимодействия допринасят по сравнително малък начин за обяснението на вариациите в ATG и ALDLDL. Процентното изменение на вариациите на признаците, обяснено от SNP в това проучване, е подобно на проучванията при други сложни фенотипове. Например, скорошно проучване на връзката на диабета и свързаните с него черти в генома показа, че отделните SNP, най-силно свързани с нивата на TG, обясняват между 0,5 и 1,2% остатъчна променливост в нивата на TG след корекция за традиционните рискови фактори. Кандидат-генно проучване на фенотипите на кръвното налягане установи, че CVR2 на най-прогнозираните SNP за систолично кръвно налягане варира между 1,9 и 6,2%. 54

Комбинацията от тези индивидуални взаимодействия в модел с множество променливи увеличава броя на обяснените промени, макар и само леко в случая на епистатични взаимодействия. Забелязахме, че генетичните модели, които не са кръстосано валидирани, обикновено надценяват ползата от всеки предиктор или взаимодействие, така че е вероятно процентът на вариациите, обяснени с кръстосано валидиране, макар и малък, да е по-реалистична оценка от стойностите на R 2 Получени без кръстосано валидиране.

Големият брой SNPs, участващи в значителни кръстосано валидирани взаимодействия, илюстрира сложността на мрежата, която лежи в основата на тези черти, включително индивидуални генни ефекти и взаимодействия между множество вариации в много гени, както и тяхното взаимодействие с клинични фактори. Въпреки че клиничните фактори и взаимодействия, които прогнозират ATG и ALDLDL, се припокриват значително, има и доказателства за асоциации, които са уникални за всеки резултат, което показва, че има генетични и екологични взаимодействия, които влияят на TG отговора на фенофибрат по време на гладуване. които лежат извън метаболизма на VLDL частици.

Тъй като генотипизирането става по-евтино, обхватът на изследванията на генетичните асоциации се е увеличил драстично 55, но повечето изследвания, дори проучвания в целия геном, се фокусират върху едночленни асоциации. Няма съмнение, че някои отделни полиморфизми могат значително да повлияят на физиологията; много заболявания са резултат от единична генетична грешка със сериозни фенотипни последици. Въпреки това, сложните, не-менделски свойства вероятно са повлияни от по-малко прости полиморфизми, отколкото взаимодействия, особено епистатични взаимодействия. Нашите резултати показват, че дори в това относително ограничено подмножество на полиморфизмите може да се намери голям брой двойни взаимодействия. Сега трябва да бъдат разработени методи, като метода за многомерно моделиране, който описваме, който ще позволи тези резултати да бъдат интегрирани в прогнозна рамка, за да се усъвършенства и използва разбирането за генетичната архитектура на TG отговора на лечението с фенофибрат.