Cover Page
The handle http://hdl.handle.net/1887/21953 holds various files of this Leiden University dissertation. Author: Schalkwijk, Daniël Bernardus van Title: Computational modeling of lipoprotein metabolism to improve cardiovascular prediction Issue Date: 2013-10-16
Inleiding
Hart en vaatziekten zijn wereldwijd de meest frequente doodsoorzaak, maar de diagnose is ingewikkeld en laat ruimte voor verbetering. Het onderzoek dat in dit proefschrift wordt beschreven is erop gericht om de diagnose van hart en vaatziekten in een vroeg stadium te verbeteren. Op dit moment wordt hart en vaatziekten risico vastgesteld aan de hand van een aantal risicofactoren, zoals leeftijd, geslacht, totaal cholesterol, HDL cholesterol, roken, bloeddruk en het gebruik van bloeddrukverlagende middelen. Met deze informatie kan de zogenaamde ‘Framingham risicoscore’ worden berekend, die het risico aangeeft dat men heeft om binnen 10 jaar een hartaanval te krijgen. Er zijn ook alternatieve risicoscores ontwikkeld gebaseerd op studies in andere populaties. Deze score identificeert weliswaar een subpopulatie die risico loopt op hart en vaatziekten, maar deze identificatie laat ruimte voor verbetering. De biologie van lipoproteïnen is een gebied dat inzichten kan opleveren voor de verbetering van de diagnose van hart en vaatziekten. Lipoproteïnen zijn deeltjes die cholesterol en triglyceriden door het bloed heen transporteren. In het bijzonder is van LDL (low density lipoprotein) cholesterol en de LDL deeltjesconcentratie bekend dat zij positief gecorreleerd zijn met risico op hart en vaatziekten. LDL deeltjes bevatten het eiwit apoB (apolipoproteïne B), en zijn voor het grootste gedeelte een metabool product van grotere apoB bevattende lipoproteïnen genaamd VLDL(Very Low Density Lipoprotein) en IDL (Intermediate Density Lipoprotein). Door technologische vooruitgang kunnen we het groottespectrum van lipoproteïnedeeltjes in steeds meer detail meten. Al bevat zo’n gedetailleerde meting veel informatie, het leidt nog niet tot diagnostische waarden die alle relevante informatie bevat en die doctoren gemakkelijk kunnen gebruiken. Er is nog een interpretatiestap nodig om de gedetailleerde informatie om te zetten naar iets dat bruikbaar is in de kliniek. Een mogelijke manier om deze omzetting te maken is door alle LDL deeltjes samen te nemen, en een ‘LDL deeltjesaantal’ te rapporteren. Deze aanpak heeft bewezen succesvol te zijn bij het voorspellen van hart en vaatziekten. Maar de lipoproteïneprofielen bevatten nog meer informatie die gebruikt zou kunnen worden, bijvoorbeeld over VLDL, de metabole voorloper van het LDL deeltje. Hier ligt dus een kans voor een computermodel dat alle gemeten informatie kan interpreteren, en kan omvormen tot variabelen die als risico factor voor hart en vaatziekten gebruikt kunnen worden. In dit promotieonderzoek is een computermodel ontwikkeld dat deze uitdaging aangaat. Het kan helpen om gedetailleerde lipoproteïnemetingen verder te interpreteren. Dit model is in staat om informatie over het metabolisme van lipoproteïnen af te leiden uit een enkele gedetailleerde 196 196
| Computational Modeling of Lipoprotein Metabolism
meting van het groottespectrum van lipoproteïnedeeltjes. Dit proefschrift rapporteert over de ontwikkeling van het computermodel en nieuwe diagnostische merkers gebaseerd op dit model, de toepassing van een aantal van deze merkers in een voedingsstudie en een farmacologische interventie studie, en hun validatie als voorspellers van hart en vaatziekten.
Opbouw van het proefschrift
, de inleiding, bespreekt het bovenstaande plus een aantal specifieke vragen gerelateerd aan dit proefschrift.
van dit proefschrift bestaat uit twee hoofdstukken waarin de ontwikkeling van het computermodel centraal staat. In wordt het modelraamwerk Particle Profiler geïntroduceerd en geëvalueerd, waarbinnen een gedetailleerde grootteverdeling van lipoproteïnen kan worden gemodelleerd. Een model in dit raamwerk gaat uit van veronderstellingen over hoe het metabolisme van deze lipoproteïnedeeltjes afhangt van de grootte van het deeltje. We laten in dit hoofdstuk zien dat een eerste model in staat is bestaande data over de verschillende metabole omzettingen van lipoproteïnen te reproduceren. Het model kan ook onderliggende verschuivingen in deeltjesgrootte tussen groepen mensen modelleren die in aparte metingen terug zijn gevonden. Het model laat tussen groepen deelnemers ook verschuivingen zien in het metabolisme van lipoproteïnen, die biologisch geloofwaardig zijn. Ook is dit model in staat het cholesterol en triglyceridefenotype te reproduceren van bekende genetische ziekten zoals familiaire hypercholesterolemie (FH) en familiaire hyperchylomicronemie. In ontwikkelen we een geavanceerdere implementatie van Particle Profiler, die we kalibreren aan de hand van data over de metabole flux van lipoproteïnedeeltjes in mensen met een specifieke genetische achtergrond. We valideren deze modelimplementatie en laten een eerste indicatie van klinisch nut zien. Omdat de gemodelleerde waarden niet direct gemeten kunnen worden, is de enig mogelijke validatie van dit model ‘corroboratie’ – bevestigen dat het model een correcte simulatie kan doen in een groot aantal verschillende mensen met verschillende genetische achtergrond en verschillende metabole ziekten. Voor een eerste indicatie van klinisch nut laten we zien dat ‘lipoproteine metabole ratio’s’ afgeleid van Particle Profiler goed in staat zijn om normolipidemische van dyslipidemische mensen te onderscheiden. Deze ratio’s zijn verhoudingen tussen productie, opname en lipolyse fluxen van deeltjes in een bepaald groottebereik. Omdat deze ratio’s kunnen worden berekend op basis van een enkele bloedmeting, is klinische toepassing in principe haalbaar. 197 Computational Modeling of Lipoprotein Metabolism
| 197
van het proefschrift bestaat uit drie hoofdstukken. Het eerste gaat over toepassing van het model op een voedingsstudie, het tweede over toepassing op een farmaceutische interventie studie en het derde over het voorspellen van hart en vaatziekten. In beschrijven we een humane studie van TNO waarin middellangeketen vetzuren en linolzuur zijn toegevoegd aan het dieet van vrijwilligers. We onderzoeken hoe deze verandering in het dieet effect heeft op het lipoproteïne profiel na vasten, de kinetiek van lipoproteïnen, en de kinetiek van vetzuren na een maaltijd. We vinden dat concentraties van zowel VLDL als LDL significant hoger zijn na toevoeging van middellange keten vetzuren dan na toevoeging van linolzuur. Voor het modelleren gebruiken we Particle Profiler samen met een andere modelleertechniek die de productieflux van VLDL deeltjes kan afleiden uit gemeten stabiele isotoop data. Door deze combinatie vinden we dat de verschillen in VLDL metabolisme gerelateerd zijn aan de lipolyse en opnameprocessen, niet aan de productie. Dit is een vinding die in deze studie alleen door combinatie van de modelleertechnieken mogelijk is. De resultaten suggereren dat het verschil in lipoproteïneconcentratie tussen de twee diëten toe te schrijven is aan de activatie van PPAR receptoren. In dit hoofdstuk illustreren we dus dat Particle Profiler goed toe te passen is op een dieet studie, en dat het een compleet beeld kan geven van VLDL metabolisme als er een lipoproteïneprofiel en een VLDL productie flux bekend is. In beschrijven we een toepassing van Particle Profiler op de GOLDN studie, een studie waarin vrijwilligers het medicijn Fenofibraat hebben ingenomen. De analyse verloopt in twee stappen: ten eerste maken we met een statistische clustertechniek subgroepen gebaseerd op het lipoproteïneprofiel vóór de Fenofibraat interventie. Deze clusters bestuderen we vervolgens op verschillende manieren. We bekijken de karakteristieken van de subgroepen, en ook hoe de standaard lipide parameters reageren op Fenofibraat. Om meer inzicht te krijgen in wat er mis is met het lipoproteïnemetabolisme in de clusters, passen we ook het Particle Profiler model toe op het representatieve lipoproteïneprofiel van ieder cluster. Deze analyse laat zien dat het ‘gezonde’ cluster inderdaad een goed functionerend VLDL metabolisme heeft. De analyse laat ook zien dat het verschil tussen de gezonde subgroep en de subgroep met een gematigde dyslipidemie vooral ligt in het levermetabolisme, terwijl het verschil tussen de gematigde en hoog dyslipidemische groep vooral ligt in de extrahepatische lipolyse. Dit mechanisme geeft meer inzicht in waarom de reactie van lipidewaarden op Fenofibraat verschillend is tussen de groepen. In passen we Particle Profiler toe op de klassieke ‘Framingham Heart Study’. We leiden ‘lipoproteïne metabole ratio’s’ af uit eerder gemeten lipoproteïneprofielen, en laten zien dat twee ratio’s, die een indruk geven van het VLDL metabolisme, een significante meerwaarde hebben 198 198
| Computational Modeling of Lipoprotein Metabolism
bij het voorspellen van hart en vaatziekten boven de klassieke Framingham risicoscore. De ene ratio noemen we de ‘extrahepatische lipolyse ratio’. Deze ratio blijkt vooral een grote invloed te hebben op het risico bij mensen die medicijnen nemen om bloeddruk te verlagen: als mensen deze medicijnen nemen en de lipolyse van deeltjes is laag, dan gaat het risico op hart en vaatziekten dramatisch omhoog. De tweede ratio is de hepatische omzetting ratio. Deze ratio is vooral belangrijk als iemand op de rand van laag en midden risico zit, gerekend vanuit LDL deeltjes. Als er vrij veel LDL deeltjes zijn, maar de lever omzetting van VLDL werkt goed, dan is het risico nog altijd laag; als de leveromzetting van VLDL niet goed werkt, is het risico hoger. We hebben in deze studie dus twee lipoproteïne metabole ratio’s gevonden die de risicovoorspelling van hart en vaatziekten significant verbeteren. Om in de kliniek te worden toegepast, zullen deze resultaten verder gevalideerd moeten worden.
Het van het proefschrift bevat twee hoofdstukken. Het eerste is een praktische methodologische reflectie op het ontwikkelen van diagnostische merkers gebaseerd op computermodellen die klinische chemie data analyseren. Het tweede is de algemene discussie. In geven we een aantal methodologische en technische overwegingen die onderzoekers kunnen helpen om diagnostische merkers te ontwikkelen gebaseerd op computermodellen die klinische chemie data kunnen analyseren. De rol van de computermodellen hierin is om deze data verder te interpreteren, zodat er meer relevante informatie uit de data gehaald kan worden. We bespreken zaken die een modelleur in gedachte dient te houden tijdens de ontwerp, constructie, en evaluatiefasen van de modelontwikkeling. We gebruiken het voorbeeld van de ontwikkeling van Particle Profiler als illustratie. Vanuit dit voorbeeld bespreken we een aantal technieken voor het efficiënt formuleren en berekenen van modellen, voor het structureren van de ‘workflow’ en voor kwaliteitscontrole. bevat de algemene discussie van dit proefschrift. Hierin worden de voornaamste resultaten genoemd. Ook geef ik een aantal methodologische overwegingen die gaan over het kwantificeren van de lipolyse van een enkel deeltje, de precieze grootteafhankelijkheid van de metabole processen, en andere toepassingen van het model. Er is verder een uitgebreide vergelijking van Particle Profiler met andere modelleerstudies en er zijn aanbevelingen voor verder onderzoek.
199 Computational Modeling of Lipoprotein Metabolism
| 199
