Cette étude a identifié huit cibles potentielles de médicaments pour l’insuffisance cardiaque grâce à une analyse génétique et a exploré des composés thérapeutiques candidats associés à ces cibles.
Article de recherche
Cette étude a identifié huit cibles potentielles de médicaments pour l’insuffisance cardiaque grâce à une analyse génétique et a exploré des composés thérapeutiques candidats associés à ces cibles.
L’insuffisance cardiaque (IC) est une maladie cardiovasculaire répandue qui altère de manière significative à la qualité de vie à ses stades avancés. Malgré une variété de stratégies de traitement actuelles, la charge de la maladie liée à l’IC reste significative. Par conséquent, il est urgent d’explorer de nouvelles cibles thérapeutiques. Cette étude a utilisé la randomisation mendélienne (RM) pour évaluer les relations causales entre les gènes médicamenteux et l’IC. Une analyse de colocalisation et une randomisation mendélienne basée sur des données résumées (SMR) ont été réalisées afin de valider davantage la relation entre eux. Enfin, 8 cibles thérapeutiques potentielles pour l’IC ont été identifiées, dont 4 facteurs de risque (CYP11A1, GALT, KCNH2 et METRN) et 4 facteurs protecteurs (APOM, CHD4, IL11RA et LPAR5). L’enrichissement GO, l’enrichissement KEGG et l’interaction protéine-protéine (PPI) ont indiqué que ces gènes étaient principalement impliqués dans la régulation métabolique et les processus électrophysiologiques cardiaques. De plus, des médicaments potentiels ciblant ces cibles ont été identifiés grâce à la prédiction des médicaments et au docking moléculaire, notamment le mitotane, l’adehl, les benzofurans, le 1,3-Di-o-tolylguanidine, le 96-69-5 et la lactone bromoénol. De plus, les résultats de la PCR ont également démontré que le mitotane pourrait être associé à CYP11A1 et à KCNH2. Les médicaments conçus sur la base de ces cibles thérapeutiques potentielles peuvent offrir des taux de réussite plus élevés et améliorer les résultats cliniques.
L’insuffisance cardiaque (IC) est un syndrome cardiovasculaire répandu défini par un plombage ventriculaire altéré ou une contractilité myocardique, entraînant un débit cardiaque insuffisant pour répondre aux besoinsmétaboliques 1,2,3. Cliniquement, l’IC se caractérise par une congestion pulmonaire et systémique, une hypoperfusion tissulaire, ainsi que des symptômes tels que la dyspnée, la fatigue et l’œdèmepériphérique 1,4,5. Malgré les avancées thérapeutiques, l’IC reste une cause majeure de morbidité et de mortalité dans le monde, touchant plus de 64 millions de personnes selon l’étude Global Burden of Disease(GBD) 6,7,8. Le fardeau important de la maladie souligne le besoin pressant de nouvelles stratégies thérapeutiques.
Les interventions pharmacologiques et basées sur des dispositifs actuels pour l’IC sont limitées par une efficacité sous-optimale et des effets indésirables, contribuant à des taux de réhospitalisation persistants élevés et à une qualité de viealtérée 9,10,11,12. L’identification de nouvelles cibles moléculaires ayant des liens causaux avec la pathogenèse de l’IC est donc essentiel pour améliorer les résultats cliniques. L’intégration de la génomique dans la découverte de médicaments représente une stratégie très efficace pour améliorer l’efficacité, car les thérapies génétiquement validées démontrent un taux de réussite nettement plus élevé dans les essaiscliniques 13, 14, 15. De plus, les protéines codées par ces gènes actionnables servent de cibles thérapeutiques principales pour les petites molécules et les anticorpsmonoclonaux 16,17.
Les avancées récentes en génétique humaine ont facilité la priorisation des cibles médicamenteuses grâce à l’analyse intégrative des études d’association génomique (GWAS) et des données de loci quantitatifs de traits d’expression (eQTL). La randomisation mendélienne (RM) exploite les variantes génétiques comme variables instrumentales pour estimer les effets causals, minimisant la confusion et la causalité inverse inhérentes aux étudesobservationnelles 13,14. Combinée à la colocalisation et à l’IRM basée sur un résumé (SMR), cette approche permet une hiérarchie robuste des gènes dont la modulation peut influencer le risque de maladie, offrant une stratégie génétiquement ancrée pour la découverte decibles 18,19,20. Comparé aux études d’association conventionnelles, l’intégration de la RM, de la RMS et de la colocalisation surmonte la confusion et la causalité inverse pour établir des inférences causales robustes. De plus, ce cadre filtre les faux positifs issus du déséquilibre de liaison en garantissant que l’expression génique et le risque d’insuffisance cardiaque partagent la même variante causale sous-jacente, optimisant ainsi la priorisation des cibles. Il convient de noter que, bien que les tissus cardiovasculaires présentent une grande spécificité, cette étude utilise principalement des données cis-eQTL sanguines à grande échelle pour maximiser la puissance statistique. Bien que cette approche ne capture pas entièrement les mécanismes tissulaires inhérents à l’IC, les variants issus du sang servent de biomarqueurs accessibles et fournissent des informations solides sur les facteurs génétiques systémiques de la maladie.
Dans cette étude, des ensembles de données GWAS et eQTL à grande échelle ont été utilisés pour évaluer les effets causaux des gènes médicamenteux sur le risque d’IC. Les associations significatives ont été validées par des analyses de localisation et de SMR. Pour élucider les fonctions biologiques des cibles priorisées, des analyses d’enrichissement de l’Ontologie Génique (GO) et de la Kyoto Encyclopedia of Genes and Genomes (KEGG), ainsi que des analyses d’interaction protéine-protéine (PPI), ont été réalisées. Le potentiel thérapeutique a ensuite été évalué par prédiction de médicaments et docking moléculaire. Enfin, les associations entre certains gènes médicamenteux et les médicaments candidats ont été validées par des expériences in vitro .
En conclusion, cette étude offre des informations importantes pour la découverte de nouvelles cibles thérapeutiques pour l’IC. En utilisant l’IRM, la RMS, l’analyse de colocalisation, l’analyse d’enrichissement génique, la construction de réseaux PPI, la prédiction des médicaments, le docking moléculaire et des expériences in vitro , ces résultats peuvent contribuer au développement de stratégies thérapeutiques plus efficaces pour l’IC.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Tous les ensembles de données utilisés dans cette étude proviennent d’études publiées précédemment avec approbation éthique. Les réactifs et l’équipement utilisés sont listés dans le tableau des matériaux.
1. Conception de l’étude
Le déroulement de cette étude est illustré à la Figure 1. Premièrement, des données d’exposition ont été obtenues à partir des cis-eQTL des gènes médicamenteux. Deuxièmement, une analyse IRM a été réalisée pour étudier la relation causale entre les gènes médicamenteux et l’IC. Les cibles thérapeutiques candidates pour l’IC ont ensuite été identifiées par des analyses de colocalisation et de SMR. Une analyse d’enrichissement génique et la construction de réseaux PPI ont ensuite été réalisées. Enfin, la prédiction des médicaments et le docking moléculaire ont été menés pour explorer l’affinité des médicaments pour les gènes.
2. Source de données
Un total de 6 888 gènes médicamenteux ont été identifiés à partir de deux sources. Un jeu de données comprenait 4 463 gènes d’une étude précédemment publiée qui intégrait plusieurs sources dedonnées 17. L’autre jeu de données contenait 5 012 gènes provenant de la base de données Drug-Gene Interaction Database (DGIdb)21. Des informations détaillées étaient illustrées sur le site web (https://www.dgidb.org/). Après fusion et suppression des doublons, 6 888 gènes médicamenteux uniques ont été conservés pour analyse.
Les données Cis-eQTL ont été obtenues auprès du consortium eQTLGen (https://eqtlgen.org/cis-eqtls.html), qui inclut des profils d’expression de 31 684 échantillons sanguins et couvre 16 987gènes 22.
Les statistiques résumées de l’HF ont été obtenues à partir de la version R12 de la base de donnéesFinnGen 23, qui comprenait 37 653 cas et 462 695 témoins. Le diagnostic de l’IC était basé sur la Classification internationale des maladies (CIM), incluant la CIM-10—I11.0, I13.0, I13.2, I50, CIM-9—4029B|428, et CIM-8—42700|42710|428|7824. Tous les participants étaient d’origine européenne. Des informations détaillées sont disponibles sur le site web de FinnGen et dans l’article original (https://www.finngen.fi/en/access_results).
3. Analyse de randomisation mendélienne
Les variables instrumentales (IV) ont été sélectionnées sur la base de trois hypothèses fondamentales de la RM: 24. Premièrement, les perfusions sont directement associées aux facteurs d’exposition. Deuxièmement, les IV ne sont pas associées à des facteurs de confusion. Enfin, les perfusions influencent le résultat uniquement par exposition. Étant donné que les eQTL proximaux exercent un contrôle régulateur plus immédiat et robuste sur les gènes cibles, la RM utilisait exclusivement des SNP situés dans des régions de 100 kb des gènes afin de maximiser la proximité biologique. Des critères stricts ont été appliqués pour la sélection du SNP. Tous les SNP sélectionnés étaient situés à moins de 100 kb en amont du site de début de la transcription et à 100 kb en aval du site final de transcription de chaque gène médicamenteux. Seuls les SNP ayant une signification génomique globale (p < 5×10-8) ont été inclus25. Pour minimiser le déséquilibre de liaison (LD), le regroupement LD a été réalisé en utilisant un seuil r2 de 0,001 et une distance d’agrégation de 10 000kb 26. Les SNP avec F-statistique >10 ont été conservés, calculés à l’aide de la formule : F = [R2(N−k−1)]/[k(1−R2)]27. Les informations sur les SNP sont fournies dans le Tableau Supplémentaire 1.
Les principales méthodes analytiques étaient pondérées inverse par variance (IVW) et le rapport de Wald. Une valeur p inférieure à 0,05 était considérée comme statistiquementsignificative 28,29. Le taux de fausses découvertes (FDR) a été appliqué pour ajuster la valeur p afin de minimiser les faux positifs30. Lorsqu’un seul SNP était disponible, la méthode du ratio de Wald était utilisée ; sinon, la FIV était appliquée. Les analyses comprenaient MR-Egger, médiane pondérée, mode pondéré et mode simple lorsque suffisamment de SNP étaient présents.
Le test Q de Cochran et l’analyse de l’interception MR-Egger ont été utilisés pour tester l’hétérogénéité et la pléiotropie. Une valeur Q-p supérieure à 0,05 indiquait l’absence d’hétérogénéité31. Une valeur p pour l’interception MR-Egger inférieure à 0,05 indiquait la présence d’une pléiotropiedirectionnelle 18. Enfin, le test « leave one-out » a été réalisé pour vérifier si les résultats pouvaient être influencés par un SNP unique. Les analyses RM ont été réalisées à l’aide du package TwoSampleMR (version 0.6.11) dans R (version 4.4.2).
4. Analyse de colocalisation
L’analyse de colocalisation a été réalisée à l’aide du package coloc R (version 6.0.1) afin d’identifier si des variants génétiques partagés influençaient à la fois l’expression génique et le risqued’IC 32. Les probabilités antérieures qu’un SNP soit associé à l’un ou l’autre trait et les deux traits étaient fixées à 1 × 10-4 et 1 × 10-5, respectivement. Les probabilités postérieures des cinq hypothèses peuvent être calculées : (1) PPH0 : Les SNP ne sont pas liés à deux traits. (2) PPH1/PPH2 : Les SNP sont associés à l’expression génique ou HF. (3) PPH3 : Les SNP sont liés à l’HF et à l’expression génique, mais ils sont entraînés par des SNP différents. (4) PPH4 : Les SNP sont liés à l’HF et à l’expression génique, et sont pilotés par les SNP communs. Un PPH4 > 0,8 a été considéré comme une preuve de colocalisation.
5. Analyse SMR
L’analyse SMR a été réalisée pour explorer la relation entre le gène et HF à l’aide du logiciel SMR (version 1.3.1)33. Le test d’hétérogénéité dans les instruments dépendants (HEIDI) a été réalisé afin de déterminer si les associations observées étaient dues à un lien. Une valeur p significative de la RMS (< 0,05) combinée à une valeur p HEIDI > 0,05 a été interprétée comme une preuve soutenant une véritable relation causale plutôt qu’une association de liaison causée par le scénario. Les protocoles opérationnels détaillés et les paramètres de calcul sont accessibles sur le site officiel.
6. Analyse d’enrichissement
L’analyse d’enrichissement GO et KEGG a été utilisée pour caractériser les fonctions biologiques et les voies des gènes potentiels thérapeutiquescibles dépistés 34. L’enrichissement GO comprenait les processus biologiques (BP), les fonctions moléculaires (MF) et les composants cellulaires (CC). Le package R clusterProfiler (version 4.14.6) et Pathview (version 1.46.0) ont été utilisés pour réaliser l’analyse d’enrichissement35,36.
7. Prédiction des médicaments candidats
Pour identifier les composés thérapeutiques potentiels, une analyse de prédiction des médicaments a été réalisée à l’aide de la base de données des signatures de médicaments (DSigDB) (http://dsigdb.tanlab.org/DSigD Bv1.0/)37. 22 527 ensembles de gènes sont inclus dans la DSigDB, dont 17 389 composés uniques couvrant 19 531 gènes. Les associations entre les gènes candidats et les composés ont été analysées, suivies d’une analyse d’enrichissement pour identifier des médicaments potentiellement pertinents ciblant les gènes associés à l’IC.
8. Construction de réseaux d’interactions protéiques
Les réseaux d’interaction protéine-protéine (IPP) ont été construits à l’aide de GeneMANIA (https://genem ania.org/)38. GeneMANIA pourrait aider à générer des hypothèses de fonction génique, à analyser des listes de gènes et à prioriser les gènes pour les tests fonctionnels.
9. Amarrage moléculaire
Un docking moléculaire a été réalisé pour valider la compatibilité des gènes et leur relation avec les candidats médicaments. Les simulations d’amarrage aident à évaluer l’affinité de liaison et les schémas d’interaction entre les composés et les protéines cibles, informant ainsi la priorisation et l’optimisation des candidats. Les structures protéiques ont été extraites de la Protein Data Bank (PDB) (http://www.rcsb.org/), et les structures composées ont été obtenues de PubChem (https://pubchem.ncbi.nlm.nih.gov/)39. L’amarrage a été effectué à l’aide du CB-Dock2 (https://cadd.labshare.cn/cb-dock2/index.php), qui utilise la détection de cavité pour guider l’amarrageaveugle 40,41. Des procédures opérationnelles détaillées et des informations sur les réglages de calcul pouvaient être obtenues sur le site officiel.
10. Culture cellulaire
Des cellules cardiomyocytaires humaines immortalisées (AC16) ont été cultivées dans un milieu de culture spécifique aux cellules AC16 dans des conditions stériles. Les cellules étaient maintenues à 37 °C dans un incubateur humidifié contenant 5 % de CO2. Le milieu de culture était remplacé tous les 2 à 3 jours, et les cellules étaient transmises à une confluence d’environ 70 % à 80 % pour maintenir des conditions de croissance optimales. La morphologie cellulaire et la confluence étaient surveillées de façon routinière à l’aide de la microscopie optique avant chaque expérience. Toutes les procédures de culture cellulaire ont été réalisées dans une armoire de biosécurité afin de minimiser le risque de contamination. Pour les expériences de traitement, les cellules AC16 ont été ensemencées en plaques à 6 puits et laissées à adhérer toute la nuit avant l’administration du traitement.
11. Transcription inverse quantitative PCR (RT-PCR)
Les cellules AC16 ont été traitées avec de l’acide palmitique (PA) à 200 μM ou du mitotane à 20 μM pendant 24 heures après avoir atteint une confluence d’environ 60 % à 70 %. La PA était dissoute dans l’albumine sérique bovine (BSA), tandis que le mitotane était dissous dans du diméthyle sulfoxyde (DMSO). Tous les réactifs potentiellement dangereux ont été manipulés conformément aux procédures standard de sécurité en laboratoire à l’aide d’équipements de protection individuels appropriés, y compris des gants et des blouses de laboratoire.
Après traitement, l’ARN total a été extrait à l’aide d’un kit d’extraction d’ARN selon les instructions du fabricant, dans des conditions sans RNase. Les procédures d’extraction de l’ARN ont été réalisées sur la glace autant que possible afin de minimiser la dégradation de l’ARN. La concentration et la pureté de l’ARN ont été évaluées avant les expériences en aval, et seuls des échantillons présentant un rapport A260/A280 entre 1,8 et 2,0 ont été utilisés pour les analyses ultérieures.
L’ADN complémentaire (cDNA) a été synthétisé à l’aide d’un kit de transcription inversée selon le protocole du fabricant. La RT-PCR quantitative a ensuite été réalisée en utilisant le SYBR Green Master Mix sur un système de détection PCR en temps réel. Chaque réaction a été préparée dans un volume final de 10 μL contenant 5 μL de mélange SYBR Green Master, 0,4 μL d’amorce directe, amorce inverse de 0,4 μL, 1 μL de gabarit d’ADNc, et 3,2 μL d’eau sans nucléase. L’amplification a été réalisée dans les conditions de cyclage suivantes : dénaturation initiale à 95 °C pendant 30 s, suivie de 40 cycles de dénaturation à 95 °C pendant 5 s et de recuit/extension à 60 °C pendant 30 s. Chaque expérience a été réalisée avec trois réplications biologiques, et toutes les réactions ont été réalisées en triple exemplaire.
Le GAPDH a été utilisé comme gène de référence interne, et les niveaux relatifs d’expression d’ARNm de CYP11A1 et KCNH2 ont été calculés à l’aide de la méthode 2−ΔΔCt . Un seul pic dans l’analyse de la courbe de fusion était considéré comme indicatif d’une amplification spécifique. Les séquences d’amorce utilisées pour la RT-PCR sont listées dans le Tableau Supplémentaire 2.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Randomisation mendélienne
Les résultats de l’IRM évaluant les effets causaux entre l’expression génique médicamenteuse et l’IC ont été présentés dans le Tableau Supplémentaire 3. Une valeur de P ajustée selon FDR inférieure à 0,05 était considérée comme statistiquement significative. Un total de 11 gènes présentant des associations causales significatives avec l’IC ont été identifiés (Figure 2). Parmi eux, six gènes étaie...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Cette recherche a évalué systématiquement les effets causaux des gènes médicamenteux sur le risque d’IC en utilisant l’IRM, identifiant huit cibles thérapeutiques potentielles. Cela comprenait quatre facteurs de protection (APOM, CHD4, IL11RA et LPAR5) et quatre facteurs de risque (CYP11A1, GALT, KCNH2 et METRN). Ces associations étaient également renforcées par l’analyse de colocalisation et la RMS. L’annotation fonctionnelle via GO, l’enrichissement KEGG et les analyses du réseau PPI a...
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
Les auteurs déclarent qu’ils n’ont pas d’intérêts concurrents.
Les participants et chercheurs de l’étude FinnGen sont reconnus. Le consortium eQTLGen, DGIdb et d’autres chercheurs ayant fourni des données publiques pour cette analyse sont également remerciés. Ce travail a été soutenu par le projet d’innovation en recherche du Master du Premier Collège clinique de l’Université de Médecine de Chongqing (CYYY-SSCX202516) et par le Diagnostic et Traitement Standardisés de l’Insuffisance Cardiaque (2025cyjstg006).
Contribution de l’auteur
Huiling Zhu a contribué à la conceptualisation, à l’acquisition de financement, à l’investigation, à la méthodologie, aux ressources, aux logiciels, à la supervision, à la validation, à la rédaction du brouillon original, ainsi qu’à la révision et à l’édition du manuscrit. Suxin Luo a contribué au financement de l’acquisition, de la méthodologie, de la supervision, ainsi que de la révision et de la révision du manuscrit.
Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.
| Nom | Entreprise | Numéro de catalogue | Commentaires |
|---|---|---|---|
| 2× Universal SYBR Green Fast qPCR Mix | Abclonal | RK21203 | |
| AC16 | HyCyte | TCH-C119 | |
| Milieu de culture spécifique aux cellules AC16 | HyCyte | TCH-G119 | |
| Kit de rétrotranscription d'ADNc | Abclonal | RK20400 | |
| Système en temps réel CFX96™ | Bio-Rad Laboratories | ||
| Mitotane | TargetMol | T1199 | |
| Acide palmitique | TargetMol | T2908 | |
| Kit d'extraction d'ARN | Abclonal | RK30120 |
Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE
Demander une autorisation