精准医学在冠心病中的应用进展

中国医学科学院阜外医院 实验诊断中心 —— 周洲

周洲，研究员，博士生导师，国家心血管病中心/中国医学科学院阜外医院，实验诊断中心主任，“心血管疾病分子诊断北京市重点实验室”主任。现任中国医师协会检验医师分会心血管专家委员会主任委员，北京精准医学学会副理事长，北京医学会医学遗传学分会委员，中国医学装备协会检验医学分会血栓与技术学组组长。

研究方向：1. 遗传性心血管疾病的分子机制研究及基因诊断方法开发；2. 出凝血系统在心血管疾病中作用机制的研究；3. 心脏损伤标志物的开发研究。周洲教授作为第一或通讯作者在权威期刊Circulation等发表论文30余篇，在美国血液学年会等国际学术会议作特邀报告10余次，获得第23届国际血栓与止血会议青年科学家主席奖。近3年主持并承担国家自然基金项目以及省部级10余个基金项目，负责牵头医科院创新工程项目。周洲教授毕业于美国贝勒医学院（Baylor College of Medicine），获得心血管科学博士学位，2013年入选中组部“青年千人”计划，2015年获评北京市西城区“百名英才”优秀青年人才。

冠心病（Coronary Artery Disease，CAD）是造成我国居民死亡的主要原因之一，其发病率和死亡率一直呈上升趋势^[1]，卒中和缺血性心脏病已成为我国人口死亡的前两大因素^[2]，给我国居民造成巨大的疾病负担。精准医学的理念是基于不同个体对于特定疾病的易感性或特定治疗方案的反应性差异提出的，尽量避免为无效患者带来费用负担和不良反应^[3]。将精准医学的内容应用于冠心病的预防和治疗，使得临床医学、基础医学和转化医学有机地结合起来，为制定个体化疾病预防和治疗夯实了基础。继人类基因组数据首次解析以来，通过全基因组关联研究的方式发现了大量的冠心病相关基因和药物反应相关位点^[4]。易感基因遗传学检测、基因遗传风险评分（Genetic Risk Score，GRS）和药物基因组学检测药物反应是现阶段精准医学在冠心病诊断、风险分层和临床管理中的主要方面。

冠心病发病的风险预测

冠心病属于慢性复杂性疾病，“防”重于“治”。研究其风险预测可以评估特定个体的发病风险，筛查冠心病高危患者，并可为不同危险分层的患者提供可行有效的干预措施。现阶段已经形成了几种相对完善的冠心病风险评估系统，并随着科学的进步和发展在不断完善。

著名的Framinghan队列研究于1967年开始建立心血管病风险评估模型^[5]，将性别、年龄、血压、吸烟、总胆固醇、高密度脂蛋白胆固醇等风险因素纳入多元回归方程，校正后的模型可适用于世界各地人群^[6]。随后，美国社区动脉粥样硬化组织，美国国立心肺和血液研究所等机构和组织在Framinghan模型的基础上进行了风险因素和评分系统的改良，建立了新的预测模型，可用于不同性别、年龄、家族史个体的发病风险预测^{[7, 8]}。此类模型利用传统危险因素为基础，有其本质上的局限性，只有当传统风险因素累积到一定程度时，预测结果较为可信；而在个体生命早期，危险因素还未累计到一定程度，预测价值不高，也很难预测早发冠心病的发生。

GRS的预测能力受时间变化影响小，对长远期的预测能力更强。GRS的应用代表着在冠心病预防中的重要模式转变。根据遗传变异位点的风险评估已被成功应用在冠心病风险分层及其一、二级预防措施中：在遗传高危人群中，良好生活方式组比不良生活方式组冠心病发生率降低了46%^[9]。相似的，在遗传高危人群中使用他汀可以使冠心病的发生风险降低近50%[10]。在被调查的48421个人中，共有3,477次不良事件发生，研究者指出，GRS不仅可预测冠心病事件的发生，同时也可独立于其它所有传统风险因素预测冠心病事件的复发^[10]。将GRS结合传统风险预测模型可显著提高对冠心病的预测能力。Abraham等人对5个前瞻性队列进行传统风险预测、GRS风险预测，两者的预测风险度分别为1.28（95% CI 1.18-1.38）和1.74（95% CI 1.61-1.86）。若将二者结合，其预测能力将提高1.5-1.6%（P＜0.001），尤其是当受试者年龄高于60岁时其预测能力更是大大提高（4.6-5.1%，P＜0.001）^[11]。

冠心病的提前干预

家族性高胆固醇血症（Familial Hypercholesterolemia，FH）是一种常见的常染色体显性的脂代谢异常性遗传病，若不进行干预，易于早发动脉粥样硬化性心血管疾病^[12]。其致病主要机制是LDLR基因的功能异常，其突变可导致胆固醇水平终生过高，极大地促进了冠心病的发生，其一生中罹患冠心病的几率高达90%^[13]。近年来，随着对基因背景的了解，遗传学检测在FH诊断中的重要性也逐渐体现出来。在国际常用的Ducth^[14]和Simon^[15]诊断标准中都强调了在诊断FH时应联合基因检测结果判定。

孟德尔随机化研究提示机体内LDL-C水平越低，保持的时间越长，冠心病事件的发病率越低；这也为“对于特定个体，越早开始降脂治疗越好”的假说提供了生物理论支持^[16]。然而无限制的使用他汀类药物也可能会带来不必要的伤害^[17]。因此需要一个更好地方案来确定高危人群，有针对性进行提前干预，基因检测则能很好地解决这个问题。目前针对高血脂症有包含APOB（2p24.1），APOE（19q13.32），LDLR（19p13.2），LDLRAP1（1p36.11），PCSK9（1p32.3），SLCO1B1（12p12.1）6个基因的FH基本基因组合检测（FH Basic Panel）和包含ABCB1（7q21.12）等23个基因的FH拓展基因组合检测（FH Extended Panel），可用于疾病的预防，诊断和提前干预。

通过针对特定基因的蛋白抗体或基因编辑可有效逆转血脂水平，是冠心病的精准预防道路上的重要一步。近期，对一种能够清除血液中甘油三酯酶活性的ANGPTL3蛋白质的研究结果表明：通过注射特异性抗体，能够降低小鼠和人的血脂含量，进一步缓解由动脉壁上沉积的脂肪、胆固醇等物质引起多的冠状动脉硬化症状^[18]。来自宾夕法尼亚大学的团队利用CRISPR-Cas9技术对CPNE1，VKORC1，UBE2L3和ANGPTL3等血脂相关的基因位点进行编辑，并成功逆转血脂表达量^[19]。

冠心病的药物精准医学

冠心病的个体化用药基因检测是冠心病精准医学的主要应用之一。在临床用药实践中合理应用药物基因位点的变异信息，个性化的选择药物种类和药物剂量，可最大限度地提高疗效和降低副作用。目前关于冠心病药物基因组学的研究，主要集中在抗血小板，抗凝，降脂，抗H型高血压用药治疗等方面。尤其以氯吡格雷，华法林，他汀类药物基因组学的临床应用最为广泛。

氯吡格雷是一种常用的抗血小板药物，临床上常与阿司匹林联用进行抗血小板治疗。氯吡格雷是一种前体药物，口服后经肠道吸收，并经肝脏细胞色素P450酶系统代谢为活性产物。若肝脏细胞色素P450酶系统基因发生变异，会大大影响氯吡格雷活性产物的生成，从而影响药效[20]。目前在高加索人群中的相关研究已证实：CYP2C19功能缺失等位基因与氯吡格雷低反应性及不良临床预后有相关性^[20-22]。其中CYP2C19*2、*3及*17与氯吡格雷的血小板反应变异性密切相关。

华法林是经典的口服抗凝药，研究发现，华法林的用量差异与其靶蛋白维生素K环氧化物还原酶复合物1基因（VKORC1）和其代谢酶CYP2C9基因的变异有关。CYP2C9*2和*3均可导致酶活性降低。此外，在非洲裔血统的人群中，CYP2C9等位基因*5，*6，*8和*11与CYP2C9酶的功能降低有关，并影响华法林的剂量。CYP4F2基因多态对华法林代谢亦有影响。

他汀类药物能通过竞争性抑制胆固醇合成限速酶还原酶，使细胞内胆固醇合成减少，从而降低血清中胆固醇含量，是目前最有效的降脂类药物。但是对于他汀疗法应用的一大难题是无法预测具体患者的药效和副反应^[23]。目前已发现40余个与他汀药效及安全性相关的基因^[24]。特别是参与他汀类药物肝脏代谢的关键性转运蛋白如阴离子转运多肽（由SLCO1B1基因编码）以及载脂蛋白E（ApoE）的基因多态性分别可影响他汀类药物的安全性和疗效：SLCO1B1外显子6的T＞C突变（rs4149056）可导致蛋白质174位缬氨酸被丙氨酸代替，与服用高剂量辛伐他汀（80mg/d）的患者发生肌痛相关。ApoE的多态性ApoEε2、ε3、ε4影响了ApoE对LDL受体的亲和力，从而影响降脂疗效^[25]。肌病风险或降LDL-C能力等因素会改变他汀类药物临床应用的效益风险比，因此基因检测结果在辅助临床进行个体化治疗方案的制定及帮助健康人群进行血脂异常管理方面具有重要意义。

在此，我们总结了在遗传基础上进行冠心病风险分层的重要作用以及根据不同分子病理通路进行精准预防和治疗的应用，提高疾病诊治与预防的效益，最终实现对特定患者进行个性化精准治疗的目的。在测序技术迅猛发展与进步的过程中，基因测序的价格将会继续下降，而对变异的解释、功能验证和与大规模表型的整合将变得至关重要。而在接下来的10年里，基因组信息能为发现冠心病主要致病机制，指导药物开发，预测治疗的安全性和有效性等方面为不同个体提供重要信息。

参考文献：

1. 国家卫生和计划生育委员会, 中国卫生和计划生育统计年鉴 2016.北京:中国协和医科大学出版社, 2017.

2. Yang, G., et al., Rapid health transition in China, 1990-2010: findings from the Global Burden of Disease Study 2010. Lancet, 2013. 381(9882): p. 1987-2015.

3. 陈长仁, et al., 精准医学的基础研究与临床转化.中国药理学通报, 2015(12): p. 1629-1632.

4. Nikpay, M., et al., A comprehensive 1,000 Genomes-based genome-wide association meta-analysis of coronary artery disease. Nat Genet, 2015. 47(10): p. 1121-30.

5. Truett, J., J. Cornfield, and W. Kannel, A multivariate analysis of the risk of coronary heart disease in Framingham. J Chronic Dis, 1967. 20(7): p. 511-24.

6. Liu, J., et al., Predictive value for the Chinese population of the Framingham CHD risk assessment tool compared with the Chinese Multi-Provincial Cohort Study. JAMA, 2004. 291(21): p. 2591-9.

7. Chambless, L.E., et al., Coronary heart disease risk prediction in the Atherosclerosis Risk in Communities (ARIC) study. J Clin Epidemiol, 2003. 56(9): p. 880-90.

8. Scheltens, T., et al., Estimation of cardiovascular risk: a comparison between the Framingham and the SCORE model in people under 60 years of age. Eur J Cardiovasc Prev Rehabil, 2008. 15(5): p. 562-6.

9. Khera, A.V., et al., Genetic Risk, Adherence to a Healthy Lifestyle, and Coronary Disease. N Engl J Med, 2016. 375(24): p. 2349-2358.

10. Mega, J.L., et al., Genetic risk, coronary heart disease events, and the clinical benefit of statin therapy: an analysis of primary and secondary prevention trials. Lancet, 2015. 385(9984): p. 2264-2271.

11. Abraham, G., et al., Genomic prediction of coronary heart disease. Eur Heart J, 2016. 37(43): p. 3267-3278.

12. Marks, D., et al., A review on the diagnosis, natural history, and treatment of familial hypercholesterolaemia. Atherosclerosis, 2003. 168(1): p. 1-14.

13. Gidding, S.S., et al., The Agenda for Familial Hypercholesterolemia: A Scientific Statement From the American Heart Association. Circulation, 2015. 132(22): p. 2167-92.

14. Umans-Eckenhausen, M.A., et al., [Tracing of patients with familial hypercholesterolemia in the Netherlands]. Ned Tijdschr Geneeskd, 1999. 143(22): p. 1157-61.

15. Starr, B., et al., Development of sensitive and specific age- and gender-specific low-density lipoprotein cholesterol cutoffs for diagnosis of first-degree relatives with familial hypercholesterolaemia in cascade testing. Clin Chem Lab Med, 2008. 46(6): p. 791-803.

16. Ference, B.A., et al., Effect of naturally random allocation to lower low-density lipoprotein cholesterol on the risk of coronary heart disease mediated by polymorphisms in NPC1L1, HMGCR, or both: a 2 x 2 factorial Mendelian randomization study. J Am Coll Cardiol, 2015. 65(15): p. 1552-61.

17. Pletcher, M.J. and S.B. Hulley, Statin therapy in young adults: ready for prime time? J Am Coll Cardiol, 2010. 56(8): p. 637-40.

18. Dewey, F.E., et al., Genetic and Pharmacologic Inactivation of ANGPTL3 and Cardiovascular Disease. N Engl J Med, 2017. 377(3): p. 211-221.

19. Pashos, E.E., et al., Large, Diverse Population Cohorts of hiPSCs and Derived Hepatocyte-like Cells Reveal Functional Genetic Variation at Blood Lipid-Associated Loci. Cell Stem Cell, 2017. 20(4): p. 558-570 e10.

20. Giusti, B., et al., Relation of cytochrome P450 2C19 loss-of-function polymorphism to occurrence of drug-eluting coronary stent thrombosis. Am J Cardiol, 2009. 103(6): p. 806-11.

21. Simon, T., et al., Genetic determinants of response to clopidogrel and cardiovascular events. N Engl J Med, 2009. 360(4): p. 363-75.

22. Sibbing, D., et al., Cytochrome P450 2C19 loss-of-function polymorphism and stent thrombosis following percutaneous coronary intervention. Eur Heart J, 2009. 30(8): p. 916-22.

23. Giorgi, M.A., et al., Pharmacogenomics and adverse drug reactions: the case of statins. Expert Opin Pharmacother, 2011. 12(10): p. 1499-509.

24. Verschuren, J.J., et al., A systematic review on pharmacogenetics in cardiovascular disease: is it ready for clinical application? Eur Heart J, 2012. 33(2): p. 165-75.

25. Hou, Q., et al., Association Between SLCO1B1 Gene T521C Polymorphism and Statin-Related Myopathy Risk: A Meta-Analysis of Case-Control Studies. Medicine (Baltimore), 2015. 94(37): p. e1268.