Диссертация (1144820), страница 31
Текст из файла (страница 31)
А двухлокусная; Б - трехлокусная. Примечание: темно-серые ячейки комбинации повышенного риска, светло-серые - пониженного, белые —сочетания комбинации аллелей отсутствуют. Левые столбики в ячейках —пациентки с гестозом, правые — женщины контрольной группы.Трех - локусная модель APOE (E2/E3/E4) x AGT (M/T) x AGTR2 (C/A)имела низкую воспроизводимость (CVC=2/10) при сбалансированной194точности 0,83, чувствительности 0,71, и специфичности 0,97, χ2=113,85(р<0,0001) (табл. 21). К сочетаниям пониженного риска гестоза (см. табл. 22)отнесены два варианта (p>0,08). Столько же отнесено к комбинациямповышенного риска, наиболее значимая из них: APOE (E3/E3) x AGT (M/M) xAGTR2 (C/A) (p=5,81*10-5, OR = 0,08, 95%ДИ: 0,009-0,371).Таблица 21.
Анализ межгенных взаимодействий при гестозе,рассчитанный методом исчерпывающего поиска с помощью программыMDR v3.0.2ЧислоМодель межгенныхлокусоввзаимодействий2APOE (E2/E3/E4) x AGTR2(C/A)3APOE (E2/E3/E4) x AGT(M/T) x AGTR2 (C/A)Bal.Acc.0,81CVCSESP25/100,680,930,832/100,710,9794.63(p <0,0001)113.85(p <0,0001)Примечание. Bal.
Acc. – сбалансированная точность; CVC – повторяемостьрезультата; SE – чувствительность; SP – специфичность.Таблица 22. Комбинации аллелей повышенного и пониженного рискагестоза.Группа/генотипГестоз КонтрольpOR (95%ДИ)(N=146), (N=104),N (%)N (%)2-х локусная модельВарианты комбинаций аллелей повышенного рискаAPOE (E3/E3) x AGTR2 15 (10,3)7 (6,7)0,371,60 (0,580 - 4,800)(C/C)Варианты комбинаций аллелей пониженного рискаAPOE (E2/E3) x AGTR21 (0,7)4 (3,8)0,160,17 (0,004 - 1,800)(C/C)APOE (E3/E4) x AGTR22 (1,4)7 (6,7)0,19 (0,019 - 1,000)0,04(A/A)APOE (E3/E4) x AGTR23 (2,1)8 (7,7)0,25 (0,042 - 1,100)0,06(C/A)APOE (E3/E3) x AGTR216 (11) 43 (41,3) 5,3e-08 0,18 (0,085 - 0,350)195(C/A)3-х локусная модельВарианты комбинаций аллелей повышенного рискаAPOE (E3/E3) x AGT5 (3,4)2 (1,9)0,701,80 (0,290 –(T/T) x AGTR2 (C/C)19,290)APOE (E3/E3) x AGT5 (3,4)0 (0)0,08Inf (0,66 - Inf)(M/M) x AGTR2 (C/C)Варианты комбинаций аллелей пониженного рискаAPOE (E3/E4) x AGT1 (0,7)4 (3,8)0,160,17 (0,003 – 1,787)(M/T) x AGTR2 (A/A)APOE (E3/E3) x AGT2 (1,4)15 (14,4) 5,81e- 0,08 (0,009 – 0,371)(M/M) x AGTR2 (C/A)05Примечание.
Жирным шрифтом выделены статистически значимые различия(p<0,05); OR - отношение шансов; ДИ - доверительный интервал.Таким образом, двухлокусные модели гестоза обладают большейсбалансированной точностью и воспроизводимостью, чем трехлокусные.Наилучшие характеристики имеет двухлокусная модель: APOE (E2/E3/E4) xAGTR2 (C/A) со средней степенью воспроизводимости CVC=5/10 и сосбалансированной точностью 0,81.
Данная модель не позволяет выявлятьстатистически значимые варианты комбинаций аллелей повышенного риска,однако с её помощью можно выявлять протективные сочетания комбинацийаллелей.3.2.1.1.4.3. GLM модель.GLM (обобщённая линейная модель) позволяет моделировать болезнипутем учета всех факторов риска (п. 1.4.6.3). Для оценки риска гестоза вмодель были включены гены: REN, AGT, AGTR1, AGTR2, BDKRB2, MTHFR,F5, ITGB3, SERPINE1, F2, FGB, а также клинические данные и данныепреморбидного фона: возраст (В), срок беременности (СРОК), наличиегипертонической болезни (ГБ), тромбозы в анамнезе (ТБвАН), тяжелыйгестоз в анамнезе (ТГаАН), наличие хронического пиелонефрита (ХрПНФ),желчекаменная болезнь (ЖКБ), ожирение (ОЖ), эндокринные нарушения(ЭНД), пиелонефрит беременных (ПНБ), анемия беременных (АБ) (см.
табл.19623). Далее был произведён анализ GLM моделей с различными параметрами.Варианты моделей приведены в табл. 23. Первая из них включает толькогены, вторая – только клинические данные и данные преморбидного фона,третья – и те, и другие.В формулу первой модели вошли следующие параметры: ~ AGTR2 +MTHFR + F2. Ее сбалансированная точность составила всего 53,6%, что непозволяетпредсказыватьрискразвитиязаболеванияпогенотипамсоответствующих генов.Формула второй модели включала: ~ СРОК + ГБ + ХрПНФ + ЖКБ +ОЖ + ЭНД + АБ.
Ее сбалансированная точность составила 92,0%. Даннаяточность является достаточно высокой, и при наличии всех параметровпозволяет надежно предсказывать заболевание.Формула третьей модели включала следующие параметры: ~ В + СРОК+ ГБ + ТГвАН + ХрПНФ + ЖКБ + ОЖ + ЭНД + REN + F2. Еесбалансированная точность составила 94,2% и оказалась самой высокой. Приналичии в анамнезе всех параметров она позволяет надежно предсказыватьзаболевание.Рассчет риска проводят следующим образом. К свободному членууравнения прибавляют (или вычитают) клинические параметры (наличиепризнака – 1, отсутствие – 0) и генетические параметры (соответствиекомбинации аллелей численным значениям приведено в табл. 18),умноженные на соответствующие им коэффициенты. Полученную суммуиспользуют для рассчета вероятности риска заболевания по формуле:exp( ( ) k xk )1 exp( ( ) k xk )коэффициенты, где x k – это параметры модели, , ( ) k – этомодели,вероятностьпротивоположногособытия,т.е.отнесения индивидуума к группе отсутствия предрасположенности равнасоответственно 1 .
Если полученное значение вероятности превышает 0,5,то считают, что существует риск развития гестоза, если меньше – риска нет.197Таблица 23. Параметры и характеристики регрессионных моделей гестоза, полученные на основаниигенетических и клинических данных.№Параметры моделиРазмервыборкиМодельХарактеристикиПараметры123REN, AGT, AGTR1, AGTR2,BDKRB2, MTHFR, F5,ITGB3, SERPINE1, F2, FGBВозраст (В), срокбеременности (СРОК),наличие гипертоническойболезни (ГБ), тромбозы ванамнезе (ТБвАН),тяжелый гестоз в анамнезе(ТГаАН), наличиехроническогопиелонефрита (ХрПНФ),желчекаменная болезнь(ЖКБ), ожирение (ОЖ),эндокринные нарушения(ЭНД), пиелонефритбеременных (ПНБ), анемиябеременных (АБ)REN, AGT, AGTR1, AGTR2,244246240~ AGTR2+ MTHFR+ F2~ СРОК +ГБ +ХрПНФ +ЖКБ +ОЖ +ЭНД + АБ~В+СвободныйчленуравненияAGTR2Значениекоэффициента0,533P0,040-0,2840,129MTHFRF2СвободныйчленуравненияСРОК0,333-2,21034,8600,1220,0431,735*10-6-0,961ГБ17,0806,563*10-70,994ХрПНФ1,4310,013ЖКБ22,2400,997ОЖ0,6310,149ЭНД19,3300,993АБ0,8940,098Свободный38,4105,738Чувствительность,%Специфичность, %Сбалансированнаяточность,%88,219,053,688,995,192,091,596,994,2198BDKRB2, MTHFR, F5,ITGB3, SERPINE1, F2, FGB,возраст (В), срокбеременности (СРОК),наличие гипертоническойболезни (ГБ), тромбозы ванамнезе (ТБвАН),тяжелый гестоз в анамнезе(ТГаАН), наличиехроническогопиелонефрита (ХрПНФ),желчекаменная болезнь(ЖКБ), ожирение (ОЖ),эндокринные нарушения(ЭНД), пиелонефритбеременных (ПНБ), анемиябеременных (АБ)СРОК +ГБ +ТГвАН +ХрПНФ +ЖКБ +ОЖ +ЭНД +REN + F2членуравненияВСРОК-0,075-0,995ГБТГвАНХрПНФЖКБОЖЭНДREN17,59019,3601,28322,5000,68119,3700,7400,1542,202*10-60,9940,9980,0300,9970,1140,9940,103F2-2,7460,150*10-6Таким образом, полученные нами результаты свидетельствуют о том, что на основании только генетическойинформации целесообразно использовать метод MDR, тогда как использование GLM моделей более эффективно приналичии помимо генетической как минимум анамнестической информации.
Метод подсчета баллов припредсказании риска данного заболевания оказался неэффективным.1992003.2.1.1.4.4. Эффективность предсказания фенотипа при совместном учетегенетических и клинических показателей (ROC-анализ).Анализ результатов, полученных с помощью математическихмоделей, был проведен с применением ROC-кривых (см. рис.
20).Пригодность выбранного метода оценивали по площади, ограниченнойROC-кривой и осью доли ложных положительных классификаций показателю AUC (см. табл. 24).Рисунок 20. ROC-кривые для оценки риска предсказания гестоза наоснованиитрехпреморбидныймоделей:фон)(2),гены(1),клиническиегенетическиеиданныеклинические(включаяданныеспреморбидным фоном (3).Таблица 24. Значение показателя AUC для регрессионных моделейгестоза.ПоказателиГеныКлинические данные (включая преморбидный фон)Генетические и клинические данные с преморбидным фономГестоз:0,6010,9680,970Исходя из экспертной шкалы и показателя AUC (табл.24), модели,основанные только на «генетике», не обладали высокой достоверностью,тогда как, модели, учитывающие как клинические данные, так и данные200201преморбидного фона, обладали значительно большей предсказательнойсилой.
Таким образом, из проведенных рассчетов следует, что до началазаболевания и при первых его симптомах с увереностью предсказывать рискразвития гестоза достаточно сложно, а можно лишь с уверенностью относитьпациента к группе риска этой патологией.3.2.1.2. Поиск новых генетических маркеров.Использованы как «теоретический», так и «практический» подход.«Теоретический» подход заключался в конструировании генных сетейзаболевания для установления ключевых (триггерных) маркеров патологии, ивыявления новых метаболических путей. «Практический» - основывался накомплексномизучении(полногеномноетранскриптомномновыхмаркеровсеквенирование(исследованиезаболеванияглавногоуровнянагеномномгена-кандидатаACVR2A),микроРНК)иэпигеномном(исследование метилирования промоторных регионов гена H19) уровнях.3.2.1.2.1.
Генная сеть гестоза.3.2.1.2.1.1. Реконструкция первичной генной сети гестоза. Гестозосома.Поиск генов-кандидатов, ассоциированных с гестозом, проводилиметодамибиоинформатики,предназначеннымидляавтоматическогоизвлечения знаний из текстов научных статей (работ) о свойствахмолекулярно-биологических объектов и их взаимодействиях в живыхсистемах (Demenkov et al, 2012).Для реконструкции ассоциативной генной сети гестоза - гестозосомы,(Glotov et al., 2015a)использовали подход, реализованный в системе«ANDSystem» (Demenkov et al, 2012). Данная реконструкция подразумевалапостроениеассоциативныхсетей(ассоциомгестоза),отражающихмолекулярно-генетические взаимодействия между синтропными генами,нарушение работы которых являются общими факторами риска синтропных(патогенетически родственных) с гестозом заболеваний.201202Как известно (см.
см. п. 1.5.1), четыре наиболее значимые и частовстречаемые патологии при гестозе включают сахарный диабет («diabetesmellitus»),ожирение(«obesity»),пиелонефрит(«pyelonephritis»)игестационный диабет («diabetes gestational») (Репина, 2005; Радзинский и др.,2007; Duckitt et al., 2005; Айламазян и др., 2008; Young et al., 2010; Bilano etal., 2014). Частое сочетание этих патологий при беременности, осложненнойгестозом, свидетельствует об их синтропии, то есть о наличии общихмолекулярно генетических механизмов (генов, метаболических путей),определяющих их патогенеза (Пузырев, 2011).С помощью программы «ANDVisio» была построена ассоциативнаясеть, включающая известные генетические данные для всех перечисленныхпатологий.
Затем она была редуцирована путем исключения пиелонефрита,так как гены данной патологии не были ассоциированы с гестозом.Подтверждением корректности включения сочетанных с гестозомзаболеванийявилсярасчетраспределениятрёхиндексовсвязности(бинарных коэффициентов сходства) этих сетей, согласно частотам ихслучайной встречаемости в автоматически реконструированных сетях, дляслучайно выбранных пар заболеваний (рис.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
