Ⅰ rész: A krónikus vesebetegség jelölt foszfolipid biomarkereinek validálása hiperglikémiás egyéneknél és szervspecifikus feltárásuk leptinreceptorhiányos Db/db egérben
Apr 20, 2023
Absztrakt
A krónikus vesebetegség (CKD) korai biomarkereinek feltárása (pre)diabéteszes egyénekben kritikus fontosságú a cukorbetegség személyre szabott kezelésében. Itt értékeltük a CKD események két jelölt biomarkerét (szfingomielin (SM) C18:1 és foszfatidilkolin-diacil (PC aa) C38:0), amelyek a vesefunkcióhoz kapcsolódnak az augsburgi regionális együttműködési egészségügyi vizsgálat (KORA) hiperglikémiás résztvevőinél. kohorsz, valamint két biológiai folyadék és hat szerv leptinreceptor-hiányos (db/db) egerekben és vad típusú kontrollokban. Azt találták, hogy az SM C18:1 és a PC aa C38:{{10}} magasabb szérumkoncentrációi hiperglikémiás betegekben alacsonyabb glomeruláris filtrációs ráta (eGFR) becslésekkel és nagyobb CKD prevalencia valószínűséggel jártak együtt. A db/db egerekben mindkét metabolit koncentrációja szignifikánsan alacsonyabb volt a vizeletben és a zsírszövetben, de magasabb a tüdőben. Ezenkívül az SM C18:1 szintje szignifikánsan magasabb volt a plazmában és a májban, a PC aa C38:0 szintje pedig szignifikánsan magasabb volt a db/db egerek mellékveséjében. Ez a keresztmetszeti humán vizsgálat megerősíti, hogy az SM C18:1 és a PC aa C38:0 összefüggésbe hozható a veseműködési zavarokkal prediabéteszes egyéneknél, és állatkísérletek arra utalnak, hogy a máj, a tüdő, a mellékvese és a zsigeri zsír részt vehet a szisztémás szabályozásukban. Eredményeink tovább igazolják ezt a két foszfolipidet, mint a vesebetegség korai biomarkereit (pre)diabéteszes betegeknél.
Kulcsszavak
krónikus vesebetegség; prediabetes és 2-es típusú cukorbetegség; diabéteszes nefropátia; csökkent veseműködés; leptinreceptor-hiányos egér; magas zsírtartalmú étrend; máj; tüdő; metabolomika;A Cistanche előnyei.
Kattintson ide, hogy megtudjaa Cistanche hatása a vesére
Bevezetés
A diabéteszes nefropátia a krónikus vesebetegség (CKD) és a végstádiumú vesebetegség fő oka. A prediabéteszes vagy 2-es típusú cukorbetegségben (T2D) szenvedő betegek CKD-érzékenységének korai szűrése növelheti a diabéteszes mikrovaszkuláris szövődmények hatékony megelőzésének és kezelésének esélyét egy személyre szabottabb diabéteszkezelés keretein belül. A célzott szűrés azonban elengedhetetlen az egészségügyi források hatékony elosztásának biztosításához.
A CKD hagyományos markerei nem jósolják meg pontosan a CKD kialakulását T2D-s betegekben. Egy 5,5 éven át tartó, randomizált klinikai vizsgálatban a vizelet albumin-kreatinin arányát (UACR) és a becsült glomeruláris filtrációs rátát (eGFR) találták a legfontosabb változóknak a korai CKD kialakulásának és progressziójának előrejelzésében szenvedő betegeknél. T2D. Azonban még az életkorral és a nemmel (azaz egy négy klinikai változóból álló halmazzal: életkor, nem, eGFR és UACR) kombinálva is szerénynek találták prediktív erejüket, külsőleg hitelesített c-statisztikával: {{6} }.68.
A metabolomika továbbra is viszonylag új megközelítés a betegség kezdetével és progressziójával kapcsolatos metabolikus változások tanulmányozásában, valamint a korai beavatkozáshoz szükséges prediktív biomarkerek megtalálásában. A populációalapú Augustine Regional Cooperative Health Study (KORA) csoportjából származó kiindulási metabolitprofilok felhasználásával a közelmúltban azonosítottunk két lehetséges metabolit biomarkert (szfingomielin (SM) C18:1 és foszfatidilkolin diacil (PC aa) C38:0), amelyek specifikusak a CKD eseményekre prediabetesben vagy T2D bb0 hiperglikémiában szenvedő egyéneknél. Az SM C18:1-et és a PC aa C38:{{10}}-t 125 célmetabolitból azonosították egy háromlépcsős jellemzőválasztással, többváltozós logisztikus regressziós korrekcióval, prioritási szűréssel és az Akaike információs kritérium fokozatos kiválasztásával. Ezt a két metabolitot azonosították a CKD előfordulásának legjobb előrejelzőjeként, öt klinikai változóval (életkor, összkoleszterin, éhomi glükóz, eGFR és UACR) együtt. Prediktív hatásuk átlagos területértéke 0,857 volt az alany munkakarakterisztikája alatt, ami jobb, mint a 14 ismert CKD kockázati tényezőé. Azonban a fiziológiai mechanizmusok, amelyek ezeknek az új biomarkereknek a ciklikus felhalmozódásához vezetnek a cukorbetegséggel összefüggő CKD patogenezisében, még nem tisztázottak.
Szabványosított Cistanche
A szérum foszfolipidszintjének változásai hiperglikémiás egyéneknél, akiknél nagyobb a CKD kialakulásának kockázata, arra utalhatnak, hogy a korai változások nemcsak a vesékben, hanem más szervrendszerekben is előfordulnak. A nagy mennyiségű potenciálisan toxikus szerves metabolit nem megfelelő kiürülése az érrendszerből a vizeletbe krónikus vesebetegség esetén számos testrendszert és szervet érinthet. A feltörekvő biomarkerek biológiai feltárása szükséges ahhoz, hogy jobban megértsük a keringési, izom-csontrendszeri és légzőrendszerek közötti összetett metabolikus kölcsönhatásokat krónikus vesebetegségben, valamint lehetséges klinikai alkalmazásukat a diagnózisban. Ezenkívül a cukorbetegséggel összefüggő CKD patogenezisének alakulását tükröző állatmodellek lehetővé teszik a szervspecifikus metabolitmintázatok közvetlen elemzését a betegség súlyosbodása során. A leptinreceptor-hiányos egérmodell (db/db) nagyon következetes és erőteljes növekedést mutat a proteinuriában és a tilakoid stroma expanziójában. Így ez a humán diabéteszes nefropátia jól bevált modellje.
Ebben a tanulmányban értékeltük az SM C18:1 és a PC aa C38:0 eGFR-értékeket és a CKD-kockázatot, valamint a KORA FF4 vizsgálatban nemrégiben generált hiperglikémiás résztvevők célmetabolit profilját. Ezenkívül megvizsgáltuk a kreatinin, az SM C18:1 és a PC aa C38:0 szintjét két biológiai folyadékban (plazma, vizelet) és hat szövetben (máj, tüdő, mellékvese, zsírszövet, kisagy és here) ) db/db és vad típusú (WT) egerekből magas zsírtartalmú diétán (HFD), hogy feltárjuk a szervspecifikus változásokat, és megvitassuk azok lehetséges összefüggését a különböző klinikai tünetekkel. Eredményeink először mutatják meg, hogy több szerv is részt vehet ezen metabolit biomarkerek szisztematikus felhalmozódásában a CKD patogenezise során.
Cistanche kiegészítők
Eredmények
A két metabolit kapcsolata az eGFR-rel és a CKD-vel hiperglikémiás egyénekben
1. A KORA FF4 vizsgálatban résztvevők jellemzői
Az 1907 jogosult KORA FF4 résztvevő közül 168-nak volt krónikus vesebetegsége (8,8 százalék). Amint az várható volt, a hiperglikémiás résztvevőknél gyakrabban (16,3 százalék) diagnosztizáltak CKD-t, mint a normál glükóztoleranciában (NGT) (6,1 százalékban) szenvedőknél (1. táblázat). A CKD esetek szignifikánsan idősebbek voltak, és szignifikánsan magasabb kreatinin- és UACR-értékekkel rendelkeztek a hiperglikémiás és NGT-csoportokban, mint a nem CKD-s egyéneknél. A vérnyomáscsökkentő és lipidszint-csökkentő gyógyszerek saját bevallása szerint szignifikánsan magasabb volt a krónikus vesebetegségben szenvedő betegeknél. A BMI, a trigliceridek, a glikált hemoglobin (HbA1C), az éhomi glükóz és a 2-órás terhelés utáni glükóz (2-óra glükóz) értékek szintén szignifikánsan magasabbak voltak az NGT-ben szenvedő CKD-betegeknél, mint a nem CKD-ben szenvedőkben egyének (1. táblázat).
2. A két metabolit fordított asszociációja az eGFR-rel hiperglikémiás egyénekben
Az inverz valószínűségi súlyozás (IPW) alkalmazása után a hiperglikémiás egyének eGFR-je szignifikánsan és negatívan összefügg az SM C18:1 és a PC aa C38:0 koncentrációival mindhárom súlyozott regressziós modellben (kiegyensúlyozatlanságra, alap- és teljes modellre igazítva). kovariánsok). Például a teljes modellben az ln-transzformált SM C18:1 koncentrációk SD növekedése 1,76 ml/perc/1,73 m-rel társult.2az eGFR csökkenése (p=2,499 × 10-3; 2. táblázat).
3. A két metabolit és a CKD kapcsolata specifikus a hiperglikémiára
Mindkét metabolit (SM C18:1, PC aa C38:0) relatív koncentrációja magasabb volt az egyidejű hiperglikémiában szenvedő CKD-s betegekben, mint a nem CKD-ben szenvedő egyénekben (1. ábra). Az IPW utáni három modellben az SM C18:1 és a PC aa C38:0 koncentrációja szignifikánsan és pozitívan korrelált a CKD-vel hiperglikémiás egyénekben (3. táblázat). Az ln-transzformált SM C18:1 vagy PC aa C38:0 koncentrációk 1 SD növekedésenként 99%-kal, illetve 71%-kal voltak összefüggésben. A CKD esélye nőtt a hiperglikémiás résztvevőkben (teljes modell p= 4,482 × 10-4, illetve 1,578 × 10-3; 3. táblázat).
Szenzitivitás-analízisként e két metabolit és a CKD közötti kapcsolatot teszteltük normoglikémiás KORA résztvevőknél. Az IPW után mindhárom modellben az smc18:1 és a PC aa C38:0 nem volt szignifikáns összefüggésben a CKD-vel NGT-ben szenvedő egyénekben (3. táblázat). Amint az 1. ábrán látható, nem volt szignifikáns különbség a relatív metabolit-koncentrációkban a CKD-s diagnózissal rendelkező normoglikémiás egyénekben az egészséges NGT-vel összehasonlítva. Ezek az eredmények megerősítik, hogy e két lipid kockázati összefüggése specifikus a hiperglikémiára.
A cukorbeteg egerek jelölt biomarkereinek szervspecifikus trendjei
1. Az egérmodell jellemzői
Mindkét foszfolipid szervi trendjeit db/db egérmodellben vizsgálták, amely utánozza a korai CKD kialakulását emberben. 5 héttel a HFD után a 8-hetes db/db egerek elhízottak voltak, és szignifikánsan megnövekedett szív-, vese- és májtömegük az azonos korú és étrendű WT kontrollokhoz képest (4. táblázat). Ezenkívül a vércukor-, inzulin-, koleszterin- és c-reaktív fehérjeszintjük jelentősen megemelkedett, ami megerősítette a hiperglikémiát, a diszlipidémiát és a gyulladást a db/db egerekben.
Jelentősen megemelkedett vesesúlyuk vese hipertrófiára utal, amely a diabéteszes nephropathia korai szakaszában jelentkezik, és a veseszövettani morfológiai változások egyik korai jele. Kimutatták, hogy a 8-hetes diabéteszes egereknél glomeruláris hipertrófia és szignifikánsan nagyobb volt a glomerulus klaszter felülete a nem cukorbeteg egerekhez képest. A glomeruláris hiperfiltráció és hipertrófia a diabéteszes nephropathia korai jellemzői.
Herba Cistanche
2. Kreatinin elemzése nyolc egérszövetben
A biológiai folyadékok (plazma, vizelet) és a szervek (máj, tüdő, mellékvese, zsigeri zsírszövet, herék, kisagy) kreatininkoncentrációját célzott metabolomikával mérték. A plazma kreatinint klinikai kémiával is meghatározták. A mindkét módszerrel meghatározott plazma kreatininkoncentráció Pearson-korrelációs együtthatója 0,923 (p-érték= 6,938 × 10) volt.-9), ami nagyon magas korrelációt jelez a klinikai kémia és a tömegspektrometrián (MS) alapuló módszerek között.
A plazma mellett a db/db egerek vizeletében, májában és tüdejében is szignifikánsan csökkent kreatinin értékeket mutattak ki (5. táblázat). Megközelítőleg 40 százalékos plazma kreatinin-csökkenést figyeltünk meg db/db egerekben (4. táblázat), és negatív tendenciát a vizeletükben, ami a kreatinin bioszintézisének, a proteolitikus metabolizmusnak és a glomeruláris hiperfiltrációnak a károsodását jelzi.
Összefoglalva: 8-hetes db/db egereink, akiket 5 hétig HFD-vel tápláltak, a korai diabéteszes nephropathiára jellemző változásokat mutattak, mint például a glomeruláris filtráció és hipertrófia, szignifikánsan alacsonyabb plazma- és vizelet kreatininszint, valamint megnövekedett vesesúly. Ezen túlmenően fenotípusos és metabolikus adataik elhízást, hiperglikémiát, diszlipidémiát és gyulladást mutattak, megerősítve a korábbi inzulinrezisztenciáról és zsírmájról (steatosisról) szóló jelentéseket hasonló korú db/db egereknél.
3. A két metabolit szervspecifikus trendjei
A WT patkányokhoz képest a db/db patkányok tüdejében magasabb SM C18:1 és PC aa C38:0 koncentrációt találtak, míg a vizeletben és a zsírszövetben jelentősen csökkent a koncentráció (2. ábra, 5. táblázat). ). Ezenkívül az SM C18:1 jelentősen felhalmozódott a plazmában (p=3,160 × 10-4) és máj (p=1,288 × 10-5), míg a PC aa C38:0 szignifikánsan magasabb volt a mellékvesében (p=9,695 × 10-4, 5. táblázat) db/db patkányok. A két metabolit koncentrációja a kisagyban és a herében összehasonlítható volt (5. táblázat).
Hivatkozások
1. Alicic, RZ; Neumiller, JJ; Johnson, EJ; Dieter, B.; Tuttle, KR Sodium-Glucose Cotransporter 2 gátlás és cukorbeteg vesebetegség. Diabetes 2019, 68, 248–257.
2. GBD krónikus vesebetegséggel kapcsolatos együttműködés; Bikbov, B.; Purcell, C.; Levey, AS; Smith, M.; Abdoli, A.; Abebe, M.; Adebayo, OM; Afarideh, M.; Agarwal, SK; et al. A krónikus vesebetegség globális, regionális és országos terhei, 1990-2017: Egy szisztematikus elemzés a Globális Betegségterhelési Tanulmányhoz, 2017. Lancet 2020, 395, 709–733.
3. Manns, B.; Hemmelgarn, B.; Tonelli, M.; Au, F.; Chiasson, TC; Dong, J.; Klarenbach, S.; Alberta Kidney Disease, N. Krónikus vesebetegség népességalapú szűrése: Költséghatékonysági vizsgálat. BMJ 2010, 341, c5869.
4. Dunkler, D.; Gao, P.; Lee, SF; Heinze, G.; Clase, CM; Tobe, S.; Teo, KK; Gerstein, H.; Mann, JF; Oberbauer, R.; et al. A 2-es típusú cukorbetegség korai CKD kockázatának előrejelzése. Clin. J. Am. Soc. Nephrol. 2015, 10, 1371–1379.
5. Nicholson, JK; Wilson, ID Opinion: A „globális” rendszerbiológia megértése: Metabonómia és az anyagcsere folytonossága. Nat. Rev. Drug Discov. 2003, 2, 668–676.
6. Gieger, C.; Geistlinger, L.; Altmaier, E.; Hrabe de Angelis, M.; Kronenberg, F.; Meitinger, T.; Mewes, HW; Wichmann, HE; Weinberger, KM; Adamski, J.; et al. A genetika találkozik a metabolomikával: Az emberi szérum metabolitprofiljainak genomszintű asszociációs vizsgálata. PLoS Genet. 2008, 4, e1000282.
7. Suhre, K.; Shin, SY; Petersen, AK; Mohney, RP; Meredith, D.; Wagele, B.; Altmaier, E.; Kardiogram; Deloukas, P.; Erdmann, J.; et al. Az emberi metabolikus egyéniség az orvosbiológiai és gyógyszerészeti kutatásokban. Természet 2011, 477, 54–60.
8. Wang-Sattler, R.; Yu, Z.; Herder, C.; Messias, AC; Floegel, A.; Hé.; Heim, K.; Campillos, M.; Holzapfel, C.; Thorand, B.; et al. A metabolomika által azonosított új biomarkerek a prediabéteszhez. Mol. Syst. Biol. 2012, 8, 615.
9. Huang, J.; Huth, C.; Covic, M.; Troll, M.; Adam, J.; Zukunft, S.; Prehn, C.; Wang, L.; Nano, J.; Scheerer, MF; et al. A gépi tanulási megközelítések feltárják a krónikus vesebetegség metabolikus jeleit prediabetesben és 2-es típusú cukorbetegségben szenvedő egyéneknél. Cukorbetegség, 2020, 69, 2756–2765.
10. Fornoni, A.; Merscher, S.; Kopp, JB. A podocita lipidbiológiája – az új perspektívák új lehetőségeket kínálnak. Nat. Rev. Nephrol. 2014, 10, 379–388.
11. Russo, SB; Ross, JS; Cowart, LA Szfingolipidek elhízásban, 2-es típusú cukorbetegségben és anyagcsere-betegségben. Handb. Exp. Pharmacol. 2013, 373–401.
12. Lisowska-Myjak, B. Urémiás toxinok és hatásaik több szervrendszerre. Nephron Clin. Gyakorlat. 2014, 128, 303–311.
13. Sharma, K.; McCue, P.; Dunn, SR Diabéteszes vesebetegség db/db egérben. Am. J. Physiol Renal Physiol 2003, 284, F1138–F1144.
14. Kim, NH; Hyeon, JS; Kim, NH; Cho, A.; Lee, G.; Jang, SY; Kim, MK; Lee, EY; Chung, CH; Ha, H.; et al. Metabolikus változások a vizeletben és a szérumban a diabéteszes vesebetegség progressziója során egérmodellben. Boltív. Biochem. Biophys. 2018, 646, 90–97.
15. Yamamoto, Y.; Maeshima, Y.; Kitayama, H.; Kitamura, S.; Takazawa, Y.; Sugiyama, H.; Yamasaki, Y.; Makino, H. A tumstatin peptid, az angiogenezis inhibitora, megakadályozza a glomeruláris hipertrófiát a diabéteszes nefropátia korai szakaszában. Diabetes 2004, 53, 1831–1840.
16. Cingel-Risti´c, V.; Schrijvers, BF; van Vliet, AK; Rasch, R.; Han, VK; Csepp, SL; Flyvbjerg, A. Normál és cukorbeteg egerek vese növekedését nem befolyásolja a humán inzulinszerű növekedési faktort kötő fehérje-1 beadása. Exp. Biol. Med. (Maywood) 2005, 230, 135–143.
17. Cohen képviselő; Lautenslager, GT; Shearman, CW A megnövekedett IV-es típusú kollagén vizeletben a glomeruláris patológia kialakulását jelzi diabéteszes d/db egerekben. Metabolism 2001, 50, 1435–1440.
18. Trak-Smayra, V.; Paradis, V.; Massart, J.; Nasser, S.; Jebara, V.; Fromenty, B. A máj patológiája elhízott és diabéteszes ob/ob és db/db egerekben standard vagy magas kalóriatartalmú étrenddel. Int. J. Exp. Pathol. 2011, 92, 413–421.
19. Hofmann, A.; Peitzsch, M.; Brunssen, C.; Mittag, J.; Jannasch, A.; Frenzel, A.; Brown, N.; Weldon, SM; Eisenhofer, G.; Bornstein, SR; et al. Fokozott szteroid hormontermelés az elhízás és a 2-es típusú cukorbetegség db/db egérmodelljében. Horm. Metab. Res. 2017, 49, 43–49.
20. Chocian, G.; Chabowski, A.; Zendzian-Piotrowska, M.; Harasim, E.; Łukaszuk, B.; Górski, J. A magas zsírtartalmú étrend ceramid és szfingomielin képződést indukál patkány máj sejtmagjaiban. Mol. Cell Biochem. 2010, 340, 125–131.
Jialing Huang 1,2,3, Marcela Covic 1,2,3, Cornelia Huth 2, Martina Rommel 1,2, Jonathan Adam 1,2, Sven Zukunft 4,5, Cornelia Prehn 6, Li Wang 1,2,7, Jana Nano 2,3, Markus F. Scheerer 8,9, Susanne Neschen 8,10, Gabi Kastenmüller 11, Christian Gieger 1,2,3, Michael Laxy 12, Freimut Schliess 13, Jerzy Adamski 4,14,15, Karsten Suhre 16 , Martin Hrabe de Angelis 3,8,15, Annette Peters 2,3 és Rui Wang-Sattler 1,2,3.
1 Research Unit of Molecular Epidemiology, Helmholtz Zentrum München, 85764 Neuherberg, Németország; jialing.huang@helmholtz-muenchen.de (JH); marcela.covic@helmholtz-muenchen.de (MC); martina.troll@helmholtz-muenchen.de (MR); jonathan.adam@helmholtz-muenchen.de (JA); wlrst@126.com (LW); christian.gieger@helmholtz-muenchen.de (CG)
2 Institute of Epidemiology, Helmholtz Zentrum München, 85764 Neuherberg, Németország; cod.huth@gmail.com (CH); jana.nano@helmholtz-muenchen.de (JN); peters@helmholtz-muenchen.de (AP)
3 German Center for Diabetes Research (DZD), 85764 München-Neuherberg, Germany; hrabe@helmholtz-muenchen.de
4 Molekuláris Endokrinológiai és Metabolizmus Kutatóegység, Helmholtz Zentrum München, 85764 Neuherberg, Németország; zukunft@vrc.uni-frankfurt.de (SZ); adamski@helmholtz-muenchen.de (JA)
5 Center for Molecular Medicine, Institute for Vascular Signaling, Goethe Egyetem, 60323 Frankfurt am Main, Németország
6 Metabolomics and Proteomics Core Facility, Helmholtz Zentrum München, 85764 Neuherberg, Germany; prehn@helmholtz-muenchen.de
7 Liaocheng Népi Kórház – Tudományos Kutatási Osztály, Shandong Egyetem Posztdoktori Munkaállomása, Liaocheng 252000, Kína
8 Institute of Experimental Genetics, Helmholtz Zentrum München, 85764 Neuherberg, Németország; markus@scheerer-home.de (MFS); susanne.neschen@mail.com (SN)
9 Bayer AG, Medical Affairs & Pharmacovigilance, 13353 Berlin, Németország
10 Sanofifi Aventis Deutschland GmbH, Industriepark Hoechst, 65929 Frankfurt am Main, Németország
11 Institute of Computational Biology, Helmholtz Zentrum München, 85764 Neuherberg, Németország; g.kastenmueller@helmholtz-muenchen.de
12 Institute of Health Economics and Health Care Management, Helmholtz Zentrum München, 85764 Neuherberg, Németország; michael.laxy@helmholtz-muenchen.de
13 Profifil, 41460 Neuss, Németország; Freimut.Schliess@profifil.com
14 Biokémiai Tanszék, Yong Loo Lin Orvostudományi Iskola, Szingapúri Nemzeti Egyetem, Szingapúr, 117597, Szingapúr
15 Kísérleti genetikai tanszék, Weihenstephan Élet- és Élelmiszertudományi Központ, Technische Universität München, 85353 Freising, Németország
16 Fiziológiai és Biofizikai Tanszék, Weill Cornell Medical College, Katar (WCMC-Q), Education City, Qatar Foundation, Doha PO Box 24144, Katar; karsten@suhre.fr
