Faktory určující zvýšené genetické riziko akutního infarktu

Faktory určující zvýšené genetické riziko akutního infarktu

cs14
Original Article
Faktory určující zvýšené genetické riziko akutního infarktu
myokardu – spárovaná studie případů a kontrol
Zdeněk Valenta1 , Ivan Mazura1 , Michal Kolář1 , Hana Grünfeldová2 , Petra Feglarová1 , Jan Peleška1 , Marie Tomečková1 ,
Jan Kalina1 , Dalibor Slovák1 , Jana Zvárová1
1
Centrum biomedicínské informatiky, Ústav informatiky AV ČR, Praha, ČR
2
Centrum biomedicínské informatiky, Městská nemocnice Čáslav, ČR
Abstrakt
Motivace: Infarkt myokardu a mozková mrtvice představují závažný zdravotní problém ve většině rozvinutých
zemí. Tato studie zkoumá genetickou dispozici pro akutní
infarkt myokardu v české populaci.
Metody a výsledky: Celogenomová studie genových expresí je spárovanou studií případů a kontrol. Vzorky periferní krve kontrolních osob byly spárovány se vzorky pacientů na základě pohlaví, věku, příznaku diabetes mellitus
a kouření. Pacienti s infarktem byli rozděleni do dvou skupin podle toho, zda přežili období 6 měsíců od infarktu.
Použili jsme metodu limma (Linear Models for Microarray Data) pro identifikaci diferenciálních genových expresí. Metoda smrštěných centroidů pomohla identifikovat
množiny diferenciálně exprimovaných genů s prediktivními
vlastnostmi na nezávislých vzorcích. Prediktivní vlastnosti
byly ověřeny pomocí bootstrapu. Ukazuje se, že 60 transkriptů je diferenciálně exprimováno z klinického i statistického hlediska mezi pacienty, kteří nepřežili šestiměsíční
období, vzhledem ke kontrolním osobám. Přitom žádné takové transkripty nebyly pozorovány mezi pacienty, kteří
přežili.
Mezi dvěma skupinami pacientů s infarktem vychází 14 diferenciálně exprimovaných transkriptů. Prediktivní modelování umožnilo vytipovat 16 ze 60 transkriptů, které nejlépe diskriminují mezi kontrolami a pacienty, kteří zemřeli
během šestiměsíčního období na kardiovaskulární onemocnění. Obdobný výběr nelze provést pro přeživší pacienty,
protože pro ně vyšly všechny geny nesignifikantní. Za pomoci smrštěných centroidů bylo vytipováno 11 ze 14 transkriptů, které nejlépe diskriminují mezi oběma skupinami
pacientů s infarktem.
Závěry: Studie identifikovala geny asociované se zvýšeným genetickým rizikem akutního infarktu myokardu, a to
včetně genů asociovaných s úmrtím během šestiměsíčního
období po výskytu infarktu.
Klíčová slova
celogenomová asociační studie, genová exprese, infarkt
myokardu, genetická dispozice, prediktivní modelování
Kontakt:
Zdeněk Valenta
Odd. medicínské informatiky a biostatistiky
Ústav informatiky AV ČR
Adresa: Pod Vodárenskou věží 2, 182 07 Praha, ČR
E–mail: [email protected]
1
Úvod
Morbidita a mortalita z aterosklerotických komplikací,
mezi něž patří akutní infarkt myokardu a mozková mrtvice, představují významný zdravotní problém ve většině
rozvinutých zemí. Jsou způsobeny mnoha vlivy v životním
prostředí a genetickými faktory, stejně jako interakcemi
mezi nimi. Zatímco klinické faktory související s výskytem akutního infarktu myokardu jsou známy, genetický
profil jedince může znamenat další nezávislé faktory. Celogenomové profilování genových expresí zajistí souhrnEJBI – Volume 8 (2012), Issue 1
EJBI 2012; 8(1):cs14–cs23
zasláno: 22. října 2012
přijato: 25. listopadu 2012
publikováno: 30. prosince 2012
nou informaci o hodnotách mRNA ve vzorku tkáně, což
umožní identifikaci množin genů a transkriptů asociovaných se zdravotním stavem jedince. Mikročipové studie
různých onemocnění jsou často omezeny komplikacemi se
získáním lidských tkání. Přitom se hlavní tkání pro detekci biologických markerů stala periferní krev díky své
klíčové roli při imunitní odpovědi, metabolismu, komunikaci s buňkami a mezibuněčnou hmotou takřka ve všech
tkáních a orgánech lidského těla, stejně jako díky jednoduchosti a nízké invazivnosti při odebírání vzorků [1].
c
2012
EuroMISE s.r.o.
cs15
Valenta a kol. – Genetické faktory pro AIM
2
Návrh studie a metody
Studie byla navržena tak, aby se podařilo identifikovat geny asociované se zvýšeným genetickým rizikem pro
výskyt akutního infarktu myokardu, které by nebyly nutně
odhaleny skrze známé klinické rizikové faktory.
45 případů s potvrzenou diagnózou akutního infarktu
myokardu bylo přijato od září 2006 do ledna 2011. Pro
ověření diagnózy jsem použili klinická kritéria, výsledek
EKG a laboratorní výsledky podle lékařských doporučení.
Pro většinu pacientů byla provedena koronární angiografie. Pacienti museli být mladší než 80 roků a žádný pacient
se nesměl aktivně léčit na rakovinu.
Vzorky venózní krve byly odebrány každému přijatému
pacientovi. Spárované kontrolní osoby byly vybrány z pacientů hospitalizovaných na motorické komplikace, kteří
nejevili známky žádné nemoci koronárních arterií nebo
periferních arterií, měli normální EKG a neměli v minulosti mozkovou mrtvici. Byli spárováni s pacienty na základě pohlaví, věku (kontroly směly být až o 5 roků starší
než pacienti), příznaku diabetes mellitus typu 2 a kouření.
Tyto veličiny představují klinické a skryté genetické faktory asociované s výskytem akutního infarktu myokardu.
Tato studie je zaměřena na identifikaci profilů asociovaných se zvýšeným genetickým rizikem, které nejsou nutně
vyjádřené skrze tyto rizikové faktory.
U všech pacientů bylo sledováno, zda přežijí období
6 měsíců následujících po srdeční události. Předpokládali
jsme, že pacienti, kteří nepřežili následnou šestiměsíční
lhůtu (AIMD6), budou mít odlišnou genetickou strukturu od kontrolních osob. To platí i pro odlišnou genetickou strukturu pacientů, kteří šestiměsíční lhůtu přežili
(AIM), od kontrolních osob. Také jsme předpokládali rozdíly v genetických profilech mezi dvěma skupinami pacientů (AIMD6 vs. AIM). Zatímco průměrný rozdíl genových expresí v párech mezi pacienty a jejich odpovídajícími kontrolami zachycuje perspektivu primární prevence,
rozdíly mezi AIMD6 a AIM reflektují pohled sekundární
prevence.
Studie vyhovuje Helsinské deklaraci a byla schválena
místním etickým výborem. Všichni účastníci podepsali písemný informovaný souhlas. Základní popisné statistiky
dat jsou uvedeny v Tabulkách 1 a 2 níže a v příloze [44]
v Tabulce S10.
3
Mikročipová analýza
Studie používala mikročipovou technologii firmy Illumina pro analýzu intenzit genových expresí přes celý lidský genom. Vzorky periferní krve byly odebrány všem
R
subjektům pomocí komerční sady 3 ml Vacutainer
s EDTA. Zkumavky byly promíchány několikerým převrácením a obsah 2,4 ml byl ihned smíchán se 7,6 ml
R
RNAlateru
(Applied Biosystems) v 15 ml zkumavkách,
stabilizované vzorky krve byly promíchány několikerým
převrácením zkumavky tak, až byly homogenní. Vzorky
byly skladovány při -70◦ C. RNA byla izolovaná z 1,8 ml
c
2012
EuroMISE s.r.o.
části krve stabilizované pomocí RiboPureT M -Blood Kit
(Applied Biosystems, U.S.A.), dále byla vysrážená a vyčištěná pomocí GLOBINclearT M –Human kit (Applied Biosystems, U.S.A.). Kvantifikace byla provedena pomocí
produktu Nanodrop (Thermo Scientific, U.S.A.) a integritu RNA naměřil Bioanalyzer 2100 (Agilent Technologies Inc., U.S.A.). Dále jsme amplifikovali cRNA za poR
moci produktu Illumina
TotalPrepT M RNA Amplification Kit, vysráželi a zkontrolovali pomocí produktů Nanodrop (Thermo Scientific, U.S.A.) a Bioanalyzer 2100
(Agilent Technologies Inc., U.S.A.). Vzorky cRNA (1,5 µg)
byly hybridizovány na mikročipech HumanWG-6 v2 Expression BeadChips (Illumina Inc., U.S.A.) v souladu s pokyny výrobce.
4
Statistická analýza
Pro statistickou analýzu jsme použili systém R pro statistické výpočty, grafiku a analýzu dat [2]. Použili jsme
také několik knihoven, které jsou součástí projektu Bioconductor [3]. Dále jsme použili knihovnu „beadarray“
[4] pro načtení dat s genovými expresemi z naskenovaných Illumina mikročipů a metodu „BASH“ [5] pro
identifikaci defektních kuliček na Illumina čipech. Použili jsme normálně-exponenciální konvoluční metodu [6]
pro oddělení signálu od šumu z pozadí. Získané log2 transformované genové exprese byly znormovány kvantilovou normalizací a modelovány pomocí dvou vysvětlujících proměnných, indikátoru spárování a indikátoru výběrové skupiny ( „AIM“ , „AIMD6“ , „Kontroly“ ) za pomoci
knihovny „limma“ , která bere v úvahu korelační strukturu
dat způsobenou několika biologicky replikovanými vzorky
[7]. Použití empirického bayesovského přístupu při analýze
poskytlo modifikované t-testy pro každý transkript/gen
a uvažovaný kontrast. Problém s opakovaným testováním
byl vyřešen za pomoci q-hodnot [8]. Dva hlavní uvažované kontrasty odhadují průměr spárovaných rozdílů v intenzitách genových expresí mezi případy (AIMD6, AIM)
a jejich spárovanými kontrolami. Zajímaly nás také rozdíly v genových expresích mezi dvěma skupinami případů.
Statistická významnost byla získána pro transkripty s qhodnotou pod 0,05, klinická významnost je dosažena pokud je log2 absolutní hodnoty změny (fold change) větší
nebo roven 1.
Pro identifikaci množin genů s prediktivními vlastnostmi v nezávislých výběrech jsme použili přístup založený na smrštěných centroidech [9], implementovaný
v metodě „Predictive Analysis for Microarrays“ (PAM).
Množiny genů, které jsme identifikovali jako diferenciálně
exprimované pomocí knihovny limma, jsme dále analyzovali pomocí PAM. Takto identifikované množiny genů by
měly mít prediktivní vlastnosti pro nezávislé výběry, které
jsme dále ověřili pomocí boostrapu. Také jsme použili modelovací techniku PAM přímo pro celý genom.
EJBI – Volume 8 (2012), Issue 1
cs16
5
Valenta a kol. – Genetické faktory pro AIM
Validace pomocí RT-qPCR
a u 10 menší u AIMD6 oproti AIM. Statistická významnost byla pozorovaná pro 60 genů/transkriptů, z nichž u
13 je exprese větší a u 47 menší u AIMD6 oproti AIM.
Detailní pohled na výsledky modelování pomocí limma
pro tři lineární kontrasty pro intenzity genových expresí
je prezentován v příloze [44] v Tabulkách S1, S4 a S7.
Výsledky získané modelováním byly validovány RTqPCR analýzou, která použila dostupné vzorky RNA
ze 4 případů, jejich spárovaných kontrol a 6 dalších
náhodně vybraných kontrol. Geny ADORA3, VNN3,
IL18R1, IL18RAP, ERLIN1, FOS a ARG1 byly kvantifikovány, zatímco 18S a HPRT byly použity jako refe- 6.2 Prediktivní modelování pomocí PAM
renční (housekeeping) geny pro každý testovaný vzorek
Gen SPATC1 byl vybrán jako negativní kontrola.
Pro všechny tři typy kontrastů uvažované v této studii nás zajímají i kandidátní množiny genů, které by měly
prediktivní schopnosti pro nezávislé vzorky. Proto jsme
6 Výsledky
dostupné vzorky studovali dále pomocí přístupu založeného na smrštěných centroidech. Příslušné výsledky jsou
6.1 Výsledky metody limma
shrnuty v Tabulce 3. Pro každý kontrast prezentuje TaNejprve jsme porovnali spárované kontroly s pacienty, bulka 3 dvě kandidátní množiny genů. Množina ]1 byla
kteří zemřeli na kardiovaskulární příčinu do 6 měsíců po získána tak, že množina genů získaná metodou limma byla
srdeční události (kontrast „AIMD6 vs. Controls“ ). Zde vy- dále redukovaná pomocí PAM.
Množina ]2 byla získaná aplikováním metody PAM
chází 60 diferenciálně exprimovaných genů/transkriptů,
na
všech
39 226 dostupných transkriptů. Šedé stínování
které splňují kritéria statistické (q < 0,05) i klinické
zdůrazňuje
současnou přítomnost statistické i klinické vý(|log2 F C| ≥ 1) významnosti. Z těchto genů je 40 více
znamnosti
tak,
jak jsou definovány v této studii. Souexprimováno u pacientů oproti kontrolám a 20 méně. Bez
hrnné
výsledky
pokrývající
redukci celého genomu obsaohledu na klinickou významnost, statistická významnost
hují
v
příloze
[44]
Tabulky
S3,
S6 a S9. Tabulky S2, S5
byla dosažena pro 323 transkriptů; viz Vennův diagram
a
S8
v
příloze
[44]
ukazují,
jak
jsou
množiny genů získané
v Obrázku 1.
pomocí
limma
dále
redukovány
pomocí
PAM.
Porovnání pacientů, kteří přežili období 6 měsíců po
události, se spárovanými kontrolními osobami (kontrast
„AIM vs. Kontroly“ ) ukázalo, že žádné geny nevyhovují
výše specifikovaným kritériím, buď pro statisticky nebo
klinicky významnou diferenciální expresi.
Populační rozdíly mezi genovými expresemi mezi
dvěma skupinami případů (kontrast „AIMD6 vs. AIM“ )
byly zjištěny pro 14 transkriptů, které splňují kritéria statistické i klinické signifikace, z nichž u 4 je exprese větší
6.3
AIMD6 vs. Kontroly
Aplikace metody smrštěných centroidů na množinu
statisticky i klinicky signifikantních transkriptů identifikovaných metodou limma (prvních 60 genů z Tabulky S1
v příloze [44]) poskytla 16 genů (Množina ]1) s prediktivními vlastnostmi na nezávislých výběrech (Tabulka 3).
Tabulka 1: Četnosti a procenta jednotlivých skupin u kategoriálních proměnných.
Veličina
Úroveň
Pohlaví
Kouření
DM typu 2
Dyslipidemie
Hypertenze
První AIM
STEMI
Selhání srdce
PCI
ACEI*
Betablokátory*
Diuretika*
Ca blokátory*
Statiny*
Fibráty*
Další*
Muž
Kuřák
Ano
Ano
Ano
Ano
Ano
Ano
Ano
Ano
Ano
Ano
Ano
Ano
Ano
Ano
Četnosti
AIM
28 (68%)
10 (24%)
12 (29%)
17 (41%)
32 (78%)
32 (78%)
26 (63%)
5 (12%)
6 (15%)
21 (51%)
19 (46%)
11 (27%)
12 (29%)
14 (34%)
2 (5%)
20 (49%)
skupin a procenta
AIMD6 Kontroly
2 (50%)
30 (67%)
0 (0%)
10 (22%)
2 (50%)
14 (31%)
2 (50%)
15 (33%)
2 (50%)
29 (64%)
4 (100%)
–
3 (75%)
–
3 (75%)
–
0 (0%)
–
1 (25%)
16 (36%)
0 (0%)
15 (33%)
1 (25%)
14 (31%)
3 (75%)
11 (24%)
2 (50%)
15 (33%)
0 (0%)
2 (4%)
3 (75%)
36 (80%)
*) Chronická medikace
EJBI – Volume 8 (2012), Issue 1
c
2012
EuroMISE s.r.o.
cs17
Valenta a kol. – Genetické faktory pro AIM
Tabulka 2: Popisné statistiky pro spojité proměnné.
Veličina
Věk
Výška (cm)
Váha (kg)
SBP (mmHg)
DBP (mmHg)
Průměry a směrodané odchylky v jednotlivých skupinách*
AIM
AIMD6
Kontroly
63.6 (9.18)
72.3 (4.73)
65.5 (9.42)
167.3 (10.0) 163.3 (10.4)
165.4 (10.2)
85.2 (17.9)
81.0 (17.0)
80.3 (12.1)
140.0 (27.8) 137.5 (12.6)
142.3 (18.0)
82.7 (15.8)
84.3 (16.5)
82.8 (9.2)
*) Při přijetí na JIP
Obrázek 1: Počty statisticky významných diferenciálně exprimovaných transkriptů (vlevo) a počet transkriptů, které jsou
významné statisticky i klinicky (vpravo).
Pokud se metoda PAM použila na celý genom, výsledkem je množina 14 genů (Množina ]2), z nichž pouze geny
IL18R1 a DUSP1 nevyhovují kritériu statistické významnosti při modelování metodou limma, zatímco všechny
geny jsou klinicky významné. Stojí za zmínku, že dvě získané množiny genů mají velkou část genů společných.
6.4
AIM vs. Kontroly
Množina genů získaná modelováním pomocí limma pro
tento kontrast (Tabulka S4 v příloze [44]) nevykazuje statistickou ani klinickou významnost tak, jak jsme je definovali v naší studii. Nelze ji tedy dále redukovat za
pomoci metody PAM. Množina získaná aplikací metody
PAM na celý genom je dost početná, přičemž obsahuje
228 transkriptů. Tabulka 3 obsahuje useknutý seznam prvních 13 genů (Množina ]2), z nichž 5 genů je společných
s Množinou ]1.
c
2012
EuroMISE s.r.o.
6.5
AIMD6 vs. AIM
Další redukce 14 statisticky a klinicky významných
transkriptů identifikovaných modelování limma (viz Tabulka S7 v příloze [44]) pomocí PAM vede k získání 11 prediktivních transkriptů, z nichž dva patří stejnému genu
„CLYBL“ . Pokud se začne PAM analýza s celým genomem, výsledkem je množina 22 transkriptů, z nichž se
4 transkripty objevují také v odpovídající množině ]1.
Tabulka 4 obsahuje odhady senzitivity a specificity získané klasifikátorem PAM ve třech bootstrapových studiích, které ověřily prediktivní vlastnosti každé dvojice
množin genů identifikovaných pro každý z uvažovaných
kontrastů. Tyto studie použily 1000 výběrů z cílové populace s opakováním. Uvádíme průměrné hodnoty spolu
s 5. a 95. percentilem pro obě uvažované charakteristiky.
Prediktivní vlastnosti genů vytipovaných pomocí klasifikátoru PAM jsou příznivější, pokud se použije množina genů ]2, zatímco jsme pozorovali výrazné zlepšení
zejména u senzitivity a nikoli u specificity. Nicméně něEJBI – Volume 8 (2012), Issue 1
cs18
Valenta a kol. – Genetické faktory pro AIM
Tabulka 3: Prediktivní množiny genů identifikované metodou PAM pro každý uvažovaný kontrast, spolu s pořadím genů v množině ]1 a ]2, q-hodnotami a hodnotami log2 FC, které byly získány pomocí metody limma.
Symbol
Ref Seq ID
Kontrast AIMD6 vs Kontroly
ECHDC3
NM0 24693.2
IL18RAP
NM_003853.2
PFKFB2
NM_006212.2
IRS2
NM_003749.2
PHACTR1
NM_030948.1
ERLIN1
NM_006459.2
VNN3
NM_001024460.1
ADORA3
NM_020683.5
CLEC4E
NM_014358.1
ASPRV1
NM_152792.1
PFKFB2
NM_001018053.1
CPD
NM_001304.3
FKBP5
NM_004117.2
PRKDC
NM_006904.6
NPM1
NM_199185.1
SAMSN1
NM_022136.3
IL18R1
NM_003855.2
DUSP1
NM_004417.2
LOC645649
XM_928663.1
Kontrast AIM vs Kontroly
OLIG2
NM_005806.2
VNN3
NM_001024460.1
MS4A3
NM_006138.4
CEBPE
NM_001805.2
FOS
NM_005252.2
LIPA
NM_000235.2
LOC645649
XM_928663.1
TCRB
M97723
EPAS1
NM_001430.3
CLINT1
NM_014666.2
MYCT1
NM_025107.1
VPS29
NM_016226.2
LOC130951
NM_138804.2
CCL23
NM_005064.3
MYB
NM_005375.2
C13orf18
NM_025113.1
PER1
NM_002616.1
CCL23
NM_005064.3
OLIG1
NM_138983.1
PRSS33(**)
NM_152891.1
Kontrast AIMD6 vs AIM
ADORA3
NM_020683.5
TCRB
M97723
ERLIN1
NM_006459.2
CLYBL
NM_206808.1
TCEA3
NM_003196.1
TCRA
BC070337
CLYBL
NM_206808.1
HSD17B8
NM_014234.3
FLT3
NM_004119.1
AXIN2
NM_004655.2
—
CR596519
Definice
enoyl Coenzyme A hydratase domain containing 3
interleukin 18 receptor accessory protein
6-phosphofructo-2-kinase/fructose-2,6-biphosphatase 2
insulin receptor substrate 2
phosphatase and actin regulator 1
ER lipid raft associated 1
vanin 3
adenosine A3 receptor
C-type lectin domain family 4, member E
aspartic peptidase, retroviral-like 1
6-phosphofructo-2-kinase/fructose-2,6-biphosphatase 2
carboxypeptidase D
FK506 binding protein 5
protein kinase, DNA-activated, catalytic polypeptide
nucleophosmin (nucleolar phosphoprotein B23, numatrin)
SAM domain, SH3 domain and nuclear localization signals 1
interleukin 18 receptor 1
dual specificity phosphatase 1
hypothetical protein LOC645649
oligodendrocyte lineage transcription factor 2
vanin 3, transcript variant 3
membrane-spanning 4-domains, subfamily A, member 3, transcript
variant 1
CCAAT/enhancer binding protein (C/EBP), epsilon
v-fos FBJ murine osteosarcoma viral oncogene homolog
lipase A, lysosomal acid, cholesterol esterase, transcript variant 2
hypothetical protein LOC645649
T cell receptor beta locus
endothelial PAS domain protein 1
clathrin interactor 1
myc target 1
vacuolar protein sorting 29 (yeast), transcript variant 1
hypothetical protein BC014602
chemokine (C-C motif) ligand 23, transcript variant CKbeta8-1
v-myb myeloblastosis viral oncogene homolog (avian)
chromosome 13 open reading frame 18
period homolog 1 (Drosophila)
chemokine (C-C motif) ligand 23, transcript variant CKbeta8-1
oligodendrocyte transcription factor 1
protease, serine, 33
adenosine A3 receptor
T cell receptor beta locus
ER lipid raft associated 1
citrate lyase beta like
transcription elongation factor A (SII), 3
T cell receptor alpha locus
citrate lyase beta like
hydroxysteroid (17-beta) dehydrogenase 8
fms-related tyrosine kinase 3
axin 2 (conductin, axil)
full-length cDNA clone CS0DI056YK21 of Placenta Cot 25normalized
BCAT1
NM_005504.4
branched chain
—
AW337887
he12d07.x1 NCI_CGAP_CML1 cDNA clone IMAGE:2918797 3’
AMPH
NM_001635.2
amphiphysin (AMPH), transcript variant 1
—
BM682470
UI-E-EJ0-aig-b-14-0-UI.s1 UI-E-EJ0, cDNA clone UI-E-EJ0-aig-b14-0-UI 3’
C7orf53
NM_182597.1
chromosome 7 open reading frame 53
—
CR592039
full-length cDNA clone CS0CAP005YH21 of Thymus
C2orf58
NM_173652.1
chromosome 2 open reading frame 58
ASPRV1
NM_152792.1
aspartic peptidase, retroviral-like 1
—
CN484989
hx21e11.y1 primary human ocular pericytes. Equalized (hx) cDNA
clone hx21e11 5’
ETS2
NM_005239.4
v-ets erythroblastosis virus E26 oncogene homolog 2
NDUFB3
NM_002491.1
NADH dehydrogenase (ubiquinone) 1 beta subcomplex, 3, 12kDa
—
X00437
mRNA for T-cell specific protein
ZNF516
XM_496278.2
zinc finger protein 516
SLC26A8
NM_052961.2
solute carrier family 26, member 8, transcript variant 1
KIF20B
NM_016195.2
kinesin family member 20B
ARG1
NM_000045.2
arginase, liver
IL18RAP
NM_003853.2
interleukin 18 receptor accessory protein
CD59
NM_203329.1
CD59 molecule, complement regulatory protein, transcript variant
3
*) PAM redukce množiny statisticky a klinicky významných genů získaných pomocí modelu limma
†) PAM redukce celého genomu (reprezentovaného 39,226 transkripty))
**) Zkrácený výpis genů
EJBI – Volume 8 (2012), Issue 1
Množina ]1
Pořadí*
Množina ]2
Pořadí†
q-hodnota
log2 FC
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
—
—
—
1
3
5
6
4
2
7
9
11
12
5
10
—
—
—
—
8
13
14
0.0498
0.0195
0.0085
0.0308
0.0352
0.0416
0.0290
0.0525
0.0288
0.0352
0.0416
0.0397
0.0596
0.0075
0.0223
0.0478
0.0525
0.0596
0.0075
2.03
1.28
1.93
1.43
1.86
1.77
1.44
2.10
1.75
1.01
1.69
1.31
1.03
1.10
–1.15
1.37
2.10
1.03
1.10
1
2
3
1
2
6,7
0.0756
0.0756
0.0756
–0.89
0.50
–0.64
4
5
6
7
8
9
10
11
12
13
—
—
—
—
—
—
—
5
4
—
—
—
—
—
—
—
—
3
8
9
10
11
12
13
0.0756
0.0756
0.0756
0.0906
0.0756
0.0756
0.0756
0.0756
0.0756
0.0756
0.2633
0.1397
0.1347
0.2012
0.3385
0.1347
0.3606
–0.45
0.39
–0.37
0.29
0.38
–0.31
–0.25
–0.15
–0.15
–0.13
–0.84
–0.47
0.40
0.31
–0.50
–0.49
–0.58
1
2
3
4
5
6
7
8
9
10
11
15
8
11
19
—
—
19
—
—
—
—
0.0490
0.0130
0.0490
0.0234
0.0381
0.049
0.0130
0.0490
0.0490
0.0388
0.0490
1.78
–1.52
1.19
–1.08
-1.66
–1.42
–1.18
–1.06
1.14
–1.49
–1.45
—
—
—
—
1
2
3
4
0.1146
0.0130
0.0814
0.0490
1.05
0.84
1.20
–0.76
—
—
—
—
—
5
6
7
9
10
0.1371
0.0994
0.1053
0.0847
0.0721
0.86
–1.48
0.78
1.19
1.44
—
—
—
—
—
—
—
—
—
12
13
14
16
17
18
20
21
22
0.1218
0.4508
0.0721
0.2826
0.0721
0.0130
0.0814
0.0542
0.2374
0.73
0.43
–1.44
0.48
0.63
–0.86
3.05
1.61
0.65
c
2012
EuroMISE s.r.o.
cs19
Valenta a kol. – Genetické faktory pro AIM
která taková vylepšení byla získána pouze za cenu velkého
počtu potřebných genů. To byl případ kontrastu „AIM vs.
Kontroly“ , kde množina ]1 obsahuje 13 a množina ]2 obsahuje 228 transkriptů. To je pravděpodobný důsledek toho,
že jsme nezjistili žádné statisticky ani klinicky významné
transkripty za pomoci limma modelování (viz Tabulka S4
v příloze [44]).
6.6
Validační studie pomocí RT-qPCR
Výsledky validace pomocí RT-qPCR jsou shrnuty
v Tabulce S12 v příloze [44]. Jedno pozorování ve skupině
AIMD6 (ID=C078) se zdá být poměrně podobné kontrolám a jeho odstranění vedlo k celkovému vylepšení. Detaily týkající se subjektů ze skupiny AIMD6 jsou ukázány
v příloze [44] v Tabulce S11. Tabulka S12 v příloze [44]
shrnuje výsledky validační studie.
7
7.1
Diskuse
Geny OLIG1 a OLIG2 kódují transkripční faktory, které
jsou exprimovány ve vznikajícím i zralém centrálním nervovém systému obratlovců a mohou mít další funkce při
řadě neurologických onemocnění [17]. Wojakowski et al.
[18] zjistili větší expresi genu OLIG2 u pacientů s mozkovou mrtvicí. Inouye et al. [19] označili na základě celogenomové studie gen MS4A3 za jeden z pouhých tří silných
prediktorů pro genový modul, který označili jako lipidový
leukocytový modul. Další geny, které významně souvisí
s metabolismem tuků a které byly identifikovány v naší
studii za pomoci PAM redukce celého genomu, zahrnují
geny GATA2, CPA3, C1ORF186, C1ORF150, SLC45A3,
SPRYD5 a CEBPD (Tabulka S6 v příloze [44]). Všechny
mají potenciál přispívat k patogenezi onemocnění koronárních arterií. Gen EPAS1 byl průkazně identifikován
jako promotor angiogeneze [20]. Castillo et al. [21] ukázali, že zánětlivý chemokin CCL23 je nezávisle asociován
s koronární aterosklerózou. Gen MYB hraje esenciální roli
při přežití buněk vaskulárního hladkého svalstva u dospělých [22].
7.2
AIM vs. Kontroly
Tento kontrast identifikuje geny, které jsou diferenciálně exprimované mezi obecnou populací a pacienty, kteří
přežili období 6 měsíců po výskytu infarktu. Přestože
žádné geny nevycházejí statisticky významné pro tento
kontrast, několik genů ukázaných v Tabulce 3 bylo již
dříve spojeno s infarktem a kardiovaskulárními onemocněními. Gen FOS hraje roli ve funkcionální organizaci
centrálních kardiovaskulárních drah; jeho exprese u určitých centrálních neuronů může vést k trvalým změnám
v kardiovaskulárních funkcích [10]. Gen VNN3 patří do
rodiny pantetheinázových genů, které regulují hydrolýzu
pantetheinu do kyseliny pantothenové (vitamin B5) a cysteaminu, který je účinným antioxidantem. Různé varianty několika spojených VNN3 genů jsou exprimovány i u
neutrofilních organismů [11]. V souvislosti s oxidativním
stresem může VNN3 hrát roli při opravě tkání [12]. Fosforylace genu PER1 pro protein řídící cirkadiánní rytmu
reguluje cirkadiánní degradace v normálních lidských fibroblastech [13]. Mutace genu LIPA souvisí s metabolismem cholesterolu [14] a tento gen byl popsán jako gen náchylný k výskytu onemocnění koronárních arterií [15, 16].
AIMD6 vs. Kontroly
Tento kontrast je zaměřen na diferenciálně exprimované geny mezi případy, které nepřežily období 6 měsíců
po infarktu, v porovnání s obecnou populací. Všechny
prediktivní geny množiny ]2 v Tabulce 3 jsou klinicky
i statisticky významné v modelování pomocí limma. Gen
ADORA3 je znám jako receptor, který zprostředkovává
kardioprotektivní funkce v průběhu ischemie [23]. V naší
studii je tento gen více exprimován u pacientů, kteří zemřeli do 6 měsíců po infarktu, v porovnání s kontrolami.
Totéž platí i při porovnání vzhledem k přeživším pacientům ( „AIMD6 vs. AIM“ ), přičemž však byl tento gen
méně exprimován u přeživších než u kontrol (Tabulka S6
v příloze [44]). Zvýšená aktivita může být pozorována i u
genů, které jsou zapojeny do celkové imunitní odpovědi
(IL18R1, IL18RAP). Liangos et al. [24] odhalili vysoce
propletenou signalizaci, která je základem ischemické reperfuze a zánětlivé odpovědi. Odpovídající geny identifikované v naší studii zahrnují IL18R1, IL18RAP, IL1RAP,
LCN2 a TLR4 (Tabulky S1 a S6 v příloze [44]). Mallat et
al. [25] popsali signifikantní expresi prozánětlivého cytokinu IL-18 a jeho signalizačního receptoru IL-18R v ate-
Tabulka 4: Bootstrapové odhady senzitivity a specificity pro klasifikační metodu PAM.
Kontrast
AIMD6 vs. Kontroly
AIM vs. Kontroly
AIMD6 vs. AIM
c
2012
EuroMISE s.r.o.
Item
Senzitivita
Specificita
Senzitivita
Specificita
Senzitivita
Specificita
Prediktivní množina ]1
(založeno na výsledcích limma)
Průměr 5%
95%
0.90 0.75
1.00
0.93 0.84
1.00
0.73 0.63
0.83
0.87 0.80
0.93
0.89 0.50
1.00
0.95 0.90
1.00
Prediktivní množina ]2
(založeno na 39 226 transkriptech)
Průměr 5%
95%
1.00 1.00
1.00
0.96 0.87
1.00
0.89 0.78
0.98
0.85 0.76
0.96
1.00 1.00
1.00
0.96 0.90
1.00
EJBI – Volume 8 (2012), Issue 1
cs20
Valenta a kol. – Genetické faktory pro AIM
rosklerotickém plaku. Rosenberg et al. [26] ověřili diagnostický test založený na expresích 23 genů, o kterých
bylo již předtím známo, že jsou asociovány s výskytem
onemocnění koronárních arterií. Mezi geny, které použili
ve svém prediktivním modelování, byly i geny IL18RAP,
TLR4 a CLEC4E, které jsme identifikovali v naší studii.
Gen CLEC4E je mediátorem imunitní a zánětlivé odpovědi. Tiret et al. [27] vztáhli genetickou variabilitu v genech IL18, IL18R1 a IL18RAP ke kardiovaskulární mortalitě. Gen SAMSN1 je více exprimován v mastocytech [28],
které obsahují velké množství heparinu a histaminu. Protein kódovaný genem PFKFB2 zprostředkovává kontrolu
glykolýzy v eukaryotech. Gen IRS2 je asociován s těžkou
obezitou a inzulínovou citlivostí u pacientů s diabetem
typu 2[29, 30]. Gen VNN3 se znovu objevuje také pro tento
kontrast. Gen PHACTR1 byl citován v souvislosti s kardiovaskulárními onemocněními, onemocněním koronárních
arterií i přímo infarktem v několika nedávných celogenomových studií [31, 32]. Gen ERLIN1 byl nedávno identifikován jako člen prohibitinové rodiny proteinů, které jsou
přítomny v lipidových raftech endoplazmatického retikula
[33]. Polymorfizmus genu FKBP5 může souviset se zvýšenou náchylností k posttraumatické stresové poruše [34].
Gen PRKDC je centrální regulátor při opravě porušené
dvoušroubovice DNA. Nízká exprese genu NPM1 se spojuje s diferenciací srdečních buněk [35], gen DUSP1 souvisí
s oxidativní stresovou odpovědí [36]. Pro geny ECHDC3
a ASPRV1 jsme nenašli žádné odkazy na případnou souvislost s kardiovaskulárními onemocněními.
7.3
AIMD6 vs. AIM
Tento kontrast odpovídá rozdílům v genových expresích mezi populací přeživších pacientů a populací pacientů, kteří zemřeli do 6 měsíců po akutním infarktu myokardu. Množina ]1 obsahuje geny, které vycházejí statisticky i klinicky významně při modelování pomocí limma.
Opakuje se zde několik prediktivních genů, které vyšly i u kontrastu „AIMD6 vs. Kontroly“ . Mezi ně patří
ADORA3, IL18RAP, ERLIN1, ASPRV1. Dále se opakuje
gen TCRB, který vyšel pro kontrast „AIM vs. Kontroly“ .
Geny TCRA, TCRB a AXIN2 jsou méně exprimované u
přeživších pacientů. Účastní se V(D)J rekombinací, diferenciací T-buněk a leukocytů, buněčně cytotoxicity a přenosu signálu. Dumont et al. [37] popsali souvislost mezi
polymorfismem genu ARG1, rizikem infarktu a tloušťkou lymfatických stěn. Harpster et al. [38] popsali gen
ARG1 jako jediný gen, který silně exprimuje u pacientů
po infarktu myokardu. Komplementární regulátor CD59
je účinný inhibitor komplexu Membrane Attack Complex
(MAC). Acosta et al. ukázali, že gen CD59 u diabetiků přispívá v endotelu k rozvoji vaskulárních komplikací [39].
Gen CD59 brání rozvoji aterosklerózy tím, že omezuje
MAC komplex [40]. Transkripční faktor ETS2 byl v nedávné době identifikován jako gen, který určuje zánětlivý
stav buněk endotelu ve vysoce aterosklerotických lezích
[41]. Meta-analýza 15 celogenomových studií [42] odhalila
menší počet genů včetně genu BCAT1, které jsou asociEJBI – Volume 8 (2012), Issue 1
ovány s klidovou srdeční frekvencí, která je prediktorem
kardiovaskulární mortality.
V naší studii jsme identifikovali množství genů a transkriptů, o kterých dosud nebylo známo, že by mohly souviset s výskytem akutního infarktu myokardu. Nyní popíšeme 4 geny více exprimované u AIMD6 než u AIM
(AMPH, FLT3, ZNF516) a 5 genů, které jsou naopak méně exprimované u AIMD6 než u AIM (AXIN2,
CLYBL, KIF20B, TCEA3, TCRA). Gen AMPH kóduje
amphiphysin-synaptický protein, který je asociován s malými puchýřky, souvisí se syndromem Stiff-Man a byl pozorován v C-terminální SH3 proteinové doméně. Vysoká
exprese genu FLT3 souvisí s aktivací krvetvorby, angiogenezí, diferenciací hematopoetických kmenových buněk, diferenciací makrofágů a interleukinu a aktivací NK buněk.
ZNF516 (zinc finger protein 516) je gen koordinující zinkové ionty při stabilizaci různých buněčných procesů. Gen
AXIN2 hraje důležitou roli při stabilizaci proteinu betakateninu. Gen CLYBL kóduje beta-podobný gen citrátové
lyáze. Gen KIF20B, který je v rámci kinezinové rodiny
genů označený jako 20B, je struktura potřebná pro dokončení procesu cytokineze. Skupina nízce exprimovaných
genů obsahuje gen TCEA3, který zajišťuje interakci s enzymem RNA polymeráza II během procesu transkripce.
Gen TCRA kóduje alfa-podjednotku T-buněčného receptoru.
Dále jsme identifikovali nové vysoce exprimované
geny (LOC645649, c13orf18, AW337887, c7orf53, c2orf58,
CN484989) i nové nízce exprimované geny (LOC130951,
CR596519, BM682470, CR592039, X00437), které jsou popsány v Tabulce 3. V nedávné době Puigdecanet et al.
[43] identifikovali gen C13orf18 jako část molekulové signatury, pro niž je charakteristická vysoká exprese zánětlivých genů, které souvisí s aktivací neutrofilů a trombózy.
Dobývání znalostí z anglicky psané medicínské literatury provedené u PubGene.com za pomoci MeSH pojmu
„infarkt myokardu“ a množiny genů, kterou jsme našli jako
prediktivní pro infarkt (Tabulka 3), poskytlo 10 genů nejvíce citovaných pro svůj vztah s infarktem spolu se 4 geny
(ADORA3, FOS, ARG1, CD 59) indikovanými též v naší
studii, které jsou k těmto genům vztaženy. Obrázek 2 ukazuje, že tyto 4 geny jsou propojeny s pozitivní regulací produkce interleukinu 12 (ADORA3), koregulací sekrece inzulínu (FOS), regulací reverzního transportu cholesterolu,
koregulací sekrece inzulínu. Dále s nimi souvisí absorpce
cholesterolu, kontrakce srdečních buněk, biosyntéza glykoproteinu (ARG1) a aktivace komplexu atakujícího membránu (CD59). Obrázek S1 v příloze [44] odhaluje vztahy
těchto čtyř genů s dalšími geny. Biologické procesy asociované s geny z Tabulky 3 jsou popsány v Tabulce S13
v příloze [44].
Množiny genů asociované s výskytem infarktu myokardu v jiných studiích se shodují s našimi jen částečně.
To lze do jisté míry vysvětlit odlišnostmi v návrhu studie, studované populaci a odpovídajících velikostech výběrů, použitím nehomogenních podskupin (pacienti s diabetem a bez diabetu), populačním rozdělením odpovídajících rizikových faktorů, terapií (zejména použitím stac
2012
EuroMISE s.r.o.
cs21
Valenta a kol. – Genetické faktory pro AIM
Obrázek 2: Rešerše v literatuře odhaluje 10 genů, které jsou nejčastěji citované pro svůj vztah k infarktu myokardu. Obrázek
ukazuje jejich vztah k prediktivním genům identifikovaným v Tabulce 3.
tinů), kritérii pro vyloučení vzorků, existencí dalších prů- Prohlášení o střetu zájmů
vodních onemocnění a dalších zánětlivých stavů, srdečním
selháním, kouřením, rozsahem nekoronární aterosklerózy
Autorský tým prohlašuje, že v souvislosti s článkem
a zkoumáním oběhových buněk a dalších buněk ve tká- nemá žádný střet zájmů.
ních.
Kvůli výrazným nákladům mikročipových analýz byla
naše studie omezena na poměrně malé velikosti výběrů.
Očekáváme, že syntéza genetické a klinické informace nasbírané z genomických studií vylepší personalizované přístupy k analýze rizika kardiovaskulárních onemocnění.
Genetické rizikové skóry odvozené z několika funkcionálních jednonukleotidových polymorfizmů (SNP) nebo haplotypů z několika genů mohou vylepšit predikci kardiovaskulárních onemocnění.
Poděkování
Každý, kdo významně přispěl ke vzniku článku, splňuje kritéria pro autorství a je uveden jako (spolu)autor
článku.
Zdroje financování
Práce na projektu byla podpořena grantem 1M06104
Ministerstva školství, mládeže a tělovýchovy České republiky.
c
2012
EuroMISE s.r.o.
Literatura
[1] Taurino C. Miller WH, McBride MW, McClure JD, Khanin
R, Moreno MU, Dymott JA, Delles C, Dominiczak AF. Gene
expression profiling in whole blood of patients with coronary
artery disease. Clin Sci (Lond). 2010 Jul 9;119(8):335-43
[2] R Development Core Team. R: A language and environment for statistical computing. R Foundation for Statistical
Computing. 2010, Vienna, Austria. ISBN 3-900051-07-0, URL
http://www.R-project.org/.
[3] Gentleman RC, Carey VJ, Bates DM, Bolstad B, Dettling M,
Dudoit S, Ellis B, Gautier L, Ge Y, Gentry J, Hornik K, Hothorn T, Huber W, Iacus S, Irizarry R, Leisch F, Li C, Maechler M, Rossini AJ, Sawitzki G, Smith C, Smyth G, Tierney
L, Yang JY, Zhang J. Bioconductor: open software development for computational biology and bioinformatics. Genome
Biology. 2004; 5(10):R80.
[4] Dunning MJ, Smith ML, Ritchie ME, Tavaré S. beadarray: R
Classes and Methods for Illumina Bead-based Data. Bioinformatics. 2007; 23(16):2183–4, 2007.
[5] Cairns JM, Dunning MJ, Ritchie ME, Russell R., Lynch AG.
BASH: a tool for managing BeadArray spatial artefacts. Bioinformatics (Oxford, England). 2008; 24(24):2921–2922.
EJBI – Volume 8 (2012), Issue 1
cs22
Valenta a kol. – Genetické faktory pro AIM
[6] Silver JD, Ritchie ME, Smyth GK. Microarray background
correction: maximum likelihood estimation for the normalexponential convolution. Biostatistics. 2009 Apr;10(2):352-63.
[18] Wojakowski W, Ratajczak MZ, Tendera M. Mobilization of
very small embryonic-like stem cells in acute coronary syndromes and stroke. Herz. 2010 Oct;35(7):467-72.
[7] Smyth GK. Limma: Linear Models for Microarray Data. In R.
Gentleman, V. Carey, S. Dudoit, and W. Huber R. Irizarry,
editors, Bioinformatics and Computational Biology Solutions
using R and Bioconductor. 2005; pp. 397–420. Springer, New
York.
[19] Inouye M, Silander K, Hamalainen E, Salomaa V, Harald K,
Jousilahti P, Männistö S, Eriksson JG, Saarela J, Ripatti S,
Perola M, van Ommen G-JB, Taskinen M-R, Palotie A, Dermitzakis ET, Peltonen L. An Immune Response Network Associated with Blood Lipid Levels. PLoS Genet. 2010; 6(9).
[8] Storey JD. The Positive False Discovery Rate: a Bayesian Interpretation and the q-value. The Annals of Statistics. 2003;
31(6):2013–2035.
[9] Tibshirani R, Hastie T, Narasimhan B, Chu G. Diagnosis of
multiple cancer types by shrunken centroids of gene expression. Proceedings of the National Academy of Sciences of the
United States of America. 2002; 99(10):6567–6572.
[10] Dampney RA, Horiuchi J. Functional organisation of central
cardiovascular pathways: studies using c-fos gene expression.
Prog Neurobiol. 2003 Dec;71(5):359-84.
[11] Nitto T, Inoue T, Node K. Alternative spliced variants in the
pantetheinase family of genes expressed in human neutrophils.
Gene. 2008; 426(1-2):57–64.
[12] Martin F, Malergue F, Pitari G, Philippe JM, Philips S,
Chabret C, Granjeaud S, Mattei MG, Mungall AJ, Naquet
P, Galland F. Vanin genes are clustered (human 6q22-24 and
mouse 10A2B1) and encode isoforms of pantetheinase ectoenzymes. Immunogenetics. 2001 May-Jun;53(4):296-306.
[13] Miyazaki K, Nagase T, Mesaki M, Narukawa J, Ohara O,
Ishida N. Phosphorylation of clock protein PER1 regulates its
circadian degradation in normal human fibroblasts. Biochem
J. 2004 May 15;380(Pt 1):95-103.
[14] Bowden KL, Bilbey NJ, Bilawchuk LM, Boadu E, Sidhu R,
Ory DS, Du H, Chan T, Francis GA. Lysosomal acid lipase
deficiency impairs regulation of ABCA1 gene and formation of
high density lipoproteins in cholesteryl ester storage disease. J
Biol Chem. 2011 Sep 2;286(35):30624-35. Epub 2011 Jul 10.
[15] Coronary Artery Disease (C4D) Genetics Consortium. A
genome-wide association study in Europeans and South Asians
identifies five new loci for coronary artery disease. Nat Genet.
2011 Mar 6;43(4):339-44.
[16] Wild PS, Zeller T, Schillert A, Szymczak S, Sinning CR, Deiseroth A, Schnabel RB, Lubos E, Keller T, Eleftheriadis MS,
Bickel C, Rupprecht HJ, Wilde S, Rossmann H, Diemert P,
Cupples LA, Perret C, Erdmann J, Stark K, Kleber ME, Epstein SE, Voight BF, Kuulaasma K, Li M, Schäfer AS, Klopp
N, Braund PS, Sager HB, Demissie S, Proust C, König IR,
Wichmann HE, Reinhard W, Hoffmann MM, Virtamo J, Burnett MS, Siscovick D, Wiklund PG, Qu L, El Mokthari NE,
Thompson JR, Peters A, Smith AV, Yon E, Baumert J, Hengstenberg C, März W, Amouyel P, Devaney J, Schwartz SM, Saarela O, Mehta NN, Rubin D, Silander K, Hall AS, Ferrieres J,
Harris TB, Melander O, Kee F, Hakonarson H, Schrezenmeir
J, Gudnason V, Elosua R, Arveiler D, Evans A, Rader DJ,
Illig T, Schreiber S, Bis JC, Altshuler D, Kavousi M, Witteman JC, Uitterlinden AG, Hofman A, Folsom AR, Barbalic M,
Boerwinkle E, Kathiresan S, Reilly MP, O’Donnell CJ, Samani
NJ, Schunkert H, Cambien F, Lackner KJ, Tiret L, Salomaa
V, Munzel T, Ziegler A, Blankenberg S. A Genome-wide Association Study Identifies LIPA as a Susceptibility Gene for
Coronary Artery Disease. Circ Cardiovasc Genet. 2011 May
23.
[17] Ligon KL, Fancy SP, Franklin RJ, Rowitch DH. Olig
gene function in CNS development and disease. Glia. 2006
Jul;54(1):1-10.
EJBI – Volume 8 (2012), Issue 1
[20] Takeda N, Maemura K, Imai Y, Harada T, Kawanami D, Nojiri T, Manabe I, Nagai R. Endothelial PAS domain protein
1 gene promotes angiogenesis through the transactivation of
both vascular endothelial growth factor and its receptor, Flt1. Circ Res. 2004; 95(2): 146-53.
[21] Castillo L, Rohatgi A, Ayers CR, Owens AW, Das SR, Khera
A, McGuire DK, de Lemos JA. Associations of four circulating
chemokines with multiple atherosclerosis phenotypes in a large
population-based sample: results from the dallas heart study.
J Interferon Cytokine Res. 2010 May;30(5):339-47.
[22] Chen Y, Xu H, Liu J, Zhang C, Leutz A, Mo X. The c-Myb
functions as a downstream target of PDGF-mediated survival
signal in vascular smooth muscle cells. Biochem Biophys Res
Commun. 2007 Aug 24;360(2):433-6.
[23] Liang BT, Jacobson KA. A physiological role of the adenosine
A3 receptor: sustained cardioprotection. Proc Natl Acad Sci U
S A. 1998 Jun 9;95(12):6995-9.
[24] Liangos O, Domhan S, Schwager C, Zeier M, Huber PE,
Addabbo F, Goligorsky MS, Hlatky L, Jaber BL, Abdollahi
A. Whole blood transcriptomics in cardiac surgery identifies
a gene regulatory network connecting ischemia reperfusion
with systemic inflammation. PloS one. 2010; 5(10).
[25] Mallat Z, Corbaz A, Scoazec A, Besnard S, Les?che G,
Chvatchko Y, Tedgui A. Expression of interleukin-18 in human atherosclerotic plaques and relation to plaque instability.
Circulation. 2001 Oct 2;104(14):1598-603.
[26] Rosenberg S, Elashoff MR Beineke P Daniels SE, Wingrove
JA,Tingley WG, Sager PT, Sehnert AJ, Yau M,Kraus WE,
Newby LK, Schwarz RS,Voros S, Ellis SG, Tahirkheli N,
Waksman R, McPherson J, Lansky A,Winn ME, Schork
NJ,Topol EJ,for the PREDICT (Personalized Risk Evaluation
and Diagnosis in the Coronary Tree) Investigators* Multicenter Validation of the Diagnostic Accuracy of a BloodBased Gene Expression Test for Assessing Obstructive Coronary Artery Disease in Nondiabetic Patiens. Ann Intern Med.
2010;153:425-434.
[27] Tiret L, Godefroy T, Lubos E, Nicaud V, Tregouet DA, Barbaux S, Schnabel R, Bickel C, Espinola-Klein C, Poirier O,
Perret C, Münzel T, Rupprecht HJ, Lackner K, Cambien
F, Blankenberg S; AtheroGene Investigators. Genetic analysis of the interleukin-18 system highlights the role of the
interleukin-18 gene in cardiovascular disease. Circulation. 2005
Aug 2;112(5):643-50.
[28] Uchida T, Nakao A, Nakano N, Kuramasu A, Saito H, Okumura K, Ra C, Ogawa H. Identification of Nash1, a novel protein containing a nuclear localization signal, a sterile alpha motif, and an SH3 domain preferentially expressed in mast cells.
Biochem Biophys Res Commun. 2001 Oct 19;288(1):137-41.
[29] Lautier C, El Mkadem SA, Renard E, Brun JF, Gris JC, Bringer J, Grigorescu F. Complex haplotypes of IRS2 gene are associated with severe obesity and reveal heterogeneity in the effect
of Gly1057Asp mutation. Hum Genet. 2003 Jul;113(1):34-43.
[30] Okazawa K, Yoshimasa Y, Miyamoto Y, Takahashi-Yasuno A,
Miyawaki T, Masuzaki H, Hayashi T, Hosoda K, Inoue G, Nakao K. The haplotypes of the IRS-2 gene affect insulin sensitivity in Japanese patients with type 2 diabetes. Diabetes Res
Clin Pract. 2005 Apr;68(1):39-48.
c
2012
EuroMISE s.r.o.
Valenta a kol. – Genetické faktory pro AIM
[31] Ripatti S, Tikkanen E, Orho-Melander M, Havulinna AS, Silander K, Sharma A, Guiducci C, Perola M, Jula A, Sinisalo J,
Lokki ML, Nieminen MS, Melander O, Salomaa V, Peltonen L,
Kathiresan S. A multilocus genetic risk score for coronary heart
disease: case-control and prospective cohort analyses. Lancet.
2010 Oct 23;376(9750):1393-400.
[32] Lluís-Ganella C, Lucas G, Subirana I, Sentí M, Jimenez-Conde
J, Marrugat J, Tomás M, Elosua R. Additive effect of multiple
genetic variants on the risk of coronary artery disease. Rev Esp
Cardiol. 2010 Aug;63(8):925-33.
[33] Browman DT, Resek ME, Zajchowski LD, Robbins SM. Erlin1 and erlin-2 are novel members of the prohibitin family of
proteins that define lipid-raft-like domains of the ER. J Cell
Sci. 2006 Aug 1;119(Pt 15):3149-60.
[34] Gillespie CF, Phifer J, Bradley B, Ressler KJ. Risk and resilience: genetic and environmental influences on development
of the stress response. Depress Anxiety. 2009; 26(11): 984-92.
Review.
[35] Zhang SX, Garcia-Gras E, Wycuff DR, Marriot SJ, Kadeer N,
Yu W, Olson EN, Garry DJ, Parmacek MS, Schwartz RJ. Identification of direct serum-response factor gene targets during
Me2SO-induced P19 cardiac cell differentiation. J Biol Chem.
2005 May 13;280(19):19115-26.
[36] Liu C, Shi Y, Du Y, Ning X, Liu N, Huang D, Liang J, Xue
Y, Fan D. Dual-specificity phosphatase DUSP1 protects overactivation of hypoxia-inducible factor 1 through inactivating
ERK MAPK. Exp Cell Res. 2005 Oct 1;309(2):410-8.
[37] Dumont J, Zureik M, Cottel D, Montaye M, Ducimeti?re
P, Amouyel P, Brousseau T. Association of arginase 1 gene
polymorphisms with the risk of myocardial infarction and
common carotid intima media thickness. J Med Genet. 2007
Aug;44(8):526-31.
[38] Harpster MH, Bandyopadhyay S, Thomas DP, Ivanov PS, Keele JA, Pineguina N, Gao B, Amarendran V, Gomelsky M,
McCormick RJ, Stayton MM.Earliest changes in the left ventricular transcriptome postmyocardial infarction. Mamm Genome. 2006 Jul;17(7):701- 15.
c
2012
EuroMISE s.r.o.
cs23
[39] Acosta J, Hettinga J, Flückiger R, Krumrei N, Goldfine A,
Angarita L, Halperin J. Molecular basis for a link between
complement and the vascular complications of diabetes. Proc
Natl Acad Sci USA. 2000 May 9;97(10):5450-5.
[40] Wu G, Hu W, Shahsafaei A, Song W, Dobarro M, Sukhova
GK, Bronson RR, Shi GP, Rother RP, Halperin JA, Qin X.
Complement Regulator CD59 Protects Against Atherosclerosis by Restricting the Formation of Complement Membrane
Attack Complex Circulation Research 2009, 104:550-558.
[41] Cheng C, Tempel D, Den Dekker WK, Haasdijk R, Chrifi I,
Bos FL, Wagtmans K, van de Kamp EH, Blonden L, Biessen EA, Moll F, Pasterkamp G, Serruys PW, Schulte-Merker
S, Duckers HJ. Ets2 determines the inflammatory state of endothelial cells in advanced atherosclerotic lesions. Circ Res.
2011 Aug 5;109(4):382-95.
[42] Eijgelsheim M, Newton-Cheh C, Sotoodehnia N, de Bakker PI,
Müller M, Morrison AC, Smith AV, Isaacs A, Sanna S, Dörr M,
Navarro P, Fuchsberger C, Nolte IM, de Geus EJ, Estrada K,
Hwang SJ, Bis JC, Rückert IM, Alonso A, Launer LJ, Hottenga
JJ, Rivadeneira F, Noseworthy PA, Rice KM, Perz S, Arking
DE, Spector TD, Kors JA, Aulchenko YS, Tarasov KV, Homuth G, Wild SH, Marroni F, Gieger C, Licht CM, Prineas RJ,
Hofman A, Rotter JI, Hicks AA, Ernst F, Najjar SS, Wright
AF, Peters A, Fox ER, Oostra BA, Kroemer HK, Couper D,
Völzke H, Campbell H, Meitinger T, Uda M, Witteman JC,
Psaty BM, Wichmann HE, Harris TB, Kääb S, Siscovick DS,
Jamshidi Y, Uitterlinden AG, Folsom AR, Larson MG, Wilson
JF, Penninx BW, Snieder H, Pramstaller PP, van Duijn CM,
Lakatta EG, Felix SB, Gudnason V, Pfeufer A, Heckbert SR,
Stricker BH, Boerwinkle E, O’Donnell CJ. Genome-wide association analysis identifies multiple loci related to resting heart
rate. Hum Mol Genet. 2010 Oct 1;19(19):3885-94.
[43] Puigdecanet E, Espinet B, Lozano JJ, Sumoy L, Bellosillo
B, Arenillas L, Alvarez-Larrán A, Solé F, Serrano S, Besses C, Florensa L. Gene expression profiling distinguishes
JAK2V617F-negative from JAK2V617F-positive patients in
essential thrombocythemia. Leukemia. 2008 Jul;22(7):1368-76.
[44] Valenta, Z. Genetic determinants of AMI: Supplemental Material. [online]. 2012 [cited 2012 Dec 30]. Available from:
http://www.ejbi.org/img/ejbi/2012/1/att/Valenta.pdf
EJBI – Volume 8 (2012), Issue 1