Роли Концептуализация, куриране на данни, формален анализ, разследване, методология, администриране на проекти, софтуер, писане - оригинален проект, писане - преглед и редактиране

анамнеза

Отдел за изследване на партньорството, болница General de México, Мексико Сити, Мексико

Роли Концептуализация, придобиване на финансиране, разследване, методология, визуализация, писане - оригинален проект

Отделение за винкулация на медицински факултет UNAM, Национален институт по медицина геномика (INMEGEN), Мексико Сити, Мексико

Affiliation Harvard Medical School, Бостън, Масачузетс, Съединени американски щати

Присъединяване Вродени грешки на звеното за метаболизъм, Институт за национална педиатрия, Мексико Сити, Мексико

Отдел за изследване на партньорството, болница General de México, Мексико Сити, Мексико

Отдел за изследване на партньорството, болница General de México, Мексико Сити, Мексико

Отдел за изследване на партньорството, болница General de México, Мексико Сити, Мексико

Отделение за вътрешни болести на Афилиация, болница General de México, Мексико Сити, Мексико

Концептуализация на роли, писане - оригинален проект

Институт по диабет и затлъстяване в Южен Тексас, Тексаски университет, долина Рио Гранде, Единбург, Тексас, Съединени американски щати

Придобиване на финансиране на роли, разследване

Институт по диабет и затлъстяване в Южен Тексас, Тексаски университет, долина Рио Гранде, Единбург, Тексас, Съединени американски щати

Концептуализация на ролите, куриране на данни, официален анализ, придобиване на финансиране, разследване, методология, надзор, визуализация, писане - оригинален проект

Институт по диабет и затлъстяване в Южен Тексас, Тексаски университет, Рио Гранде Вали, Единбург, Тексас, Съединени американски щати, Изследователски отдел, Университет Мексико Американа дел Норте, Рейноса, Тамаулипас, Мексико

  • Мария Елена Ромеро-Ибаргуенгоития,
  • Фелипе Вадило-Ортега,
  • Августо Енрике Кабалеро,
  • Изабел Ибара-Гонсалес,
  • Артуро Херера-Росас,
  • Мария Фабиола Сератос-Каналес,
  • Мирея Леон-Хернандес,
  • Антонио Гонсалес-Чавес,
  • Шринивас Мумиди,
  • Равиндранат Дуджирала

Корекция

24 май 2018 г .: Romero-Ibarguengoitia ME, Vadillo-Ortega F, Caballero AE, Ibarra-González I, Herrera-Rosas A, et al. (2018) Корекция: Фамилна анамнеза и затлъстяване при младежи, техният ефект върху метаболомиката на ацилкарнитин/аминокиселини и безалкохолна мастна чернодробна болест (NAFLD). Подход за моделиране на структурни уравнения. PLOS ONE 13 (5): e0198379. https://doi.org/10.1371/journal.pone.0198379 Преглед на корекцията

Фигури

Резюме

Заден план

Моделирането на структурни уравнения (SEM) може да помогне за разбирането на сложни функционални връзки между затлъстяването, безалкохолната мастна чернодробна болест (NAFLD), фамилната анамнеза за затлъстяване, целенасочената метаболомика и провъзпалителните маркери. Тествахме две хипотези: 1) Ако затлъстяването предшества излишъка на свободни мастни киселини, които увеличават оксидативния стрес и митохондриалната дисфункция, ще има увеличение на серумните ацилкарнитини, аминокиселини и цитокини при затлъстели лица. Ацилкарнитини биха били свързани с неалкохолна мастна болест, която ще предизвика инсулинова резистентност. 2) Ако положителната фамилна анамнеза за затлъстяване и диабет тип 2 са основните определящи фактори на метаболомния профил, би имало по-висока концентрация на аминокиселини и ацилкарнитини при пациенти с този фон, които ще предизвикат затлъстяване и NAFLD, което от своя страна ще индуцира инсулинова резистентност.

Методи/резултати

137 нормогликемични субекта, средна възраст (SD) от 30,61 (8,6) години, разделени в три групи: BMI 30 с отсъствие на NAFLD (G2), n = 24; и ИТМ> 30 с NAFLD (G3), n = 31. Фамилната анамнеза за затлъстяване (която и да е) е била налична при 53%. И двата модела бяха коригирани в SEM. Фамилната анамнеза за затлъстяване предсказва затлъстяване, но не може да предскаже концентрации на ацилкарнитини и аминокиселини (размер на ефекта 30 (G2) и, група 3 (BMI> 30 с NAFLD) (G3). Направихме предишни симулации и априори очаквахме небалансиран размер на пробата групи. Записана е фамилна анамнеза за диабет/затлъстяване, роднина от първа степен на родителите е дефинирана като „Директна“, междувременно роднините от втора степен са „Индиректни“. алкохол/седмица, тези с клинична анамнеза за известни хепатотоксични лекарства, диагноза рак, всяка остра или хронична инфекциозна болест, хипертония, диабет, хронично бъбречно заболяване или някакво патологично състояние по време на общия преглед или лабораторни тестове.

Протоколът за изследването е одобрен от Комитета по човешка етика в болница General de México, получено е информирано съгласие от всички субекти. Разследването е проведено съгласно принципите, изразени в Декларацията от Хелзинки.

Процедура

Субектите бяха поканени да участват, ако са изпълнили критериите за включване и са подписали информираното съгласие. По време на първото посещение регистрирахме кръвното налягане, ИТМ и параметрите на биоелектричния импеданс, използвайки анализатор на композицията Quantum IV – Body Composition (RJL Systems, САЩ). В рамките на една седмица, но на различна дата, пациентите бяха инструктирани да пости 8 часа преди орален тест за толерантност към глюкоза (OGTT) с 75 g глюкоза. Базовата кръвна проба е взета за глюкоза, креатинин, урея (за изхвърляне на бъбречно заболяване), общ холестерол, HDL холестерол, LDL холестерол, триглицериди, аланин аминотрансфераза (AST) и аспартат аминотрансфераза (ALT) с AU480 химична система (Beckman Coulter, САЩ). По време на OGTT, ние също измерихме нивата на инсулин чрез ELISA с комплект Abnova ™, използвайки устройството V1.24 (Multiskan Ascent, САЩ) с коефициенти на вариация в интра и между теста, вариращи между 1,8 до 2,9%. Индексът на инсулинова чувствителност Matsuda е изчислен, както е описано другаде (35). Възпалителни маркери, измерени в кръвта, са IL-6 и TNFα, използвайки ELISA с Bioplex-Pro ™ цитокинови анализи и измивна станция Bio-Plex Pro II с носител на магнитна плоча (Bio Rad, САЩ), CV: 4–19%. С Реактивният протеин беше измерен с имуноензимен анализ, използвайки микроплаки (Monobind Inc, САЩ).

Плазмени проби от гладни субекти бяха използвани за определяне на профилите на 31 ендогенни ацилкарнитини и 7 аминокиселини с помощта на тандемен мас спектрометър Quattro Micro API (MicroMass) (MS-MS). Всички процедури за подготовка на проби и MS-MS анализ бяха извършени от NeoBase без производен комплект (PerkinElmer, САЩ) съгласно протокола на производителя. Накратко, плазмата се изсушава във филтърни хартии и единични дискове се пробиват от всяко място с помощта на 3 mm перфоратор. По един диск е използван за кладенче. С помощта на многоканална пипета към всяка ямка бяха добавени 190 μL екстракционен разтвор, съдържащ смес от съответните стабилни изотопно маркирани вътрешни стандарти. Плочата се покрива с алуминиево фолио, разклаща се при 650 х g и се инкубира за 30 минути при 30 ° С. Най-накрая плаката беше поставена в автопробника за анализ. Накрая направихме чернодробен ултразвук с ултразвукова система Voluson Pro VTM (GE, САЩ) с преобразувател 3.5MHz. Чернодробните ултразвуци имат чувствителност и специфичност за откриване на NAFLD от 80 до 90% (36). Наличието на NAFLD се определя, ако са налице 3 параметъра: 1) висока чернодробна ехотекстура, 2) силно затихване, 3) ниска визуализация на порталната и чернодробна вена.

Статистически анализ

Описахме и сравнихме демографски, серумни биохимични стойности за трите описани групи (раздел на метода); тези променливи с изкривени разпределения бяха нормализирани с помощта на трансформация log10. Контрастите по групи бяха изчислени с помощта на хи-квадрат или еднопосочен ANOVA с последващи тестове на Fisher според променливите размери. За метаболитни и възпалителни маркери изчислихме процент на фалшиви открития (FDR) с процедурата на Бенямини – Хохберг [29].

Използвахме частичен анализ на най-малките квадрати (PLS-DA) за визуална дискриминация на метаболити и възпалителни маркери между трите групи. Качеството на PLS-DA беше оценено с помощта на 3 различни параметъра: R2, Q2 и точност. Добротата на пригодността е количествено определена чрез R2, а предсказуемата способност е показана от Q2.

За да се оцени значимостта на класовата дискриминация, беше проведен пермутационен тест, където моделът беше пуснат 1000 пъти. Променливата важност в проекцията (VIP) се изчислява като претеглена сума от квадратите на PLS натоварванията, като се вземе предвид количеството обяснена Y-промяна.

За да тестваме двете описани хипотези, използвахме SEM, обобщение както на регресията, така и на факторния анализ. Обосновката за използване на SEM е, че матрицата на ковариацията на наблюдаваните променливи е функция на набор от параметри, които са дефинирани априори. Ако моделът е правилен и параметрите са известни, тогава матрицата на ковариацията на популацията ще бъде точно възпроизведена от SEM (с изключение на пробната вариация). Хипотетичната връзка между променливите в нашите модели е изградена въз основа на съвкупността от предишни съобщени данни от литературата, валидирани от симулационни модели, които са били генерирани предварително и модифицирани според индексите за модификация. За да се избегнат хормонални ефекти и физиологични промени от юношеството и стареенето, ние включихме само пациенти между 18 и 45 години, но за да запазим необходимото разнообразие от заболявания за анализ на биологичната дисперсия. Възрастта не е имала никакво преобръщане, както се наблюдава нито латентна променлива за SEM.

Общият SEM модел може да бъде разложен на два подмодела: измервателен и структурен модел. По правило при графично представяне на модела наблюдаваните променливи са затворени от правоъгълници или квадрати, а латентните променливи са затворени от овали или кръгове. Остатъците винаги са ненаблюдавани променливи (латентни фактори) и са представени от овали или кръгове. В това проучване се използва средноквадратичната грешка на сближаване (RMSEA) за оценка на доброто прилягане на който и да е модел, където стойност 0,2 е от значение в патофизиологията на нашите модели [27,30–32].

Ние разгледахме размера на извадката според минималния брой пациенти, необходими за добра кохезия на факторите в нашите модели. За това направихме априорно моделиране на симулации на Монте Карло с бета разпределение, като се вземат предвид параметрите α = 1 и β = 7, за да се увеличи изкривяването на симулираните данни. Максималните и минималните стойности са получени, като се вземат предвид 3 стандартни отклонения на средната стойност на стойностите, получени от предишни проучвания. Очаквахме поне 20% разлика в размера на ефекта от концентрацията на аминокиселини между слаби пациенти и пациенти със затлъстяване. Също така разгледахме размер на ефекта от най-малко 20% в концентрациите на ацилкарнитин между пациенти със и без NAFLD. При 137 пациенти имахме добра корекция на нашите модели, които включват размер на ефекта между 19 и 100%.

Всички статистически анализи са направени с помощта на SPSS 18.0, Amos и Metaboanalyst 3.0 [33].

Резултати

Включихме 137 нормогликемични субекта, със средна възраст 30,61 (SD 8,6) години (Таблица 1), седемдесет процента бяха жени. Група 1 (ИТМ 30) и Група 3 (ИТМ> 30 и NAFLD) групата имаше съответно 24 и 31 субекта. Фамилната анамнеза за затлъстяване (която и да е) присъства при 53% от общото население, докато фамилната анамнеза за диабет е налице при 66%. Таблица 1 показва средни стойности на клинични, възпалителни и метаболомични параметри на 3-те групи, а Таблица 2 показва различните степени на фамилна анамнеза за затлъстяване и диабет.

Клинични, метаболомични и възпалителни разлики между G1-G3

Клинични разлики са наблюдавани между трите групи, както се очаква: пациентите със затлъстяване със или без NAFLD (G2, G3) са имали по-висок ИТМ, процент на мазнини и коремна обиколка (p 0,05).

Въпреки че никой от пациентите не е имал диабет или глюкозна непоносимост, както G2, така и G3 имат по-високи нива на глюкоза и инсулин с по-нисък индекс на Matsuda (р 1.2 са: CRP, инсулин, триглицериди, C: 16: 1OH, C8: 1, орнитин и тирозин (Фиг. 1).

1 = BMI 30 и NAFLD положителен.

Модели на структурно уравнение

За да проверим нашата хипотеза, създадохме два модела на структурни уравнения и трети, извлечен от другите два. Проучвателен факторен анализ клъстерира ацилкарнитини в 4 фактора и аминокиселини в два фактора. Тези модели са показани в таблица 1. Използвахме само TNFα и IL-6 (и двете групирани като „INFL“) и CRP в нашите модели, тъй като те са най-честите производители на възпаление, съобщени в литературата.

Първият модел (фигура 2, таблица S1) показва, че затлъстяването корелира с плазмените аминокиселини, което допринася за увеличаване на специфичните ацилкарнитини и възпалителни маркери. Излишъкът на свободни мастни киселини се свързва с NAFLD, а също и с възпалителни маркери и инсулинова резистентност в този ред. RMSEA е 0,078 (0,0,71, 0,084), а стандартизираните β стойности> 0,2 (показани в скоби) поддържат затлъстяването като предиктор за ендогенни променливи като концентрация на аминокиселини, групирани и в двата фактора AA1 и AA2 (съответно 0,37 и 0,44). Аминокиселините, групирани във фактор AA1, предсказват концентрацията в кръвта на ацилкарнитини със средна, дълга и много дълга верига, групирани в AC2-AC4 (0.65 и 0.30). AA2 прогнозира AC1, AC2 и AC4 (0.65, -0.43 и 0.28). Къси, дълги и много дълги вериги ацилкарнитини, AC1, AC3 и AC4, прогнозирани възпалителни маркери TNFα и IL-6 (INFL) (0.23, 0.48, -0.45), докато аминокиселините, групирани в AA1, прогнозират отрицателно INFL (-0.67), а аминокиселините, групирани в AA2, прогнозират положително (0.49). AC2-AC4 се свързва с NAFLD (-1.52, 3.48, -2.42). И накрая, AC3, AC4 и AA2 прогнозираха индекса на Matsuda (1,39, 0,72, -0,41).

Затлъстяването корелира с плазматичните аминокиселини, което допринася за повишаване на специфичните ацилкарнитини и възпалителни маркери. Затлъстяването корелира пряко с ацилкарнитини. Те са свързани с NAFLD и след това са свързани с възпалителни маркери и инсулинова резистентност. Кръгове = латентни променливи, правоъгълници = наблюдавани променливи, e = термин за грешка. Латентното променливо затлъстяване се формира от: BMI = индекс на телесна маса, Abd_circumf = коремна обиколка, FAT =% мазнини. AA1 и AA2 = латентни променливи, които представляват фактор за аминокиселини AC1, AC2, AC3 и AC4 = латентни променливи, които представляват фактори, групирани за ацилкарнитини. С: 0, С2-С18: 2. ALA = аланин, CIT = цитрулин, Met = метионин, TYR = тирозин, ORN = орнитин, PRO = пролин, ARG = аргинин, GLY = глицин, LEU = левцин, PHE = фенилаланин, VAL = валин. CRP = C реактивен протеин. TNFα = Туморен фактор некроза алфа, IL-6 = Интерлевкин-6, и двата образуват латентна променлива INFL = възпалителни маркери. Латентната променлива NAFLD интегрира USG = ултразвук на черния дроб. ALT = аланин аминотрансфераза, AST = аспартат аминотрансфераза. Редовете с удебелен шрифт съответстват на стандартизирани β оценки> 0,2. Числата във всеки ред съответстват на стандартизирана β оценка. За да се опрости, термините за грешки не бяха включени на фигурата.

Във втория модел (фиг. 3, таблица S2) положителната фамилна анамнеза за затлъстяване (екзогенна променлива) е основният определящ фактор за ацилкарнитини и аминокиселини. Това е свързано с NAFLD, затлъстяване, инсулинова резистентност и провъзпалителен процес. В този модел ние предложихме затлъстяването като вторично или следствие от предишно изменение на метаболизма на мастните киселини и аминокиселините. RMSEA на този модел е 0,075 (0,069, 0,081).

Стандартизирани β оценки за фамилна анамнеза за затлъстяване за предсказване на ацилкарнитини и аминокиселини бяха Фигура 4. SEM модел 3.

Дискусия

Представеният SEM анализ оценява хипотетични причинно-следствени връзки на фенотипни, метаболомични, възпалителни маркери и фамилна анамнеза за затлъстяване в интегриран модел и установява, че семейната история силно корелира със затлъстяването на субекта.

Фамилната анамнеза на затлъстяването служи като прокси за генетичното, епигенетичното и феталното развитие на индивида, а затлъстяването води до сериозно нарушаване на регулацията на ключови метаболитни ензими и пътища, както е показано от ацилкарнитини и аминокиселини, и двата метаболита предсказват възпаление, инсулинова резистентност, затлъстяване и NAFLD.

Традиционните статистически методи като ANOVA, Chi-square и PLS-DA демонстрират демографски, клинични и метаболомични показания показват разлики между групите G1-G3, но предоставят недостатъчна информация за връзката им, а също така множество ANOVA увеличават риска от грешка тип 1. Нашето използване на SEM преодоля тези недостатъци и осигури следните предимства: (1) добра кохезия между променливи; (2) малки стойности на грешки, които доведоха до чист избор на проба; (3) добър ефект (4) биологична поддръжка и (5) откриване на предварително неоткрити корелации.

Първият модел, който предложихме затлъстяването е резултат от дисбаланс в положителния енергиен прием, даващ разширяване на мастната тъкан. Има увеличение на свободните мастни киселини и нарушаване на митохондриалното β окисление, което води до увеличаване на ацилкарнитини. Увеличаването на аминокиселините също предсказва увеличаване на алфа-кетокиселините с последващо увеличаване на ацилкарнитини, по-специално къса верига. Това метаболитно нарушение предсказва възпалителен процес, NAFLD и инсулинова резистентност.

По-рано е публикувано, че C3- и C5-карнитин с производна аминокиселина с производни аминокиселини с мастни киселини, получени от C6 и C8 ацилкарнитини, имат висока плазмена концентрация при пациенти със затлъстяване и T2D в сравнение със слабите контроли [19].

Нашите модели поддържат всяка аминокиселина, биохимичната структура е свързана със затлъстяването, а не само с разклонени верижни аминокиселини (BCAA); но само аминокиселини, групирани във фактор AA2, предсказват индекса на Matsuda. Проучване, проведено в Индия и Китай, показва корелация на HOMA с аланин, пролин, валин и левцин [34]. По-рано се съобщава, че повишените концентрации на BCAA, свързани с IR, са свързани с хронично фосфорилиране на целта на бозайниците на рапамицин, c-jun N-терминална киназа и инсулинов рецепторен субстрат 1 [19]. Също така, има намалено стимулирано от инсулин фосфорилиране на тирозин на IRS-1 и IRS-2; намалено свързване на grb2 и р85 субединицата на фосфатидилинозитол 3-киназата към IRS-1 и IRS-2 и значително инхибиране на стимулираната от инсулин фосфатидилинозитол 3-киназа [35]. Въпреки това, все още остава неясно механизмите, които са в основата на не-BCAA асоциацията със затлъстяването и IR.

Niu et al. преди това е изследвал връзката между аминокиселините и провъзпалителния отговор. Те съобщават, че хистидин и аргинин са отрицателно свързани с IL-6 и CRP при затлъстели жени [36]. Открихме подобни констатации в нашия модел. В друго проучване мишките C57BL/6J са хранени с диета с високо съдържание на мазнини и в сравнение с постно контролиране, нивата на иРНК в гените за регулиране надолу, свързани с аминокиселинни пътища с разклонена верига във висцерална мастна тъкан, показват намаляване на метаболизма на BCAA/TCA цикъл, свързан с повишени концентрации на TNFα, IL-6, IL-1β и IFNγ [37]. Нашите модели поддържат ясна взаимовръзка между всички анализирани аминокиселинни остатъци с IL-6, TNFα и CRP.