abstract

Trigliceridele serice crescute (TG) sunt un factor de risc major pentru bolile coronariene (CHD), chiar și după controlul altor factori de risc ai lipoproteinelor, cum ar fi colesterolul scăzut al lipoproteinelor (LDL-C) și colesterolul ridicat al lipoproteinelor (HDL). C). 2, 3 Contribuie direct la CHD prin declanșarea disfuncției și inflamației celulelor endoteliale vasculare datorită producției crescute de lipoproteine ​​aterogene bogate în TG 4 și indirect prin asocierea sa cu diabetul de tip II și obezitatea abdominală, ambii fiind factori de risc majori pentru CHD. 5

S-a demonstrat că reducerea TG serică ridicată la indivizi prin terapii dietetice sau medicamentoase reduce rezultatele adverse (de exemplu, deces sau infarct miocardic) din cauza CHD. Terapiile actuale de reducere a TG includ fibrate, niacină și acizi grași omega-3 (ulei de pește). Statinele, care sunt adesea prescrise pentru scăderea LDL-C, pot avea, de asemenea, un efect ușor de scădere a TG la unele populații de pacienți. Fibrații (incluzând, dar nelimitându-se la fenofibrat, gemfibrozil și bezafibrat) sunt principalele tratamente pentru TG ridicat și au o frecvență foarte scăzută a efectelor secundare 8, dar există variații interindividuale semnificative ca răspuns la aceste medicamente. Fibrele se leagă de factorii de transcripție numiți PPAR, care apoi migrează către nucleu și afectează transcrierea genelor țintă implicate în metabolismul lipidelor. 8

Fenofibratul reduce nivelurile de TG în post și induce trecerea la un profil lipoproteic bogat în TG mai puțin aterogen. Efectele fenofibratului asupra nivelurilor totale de TG plasmatic și a particulelor de lipoproteine ​​cu densitate foarte mică (VLDL) care circulă, purtătorul principal al TG în timpul foametei, sunt mediate prin legarea sa la PPAR-α. Reglarea în sus și în jos a unui număr de gene implicate în metabolismul lipoproteinelor reduce TG prin mai multe mecanisme: (1) reducerea disponibilității acizilor grași liberi pentru formarea TG, (2) creșterea catabolismului VLDL și (3) reducerea lipidelor neutre ( ester de colesterol și TG) între VLDL și HDL. 10, 12 Genele care sunt suprareglate ca răspuns la PPAR-α includ LPL, care este implicat în lipoliza TG, 8 APOA5, care îmbunătățește efectul LPL și poate reduce secreția hepatică VLDL, 8, 13 și mai multe gene legate de HDL. Metabolismul C incluzând APOA1, APOA2 și FABP. PPAR-α, de asemenea, reglează în jos APOC3, o apolipoproteină care inhibă clearance-ul VLDL. 8

Deși mecanismul de acțiune al fenofibratului este bine caracterizat, variabilitatea interindividuală semnificativă ca răspuns la fenofibrat 9 limitează capacitatea de a prezice răspunsul individual al medicamentului. Această variație a răspunsului la fenofibrați, ca și alte fenotipuri complexe, se datorează probabil unei combinații de factori de risc genetici și biologici 14 și a interacțiunilor dintre acești factori. În acest studiu, care este cel mai mare până în prezent, caracterizăm arhitectura genetică a răspunsurilor TG de post la terapia cu medicamente fenofibrate prin examinarea efectelor genetice independente, a interacțiunilor dintre factorii genetici și demografici sau biochimici și a interacțiunilor dintre perechile de factori genetici, asociate cu modificări conținut total de plasmă TG (mg/dl) și conținut de TG în componenta sa cea mai mare, particule VLDL, ca răspuns la fenofibrat.

Am identificat 91 de polimorfisme cu nucleotide unice (SNP) în 25 de gene care fuseseră identificate anterior ca jucând un rol în metabolismul lipoproteinelor. 16, 17 Genele și polimorfismele testate sunt enumerate în Tabelul 1, iar o descriere mai detaliată a rolului funcțional al genelor este furnizată în Tabelul suplimentar 1. Polimorfismele selectate pentru această analiză s-au dovedit anterior a fi funcționale. asupra metabolismului lipidic singur sau prin interacțiunea cu factorii dietetici. 18, 19, 20, 21, 22, 23 Modificările acestor gene s-au dovedit, de asemenea, să afecteze răspunsul la intervenția farmacologică de către fibrați și alte medicamente. 24, 25, 26

Tabel în dimensiune completă

Investigăm efectele acestor variante asupra răspunsului fenofibrat folosind o abordare sistematică cuprinzătoare care evaluează rolul multor gene, al multor covariate demografice și clinice și al interacțiunilor acestora. Identificarea constelației factorilor genetici și demografici și/sau biochimici care influențează răspunsul la fenofibrat va oferi o imagine de ansamblu asupra mecanismului complex de acțiune al fenofibratului și poate îmbunătăți capacitatea medicilor de a identifica indivizii care pot răspunde la tratamentul cu fenofibrat.

Rezultatul

Statisticile descriptive ale variabilelor clinice și rezultatele sunt prezentate în Tabelul 2. Vârsta medie a participanților a fost de 47,8 ani, 51,9% dintre participanți au fost femei și 17,6% dintre participanți au fost clasificați ca fumători (fumat ≥ 100 țigări în timpul vieții). IMC mediu 28,5 kg/m 2, raportul centură la șold 0,9 și nivelul total al colesterolului în repaus alimentar 189 mg/dl. Nivelul mediu de TG de post a fost de 132 mg/dl înainte de tratamentul cu fenofibrat și de 88 mg/dl după tratamentul cu fenofibrat. Nivelurile medii de ATG și AVLDL au fost de -46,3 și -46,4 mg/dl. Frecvențele alelelor și genotipurilor, numerele rs din dbSNP (versiunea 127), tipul SNP (sinonim, non-sinonim, intron etc.) și rezultatele testului de echilibru Hardy - Weinberg sunt prezentate în tabelul suplimentar 2.

Tabel în dimensiune completă

Tabel în dimensiune completă

post

Valori parțiale ale testului F P în comparație cu CV R 2 pentru interacțiuni SNP-covariate și epistatice (SNP-SNP) care prezic ΔTG și ΔVLDL. Procentul de abatere explicat în eșantioane de testare independente (CV R 2) comparativ cu −log 10 parțial F-test valoare P pentru interacțiuni SNP-covariate și epistatice (SNP-SNP) care au fost semnificative în ΔTG sau ΔVLDL (parțială F-cea mai slabă valoare P hodnota 0,1). R 2 pentru corelația dintre valoarea −log P și CV R 2 este 0, 13. Liniile sunt afișate pe −log P = 0,05 și CV R2 = 0,5%.

Imagine la dimensiune completă

Figura 2 este o reprezentare vizuală a co-asociației genetice și clinice complexe care stă la baza rezultatelor ATG și AVLDL. Folosind relațiile de culoare și spațiale, KGraph prezintă atât asociațiile cu rezultatele interesului, cât și structura de corelație a predictorilor care stau la baza acestor asociații. SNP fără cel puțin o asociere semnificativă și validată încrucișat, fie univariată, fie interacționând cu un alt SNP sau covariabil în ambele rezultate, au fost excluse din expunerea la KGraph.

Imagine la dimensiune completă

Regiunea 1 din Figura 2, prezentată în verde, arată asocierea dintre SNP și covariabile clinice. Deși acest pas este adesea ignorat în studiile de asociere, înțelegerea relației dintre SNP și covariabile poate fi informativă pentru a distinge modul în care este mediat efectul SNP asupra rezultatului. În acest domeniu, există o serie de asociații validate încrucișat între SNP-uri într-un grup de gene apolipoproteice care conțin APOA1, APOA4, APOA5 și APOC3 și niveluri bazale de TG sau colesterol de post. Regiunea 2, prezentată în gri, ilustrează corelațiile dintre covariabile. Majoritatea covariabilelor nu sunt corelate semnificativ (∣ r ∣ 0, 6). LD între SNP-uri este prezentat în roșu în regiunea 3. Majoritatea LD observate apar între SNP-uri din aceeași genă, în principal în APOC3 și printre alte SNP-uri din gena apolipoproteine ​​cluster.

Zonele rămase sunt colorate în albastru și reprezintă asociații cu ATG și AVLDL. În aceste zone, partea din dreapta sus a celulelor reprezintă rezultatele pentru ATG, iar partea din stânga jos reprezintă rezultatele pentru AVLDL. Asocierile validate încrucișat sunt indicate printr-o bară neagră. Regiunea 4, care arată o asociere unilaterală între covariate clinice și rezultate, arată că TG inițial, colesterol și insulină, precum și glucoza înainte de tratamentul cu fenofibrat au asociații validate încrucișat cu ATG și ALDLDL, în timp ce zona acidului fenofibric de sub curbă, nivelul glucozei după fenofibrat și raportul centurii la șolduri au asocieri validate încrucișat cu AVLDL, dar nu cu AT. Regiunea 5, care ilustrează asocierea unilaterală între SNP și rezultate, arată că doar un singur SNP în APOA5 (APOA5_S19W) are o asociere validată încrucișat cu ATT și ALDLDL.

Regiunea 6 prezintă interacțiuni covariant-covariant asociate semnificativ cu ATG și/sau AVLDL. Cele mai multe interacțiuni validate încrucișat au fost observate între TG la nivelul inițial de post și nivelurile de glucoză și insulină înainte și după fenofibrat și între zona acidului fenofibric sub curbă și nivelurile de insulină înainte și după fenofibrat.

În total, cei patru SNP sunt responsabili pentru o mare parte a interacțiunilor SNP-covariante care prezic ATG (APOA4_M35, APOC3_3U386, ABCA1_I27943 și LIPC_T224T). Împreună, aceste SNP reprezintă opt (32%) interacțiuni validate ale covariaților SNP în efectul lor asupra ATG cu putere predictivă în intervalul 0,52-1,29% (medie = 0,82%) și valorile ΔR2 × 100 în intervalul 0 .73 la 1,33% (medie = 1,02%). În ceea ce privește predicția ALDLDL, patru SNP sunt responsabili pentru o parte substanțială a interacțiunilor SNP-covariante (ABCG8_C54Y, LIPC_i67180, FABP1_m2353 și FABP1_T94A). Aceste SNP reprezintă 10 (29%) interacțiuni validate SNP-covariate pentru ALDLDL cu abilități predictive variind de la 0,56 la 1,47% (medie = 0,90%) și valori R 2 × 100 variind de la 0,87 la 2,40% (medie = 1,41%) . Pentru ambele rezultate, SNP-urile rămase au participat la cel mult o interacțiune validată cu covariata (a se vedea tabelul 3 din anexă pentru detalii).

Zona 8 prezintă interacțiuni epistatice între SNP-uri care au o putere predictivă semnificativă și validată pentru ATG și AVLDL. Ca și în cazul interacțiunilor SNP-covariate, o mare parte a interacțiunii epistatice se datorează unui număr mic de SNP-uri. SNP-urile care au cele mai multe interacțiuni care au fost validate ca predictori ai ATG sunt APOA5_S19W cu șase interacțiuni, PDZK1_i4201 cu cinci interacțiuni și APOA1_M2630 și FABP1_T94A cu patru interacțiuni. Împreună, acești SNP reprezintă 16 (30%) interacțiuni epistatice validate care prezic ATG, au abilități predictive cuprinse între 0,53 și 2,19% (medie = 0,85%) și au valori R 2 × 100 variind de la 0, 71 până la 2,80 ( medie = 1,58%). SNP-urile cu cele mai multe interacțiuni care au fost validate ca predictori ai ALDLDL sunt APOA5_S19W cu șase interacțiuni, APOB_E4181K cu cinci interacțiuni și APOA1_M3012, APOB_T2515T și APOC3_3U386 cu patru interacțiuni. Aceste SNP reprezintă 18 (33%) interacțiuni epistatice validate care prezic AVLDL, au abilități predictive variind de la 0,51 la 2,42% (medie = 0,81%) și au valori R 2 × 100 variind de la 0, 52 la 2,56% (medie = 1, 18%). O listă completă a tuturor interacțiunilor epistatice semnificative și validate încrucișat este furnizată în tabelul suplimentar 6.

Rezultatele pentru modelarea multivariată utilizând interacțiunile de vârf SNP-SNP și SNP-covariante sunt prezentate în Tabelul 4. Doar două dintre SNP-urile utilizate în modele au avut asociații validate încrucișat cu oricare dintre aceste covariante (PPARG_P12AEB cu zona de acid fenofibric sub curbe și PPARG_C1A i27289 cu insulină după fenofibrat), sugerând că asocierile dintre acești SNP de top și rezultatul nu sunt în primul rând rezultatul relației lor cu covariate. Modelul, care include cele patru epistatice de top clasificate (SNP), crește minim procentul de variații care sunt explicate mai sus decât explicat doar de TG de bază (0,4% pentru ATG și 0,4% pentru AVLDL). Cu toate acestea, modelul, care include cele patru interacțiuni de top SNP-covarianță, crește semnificativ procentul de variații care sunt explicate mai sus TG inițială (11,9% pentru ATG și 7,8% pentru AVLDL).

Tabel în dimensiune completă

discuţie

Înțelegerea arhitecturii genetice care stă la baza răspunsului TG la fenofibrat va ajuta la identificarea celor mai susceptibili de a beneficia de tratamentul cu fenofibrat și la elucidarea complexității rețelei care controlează răspunsul metabolic la medicamente precum fenofibratul. În examinarea mai mult decât simple, simple efecte SNP și examinarea interacțiunilor dintre SNP-uri și covariate clinice și perechi de SNP, acest studiu face un prim pas important către cartografierea acestei arhitecturi genetice.

Un factor cheie într-o astfel de analiză este încercarea de a modela în mod adecvat complexitatea sistemului în cea mai mare măsură posibilă. Răspunsul TG de post la tratamentul cu fenofibrat este influențat de schimbările de mediu (atât la nivelul celulelor, cât și al organismelor) și rețelele extinse de exprimare a genelor, care sunt parțial controlate de variația genetică. Este puțin probabil ca un studiu de această dimensiune să fie condus în mod adecvat pentru a reconstrui această rețea în întregime, dar poate fi folosit pentru a începe crearea unei hărți mai bune a interacțiunilor dintre gene și covariabile și asociații care joacă un rol în variațiile interindividuale.

Pe măsură ce numărul SNP-urilor luate în considerare în studiul de asociere crește, crește și problema separării rezultatelor adevărate de rezultatele false cauzate de întâmplare. 51 Încercările de a combate această problemă se concentrează adesea pe valorile P, argumentând că alegând modele care sunt cel mai puțin aleatorii din întâmplare, probabilitatea de a include un rezultat fals pozitiv este redusă semnificativ. 52 Din păcate, atunci când se ia în considerare o caracteristică complexă, magnitudinea efectului SNP-urilor individuale și a interacțiunilor perechi este, în general, destul de mică. Acest lucru limitează nivelul de semnificație pe care aceste modele îl pot atinge în studiile epidemiologice tipice, ceea ce înseamnă că pozitivele reale pot fi eliminate în timpul ajustării P. În plus, valorile P foarte scăzute necesare pentru a menține asocierea semnificativă după ajustare (de exemplu, prin corectarea Bonferroni sau corecția descoperirii false), este probabil să se obțină SNP-uri cu frecvențe de alelă mai mici, care captează grupuri la niveluri extreme. coada fenotipică (uneori pur și simplu întâmplător).

Am abordat problema dintr-o altă direcție. Utilizarea asociațiilor cercetate constă în capacitatea lor de a prezice rezultatul interesului, deci este firesc să alegeți cele mai bune modele bazate pe capacitatea predictivă. Folosind o procedură de validare încrucișată care lasă treptat un sfert din date și construiește modele genetice în restul de trei sferturi ale datelor, putem estima performanța modelului pe un nou eșantion independent de indivizi din aceeași populație.

Interesant este că, în cel mai bun caz, corelația dintre P și CV R2 este medie (Figura 1) și multe asociații cu valori P doar marginal semnificative au CVR2 non-negativ. Pe măsură ce crește tendința spre studii de genom care măsoară sute de mii de SNP-uri, crește și problema corecției testelor multiple. Validarea încrucișată este o alegere atractivă pentru epidemiologii genetici, deoarece oferă o evaluare directă a utilității predictive a asociației și, având în vedere simplitatea relativă și stabilitatea estimării validării încrucișate. 38 În plus, replicarea într-un eșantion eșantionat independent a devenit un instrument standard pentru validarea rezultatelor unei asociații genetice. Cu toate acestea, nu există eșantioane comparabile pentru studii de intervenție specializate precum acesta. În absența eșantioanelor de replicare, validarea încrucișată ne oferă posibilitatea de a confirma rezultatele noastre și, în același timp, de a evalua capacitatea lor predictivă. Cu toate acestea, fără un eșantion replicat, nu putem estima dacă puterea predictivă a mai multor modele variabile create în acest set de date ar fi aceeași în alte seturi de date.

91 SNP au examinat în acest studiu o serie de gene despre care se știe că sunt implicate în multe aspecte ale metabolismului lipidelor. Interesant este că 78 dintre aceștia (86% SNP) au cel puțin o asociere semnificativă validată încrucișat cu covariate clinice sau au cel puțin o interacțiune epistatică sau SNP-covariantă care a prezis unul dintre aceste rezultate. Este sobru, dar nu pe deplin neașteptat, că polimorfismele și interacțiunile individuale contribuie într-un mod relativ mic la explicarea variațiilor ATG și ALDLDL. Cu toate acestea, modificarea procentuală a variațiilor trăsăturilor explicate de SNP în acest studiu este similară studiilor efectuate în alte fenotipuri complexe. De exemplu, un studiu recent al asocierii diabetului și a trăsăturilor asociate de-a lungul genomului a arătat că SNP-urile individuale cel mai puternic asociate cu nivelurile de TG explică între 0,5 și 1,2% variabilitatea reziduală a nivelurilor de TG după ajustarea pentru factorii de risc tradiționali. Un studiu de genă candidat al fenotipurilor tensiunii arteriale a constatat că CVR2 al celor mai prezise SNP pentru tensiunea arterială sistolică a variat între 1,9 și 6,2%. 54

Combinația acestor interacțiuni individuale într-un model cu variabile multiple a crescut numărul de modificări care au fost explicate, deși doar ușor în cazul interacțiunilor epistatice. Am observat că modelele genetice care nu sunt validate încrucișat supraestimează în general beneficiul fiecărui predictor sau interacțiune, deci este probabil ca procentul de variații explicat prin validare încrucișată, deși mic, este o estimare mai realistă decât valorile R 2 Obținută fără validare încrucișată.

Numărul mare de SNP-uri implicate în interacțiuni semnificative validate încrucișat ilustrează complexitatea rețelei care stau la baza acestor trăsături, inclusiv efectele individuale ale genelor și interacțiunile dintre variațiile multiple ale multor gene, precum și interacțiunea lor cu factorii clinici. Deși factorii clinici și interacțiunile care au prezis ATG și ALDLDL se suprapun considerabil, există, de asemenea, dovezi ale asociațiilor care sunt unice pentru fiecare rezultat, indicând faptul că există interacțiuni genetice și de mediu care afectează răspunsul TG la fenofibrat în timpul postului. care se află în afara metabolismului particulelor VLDL.

Pe măsură ce genotiparea devine mai puțin costisitoare, gama de studii de asociere genetică a crescut dramatic 55, dar majoritatea studiilor, chiar și studii la nivel de genom, se concentrează pe asociații cu un singur membru. Nu există nicio îndoială că unele polimorfisme individuale pot afecta semnificativ fiziologia; multe boli sunt rezultatul unei singure erori genetice cu consecințe fenotipice grave. Cu toate acestea, proprietățile complexe, non-mendeliene, sunt probabil influențate de polimorfisme mai puțin simple decât interacțiunile, în special interacțiunile epistatice. Rezultatele noastre sugerează că, chiar și în acest subset relativ limitat de polimorfisme, se poate găsi un număr mare de interacțiuni perechi. Acum trebuie dezvoltate metode, cum ar fi metoda de modelare multidimensională pe care o descriem, care va permite integrarea acestor rezultate într-un cadru predictiv pentru a rafina și utiliza o înțelegere a arhitecturii genetice a răspunsului TG la tratamentul cu fenofibrat.