Надя Дж. Т. Руманс

Катедра по човешка биология, NUTRIM училище за хранене и транслационни изследвания в метаболизма, Университет в Маастрихт, Universiteitssingel 40, 6200 MD Маастрихт, Холандия

Роел Г. Винк

Катедра по човешка биология, NUTRIM Училище за хранене и транслационни изследвания в метаболизма, Университет в Маастрихт, Universiteitssingel 40, 6200 MD Маастрихт, Холандия

Марий Гилен

Катедра по комплексна генетика, NUTRIM училище за хранене и транслационни изследвания в метаболизма, Университет в Маастрихт, Universiteitssingel 40, 6200 MD Маастрихт, Холандия

Морис П. Зигерс

Катедра по комплексна генетика, NUTRIM училище за хранене и транслационни изследвания в метаболизма, Университет в Маастрихт, Universiteitssingel 40, 6200 MD Маастрихт, Холандия

Клаус Холст

Център за здраве и общество, Институт по превантивна медицина, Университетска болница в Копенхаген, Hovedvejen 5, Frederiksberg, 2000 Копенхаген, Дания

Пинг Уанг

Катедра по човешка биология, NUTRIM училище за хранене и транслационни изследвания в метаболизма, Университет в Маастрихт, Universiteitssingel 40, 6200 MD Маастрихт, Холандия

Лаборатория по биохимична генетика, Катедра по клинична генетика, Университетски медицински център в Маастрихт, Университетска болница в Маастрихт, P. Debyelaan 25, 6229 HX Маастрихт, Холандия

Арне Аструп

Департамент по хранене, упражнения и спорт, Факултет по природни науки, Университет в Копенхаген, Nørre Allé 51, 2200 Копенхаген, Копенхаген, Дания

Вим Х. Сарис

Катедра по човешка биология, NUTRIM училище за хранене и транслационни изследвания в метаболизма, Университет в Маастрихт, Universiteitssingel 40, 6200 MD Маастрихт, Холандия

Арманд Валсезия

Институт по здравни науки на Нестле, Иновационен парк EPFL, 1015 Лозана, Швейцария

Йорг Хагер

Институт по здравни науки на Нестле, Иновационен парк EPFL, 1015 Лозана, Швейцария

Марлин А. ван Баак

Катедра по човешка биология, NUTRIM училище за хранене и транслационни изследвания в метаболизма, Университет в Маастрихт, Universiteitssingel 40, 6200 MD Маастрихт, Холандия

Едуин С. М. Мариман

Катедра по човешка биология, NUTRIM училище за хранене и транслационни изследвания в метаболизма, Университет в Маастрихт, Universiteitssingel 40, 6200 MD Маастрихт, Холандия

Свързани данни

Резюме

Електронен допълнителен материал

Онлайн версията на тази статия (doi: 10.1007/s12263-015-0506-y) съдържа допълнителен материал, който е достъпен за оторизирани потребители.

Въведение

Материали и методи

Участници и дизайн на обучение

Резултат, равен или по-нисък от нула, показва, че участникът е запазил или продължил да отслабва (WM) по време на периода на проследяване, докато резултат по-висок от нула показва, че участникът е възвърнал теглото си (WR) по време на 6-месечното проследяване.

ДНК екстракция и генотипиране

За извличане на ДНК за генотипиране бяха използвани слоеве от EDTA-кръв. Генотипизирането е направено с помощта на Illumina Bead Station System (IlluminaInc) от IntegraGen с помощта на чип Illumina 660quad, който анализира 660.000 SNP и CNV на проба. Генотип QC беше извършен за всички SNP и SNPs бяха изключени от анализа, ако имаха стойности на обаждания 2> 0.2 беше използван, за да се определи дали периостин SNPs са в неравновесие на връзката. Неравновесната структура на връзката беше оценена чрез използване на SNPStats (Sole et al. 2006).

Използвано е елиминиране назад при многовариантна линейна регресия, за да се провери дали комбинациите от SNP могат да подобрят резултата. За това бяха използвани четирите значими SNP, наблюдавани при мъжката популация.

Анализи на генотипа: използва се логистичен регресионен анализ, за ​​да се намери най-добрият генетичен модел на наследяване, който описва ефекта на генотипите на значимите SNP. Моделът се счита за най-подходящ, ако има най-ниската оценка на критерия за информационен критерий Akaike (AIC) и ако тази стойност е поне 2 по-ниска от останалите модели. Ако множество модели имат сходни ниски стойности на AIC, тези модели се вписват еднакво добре, логистична регресия, коефициенти на вероятност (OR) и 95% доверителни интервали (95% CI) са изчислени, за да се определи рискът от специфичен генотип при възстановяване на теглото. Всички анализи на генотипа бяха извършени с помощта на Stata 12.0 (StataCorp LP).

Резултати

Характеристики на участника

Стойностите са средни ± SD. Субектите са разделени в четири групи: мъже, поддържащи теглото (WM, n = 59), възвръщащи теглото (WR, n = 100) и жени WM (n = 135) и WR (n = 175). Резултатът за поддържане на теглото (WMS) се изчислява в края на 6-месечната диета ad libitum: (тегло след 6-месечна диета ad libitum - тегло след LCD)/(тегло на изходно ниво - тегло след LCD)

Обиколка на кръста на WC, LCD нискокалорична диета, WMS резултат за поддържане на теглото

* P # P 2, а резултатите от всички SNP са показани в таблица S1. По-нататъшният избор на честота на незначителни алели (MAF) доведе до мъжката група само в 6 SNPs с честота на алела по-висока от 5% (посочена в получер в Таблица 2): rs7323378, rs9315503, rs9547947, rs2158836, rs12589592 и rs2672826. Три от SNP са в и около гена на периостин (POSTN, rs7323378, rs9315503, rs9547947), а останалите SNP са в ламинин-β1 (LAMB1, rs2158836), фибулин-5 (FBLN5, rs12589592) и колаген, тип XXIII, алфа1 (COL23A1, rs2672826) гени. Всичките три POSTN SNP бяха в неравновесие на връзката: rs7323378 – rs9547947 (r 2 = 0.760), rs7323378 – rs9315503 (r 2 = 0.487) и rs9547947 – rs9315503 (r 2 = 0.370). Това показва, че тези варианти са тясно свързани и следователно за по-нататъшен анализ е използван само SNP с най-ниска P стойност, което е POSTN rs7323378. За субектите 1 SNP остава след избора на SNP с малка алелна честота по-висока от 5%: rs17516906. Този SNP се намира в гена на фибронектин 1 (FN1).

Таблица 2

Регресионен анализ, извършен с всеки алел на SNP като предиктор и резултати за поддържане на теглото като резултат поотделно за мъже и жени

SNPGeneНе. на субектите P стойност P corr Минорен алелMAF%
Мъже
rs8031741КОНСЕРВА1599.57E − 26 5%

MAF малка алелна честота

SNP многовариантни линейни регресионни анализи

Обратното елиминиране при многовариантна линейна регресия със значимите SNPs, наблюдавани при мъжката популация, доведе до значимост за три SNPs: rs2672826 (β = −17.52, P = 0.020), rs2158836 (β = −11.50, P = 0.039) и rs7323378 (β = -13,67, P = 0,009). Това показва, че COL23A1, POSTN и LAMB1 заедно имат адитивен ефект върху регулирането на теглото.

Генотипни анализи

извънклетъчната

Процентно възстановяване на теглото или поддържащ фенотип на всеки генотип за значимите SNP. Всяка лента представлява общото количество субекти със специфичен генотип за значим SNP: а COL23A1 (rs2672826), б FBLN5 (rs12589592), ° С LAMB1 (rs2158836), д POSTN (rs7323378) и д FN1 (rs17516906). a – d представляват мъже и д представлява жените. Сивите ленти показват процента на поддържащите теглото (WM) с генотипа, а белите ленти са за възстановители на теглото (WR). Броят в рамките на всяка лента е броят на участниците със специфичния генотип

Таблица 3

Логистични регресионни анализи, използвани за намиране на най-добрия генетичен модел на наследяване, който описва ефекта на генотипите

SNPModelGenotypeOR (95% CI) AIC
rs2672826
A> G
COL23A1
ДоминиращG/G
G/A
A/A
1.00
3,94 (1,28–12,10) *
0,72 (0,10–5,25)
206.4
ДоминантенG/G
G/A – A/A
1.00
2,86 (1,10–7,49) *
206.6
РецесивенG/G – G/A
A/A
1.00
0,59 (0,08–4,33)
211.6
RS12589592
G> A
FBLN5
ДоминиращG/G
G/A
A/A
1.00
2,26 (1,15–4,46) *
13,00 (1,61–104,81) *
202.7
ДоминантенG/G
G/A – A/A
1.00
2,71 (1,40–5,25) *
204.8
РецесивенG/G – G/A
A/A
1.00
8,67 (1,10–68,06) *
206.4
RS2158836
A> G
АГНЕ1
ДоминиращG/G
G/A
A/A
1.00
1,27 (0,64–2,51)
18,43 (2,35–144,63) *
199.3
ДоминантенG/G
G/A – A/A
1.00
1,89 (0,98–3,62) *
210.1
РецесивенG/G – G/A
A/A
1.00
16,36 (2,14–124,9) *
197.8
rs7323378
T> C
ПОЩА
ДоминиращТ/Т
T/C
C/C
1.00
4,01 (1,85–8,67)
8,25 (2,85–23,88) *
192.6
ДоминантенТ/Т
T/C – C/C
1.00
4,88 (2,35–10,16) *
192,7
РецесивенT/T – T/C
C/C
1.00
3,54 (1,37–9,14) *
203.6
rs17516906
A> G
FN1
ДоминиращG/G
A/G
A/A
1.00
0,00 (NA)
0,00 (NA)
409,0
ДоминантенG/G
A/G – A/A
1.00
0,00 (NA)
412.8
РецесивенG/G – A/G
A/A
1.00
2,81 (1,40–5,63) *
410,7

Съотношението на шансовете, 95% доверителен интервал, информационен критерий Akaike (AIC) и P стойности бяха извлечени от логистични регресионни анализи с кодоминиращи, доминиращи и рецесивни модели. Най-подходящият модел има най-ниския AIC и тази стойност е поне 2 по-ниска от останалите модели. Стойности на P (158K, pdf)

Благодарности

Бихме искали да благодарим на участниците за сътрудничеството в това проучване. Това проучване е подкрепено от NWO (TOP Grant 200500001).

Финансиране

Това проучване е финансирано от холандската организация за научни изследвания TOP, грант номер 200500001.

Съответствие с етичните стандарти

Конфликт на интереси

Надя Руманс, Роел Винк, Марий Гилен, Морис Зигерс, Клаус Холст, Пинг Уанг, Арне Аструп, Вим Х. Сарис, Марлин А. ван Баак и Едвин К.М. Mariman декларират, че нямат конфликт на интереси. Арманд Валсесия и Йорг Хагер са щатни служители в Nestlé SA.

Етично одобрение

Всички процедури, извършени в проучвания с участието на хора, са в съответствие с Хелзинкската декларация от 1964 г. и нейните по-късни изменения или сравними етични стандарти. Това проучване е одобрено от местните етични комитети в съответните държави: 1. Комитет по медицинска етика на Университетската болница в Маастрихт и Маастрихтския университет, Холандия; 2. Комитетите по етика на биомедицинските изследвания за столичния регион на Дания, Дания; 3. Съфолк комитет по местна етика за изследване, Великобритания; 4. Комитет по етика на Университета на Крит, Гърция; 5. Комисията по етика на Университета в Потсдам; 6. Изследователска комисия по етика към Университета на Навара, Испания; 7. Етичен комитет на Института по ендокринология, Чехия; и 8. Етичен комитет към Националната транспортна многопрофилна болница в София, България. Писмено информирано съгласие беше получено от всички отделни участници, включени в проучването.