Bidirektionale Beziehung zwischen Typ-2-Diabetes mellitus und koronarer Herzkrankheit: prospektive Kohortenstudie und genetische Analysen
Einleitung
Typ-2-Diabetes mellitus (T2DM) und koronare Herzkrankheit (CAD) sind weltweit führende Todesursachen. Diese beiden kardiometabolischen Erkrankungen koexistieren häufig, und ihre Beziehung wurde umfassend untersucht. T2DM gilt als potenzieller kausaler Risikofaktor für CAD, wobei eine Metaanalyse prospektiver Studien mit fast 700.000 Personen ein verdoppeltes CAD-Risiko bei T2DM-Patienten im Vergleich zu Nicht-Betroffenen bestätigte. Genomweite Assoziationsstudien (GWAS) zeigen eine starke genetische Korrelation zwischen T2DM und CAD, was auf eine gemeinsame genetische Basis hinweist. Zudem wurden mehrere pleiotrope Loci identifiziert, die beide Erkrankungen unabhängig beeinflussen. Mendelsche Randomisierungsstudien (MR) bestätigen konsequent einen kausalen Zusammenhang zwischen genetisch determiniertem T2DM und CAD.
Dennoch bestehen Wissenslücken im Verständnis der intrinsischen Verbindung. Frühere Studien nutzten GWAS-Daten admischter Populationen oder kleiner Stichproben, was die statistische Power limitierte. Reverse Kausalität – der Effekt genetisch bedingter CAD auf nachfolgenden T2DM – wurde kaum untersucht. Übergewicht (BMI) als gemeinsamer Risikofaktor wurde in genetischen Analysen unzureichend berücksichtigt. Zudem fehlte umfassende funktionelle Annotation biologischer Pathways. Diese Studie untersucht phänotypische und genetische Zusammenhänge beider Erkrankungen mittels großer Beobachtungs- und Genomdatensätze.
Methoden
Ethische Genehmigung und Datenquellen
Die ethische Genehmigung erfolgte durch das NHS North West Multi-Centre Research Ethics Committee. Daten stammten aus der UK Biobank (UKB), einer prospektiven Kohorte mit ~500.000 Teilnehmern europäischer Abstammung (40–69 Jahre). T2DM- und CAD-Diagnosen basierten auf ICD-10/9-Codes.
GWAS-Summarien stammten vom DIAGRAM-Konsortium (größte T2DM-GWAS) und CARDIoGRAMplusC4D (größte CAD-GWAS). Multietnische GWAS-Daten erhöhten Generalisierbarkeit.
Statistische Analysen
Beobachtungsanalyse
Basiseigenschaften wurden als Mittelwerte/Medianen (kontinuierlich) oder Häufigkeiten (kategorial) dargestellt. T2DM-CAD-Assoziationen wurden mittels Cox-Regression unter Adjustierung für Alter, Geschlecht, Studienzentrum und Hauptkomponenten analysiert. Analoge Analysen untersuchten CAD-T2DM-Risiken.
Globale und lokale genetische Korrelationen
Globale genetische Korrelationen wurden mittels LD-Score-Regression berechnet. Lokale Korrelationen (1703 LD-unabhängige Regionen) analysierte r-HESS-Software. Cross-Phenotype-Association (CPASSOC) identifizierte pleiotrope Loci.
Funktionelle Annotation und Gewebeanreicherung
SNPs wurden mittels Ensembl Variant Effect Predictor Genen zugeordnet. Gewebespezifische Genexpression analysierte GTEx-Daten (54 Gewebe).
Univariable MR-Analyse
Bidirektionale Zwei-Stichproben-MR (TwoSampleMR-Software) testete Kausalität. Sensitivitätsanalysen (MR-Egger, gewichteter Median) prüften Robustheit.
Multivariable MR und Mediationsanalyse
Multivariable MR adjustierte für BMI. Mediationsanalysen quantifizierten Effekte von systolischem Blutdruck (SBP) und Statineinnahme (C10AA).
Ergebnisse
Phänotypische Assoziationen
Während 5.303.441 Personenjahren entwickelten 3.323 T2DM-Patienten und 26.380 Nicht-Betroffene CAD. Adjustiert zeigte T2DM ein signifikant erhöhtes CAD-Risiko (HR=2,70; 95%-KI:2,60–2,81). Nach BMI-Adjustierung blieb der Effekt signifikant (HR=2,28; 1,92–2,06). Im Vollmodell stabilisierte er sich bei HR=2,12 (2,01–2,24).
Umgekehrt entwickelten 3.810 CAD-Patienten und 17.608 Kontrollen während 5.368.323 Personenjahren T2DM. Adjustiert stieg das T2DM-Risiko bei CAD (HR=2,44; 2,35–2,53), schwächte sich nach BMI-Adjustierung ab (HR=1,99; 1,92–2,06) und erreichte HR=1,72 (1,63–1,81) im Vollmodell.
Genetische Korrelationen
Eine starke globale genetische Korrelation bestand zwischen T2DM und CAD (r_g=0,39; p=1,43×10^−75). Nach BMI-Adjustierung (T2DMadjBMI-CAD) persistierte sie (r_g=0,31; p=1,20×10^−36). Fünf genomische Regionen zeigten signifikante lokale Korrelationen, darunter vier BMI-unabhängige. Eine zusätzliche Region (6p21.33) war spezifisch für T2DMadjBMI-CAD.
Cross-Trait-Metaanalyse
107 pleiotrope SNPs wurden identifiziert, darunter fünf neuartige. Der neuartige Locus rs4762753 (nahe PDE3A) korrelierte mit dem NO-cGMP-Signalweg.
Funktionelle Annotation
Gene shared by T2DM/CAD waren in Leber, Skelettmuskel, frontaler Kortex und Pankreas angereichert. T2DMadjBMI-CAD-Gene zeigten Anreicherung im frontalen Kortex, Pankreas und Leber.
Univariable MR
Genetisch determinierter T2DM erhöhte CAD-Risiko (OR=1,13; 1,11–1,16). Umgekehrt steigerte genetische CAD-Prädisposition T2DM-Risiko (OR=1,12; 1,07–1,18). Sensitivitätsanalysen bestätigten Robustheit ohne pleiotrope Verzerrung.
Multivariable MR
Nach BMI-Adjustierung blieben Effekte konsistent (T2DM→CAD: OR=1,17; 1,14–1,20; CAD→T2DM: OR=1,23; 1,17–1,30). SBP und Statine vermittelten 54,1% (24,9–83,4%) des T2DM→CAD-Effekts bzw. 90,4% (29,3–151,5%) des CAD→T2DM-Effekts.
Diskussion
Diese Studie bestätigt eine bidirektionale Beziehung zwischen T2DM und CAD auf phänotypischer und genetischer Ebene. Die starke genetische Korrelation – teilweise BMI-unabhängig – weist auf gemeinsame pathogene Mechanismen hin. Die Identifikation pleiotroper Loci und bidirektionaler Kausalität unterstreicht die intrinsische Verbindung beider Erkrankungen.
Die Mediation durch SBP und Statine liefert mechanistische Einblicke. Kardiovaskuläre Risikomanagement-Strategien bei T2DM sollten Blutdruckkontrolle priorisieren. Pleiotrope Varianten im NO-cGMP-Signalweg könnten neue Therapieansätze bieten.
Limitationen umfassen den Fokus auf europäische Populationen. Die Replikation in multietnischen GWAS deutet jedoch auf Generalisierbarkeit hin. Trotz potenzieller Weak-Instrument-Bias bei MR waren F-Statistiken der Instrumente hoch.
Zusammenfassend liefert diese Studie umfassende genetische Evidenz für die komplexe Interaktion von T2DM und CAD, mit Implikationen für integrierte Präventions- und Therapiestrategien.
doi.org/10.1097/CM9.0000000000002894