Családtörténet és elhízás fiatalkorban, hatásuk az acilkarnitin/aminosavak metabolomikájára és az alkoholmentes zsírmáj betegségre (NAFLD). Strukturális egyenlet modellezési megközelítés

Szerepek konceptualizálás, adatkezelés, formális elemzés, vizsgálat, módszertan, projekt adminisztráció, szoftver, írás - eredeti tervezet, írás - áttekintés és szerkesztés

Hovatartozáskutatási osztály, Mexikóváros, Mexikóváros, General de México kórház

Szerepek konceptualizálás, finanszírozás megszerzése, vizsgálat, módszertan, vizualizáció, írás - eredeti tervezet

Társulás Vinculation Unit Orvostudományi Kar UNAM, Instituto Nacional de Medicina Genomica (INMEGEN), Mexikóváros, Mexikó

Harvard Medical School, Boston, Massachusetts, Amerikai Egyesült Államok

Az anyagcsere egység veleszületett hibái, Instituto Nacional de Pediatría, Mexikóváros, Mexikó

Hovatartozáskutatási osztály, Mexikóváros, Mexikóváros, General de México kórház

Hovatartozáskutató osztály, Mexikóváros, Mexikóváros, General México kórház

Hovatartozáskutatási osztály, Mexikóváros, Mexikóváros, General de México kórház

Belügyi Belgyógyászati Osztály, General de México Kórház, Mexikóváros, Mexikó

Szerepek Konceptualizálás, írás - eredeti vázlat

Hovatartozás Dél-Texas Diabetes és Elhízás Intézet, Texasi Egyetem, Rio Grande Valley, Edinburg, TX, Amerikai Egyesült Államok

Szerepek Finanszírozás megszerzése, Vizsgálat

Hovatartozás Dél-Texas Diabetes és Elhízás Intézet, Texasi Egyetem, Rio Grande Valley, Edinburg, TX, Amerikai Egyesült Államok

Szerepek konceptualizáció, adatkezelés, hivatalos elemzés, finanszírozás megszerzése, vizsgálat, módszertan, felügyelet, vizualizáció, írás - eredeti tervezet

Dél-texasi Diabetes és Elhízás Intézet, Texasi Egyetem, Rio Grande Valley, Edinburg, TX, Amerikai Egyesült Államok, Kutatási részleg, Universidad Mexico Americana del Norte, Reynosa, Tamaulipas, Mexikó

Maria Elena Romero-Ibarguengoitia,
Felipe Vadillo-Ortega,
Augusto Enrique Caballero,
Isabel Ibarra-González,
Arturo Herrera-Rosas,
María Fabiola Serratos-Canales,
Mireya León-Hernández,
Antonio González-Chávez,
Srinivas Mummidi,
Ravindranath Duggirala

Javítás

2018. május 24 .: Romero-Ibarguengoitia ME, Vadillo-Ortega F, Caballero AE, Ibarra-González I, Herrera-Rosas A és mtsai. (2018) Javítás: Családtörténet és elhízás fiatalkorban, hatásuk az acilkarnitin/aminosavak metabolomikájára és az alkoholmentes zsírmáj betegségre (NAFLD). Strukturális egyenlet modellezési megközelítés. PLOS ONE 13 (5): e0198379. https://doi.org/10.1371/journal.pone.0198379 Javítás megtekintése

Ábrák

Absztrakt

Háttér

A strukturális egyenletmodellezés (SEM) segíthet megérteni az elhízás, az alkoholmentes zsírmájbetegség (NAFLD), az elhízás családtörténetében, a célzott metabolomika és a gyulladáscsökkentő markerek összetett funkcionális összefüggéseit. Két hipotézist teszteltünk: 1) Ha az elhízás megelőzi az oxidatív stresszt és a mitokondriális diszfunkciót fokozó szabad zsírsavak feleslegét, akkor elhízott egyénekben megnő a szérum acilkarnitinek, aminosavak és citokinek száma. Az acilkarnitinek nem alkoholos zsírbetegségekkel állnának kapcsolatban, amelyek inzulinrezisztenciát váltanak ki. 2) Ha a pozitív családi kórtörténet az elhízás és a 2-es típusú cukorbetegség a fő meghatározója a metabolomikus profilnak, akkor ennél a háttérnél magasabb az aminosavak és az acilkarnitinek koncentrációja olyan betegeknél, amelyek elhízást és NAFLD-t váltanak ki, ami viszont inzulinrezisztenciát vált ki.

Módszerek/eredmények

137 normoglikémiás alany, átlagos életkoruk (SD) 30,61 (8,6) év, három csoportra osztva: BMI 30 NAFLD hiányában (G2), n = 24; és BMI> 30, NAFLD-vel (G3), n = 31. Az elhízás családi kórtörténete (bármilyen volt) 53% -ban volt jelen. Mindkét modellt SEM-ben állítottuk be. Az elhízás családtörténete megjósolta az elhízást, de nem tudta megjósolni az acilkarnitinek és az aminosavkoncentrációkat (hatásméret 30 (G2) és 3. csoport (BMI> 30 NAFLD-vel) (G3). Korábbi szimulációkat készítettünk, és a priori előre jeleztük a kiegyensúlyozatlan minta nagyságát csoportokat. A cukorbetegség/elhízás családi kórtörténetét rögzítették, a szülő első fokú rokonát „közvetlen” -ként határozták meg, míg a második fokú rokonok „közvetettek” voltak. Kizártuk a terhességben szenvedő betegeket, azokat, akik dohányoznak vagy 10 grammnál többet fogyasztanak alkohol/hét, azok, akiknek klinikai kórtörténetében ismert hepatotoxikus gyógyszerek, rák diagnózis, bármilyen akut vagy krónikus fertőző betegség, magas vérnyomás, cukorbetegség, krónikus vesebetegség vagy bármilyen kóros állapot van az általános vizsgálat vagy laboratóriumi vizsgálatok során.

A vizsgálati protokollt a General de México Kórház Humánetikai Bizottsága jóváhagyta, minden alanytól tájékozott beleegyezést kaptak. A vizsgálatot a Helsinki Nyilatkozatban megfogalmazott elvek szerint folytatták le.

Eljárás

Az alanyokat meghívták a részvételre, amennyiben teljesítették a felvételi kritériumokat, és aláírták a tájékozott beleegyezést. Az első látogatás során Quantum IV – testösszetétel-analizátor (RJL Systems, USA) segítségével rögzítettük a vérnyomás, a BMI és a bioelektromos impedancia paramétereket. Egy héten belül, de más időpontban a betegeket arra utasították, hogy 8 órával, 8 g orális glükóz-tolerancia teszt (OGTT) előtt 75 g glükózzal böjtöljenek. Alapszintű vérmintát vettünk glükózra, kreatininra, karbamidra (vesebetegség kiürítésére), teljes koleszterinszintre, HDL-koleszterinre, LDL-koleszterinre, trigliceridekre, alanin-aminotranszferázra (AST) és aszpartát-aminotranszferázra (ALT) AU480 kémiai rendszerrel (Beckman Coulter). (USA). Az OGTT során az inzulinszintet ELISA-val is mértük Abnova ™ Kit segítségével, a V1.24 készülékkel (Multiskan Ascent, USA), az intra és az assay variációs koefficiensekkel (CV) 1,8-2,9% között mozogva. A Matsuda inzulinérzékenységi indexet a máshol leírtak szerint számítottuk (35). A vérben mért gyulladásos markerek az IL-6 és a TNFα voltak, ELISA alkalmazásával, Bioplex-Pro ™ Cytokine assay-vel és a Bio-Plex Pro II mosóállomás mágneses lemezhordozóval (Bio Rad, USA), CV: 4–19%. C A reaktív fehérjét immunoenzim vizsgálattal mértük mikrotányérok felhasználásával (Monobind Inc., USA).

Az endogén alanyok plazmamintáival 31 endogén acilkarnitin profilját határoztuk meg, és 7 aminosavat Quattro Micro API (MicroMass) tandem tömegspektrométer (MS-MS) alkalmazásával. A minta előkészítésére és az MS-MS elemzésre vonatkozó összes eljárást a NeoBase no derivatized kit (PerkinElmer, USA) segítségével hajtottuk végre a gyártó protokollja szerint. Röviden, a plazmát szűrőpapírokban szárítottuk, és minden egyes foltból 3 mm-es lyukasztóval egy-egy lemezt lyukasztottunk ki. Kútonként egy lemezt használtak. Többcsatornás pipetta segítségével minden egyes üregbe 190 μL extrakciós oldatot adunk, amely a megfelelő stabil izotóppal jelzett belső standardok keverékét tartalmazza. A lemezt alumíniumfóliával lefedtük, 650 x g-nél megráztuk és 30 percig 30 ° C-on inkubáltuk. A lemezt végül az automatikus mintavevőbe helyezték az elemzés céljából. Végül máj ultrahangot végeztünk a Voluson Pro VTM ultrahangos rendszerrel (GE, USA) 3,5 MHz-es transzduktorral. A máj ultrahang érzékenysége és specificitása a NAFLD kimutatására 80-90% (36). A NAFLD jelenlétét 3 paraméter jelenléte esetén határoztuk meg: 1) magas máj-echotextúra, 2) magas csillapítás, 3) alacsony portális és májvénás vizualizáció.

Statisztikai analízis

Leírtuk és szembeállítottuk a demográfiai, szérum biokémiai értékeket a három leírt csoport esetében (Módszer szakasz); a ferde eloszlású változókat log10 transzformációval normalizáltuk. A csoportonkénti kontrasztokat Chi-négyzet vagy egyirányú ANOVA alkalmazásával számítottuk Fisher post hoc tesztekkel a változó dimenzió szerint. Metabolikus és gyulladásos markerek esetében kiszámítottuk a hamis felfedezési arányt (FDR) a Benjamini – Hochberg eljárással [29].

A részleges legkisebb négyzetek diszkrimináns elemzését (PLS-DA) alkalmaztuk a metabolitok és a gyulladásos markerek vizuális megkülönböztetésére a 3 csoport között. A PLS-DA minőségét 3 különböző paraméter alkalmazásával értékeltük: R2, Q2 és pontosság. Az illeszkedés jóságát R2 számszerűsítette, a prediktív képességet pedig Q2 jelezte.

Az osztálydiszkrimináció jelentőségének felmérésére egy permutációs tesztet hajtottak végre, ahol a modellt 1000-szer futtatták. A változó fontosságot a vetítésben (VIP) a PLS terhelések négyzetének súlyozott összegeként számolták ki, figyelembe véve a megmagyarázott Y-variáció összegét.

A két leírt hipotézis teszteléséhez SEM-et használtunk, mind a regresszió, mind a faktoranalízis általánosítását. A SEM alkalmazásának indoklása az, hogy a megfigyelt változók kovarianciamátrixa a priori paraméterek halmazának függvénye. Ha a modell helyes és a paraméterek ismertek, akkor a populáció kovariancia mátrixát pontosan reprodukálná a SEM (kivéve a mintaváltozást). Modelljeinkben a változók közötti hipotetikus összefüggés a szakirodalomból korábban közölt adatok összefüggéseire épült, amelyeket előre generált és a módosítási indexek szerint módosított szimulációs modellek validáltak. A serdülőkortól és az öregedéstől kezdve jelentkező hormonális hatások és fiziológiai változások elkerülése érdekében csak 18 és 45 év közötti betegeket vontunk be, a biológiai variancia elemzéséhez azonban meg kellett őriznünk a szükséges betegség-sokféleséget. Az életkornak nem volt szerepe, mivel a SEM egyik látens változója sem volt megfigyelhető.

Az általános SEM modell két részmodellre bontható: mérési és strukturális modellre. Megállapodás szerint a modell grafikus ábrázolásakor a megfigyelt változókat téglalapok vagy négyzetek, a látens változókat pedig oválisok vagy körök határolják. A maradványok mindig nem megfigyelt változók (látens tényezők), és ovális vagy kör alakúak. Ebben a tanulmányban a közelítés középértékének középértékét (RMSEA) használtuk bármely modell illeszkedési jóságának értékelésére, ahol 0,2-es érték volt releváns modelljeink patofiziológiájában [27,30–32].

A mintaméretet a minimális betegszám szerint vettük figyelembe, hogy modelljeinkben jó tényezők legyenek. Ehhez a priori Monte Carlo szimulációs modellezést végeztünk béta eloszlással, figyelembe véve az α = 1 és β = 7 paramétereket, hogy növeljük a szimulált adatok torzítását. A maximális és minimális értékeket a korábbi vizsgálatokból kapott értékek átlagának 3 standard eltérését figyelembe véve kaptuk. Legalább 20% -os különbségre számítottunk az aminosavak koncentrációjának hatásméretében a sovány és az elhízott betegek között. Azt is figyelembe vettük, hogy a NAFLD-vel rendelkező és anélkül szenvedő betegek között legalább 20% -os hatásnagyság van az acilkarnitin-koncentrációban. 137 betegnél jól beállítottuk modelljeinket, amelyek 19 és 100% közötti hatásméretet tartalmaztak.

Minden statisztikai elemzést az SPSS 18.0, az Amos és a Metaboanalyst 3.0 alkalmazásával végeztünk [33].

Eredmények

137 normoglikémiás alanyot vontunk be, átlagéletkoruk 30,61 (SD 8,6) év volt (1. táblázat), hetven százalék nő volt. Az 1. csoportba (BMI 30) és a 3. csoportba (BMI> 30 és NAFLD) tartozó csoportba 24, illetve 31 alany tartozik. Az elhízás (bármilyen) családi kórtörténete a teljes népesség 53% -ában volt megfigyelhető, míg a cukorbetegség családi kórtörténete 66% -ban volt jelen. Az 1. táblázat a három csoport klinikai, gyulladásos és metabolomikus paramétereinek átlagértékeit, a 2. táblázat pedig az elhízás és a cukorbetegség családi kórtörténetének különböző mértékét mutatja be.

Klinikai, metabolomikus és gyulladásos különbségek a G1-G3 között

Klinikai különbségeket figyeltek meg a három csoport között, a várakozásoknak megfelelően: az NAFLD-vel vagy anélkül (G2, G3) elhízott betegeknél magasabb volt a BMI, a zsír százalékos aránya és a hasi kerület (p 0,05).

Annak ellenére, hogy egyik betegnek sem volt cukorbetegsége vagy glükóz-intoleranciája, mind a G2, mind a G3-nak magasabb volt a glükóz- és inzulinszintje alacsonyabb Matsuda-index mellett (p 1.2: CRP, inzulin, trigliceridek, C: 16: 1OH, C8: 1, ornitin és tirozin (1. ábra).

1 = BMI 30 és NAFLD pozitív.

Szerkezeti egyenlet modellek

Hipotézisünk teszteléséhez két szerkezeti egyenletmodellt hoztunk létre, a harmadikat pedig a másik kettőből származtatva. Egy feltáró faktoranalízis az acilkarnitint 4 faktorba, az aminosavakat pedig két faktorba csoportosította. Ezeket a modelleket az 1. táblázat mutatja be. Csak TNF-et használtunkα és IL-6 (mindkettő „INFL” csoportba sorolva) és CRP modelljeinkben, mivel ezek a leggyakoribb gyulladásgyártók az irodalomban.

Az első modell (2. ábra, S1 táblázat) kimutatta, hogy az elhízás korrelál a plazma aminosavakkal, ami hozzájárul a specifikus acilkarnitinek és gyulladásos markerek növekedéséhez. A szabad zsírsavfelesleg a NAFLD-hez, valamint a gyulladásos markerekhez és az inzulinrezisztenciához kapcsolódott ebben a sorrendben. Az RMSEA értéke 0,078 (0,0,71, 0,084) volt, és a standardizált β-érték> 0,2 (zárójelben látható) támogatta az elhízást az endogén változók, például az AA1 és az AA2 faktorba csoportosított aminosavkoncentráció előrejelzőjeként (0,37 és 0,44). Az AA1 faktorba csoportosított aminosavak megjósolták az AC2-AC4 csoportba sorolt közepes, hosszú és nagyon hosszú láncú acilkarnitinek (0,65 és 0,30) vérkoncentrációját. Az AA2 megjósolta az AC1, AC2 és AC4 értékeket (0,65, -0,43 és 0,28). Rövid, hosszú és nagyon hosszú láncú acilkarnitinek, az AC1, AC3 és AC4, megjósolták a TNF gyulladásos markereitα és az IL-6 (INFL) (0,23, 0,48, -0,45), míg az AA1-be csoportosított aminosavak az INFL-et (-0,67), az AA2-ba csoportosított aminosavak pedig pozitívan (0,49) jósoltak. Az AC2-AC4 a NAFLD-hez társult (-1,52, 3,48, -2,42). Végül az AC3, AC4 és AA2 megjósolta a Matsuda-indexet (1,39, 0,72, -0,41).

Az elhízás korrelál a plazmatikus aminosavakkal, ami hozzájárul a specifikus acilkarnitinek és gyulladásos markerek növekedéséhez. Az elhízás közvetlenül korrelált az acilkarnitinekkel. Ezek a NAFLD-hez kapcsolódtak, majd a gyulladásos markerekhez és az inzulinrezisztenciához kapcsolódtak. Körök = látens változók, téglalapok = megfigyelt változók, e = hiba kifejezés. A látens változó elhízás a következőképpen alakul: BMI = testtömeg-index, Abd_circumf = hasi kerület, FAT = a zsír% -a. AA1 és AA2 = látens változók, amelyek az AC1, AC2, AC3 és AC4 aminosavak faktorát képviselik = látens változók, amelyek az acilkarnitinek csoportosított faktorait képviselik. C: 0, C2-C18: 2. ALA = alanin, CIT = citrullin, Met = metionin, TYR = tirozin, ORN = ornitin, PRO = prolin, ARG = arginin, GLY = glicin, LEU = leucin, PHE = fenilalanin, VAL = valin. CRP = C reaktív fehérje. TNFα = Tumorfekrózis alfa faktor, IL-6 = Interleukin-6, mindkettő látens változó INFL = gyulladásos markert képez. A látens változó NAFLD integrálja az USG = máj ultrahangot. ALT = alanin-aminotranszferáz, AST = aszpartát-aminotranszferáz. A félkövér vonalak a standardizált β-becsléseknek felelnek meg> 0,2. Az egyes sorok számai megfelelnek a standardizált β-becslésnek. Az egyszerűség kedvéért az ábrán nem szerepeltek hibakifejezések.

A második modellben (3. ábra, S2 táblázat) az elhízás pozitív családi kórtörténete (exogén változó) volt az acilkarnitinek és az aminosavak fő meghatározója. Ez összefüggésben volt a NAFLD-vel, az elhízással, az inzulinrezisztenciával és a gyulladáscsökkentő folyamattal. Ebben a modellben az elhízást javasoltuk másodlagosnak, vagy a zsírsav- és aminosav-anyagcsere korábbi változásának következményeként. Ennek a modellnek a RMSEA-értéke 0,075 (0,069, 0,081).

Az elhízás családtörténetének standardizált β-becsléseit az acilkarnitinek és aminosavak előrejelzésére a 4. ábra szemlélteti. 3. SEM-modell.

Vita

A bemutatott SEM elemzés integrált modellben értékelte a fenotípusos, metabolomikus, gyulladásos markerek és az elhízás családi kórtörténetének hipotetikus ok-okozati összefüggéseit, és megállapította, hogy a család története szorosan összefügg az alany elhízásával.

Az elhízás családtörténete az egyén genetikai, epigenetikai és magzati fejlődési hátterének helyettesítőjeként szolgál, és az elhízás súlyos kulcsfontosságú metabolikus enzimek és utak szabályozásának zavarait eredményezi, amint azt az acilkarnitinok és aminosavak jelzik, és mindkét metabolit gyulladást, inzulinrezisztenciát, elhízást jósol és a NAFLD.

A hagyományos statisztikai módszerek, mint az ANOVA, a Chi-square és a PLS-DA, demográfiai, klinikai és metabolomikai különbségeket mutattak a G1-G3 csoportok között, de elégtelen információt szolgáltattak kapcsolatukról, a többszörös ANOVA is növeli az 1-es típusú hiba kockázatát. A SEM-ek felülkerekedtek az ilyen hátrányokon, és a következő előnyökkel jártak: (1) jó kohézió a változók között; (2) kis hibaértékek, amelyek tiszta minta kiválasztásához vezettek; (3) jó hatásméret (4) biológiai hordozó és (5) korábban nem észlelt összefüggések kimutatása.

Az első olyan modell, amelyet elhízásnak javasoltunk, a pozitív energiafogyasztás egyensúlyhiányából ered, ami a zsírszövet tágulását eredményezi. Megnő a szabad zsírsavak száma és megszakad a mitokondriális β oxidációja, ami az acilkarnitinek növekedését eredményezi. Az aminosavak növekedése szintén megjósolja az alfa-keto savak növekedését, az ezt követő acilkarnitinek, különösen a rövid lánc növekedésével. Ez az anyagcsere-zavar gyulladásos folyamatot, NAFLD-t és inzulinrezisztenciát jósol.

Korábban publikálták, hogy az elágazó láncú aminosavakból származó C3- és C5-karnitin, valamint a zsírsavakból származó C6 és C8 acilkarnitinek magas plazmakoncentrációt mutatnak az elhízásban és a T2D-ben szenvedő betegeknél a sovány kontrollokhoz képest [19].

Modelljeink minden aminosavat támogatnak, a biokémiai szerkezet összefügg az elhízással, és nem csak elágazó láncú aminosavakat (BCAA); de csak az AA2 faktorba csoportosított aminosavak jósolták meg a Matsuda indexet. Egy Indiában és Kínában végzett tanulmány kimutatta a HOMA korrelációját alaninnal, prolinnal, valinnal és leucinnal [34]. Korábban beszámoltak arról, hogy az IR-hez kapcsolódó megnövekedett BCAA-koncentrációk összefüggenek a rapamicin, a c-jun N-terminális kináz és az 1-es inzulinreceptor szubsztrát emlős célpontjának krónikus foszforilációjával [19]. Emellett csökkent az IRS-1 és az IRS-2 inzulin-stimulált tirozin-foszforilációja; csökkent a grb2 és a foszfatidil-inozitol-3-kináz p85 alegységének kötődése az IRS-1-hez és az IRS-2-hez, és az inzulinnal stimulált foszfatidil-inozitol-3-kináz jelentős gátlása [35]. Mindazonáltal továbbra sem tisztázott az elhízással és az infravörösséggel összefüggő nem BCAA összefüggés alapjául szolgáló mechanizmusok.

Niu és mtsai. korábban tanulmányozta az aminosavak és a gyulladáscsökkentő válasz kapcsolatát. Beszámoltak arról, hogy a hisztidin és az arginin negatívan kapcsolódik az IL-6-hoz és a CRP-hez elhízott nőknél [36]. Hasonló eredményeket találtunk modellünkben. Egy másik vizsgálatban a C57BL/6J egereket magas zsírtartalmú táplálékkal etették, és a sovány kontrollokkal összehasonlítva a zsigeri zsírban az elágazó láncú aminosav útvonalakhoz kapcsolódó lefelé szabályozó gének mRNS szintje a BCAA/TCA ciklus metabolizmusának csökkenését mutatta. megnövekedett TNFα, IL-6, IL-1β és IFNγ koncentrációk [37]. Modelljeink az összes elemzett aminosavmaradék egyértelmű összefüggését támogatták az IL-6-tal, a TNF-melα és CRP.