TMAO és szív- és érrendszeri betegségek • Paleo Alapítvány

Kraus a klinikai hasznosságot a következőképpen írja le: „Mennyire javítja a teszt a betegek kimenetelét, erősíti meg vagy változtatja meg a diagnózist, határozza meg a megfelelő terápiát vagy azonosítja a betegség kockázatának kitett személyeket – szükséges annak meghatározásához, hogy a teszt mennyire egyensúlyban tartja az előnyöket és a károkat, ha betegen használják. menedzsment. A biomarker minősítésétől elkülönülő folyamat szabályozza a biomarker orvosi vizsgálatként történő jóváhagyását.” Mindezen jellemzők nagyobb valószínűséggel teljesülnek, ha a biomarker a betegség okozati útjában van [Figure 3].

Tehát, ha feltételezzük, hogy a TMAO a szív- és érrendszeri betegségek okozati útjában áll, akkor elméletileg pontosan előre kell jeleznie a CVD kockázatát, és a TMAO-szintek bizonyos beavatkozásokkal történő csökkentése a szív- és érrendszeri betegségek kockázatát is csökkenti. A TMAO mint biomarker szakirodalma azonban előzetes és vegyes [Barrea 2018; Chhibber-goel 2017; Fogelman 2015; Janeiro 2018]. Ennek ellenére ez nem akadályozta meg a kutatókat abban, hogy stratégiákat dolgozzanak ki a TMAO képződés csökkentésére. Például vessen egy pillantást néhány javasolt beavatkozásra [Table 1] lent [Velasquez 2016].

Bár ezek közül sok alacsony költségű beavatkozásnak tűnhet minimális mellékhatásokkal, egyes beavatkozások, például az antibiotikumok szedése súlyosabb következményekkel is járhatnak, és csak akkor érdemes megfontolni, ha a TMAO az ok-okozati útvonal érvényes markere.

ÖSSZEFÜGGÉSEK A TMAO-val

A TMAO számos jellemzője ütközik az ismert eredményekkel. Például a halak és más tenger gyümölcsei tartalmazzák a legtöbb szabad TMAO-t, ennek ellenére számos prospektív tanulmány kimutatta, hogy ezek az élelmiszerek pozitív szív- és érrendszeri betegségekhez kapcsolódnak. [Cho 2017; Zeisel 2003; Zhang 1999]. Az egyik lehetséges magyarázat az lehet, hogy ezek a megfigyelési vizsgálatok egyszerűen megbízhatatlanok, és túl sok mérési hibától és analitikai rugalmasságtól szenvednek. [Keogh 2014; Patel 2015]. Azonban még randomizált, kontrollált keresztezett vizsgálatok is kimutatták, hogy a sovány fehér hal csökkenti a lipidek szintjét, amelyek a szív- és érrendszeri betegségek kockázati tényezői. [Aadland 2015].

Egyesek azzal érvelnek, hogy a halakban található omega-3 zsírsavak és más vegyületek ellensúlyozzák a TMAO káros hatásait, azonban ezek nagy része spekulatív.

Azok, akik továbbra is szkeptikusak a TMAO-val kapcsolatban, úgy vélik, hogy ez egy zavaró tényező, és bizonyos mikrobák jelenléte az, amely hozzájárul a CVD patológiájához, és ezek a mikrobák történetesen TMAO-t is termelnek. [Cho 2017; Landfald 2017]. Ezt a perspektívát láthatjuk az alábbi oksági diagrammal megjelenítve [Diagram 3].

Nehéz igazán megismerni a TMAO szerepét a szív- és érrendszeri betegségek patológiájában anélkül, hogy egy randomizált vizsgálat nélkül kifejezetten manipulálná a TMAO-szinteket és megvizsgálná a klinikai végpontokat. Szerencsére egy nemrég megjelent tanulmány [Jia 2019] erőteljes kialakításával a következő legjobb dolgot kínálja számunkra.

MENDELI RANDOMIZÁCIÓ

A megfigyeléses vizsgálatokban, ahol az expozíció általában nem véletlenszerű, az ok-okozati következtetések levonásának képességét általában korlátozzák a rejtett zavaró tényezők, a fordított ok-okozati összefüggés, a mérési hiba és a szelekciós torzítás, még akkor is, ha olyan összetett módszereket alkalmaznak, amelyek megpróbálják a csoportokat összehasonlíthatóvá tenni. lehetséges. Azonban egy viszonylag új vizsgálati terv, az úgynevezett mendeli randomizáció, lehetőséget kínál ezeknek a kérdéseknek a megoldására [Haycock 2016].

Az ökonometriában kifejlesztett technikát, az úgynevezett műszeres változóelemzést alkalmazza, ahol bizonyos eszközöket, például az expozícióhoz kapcsolódó géneket a TMAO, a kolin, a betain és a karnitin expozíciók helyettesítőjeként használnak. A megfigyeléses vizsgálatok során nem tudunk véletlenszerűen mintát venni vagy hozzárendelni a TMAO-t és prekurzorait (gyakorlatilag), és nem nézhetjük meg a klinikai végpontokat, de támaszkodhatunk Mendel öröklődésének első és második törvényére, mivel a sejtmeiózis során az allélok véletlenszerűen szegregálódnak és válogatottak, így Valószínűtlen, hogy sok öröklött genotípus populációszintű zavaró tényezőkkel jár.

Egy mendeli randomizációs vizsgálat során, miután az eszközökről (bizonyos génekről) ismert, hogy érvényesek, megvizsgálják, hogy összefüggésben vannak-e az érdeklődésre számot tartó kimenetelekkel, például a szív- és érrendszeri betegségek eseményeivel. Ez a módszer hatékony, mivel a véletlenszerű válogatás sok olyan problémával foglalkozik, amelyre a statisztikai módszerek nem képesek.

Kutatók egy csoportja a közelmúltban ezt a megközelítést használta a TMAO, a kolin, a betain és a karnitin közötti összefüggések tesztelésére, valamint olyan eredményekre, mint a szív- és érrendszeri betegségek, a 2-es típusú cukorbetegség kockázata és a krónikus vesebetegség. A kutatók az egész genomra kiterjedő asszociációs tanulmányok publikált adatbázisait keresték, hogy olyan genetikai változatokat keressenek, amelyek kapcsolatban állnak a kitettséggel (TMAO, kolin, betain, karnitin) a műszerük előállításához. Olyan egynukleotidos polimorfizmusokat (SNP-ket) választottak ki, amelyek megfeleltek a genomszintű asszociációs szignifikancia szintnek (p < 0,000005), mivel ezek nagyobb valószínűséggel replikálhatók. Ezeket az eszközöket ezután tesztelték a klinikai eredményekkel való összefüggésre. Sajnos nincs ingyen ebéd, még a mendeli randomizációs vizsgálatokban sem. Ahhoz, hogy az eszköz érvényes legyen, meg kell felelnie bizonyos feltételezéseknek [Haycock 2016]:

1. A műszer (a gének) és az eredmények közötti kapcsolat csak azon az expozíción keresztül történhet, amelyhez a gének kapcsolódnak. Ez azt jelenti, hogy ha a gének/SNP-k (mint azok, amelyek TMAO-t termelnek) más módon befolyásolják az eredményt (CVD), akkor az eszköz érvénytelen.

2. A géneknek valóban kapcsolódniuk kell az érdeklődés kitettségéhez. Ez azt jelenti, hogy a műszerben használt géneknek valóban meg kell magyarázniuk az expozíciós eltérések egy részét (mint például a kolin, a betain, a karnitin és a TMAO).

3. A gének nem társíthatók nem mért zavaró tényezőkkel, amelyek az expozícióhoz és az eredményhez kapcsolódnak. Ezek a feltételezések az eredeti papírról készült képen láthatók [Jia 2019] [Diagram 4].

A kutatók megbizonyosodtak arról, hogy genetikai variánsaik megfelelnek ezeknek a feltételezéseknek azáltal, hogy megvizsgálták a genetikai változatok és a metabolitok közötti asszociáció erősségét, és kiválasztották a független SNP-ket, amelyek a legerősebb asszociációkkal (legalacsonyabb P-értékkel) rendelkeznek az egyes változatok esetében. Ennek a megközelítésnek az a hátránya, hogy az eszközöket is gyengítheti, mivel biztosan vannak olyan SNP-k, amelyek alacsonyabb tesztstatisztikával rendelkeznek, amelyek még mindig jelentős eltéréseket magyarázhatnak. A szerzők elmagyarázzák, hogy mekkora metabolitvarianciát magyaráznak a kiválasztott SNP-ik:

„Genetikai elemzésünk kimutatta, hogy a betain 15,4%-a, a karnitin 17,1%-a, a kolin 8,0%-a és a TMAO 9,6%-a az SNP-vel magyarázható.”

A szerzők az alfa-szintjüket P ≤ 0,0005-re (0,05/100) határozták meg Bonferroni-korrekció után többszörös összehasonlításra, és a ≤ 0,05-ös eredményeket összefüggésre utaló jelnek tekintették. Apriori teljesítményelemzést végeztek 0,05-ös alfa-szinttel, hogy kimutathassák a kardiometabolikus események valószínűségének legalább 30%-os növekedését az étrendi szubsztrátok és metabolitok esetében. Az MR teljesítmény számítások azt mutatták, hogy 87%, 84%, 78%, 81% teljesítményünk van a betain, a karnitin, a kolin és a TMAO kardiometabolikus eseményekre gyakorolt ​​szignifikáns (P<0,05) okozati hatásának (OR=1,3) tesztelésére.

A statisztikai erő és a statisztikai szignifikancia a legtöbb megfigyelési vizsgálatban kisebb súllyal bír, mivel nincs véletlenszerű mechanizmus. Grönland (1990) szerint a véletlenszerűsítés jelenti a kulcsfontosságú kapcsolatot a következtetési statisztikák és az oksági paraméterek között [Greenland 1990]. A következtetési statisztikák, például a P-értékek, a konfidenciaintervallumok és a valószínűségi arányok nagyon korlátozott jelentéssel bírnak az ok-okozati elemzésben, ha az expozíció-hozzárendelés mechanizmusa nagyrészt ismeretlen vagy nem véletlenszerű. Az a benyomásom, hogy az ilyen statisztikák gyakran csak a randomizált vizsgálatokban megfelelő tekintélyt kapnak.

Mivel azonban itt van egy véletlenszerű folyamat (az allélok véletlenszerű válogatása a meiózis során), a szerzők indokoltabbak lehetnek a statisztikai hipotézisek tesztelésében, és az erőre és a szignifikanciára összpontosítva. Természetesen ez nem bátorítás arra, hogy értelmetlen dichotóm döntéseket hozz az összes adat megvizsgálása nélkül.

EREDMÉNYEK

A genetikailag megjósolt magasabb TMAO esetében a kardiometabolikus kimenetelekkel való összefüggések egyike sem volt statisztikailag szignifikáns [Figure 5]. Bár a krónikus vesebetegség és a szívinfarktus esetében kismértékben nőtt az esély (8%), és az intervallumok becslései meglehetősen szélesek voltak, a szívizominfarktus és a krónikus vesebetegség esetében 60%-kal, illetve 99%-kal nőtt az esély. kompatibilis az adatokkal.

A genetikailag megjósolt kolin esetében 84%-kal nőtt a 2-es típusú cukorbetegség esélye 1,84, (95% CI: 1,00, 3,42) (P = 0,05), a betain esetében pedig 32%-kal csökkent a 2-es típusú cukorbetegség esélye cukorbetegség 0,68 (95%-os CI: 0,48, 0,95) (P = 0,023).

Mivel ez a tanulmány egy kétirányú mendeli randomizációs vizsgálat volt, a szerzők képesek voltak eszközöket használni a kitettségekhez és az eredményekhez, hogy felmérjék az ok-okozati hatásokat mindkét irányban. Az alábbiakban egy diagramot mutatunk be arról, hogy ez hogyan néz ki, Haycock et al. [Haycock 2016] [Diagram 5].

A kétirányú mendeli randomizációban, ha egy tulajdonság (T1) ok-okozati összefüggésben van egy másikkal (T2), akkor a T1-hez (G1) társított genetikai változat mind a T1-hez, mind a T2-hez kapcsolódik. A fordított (szürke szaggatott vonal) azonban nem lesz igaz, és a T2-vel kapcsolatos genetikai változat (G2) nem lesz társítva T1-hez, hacsak a kapcsolat nem valóban kétirányú. [Haycock 2016].

Tovább vizsgáltuk a kardiometabolikus betegségek bél-dependens metabolitokra gyakorolt ​​okozati hatását. Megállapítottuk, hogy a T2DM ok-okozati összefüggésben áll az alacsonyabb betainnal (béta: -0,111, SE: 0,035, P=0,002) és a magasabb TMAO-szintekkel (0,13±0,036, P<0,0001) minden 1 egységgel magasabb log odds esetén. A CKD ok-okozati összefüggést mutatott a magasabb TMAO-szintekkel (0,483±0,168, P=0,004) minden 1 egységgel magasabb log odds esetén. Ez logikus, mivel a TMAO-szintet a vese tartja fenn, és a krónikus vesebetegség magasabb TMAO-szinthez vezet a vérben. Tehát bár a korábbi tanulmányok gyakran találtak asszociációkat, a kapcsolat iránya (lásd alább) az ellenkezője volt [Diagram 6].

A szerzők a következő gyakorlati ajánlásokkal zárják:

„A mendeli randomizációs vizsgálatokban használt genetikai eszközöket előre meg kell határozni az adatgyűjtés és -elemzés előtt. Az alapul szolgáló IV feltételezéseket amennyire csak lehetséges, alaposan meg kell vizsgálni.”

„A mintaméreteket lehetőség szerint úgy kell megválasztani, hogy az F várható értéke 10-nél nagyobb legyen. Az F statisztikát idézni kell a vizsgálati eredmények jelentésekor, de az F statisztikát vagy az adatokban szereplő műszererősség egyéb mérőszámait nem szabad meghatározni az alkalmazott elemzést.”

„Ahol lehetséges problémák merülnek fel a gyenge műszerekkel, az eredményeket érzékenységi elemzésekkel kell értékelni torzítás szempontjából, a genetikai asszociáció modelljében szereplő különféle feltételezések és az IV-elemzési módszerek, például a LIML felhasználásával.”

VITA

Bár ez a tanulmány meggyőző, egymásnak ellentmondó adatokat közöl, következtetéseit bizonyos módszertani választások is korlátozzák. Például a szerzők úgy döntöttek, hogy a genomszintű szignifikancia szintet (P < 0,000005) használják az expozícióhoz társított SNP-k kiválasztásához, ami gyengébb eszközökhöz vezetett volna, amelyek a nulla felé torzíthatták volna az asszociációkat.

Burgess & Thompson, 2011, elegánsan írja le ezt a Statistics in Medicine című tanulmányában [Burgess 2011.] A „gyenge eszköz” olyan eszköz, amelynél az (X) fenotípussal való kapcsolat statisztikai bizonyítéka nem erős. Egy műszer akkor lehet gyenge, ha kis mértékben megmagyarázza a fenotípus változását, ahol a „kicsinek” definiált mennyiség a minta méretétől függ. Az F statisztikát az X regressziójának első szakaszában G-n általában egy eszköz erősségének mértékeként idézik.

Bár az IV módszerek aszimptotikusan torzítatlanok, szisztematikus véges minta torzítást mutatnak. Ez a „gyenge műszerelfogultság” néven ismert torzítás a fenotípus és az eredmény közötti zavaros megfigyelési összefüggés irányába mutat, és az eszköz erősségétől függ. A gyenge eszközök alulbecsült konfidenciaintervallumokkal és rossz lefedettséggel is járnak.

Általánosan idézett kritérium, hogy egy eszköz gyenge, ha a G–X regresszióban az F statisztika kisebb, mint 10. Az F>10-es eszközök használata azonban csak egy bizonyos szint alá csökkenti a torzítást, és a gyenge eszköz torzítással kapcsolatos problémák továbbra is fennállnak. előfordul.

E korlátok ellenére a tanulmány kimutatta, hogy nagyon csekély összefüggés van az érdeklődésre számot tartó expozíció és a klinikai eredmények között, amelyek gyakran nagyok voltak szinte minden kohorszvizsgálatban, valószínűleg a zavaró tényezők miatt. Ezenkívül a tanulmány megállapította, hogy a 2-es típusú cukorbetegség és a krónikus vesebetegség okozati összefüggésben áll a TMAO-szinttel, és ezzel a fordított ok-okozati összefüggés problémájával foglalkozik, amellyel a korábbi kohorszvizsgálatok találkoztak.

Az ehhez hasonló eredményekből látható, hogy mennyire nehéz meghatározni az étrend-egészségügyi kapcsolatok természetét. Bár léteznek érvényes mechanizmusok, amelyek révén a TMAO hozzájárulhat a kardiometabolikus betegségekhez, számos más zavaró mechanizmus is megmagyarázhatja az expozíció és az eredmény közötti összefüggéseket. Véletlenszerű mechanizmusok hiányában nagyon nehéz megérteni a hatások irányát ilyen összetett helyzetekben.

Annak ellenére, hogy a mechanisztikus tanulmányok, kohorsz tanulmányok és randomizált vizsgálatok támogatták az élelmiszerek TMAO-szintekre gyakorolt ​​hatását, ennek a véletlenszerű mechanizmusú vizsgálatnak az eredményei erősen azt sugallják, hogy az ok-okozati összefüggés ellentétes irányú. Ez azonban csak egy tanulmány és egy kis darabja a kirakósnak. A véletlenszerű mechanizmusokkal végzett jövőbeni vizsgálatoknak (legyen szó akár mendeli randomizációs vizsgálatokról, akár randomizált vizsgálatokról) meg kell ismételni ezeket az eredményeket.

SZERZŐI MEGJEGYZÉS

„Egy klinikai vizsgálat, amely megrázta a kardiológia lényegét, az 1991-ben befejezett Cardiac Arrhythmia Suppression Trial (CAST) volt (Echt et al. 1991). A CAST-kísérletben tesztelt terápiákról ismert volt, hogy megállítják a hirtelen szívhalálért felelősnek tartott aritmiákat, amelyek percenként több mint egy ember halálát okozták, vagyis naponta körülbelül 1200-at. A CAST feltárta, hogy ezek a gyógyszerek, az Egyesült Államokban a legszélesebb körben felírt gyógyszerek csaknem megnégyszerezték a hirtelen halálozási arányt, és több amerikait öltek meg az előző évtizedben, mint amennyi a legtöbb háborúban halt meg.”

„Ez hatékonyabban tanította meg a kardiológus közösséget a helyettesítő végpontok használatának veszélyére és a mechanisztikus tudás megbízhatatlanságára, mint ezer előadás, előadás vagy ok-okozati diagram. Mégis kevés más tudományterületen dolgozó orvos tud róla, és megtanulta a leckét. Ezeknek a többi területnek megvannak a maguk története, de még a legdrámaibbak is, mint például a Duke „omics” története (Micheel et al. 2012), kevéssé ismertek saját területükön kívül.”

Zad Rafi BSc. Idegtudomány. Szabványügyi Osztály, a Paleo Alapítvány. New York, NY, USA.