A fogyás előtti zsírgén-expresszió megkülönböztetheti és gyengén megjósolja az étrendi válaszadókat

INSERM, Nutriomique U872, Párizs, Franciaország, Centre de Recherche des Cordeliers, Pierre és Marie Curie Egyetem, UMR S 872, Párizs, Franciaország, Laboratoire d'Informatique Medicale és Bio-Informatique (LIM & BIO) EA3969, Párizs Északi Egyetem, Bobigny, Franciaország

Társulások INSERM, Nutriomique U872, Párizs, Franciaország, Centre de Recherche des Cordeliers, Pierre és Marie Curie Egyetem, UMR S 872, Párizs, Franciaország, Université Paris Descartes, UMR S 872, Párizs, Franciaország, Assistance Publique-Hôpitaux de Paris (AP -HP), Pitié Salpêtrière Kórház, Táplálkozási és Endokrinológiai Osztály, Centre de Recherche en Nutrition Humaine Ile de France (CRNH, Idf), Párizs, Franciaország

Egészségügyi és társadalmi tagsági központ, Preventív Orvostudományi Intézet, Koppenhága Egyetemi Kórház, Koppenhága, Dánia

Egészségügyi és társadalmi tagsági központ, Prevenciós Orvostudományi Intézet, Koppenhágai Egyetemi Kórház, Koppenhága, Dánia

Koppenhágai Egyetem, Koppenhága, Dánia Élettudományi Kar Humán Táplálkozási Tanszéke

Fenntartási és Táplálkozási Tanszék, Navarra Egyetem, Pamplona, Spanyolország

NUTRIM Humánbiológiai Tanszék, Maastrichti Egyetem, Maastricht, Hollandia

Affiliations Inserm U858, Institut de Médecine Moléculaire de Rangueil, Laboratoire de recherches sur les obésités, Toulouse, Franciaország, Louis Bugnard Intézet, Université Paul Sabatier, IFR31, Toulouse, Franciaország

Affiliations Inserm U858, Institut de Médecine Moléculaire de Rangueil, Laboratoire de recherches sur les obésités, Toulouse, France, Institut Louis Bugnard, Université Paul Sabatier, IFR31, Toulouse, France, Centre Hospitalier Universitaire (CHU) de Toulouse, Laboratoire de biochimie Institute, Fédératif de Biologie de Purpan, Toulouse, Franciaország

* Kinek kell címezni a levelezést. E-mail: [email protected]

David M. Mutch,
M. Ramzi Temanni,
Corneliu Henegar,
Florence Combes,
Véronique Pelloux,
Claus Holst,
Thorkild I. A. Sørensen,
Arne Astrup,
J. Alfredo Martinez,
Wim H. M. Saris

Ábrák

Absztrakt

Háttér

Az a képesség, hogy azonosítsa azokat az elhízott személyeket, akik sikeresen lefogynak az étrendi beavatkozás hatására, forradalmasítani fogja a betegség kezelését. Ezért azt kérdeztük, hogy csak egyetlen gén expressziós pillanatkép segítségével lehet-e azonosítani azokat az alanyokat, akik fogyni fognak az étrendi beavatkozás során.

Módszertan/fő megállapítások

A jelen tanulmányban 54 női alany vett részt a Nutrient-Gene Interactions in Human Obesity-Implications for Dietary Guidelines (NUGENOB) vizsgálatában annak megállapítására, hogy a szubkután zsírszövet-gén expresszió használható-e a fogyás előrejelzésére az alacsony fogyasztás 10 hetes fogyasztása előtt. -zsíros hipokalorikus étrend. Több statisztikai teszt felhasználásával kiderült, hogy a válaszadók (8–12 kg súlycsökkenés) génexpressziós profilja mindig megkülönböztethető a nem válaszolóktól (1. ábra. Súlycsökkenési görbék a 10 hetes hipokalorikus étrend alatt.

A két csoportot válaszadóként (azaz 8–12 kg közötti testsúlycsökkenés alatt állóakként) és nem válaszolóként (azaz 4 kg-nál kevesebbet fogyóként) határoztuk meg. A súlyt minden héten legalább 43 alanynál mértük. A hibasávok a 95% -os konfidencia intervallumokat jelentik (egyenlő 1,96 * szórással).

Mindegyik folt egyetlen gén átlagos expresszióját jelenti. Pontozott vonalak jelzik az átlag 95% -os konfidencia intervallumát (egyenlő 1,96 * szórással).

Annak eldöntésére, hogy a globális génexpressziós profilok lehetővé tehetik-e a válaszadók és a nem válaszolók megkülönböztetését, részleges legkisebb négyzetes diszkrimináns elemzést (PLS-DA) végeztünk. 3A. Ábra azt mutatja, hogy bár a két csoport szubkután zsírszöveti génexpressziós profilok alkalmazásával történő szétválasztásának tendenciája fennáll, a két populáció között van némi átfedés (R 2 = 0,547 és Q 2 = −0,096, ahol R 2 megmagyarázza a az első két komponens és a Q 2 a modell által a keresztellenőrzésnek megfelelően magyarázott variációt jelöli). A zsírgén expressziós adatainkkal ellentétben, 3B. Ábra világosan szemlélteti, hogy a Golub rák-adathalmaz PLS-DA-val megkülönböztethető, az alábbiakban kifejtett egyetlen kiugrástól eltekintve (R 2 = 0,795 és Q 2 = 0,622). Noha az első két fő komponens mindkét adatkészlet jelentős eltérését magyarázza, csak a Golub modell teljesít jól keresztellenőrzéskor.

A szubkután szövetben végzett globális génexpresszió-elemzés szétválasztási tendenciát tár fel az étrendi válaszadók (fekete négyzetek) és a nem válaszolók (vörös körök) között; azonban jelentős átfedés van a két populáció között (R 2 = 0,547 és Q 2 = −0,096). B. Az összes beteget (fekete négyzetek) egyértelműen el lehet különíteni az AML betegektől (piros körök), kivéve egyetlen beteget (amelyet a zöld kör jelöl) (R 2 = 0,795 és Q 2 = 0,622). Az R 2 az első két komponens kumulatív variációját magyarázza, a Q 2 pedig a modell által a keresztellenőrzés szerint magyarázott variációt. Csak egy Q 2> 0,5 jelzi a jó modellt.

Klinikai válaszadók előrejelzése a nem válaszolóktól

Mivel a két elhízott csoportot meg lehetett különböztetni a korábban leírtak szerint, több felügyelt gépi tanulási algoritmust alkalmaztunk annak megvizsgálására, hogy ez a differenciálás elegendő-e egy robusztus osztályozó létrehozásához a válaszadók és a nem válaszolók azonosításához. Az osztályozást támogató vektor gép (SVM), véletlen erdő (RF), K-legközelebbi szomszéd (KNN) és átlós lineáris diszkrimináns elemzés (DLDA) segítségével értékeltük, tízszeres, tízszeres keresztellenőrzési módszerrel. Ezzel egyidejűleg alulról felfelé és felülről lefelé történő elemzéssel vizsgáltuk a robusztus osztályozók előrejelzési pontosságát [16]. Míg az alulról felfelé történő elemzés az összes génexpressziós adatot „fekete dobozos” megközelítésben használja, a fentről lefelé irányuló elemzés a meglévő biológiai ismeretek alapján osztályozót (azaz differenciálisan expresszált géneket és/vagy molekuláris útvonalakat) épít fel.

Az előrejelzés pontosságának javítása érdekében Fisher és Student T-tesztjeivel nyert génkészleteket vizsgáltuk. Mivel a cél olyan megbízható prediktorok azonosítása, amelyek segítségével kiszűrhető, hogy az új betegek fogynak-e hipokalorikus étrenddel vagy sem, a prediktorokat egy edzéskészletben kell azonosítani, nem pedig a teljes adatkészletben, vagyis az érvényes prediktoroknak következetesen meg kell különböztetniük a válaszadókat a nem válaszolók minden lehetséges összehasonlításban, és nem függhetnek egyetlen összehasonlító elemzéstől. Ezért a Fisher és Student T-tesztjeit csak az edzéskészletben lévő génexpressziós adatok felhasználásával hajtották végre (ami 9/10 ezer adatkészletnek felel meg), hogy azonosítsák a top 100 különböző módon expresszált gént. Ezt a 100 differenciálisan expresszált gént ezután teszteltük az adatkészlet fennmaradó 1/10-ében. Ezeknek a teszteknek egyik sem vezetett az előrejelzési pontosság javulásához (3. táblázat).

Végül tisztán felülről lefelé irányuló megközelítést alkalmazva megvizsgálták a SAM, Fisher és Student T-teszt elemzéseiből kapott eredményeket annak megállapítására, hogy a differenciálisan expresszált gének ezen listái megbízható „előrejelzőként” szolgálhatnak-e. Ezek a génlisták megtalálhatók a kiegészítő anyagokban (S2. Táblázat). A korábbi Fisher és Student T-teszt elemzéseivel ellentétben ezeket a különböző génkészleteket mind az 53 mikrorészlet felhasználásával, és nem keresztvalidációs módszerrel nyertük. A SAM által azonosított 34, differenciálisan expresszált gén 70,2% ± 5,7%, 75,0% ± 8,1%, 73,7% ± 4,5% és 80,9% ± 2,2% előrejelzési pontossághoz vezetett SVM, RF, KNN és DLDA esetében. Míg a jóslás pontossága összességében javult a felülről lefelé megközelítéssel, sem a Fisher-teszttel azonosított első 100 gén, sem a Student's T-teszttel azonosított első 100 gén, sem a 9 közös gén nem teljesített jobban, mint a SAM által azonosított 34 gén (3. táblázat).

Vita

Az a képesség, hogy megjósolják, hogy az egyén sikeresen reagál-e az étkezési beavatkozásra jelentős súlycsökkenéssel, egyértelműen fontos klinikai következményekkel jár. Valóban, ha a klinikus eleve tudhatja, hogy a beteg egészségi állapota javul-e az adott étrend fogyasztására reagálva, akkor a betegség kezelése sok szempontból mélyrehatóan módosul. A génexpresszió elemzését nagyrészt az onkológia terén elért sikerei miatt helyezték el, mivel az egyik eszköz megjósolhatta az egyén reakcióját egy beavatkozásra. Jelen tanulmány feltárta, hogy míg a hipokalorikus étrend 10 hetes fogyasztását közvetlenül közvetlenül megelőző egyetlen átfogó pillanatfelvétel a génexpresszióról megkülönböztetheti a válaszadókat a nem válaszolóktól, ebben a szakaszban ez nem elegendő a klinikai felhasználáshoz szükséges pontos osztály-előrejelzéshez.

Az onkológiai szakterületen végzett vizsgálatok arra utalnak, hogy a daganatok mikroarray elemzéssel történő osztályozása elérhető, de ezen biztató eredmények ellenére egyelőre nincs bizonyíték arra, hogy ez a megközelítés hasznos lehet a táplálkozással kapcsolatos betegségek, például az elhízás vizsgálatában. Ha figyelembe vesszük, hogy a zsírszövet-anyagcserét nemcsak az egyén genetikai felépítése szabályozza, hanem az obesogén környezeti tényezők is, amelyeknek az egyén ki van téve (pl. Étrend, fizikai aktivitás, bél mikrobiota, vírusok stb.), Akkor egyértelműen meg kell fontolja meg az egyént (vagy az egyedek részhalmazát), hogy azonosítsa a nem válaszolóktól érkező esetleges válaszadókat [13], [32] Amint arról korábban beszámoltunk, az étrendi beavatkozásokra adott válaszok között jelentős az egyének közötti különbség azt mutatja, hogy a fogyást mind a genetikai, mind az életmódbeli elemek vezérlik [19], [33], [34]. Valójában az osztály előrejelzése jelentősen leegyszerűsödne, ha a fent említett betegségek pusztán a gén diszfunkciója miatt merülnének fel, nem pedig genetikai és környezeti összetevővel.

Legjobb tudomásunk szerint a génexpresszió felhasználását az emberek étrendi beavatkozására adott válasz előrejelzésére korábban nem hajtották végre; léteznek azonban olyan példák, amelyekben elhízás elleni gyógyszerek (szibutramin és orlisztát) hatékonyságát vizsgálták. A gyógyszer hatékonyságát egy alany számára úgy határoztuk meg, hogy értékeltük a súlycsökkenést a kezelés első 3 hónapjában [37], [38]. Azok az alanyok, akik a kezelés első hónapjaiban elérték a súlycsökkenés meghatározott küszöbét, előreláthatólag előnyösek lesznek ezeknek az elhízás elleni gyógyszereknek a hosszú távú alkalmazásában. Ezeknek a megállapításoknak a mikroszkópos eredményeinkhez való kapcsolata azt sugallja, hogy az elhízás osztályainak előrejelzése javítható a génexpresszió változásainak tanulmányozásával, miután az étrendi beavatkozás megkezdődött (nem pedig egyetlen időpontban). Egy ilyen megközelítés lehetővé tenné annak felmérését, hogy a biológiai rendszer hogyan reagál, ha exogén faktorral megkérdőjelezték, és ezáltal javíthatja az osztály előrejelzését.

Összegzésként elmondhatjuk, hogy a mikro-sugarak megbízható molekuláris betekintést nyújthatnak a zsírszövet-anyagcsere alapjául szolgáló biológiai mechanizmusokba; azonban az elhízott személyek optimális táplálkozási tanácsadásában való klinikai kontextusban rejlő lehetőségeik továbbra is gyerekcipőben járnak. Mindazonáltal alternatív stratégiákat kutatnak a mikrosávakkal kapcsolatos információk maximalizálása érdekében, amelyek arra utalnak, hogy a közeljövőben egyre pontosabbá válik az étrendre adott válasz előrejelzése az egyén számára.