Új
lehetÅségek a korszerű reumatológiai kutatásban:
genomika és immuninformatika/immunomika
Falus András
az MTA levelezÅ tagja, egyetemi tanár
Semmelweis Egyetem Genetikai, Sejt és Immunbiológiai Intézet, Budapest
MTAâSE Immungenomikai Kutatócsoport â faland @ dgci.sote.hu
Buzás Edit
egyetemi docens, az orvostudományok kandidátusa
Semmelweis Egyetem Genetikai Sejt és Immunbiológiai Intézet, Budapest
buzedi @ dgci.sote.hu
Az orvostudomány ma mindinkább az ún. komplex betegségek felé fordul. Ilyen például az asztma, a kardiovaszkuláris kórképek, a daganatos betegségek, az obesitás kóros formái, és nyilvánvalóan ide tartozik a reumatoid artritisz is. Az autoimmun megbetegedések fejlett diagnosztikája alapján ezen kórképek elÅfordulási gyakorisága a nyugati társadalmakban 5 %-ra becsülhetÅ, tehát igen jelentÅs betegségcsoportról van szó. Ugyanakkor a modern orvostudománnyal szembeni egyik legsürgetÅbb kihívást éppen az autoimmun megbetegedések mindmáig megoldatlan oki terápiája jelenti.
A genomika eszköztárának felhasználásával igen intenzív kutatómunka folyik világszerte abban a reményben, hogy a fenti, igen komplex megbetegedések esetében a hajlam korai felismerése révén egykor lehetÅség nyílhat az autoimmun megbetegedések megelÅzésére, illetÅleg egyénre szabott terápia kifejlesztésére.
Ennek a hosszú útnak a legelején járva is rendelkezünk számos olyan eredménnyel, melyek az autoimmun megbetegedések közös genomikai sajátosságára hívják fel a figyelmet (Chandonia â Brenner, 2006).
E betegségek lényegében mindegyike poligénes, multifaktoriális, hatalmas populációkat érint, és legtöbbjük az egyes etnikumokban más fenotípust (illetve endofenotípus-kombinációkat) és más genetikai asszociációkat mutat. Az óriási kihívást a tudomány is csak multifunkcionálisan képes kezelni, egyes klinikai, laboratóriumi vagy akár genetikai paraméterek külön csak a legritkább esetekben jelentenek elegendÅ támaszt.
Ezt a nagyon nagy kihívást látszik kielégíteni a rendszerszemléletű biológia és benne a genomika; a genom alapú, genom léptékű biológia, az emberiség intellektuális teljesítményeinek egyik legkiemelkedÅbb sikere a 3. évezred kezdetén, a globalizált tudás elÅremutató példája. A hatalmas, naponta bÅvülÅ, interneten elérhetÅ adatbázisok, a high throughput technológiák (microarray, chip), az elképesztÅ ütemben fejlÅdÅ bioinformatikai eszközrendszer, a multicentrikus tevékenység láncolatába kapcsolt intézmények (âgridekâ) sokasága forradalmian új minÅséget produkál a biológia minden területén.
Az egészséges és beteg szervezet élettani és patológiás folyamatai (hasonlóan szinte minden életjelenséghez) annyira összetettek és annyira szerteágazóan és több szinten (sejten belül, sejtkapcsolatokban, szervek között, a szervezet és a populáció szintjén) reguláltak, hogy a kérdések valódi megközelítésére ma már kizárólag a systems biology (rendszerszemléletű biológia) kísérelhet meg választ adni. Ez a biológiát alapvetÅen átható rendszerszemlélet egyedi komponensek (molekula, sejt, szerv, szervezet) helyett azok több szinten is regulált hálózataiban gondolkodik, legyenek azok a génkifejezÅdést szabályozó molekulahálózatok (lásd proteomika, metabolomika) vagy sejtek kapcsolatai. Minthogy ez a terjedÅ âomicsâ megközelítés a hálózatok elemeinek aktivitását szimultán vizsgálja, ezeket a jelenségeket csak a nagy teljesítÅképességű kvantitatív genomikai technológiákkal lehet követni. Ennek megfelelÅen könnyen hozzáférhetÅ hatalmas adatmennyiség kiértékelése számítógépekkel történik, mert a jelenségek komplexitását csak informatikai algoritmusok képesek kezelni.
Jó példa a rendszerszemléletű biológia és a bioinformatika elÅtérbe kerülésére az immunológia mai története, ahol az immunomika kialakulása az immungenomika/proteomika és informatika különlegesen gyümölcsözÅ egymásra találását láthatjuk. Erre példa az âintelligensâ vakcinák szemünk láttára kibontakozó sikertörténete is.
Az eredményalapú virtuális immunrendszereket is igénybe vevÅ kutatás potenciális gyógyszertargetek sokaságát fogja felszínre hozni az autoimmun, fertÅzÅ, gyulladásos, allergiás és egyéb klinikai kihívásokkal kapcsolatban is.
Röviden a genomikáról
A genetika, azaz öröklésbiológia, a vertikális biológiai információátadás tudománya, napjainkban átlépett egy tudománytörténeti küszöböt. A közvetett, majd megfigyeléseken és kísérleteken alapuló âklasszikusâ genetika után, a molekuláris biológiai technológiai forradalom nyomán bekövetkezett sok organizmus, többek között az emberi genom nukleotidsorrendjének gyakorlatilag teljes feltárása. Ez a fejlemény azzal vált mára, a harmadik évezred fordulójára korszakalkotóvá, hogy létrehozta az informatika és a biológia valóban tudományos mérföldkÅszerű egymásra találását â a bioinformatikát. A genomika nem más, mint genom alapú biológia és annak résztudományai (például onkogenomika, farmakogenomika, immungenomika). Ez azt jelenti, hogy a genomika biológiai összhangzattant jelent, a DNS-szintű variációk és a génexpressziós mintázatok összességének bioinformatikailag értékelt összességét.
A genomikai nagyteljesítményű technológiák által produkált âadatóceánâ az emberi gondolkodás történetében eddig nem tapasztalt új helyzetet teremtett. Úgy gondoljuk, nem véletlen, hogy a biológia (orvostudomány, mezÅgazdaság) kérdésköre, a megközelítési stratégiák elérték a komplex informatikai megközelítés igényét, hiszen a biológiai rendszerek funkciói és működészavarai csak hálózatokban és azok modelljeivel érthetÅek meg. A sejten belüli intracelluláris, a sejtek közötti intercelluláris és a szervrendszerek közti fiziológiás (neuronális, endokrin, immunológiai) hálózatok egyébként rendkívül emlékeztetnek szociológiai hálózati rendszerekhez.
Ez a paradigmaváltás három, tudománytörténeti értelemben egyenként is jelentÅs elÅrelépés idÅbeli és motivációs egybeesése következtében vált reális lehetÅséggé.
Az elsÅ alap a genomprogramok elsÅ, âlexikálisâ szakaszának befejezése. Mint tudott, 2001 elsÅ hónapjai óta már baktériumok, az élesztÅ, az ecetmuslica, a fonálféreg és egyes növények mellett az emberi genom, legújabban pedig az egér, a kutya lényegében teljes genomiális géntérképe rendelkezésre áll, a világháló adatbázisaiból lehívható és elemezhetÅ. Bár a gének annotációja (azonosítása) még sok idÅt vesz igénybe, ez a lexikális tudásanyag új genetikai információs minÅséget jelent. Ma már sok tucat faj teljes genomját ismerjük, és internetes adatbázisokon el is olvashatjuk.
Emellett óriási és naponta bÅvülÅ adatbázist jelentenek a pontmutációk (single nucleotide polymorphism â SNP) tömegének feltárása, hiszen a minden genomban megtalálható milliós nagyságrendű SNP-k egyenként külön és független allélként, genetikai markerekként kerülhetnek felhasználásra. Az emberi genomban mintegy 15 millió SNP található. A mérés technikai kivitelezése ma már nagy kapacitású (high-throughput) rendszerekben is megoldott. A 2002 óta létezÅ hatalmas Hap-Map projekt több millió SNP-t tartalmaz, és szabadon elérhetÅ. A legtöbb haszonnal valószínűleg az SNP sorozatok, mintázatok együttes mérése és detektálása jár majd (de máris vannak biztató eredmények például a Crohn-betegség esetén). Ma már olyan teljes genomot is vizsgálni tudó módszerek is léteznek (például komparatív genom hibridizáció â CGH), mellyel a az egyes szakaszok kópiaszáma is megállapítható.
A második, a nagyteljesítményű microarray (chip) eljárás, melynek speciális jellegzetességei nagyságrendekkel emelik az egyidejűleg vizsgálható gének számát, szerkezeti (nukleotidsorrend) és funkcionális (génkifejezÅdés-mRNS) információk tömegét képes nyújtani. A génchipek (génlapok) rendezetten (microarray), sorokban és oszlopokban kis felületen is több tízezer ismert nukleotidszálat tartalmaznak, ezekhez kapcsolódik a jelzett minta nukleinsav. A leolvasás letapogató optikai eljárással történik.
Végül a harmadik, a legalapvetÅbb, az egész biológiát lényegileg átalakító eszközrendszer a bioinformatika. Ez az új biostatisztikai/biomatematikai megközelítés korrelációs, clusterképzÅ eljárásokkal és egyéb, naponta bÅvülÅ szoftvermegoldásokkal elemzi a genomiális/expressziós adatbankok és a génchiptechnika által szolgáltatott adathalmazt, majd biológiai következtetések levonására alkalmas elemzést nyújt. Az egyik legsikeresebb szoftvereljárás az ún. disease pathway elemzés, ahol egyes ismert biológiai aktivációs utakban (például jelátviteli utak, sejtciklus vagy apoptózis utak, vagy akár limfocita-aktiváció) szereplÅ komponensek génjeinek összefüggÅ láncolatát, funkcionális klasztereit keresi a program.
A bioinformatika különleges értéke az in silico megközelítés, tehát a nemzetközi adatbázisokhoz kapcsolódó számítógépes munka (dry lab), ahol esetleg laboratóriumi munkától (wet lab) elkülönülten is végezhetÅ korszerű, kreatív, de egyben âgénhalászatonâ alapuló genomikai kutatás. Ez lehetÅség térben (távolról) és idÅben (régebben) végzett adatgyűjtés értékelésére, és ez teszi a genomikát (együtt a proteomikával, metabolomikával) igazán integratív genomikává. Nagyon izgalmas a szakirodalom elemzésére fejlesztett szoftverek használata, amikor több százezer közlemény szövegelemzése nyomán kialakított âconsensus hálózatokraâ vetítik egy kísérlet eredményeit, ezzel behelyezve azt a âbibliomikaiâ hálózatba. Ezen a szinten találkozik az SNP (tehát DNS) mintázat a génexpressziós mintázattal, és képes kiemelni az érintett (esetleg késÅbbiekben gyógyszertarget) géneket a âbetegségútvonalbanâ. Így tudtak például legújabban a skizofrénia és a bipoláris betegség, illetve az autizmus genetikai mechanizmusaira nézve alapvetÅen újat mondani.
Az immunológia,
mint kombinatorikus tudomány
A genomika/posztgenomika korszakában, élve az adódó technológiai, informatikai fejlÅdéssel nem egyes géneket, hanem gén- és géntermékhálózatokat, mintázatokat, komplex útvonalakat, érdemes vizsgálni. Nem véletlen, hogy az elterjedt modellként vizsgált, autoimmunitásra fokozottan hajlamos egerekben vagy transzgenikus állatokban az ún. trait analízis, a funkció (vagy a kóros funkció) kapcsolt gének hálózatára utal, mint például az inzulinhiányos cukorbetegségben (IDDM), reumatoid artritiszben (RA), szisztémás lupusz eritematózuszban (SLE) és pajzsmirigybetegségekben, ami a kórképek humán megfelelÅjének poligénes jellege miatt nem is meglepÅ.
A már ismert gének összefüggéseinek feltárása mellett igazi âgénhalászatâ is végezhetÅ. KülönbözÅ stimulációkra (anti-CD3, anti-CD28, mitogének, ionomicin és kombinációik) például a T-sejten belül eltérÅ expressziós mintázatok alakulnak ki, ezek analízise révén eddig nem ismert vagy csak más funkciójában ismert gének tucatjait ismerjük fel. Mindez (a klinikai gyakorlatban például) predikcióra ad lehetÅséget.
Az immunológus, ideértve az immunbetegségekkel foglalkozó klinikust is, célja a szervezet védekezÅ reakcióinak valamilyen elÅrebecslése. Itt említhetÅ például a patogénekre, a tumorra, az allergénekre, illetve az autoantigénekre való immunválasz, de természetesen az immunhiányok predikciója is. Korábbi ismereteinket kiegészítve ma már úgy gondoljuk, hogy például a CD4+ helper T-sejtek széles kategóriáján belül az immunválasz kimenetele szempontjából nagyon fontosak a nagyrészt fékezÅ hatású CD4+ CD25+ regulátoros sejtek (Treg). Csak a genomika, az expressziós mintázat globális analízise lesz képes jelentÅs támpontot adni a CD4+ effektor és a CD4+ regulatorikus sejtek sejtbiológiai különbségére, de feltehetÅen itt találjuk meg a funkcionális különbség ma még molekulárisan alig feltárt lényegét is. Ilyen eljárással derült ki például, hogy a Foxp3 gén szelektíven fejezÅdik ki a Treg sejtekben. Ez a predikciós lehetÅség ad új, individuálisabb megoldásokat az immunfarmakológia, illetve a vakcináció stratégiája és technológiája számára.
Az immungenomika ma már elterjedten használja az egyes sejtek expressziós mintázatát, a sejtspecifikus immuntranszkriptomot.
Néhány sajátosság, ami alapján az immunológiát kombinatorikus tudománynak tekinthetjük, és ami azt kiemelten alkalmassá teszi informatikai elemzésre:
1. az antigénreceptorok repertoárjait kombinatorikus eseménysor (génátrendezÅdés és szomatikus hipermutáció) hozza létre
2. a molekuláris és celluláris kölcsönhatások jól vizsgálhatóak
3. komplex genetikai és jelátviteli utak tanulmányozhatóak
4. in vitro (például sejtkultúrákban) és in vivo (például vakcináció követése) kísérletek egyaránt viszonylag könnyen megvalósíthatóak
5. nagyszámú adat keletkezik mérésenként
6. jó modellek (például immunológiai betegségek, transzgenikus állatok) állnak rendelkezésre
7. már ma is nagy betegség-adatbázisok (például MHC, vírusok, autoimmune immunom) léteznek.
Autoimmun betegségek és genomika
Az autoimmun megbetegedések hátterében a saját antigénekkel szembeni kóros immunreaktivitás figyelhetÅ meg. Egy-egy autoimmun kórkép incidenciája önmagában nem magas, de mint betegségcsoport, elÅfordulási gyakoriságuk jelentÅs.
Az autoimmun megbetegedések multifaktoriális eredetűek, ez számos gén és környezeti tényezÅ együtthatását feltételezi. Mindössze néhány, kivételt képezÅ autoimmun kórkép esetében áll egyetlen gén mutációja a háttérben, mint például az autoimmun limfoproliferatív szindróma (ALS syndroma) és az autoimmun poliglanduláris endokrinopátia kandidiászisszal és ektodermálisz diszpláziával járó formája (APECED szindróma) esetében. Az autoimmun betegségekre való öröklött hajlam vizsgálata egyike napjaink legkomplexebb genetikai vizsgálati rendszereinek. Az immunrendszeri betegségek háttere eredendÅen igen összetett (elsÅsorban a lókuszok nagyfokú alléldiverzitása miatt), melyhez még hozzájárul a szuszceptibilitás poligén jellege.
A ma már komplex módon, szimultán vizsgálható, legfontosabbnak ítélt hajlamosító allélek felelÅssé tehetÅk korábban nem vizsgált allélek együttállásának tanulmányozására a reumatoid artritiszes betegekben és kontrollszemélyekben. Ezáltal lehetÅség nyílik egyszersmind az episztázisos génkölcsönhatások (a különbözÅ lókuszok által kódolt molekulák egymással kölcsönhatásban állnak, és egy adott lókusznak megfelelÅ genotípus befolyásolja a másik lókusznak megfelelÅ fenotípust) vizsgálatára is, ami a reumatoid artritisz betegséghajlamának kutatásában nem rendelkezik hagyományokkal.
Az autoimmun megbetegedések komplexitása rendszerszemléletű megközelítést igényel. A nagy áteresztÅképességű technológiák és számítástechnikai háttér segítségével vizsgálhatók a szabályozó hálózatok dinamikus kölcsönhatásai oly módon, hogy egyidejűleg számos kölcsönható komponens elemzése történik.
Reumatoid artritisz
A reumatoid artritisz multifaktoriális, komplex genetikai hátterű megbetegedés, ez számos gén és környezeti tényezÅ együtthatását feltételezi.
A több évtizedes kutatómunka eredményeképpen mára a kóros autoimmunitásra való genetikai hajlam néhány általános sajátossága ismertté vált.
1. A genetikai hajlam kialakításában a legjelentÅsebb szerep a fÅ hisztokompatibilitási rendszer (MHC) génjeinek jut.
2. A szuszceptibilitási lókuszok jelentÅs mértékben átfednek a különbözÅ autoimmun megbetegedések között (így például a reumatoid artritisz esetében négy, eredetileg idiopátiás diabetes mellitusban (IDDM) azonosított szuszceptibilitási lókusz, az IDDM6, IDDM9, IDDM13 és a DXS998 szerepét igazolták). Ez alapján nem zárható ki annak a lehetÅsége sem, hogy számos kórkép esetében léteznek közös patogenetikai útvonalak, melyek akár közös terápiás stratégiák célpontjai is lehetnek.
A reumatoid artritiszre való hajlam kialakításában a genetikai tényezÅk szerepét igazolja, hogy egypetéjű ikrekben a RA konkordanciája 12-15 %, míg kétpetéjű ikrekben 5 % körüli érték. A RA-es populációs variancia kb. 60 %-a genetikai eredetű (Wordsworth et al., 2001; MacGregor et al., 2000).
A genetikai hajlam kialakításában az elsÅdleges szerep a HLA (humán leukocita antigén) géneké: a teljes genetikai hajlam mintegy 30 %-áért a HLA régió a felelÅs. A RA-es betegek 65-80 %-ban fordul elÅ a HLA DRB1* 04 allélhordozás (szemben a kontrollokban megfigyelhetÅ 25-34 %-os gyakorisággal).
Egy közelmúltban végzett egész genomszűrés (whole genome screening) a HLA* DRB1-et a RA fÅ szuszceptibilitási lókuszaként azonosította (p=0,00004). Az RA jellegzetes összefüggést mutat azon HLA DRB1 allélekkel, melyek a DR1 lánc konzervált, a 70-74. aminosav szekvenciáját, az úgynevezett âshared epitopeâ-ot kódolják (Gregersen et al., 1987). Ez a szekvenciarészlet a molekula peptidkötÅ gödrében található. A fenti szekvenciát hordozó allélek a következÅk: a DRB1*0401, DRB1*0404, DRB1*0405, DRB1*0408, DRB1*0101, DRB1*0102 és a DRB1*1001. A DRB1*0401/*0404 genotípus a korai kezdetre és különösen súlyos lefolyásra hajlamosít. A DRB1*0401/DRX hordozók esetében (ahol az X egy, a âshared epitopeâ-ot nem kódoló allél), 4,7-szeres a relatív kockázat RA-ra nézve, míg a DRB1*0404/DRX genotípusúak ötszörös, a DRB1*0401/DRB1*0404 heterozigóták esetében pedig 31,3-szoros relatív kockázattal kell számolnunk (Hall et al., 1996).
A HLA DRB1 allélek öröklÅdése erÅs kapcsoltságot (linkage disequilibrium) mutat egyes DQB1 allélekkel, mint például a DQB1*0301-gyel (HLA-DQ7) és a DQB1*0302-vel (HLA-DQ8) (Ilonen et al., 1990).
A nem-HLA gének közül igazoltan meghatározó szerepű a RA-re való genetikai hajlam kialakításában az NFKBIL1 lókusz. Ezenkívül meghatározó még az arginin ï® citrullin átalakítást végzÅ peptidyl arginin deimináz enzim PADI4 lókusza (Suzuki et al., 2003), a protein tirozin foszfatáz PTPN8 gén missense SNP-je (Begovich et al., 2004), valamint a szerves kationtranszporter SLC22A4 és a RUNX1 gének intron SNP-i (Tokuhiro et al., 2003).
A fentiek mellett számos citokin például IL-1, IL-1 receptor antagonista, TNF-ï¡ (Cvetkovic et al., 2002), TNF receptor (Maury et al., 2003), IFN-ï§ (Constantin et al., 2001), IL-3, IL-4 (Genevay et al., 2002), IL-6 (Pascual et al., 2000), IL-10, IL-18 (Sivalingam et al., 2003), IL-26 (Vandenbroeck et al., 2003), kemokinek (például RANTES, Makki et al., 2000), kemokin receptorok (CCR5, Zapico et al., 2000) és más proteinek génjeiben írtak le RA-szel összefüggÅ polimorfizmusokat.
Összefoglalás
A reumatoid artritisz korszerű kutatása, ami a patomechanizmus, a korai diagnosztika, a terápia céljait szolgálja ma és egyre inkább a közeljövÅben a rendszerszemléletű biológián alapul.
A sikeres reumagenomika-kutatás ma a klinikus, a laboratóriumi szakember és a kutató (genetikus, immunológus, molekuláris biológus) együttműködÅ hálózatában valósul meg. A grid központjában a bioinformatikus áll, aki egyrészt az adatok (genetikai, laboratóriumi, klinikai) adatbázisokba foglalását végzi, másrészt adatelemzést folytat. Kiszolgálja ezt a rendszert a bibliográfia naprakész követése, amelyet ma már számítógépes elemzés is képes segíteni. A rendszer lényegi része a biobank, ahonnan a nagy kohortokon alapuló mintagyűjtemények származnak. Mindezek együtt képezik az integratív klinikai genomika körvonalait.
Jelenleg az integrativ genomikai analízis feltételei tehát:
1. Nagy (több ezer) mintaszám (biobankok nélkülözhetetlensége)
2. Nagyszámú (százezres nagyságrend) SNP meghatározása
3. Teljes genomot érintÅ eljárások (CGH, teljes genom expressziós és splice variáns analízisek) alkalmazása
4. Proteomikai és metabolomikai profilanalízis
5. Informatikai feldolgozás
FÅbb ígéretek:
1. A reumatoid artritisz endofenotípusait is figyelembe vevÅ új SNP és expressziós mintázati profilok feltárása
2. Új biomarkerek kiemelése, új diagnosztikai eljárások céljából
3. Új gyógyszercélpontok kijelölése
Az összefoglaló szerzÅi biztosak abban, hogy a reumatológia modern prevenciós, diagnosztikai és terápiás irányzatai ma már elválaszthatatlanok a genomikától, és a bÅvülÅ helyi lehetÅségek megfelelÅ kihasználása új perspektívát ad a hazai reumatológiai kutatásnak is.
Kulcsszavak: reumatológia, SNP, génexpresszió, genomika, patomechanizmus
1. ábra ⢠(Közel)jövÅkép egy komplex reumatológiai kutatásról
Irodalom
Begovich, Ann B. â Carlton, V. E. â Honigberg, L. A. â Schrodi, S. J. â Chokkalingam, A. P. â Alexander, H. C. â Ardlie, K. G. â Huang, Q. â Smith, A. M. â Spoerke, J. M. â Conn, M. T. â Chang, M. â Chang, S. Y. â Saiki, R. K. â Catanese, J. J. â Leong, D. U. â Garcia, V. E. â McAllister, L. B. â Jeffery, D. A. â Lee, A. T. â Batliwalla, F. â Remmers, E. â Criswell, L. A. â Seldin, M. F. â Kastner, D. L. â Amos, C. I. â Sninsky, J. J. â Gregersen, P. K. (2004): A Missense Single-Nucleotide Polymorphism in a Gene Encoding a Protein Tyrosine Phosphatase (PTPN22) Is Associated with Rheumatoid Arthritis. The American Journal of Human Genetics.75, 330â337.
Chandonia, John-Marc â Brenner, Steven E. (2006): The Impact of Structural Genomics: Expectations and Outcomes. Review. Science. 311, 347â351.
Constantin, Arnaud â Navaux, F. â Lauwers- CancÄs, V. â Abbal, M. â van Meerwijk, J. P. â MaziÄres, B. â Cambon-Thomsen, A. â Cantagrel, A. (2001): Interferon Gamma Gene Polymorphism and Susceptibility to, and Severity of, Rheumatoid Arthritis. The Lancet. 358, 2051â2052.
Cvetkovic, Jasmina T. â Wĺllberg-Jonsson, S. â Ahmed, E. â Rantapää-Dahlqvist, S. â Lefvert, A. K. (2002): Increased Levels of Autoantibodies Against Copper-Oxidized Low Density Lipoprotein, Malondialdehyde-Modified Low Density Lipoprotein and Cardiolipin in Patients with Rheumatoid Arthritis. Rheumatology (Oxford). 41, 988â995.
Genevay, Stephane â Di Giovine, F. S. â Perneger, T. V. â Silvestri, T. â Stingelin, S. â Duff, G. â Guerne, P. A. (2002): Association of Interleukin-4 and Interleukin-1B Gene Variants with Larsen Score Progression in Rheumatoid Arthritis. Arthritis and Rheumatism. 47, 303â309.
Gregersen, Peter K. â Silver, J. â Winchester, R. J. (1987): The shared epitope hypothesis. An Approach to Understanding the Molecular Genetics of Susceptibility to Rheumatoid Arthritis. Arthritis and Rheumatism. 30, 1205â1213.
Hall, Frances C. â Weeks, D. E. â Camilleri, J. P. â Williams, L. A. â Amos, N. â Darke, C. â Gibson, K. â Pile, K. â Wordsworth, B. P. â Jessop, J. D. (1996): Influence of the HLA-DRB1 Locus on Susceptibility and Severity in Rheumatoid Arthritis. QJM. 89, 821â829.
Ilonen, Jorma â Reijonen, H. â Arvilommi, H. â Jokinen, I. â Mottonen, T. â Hannonen, P. (1990): HLA-DR Antigens and HLA-DQ Beta Chain Polymorphism in Susceptibility to Rheumatoid Arthritis. Annals of the Rheumatic Diseases. 49, 494â496.
MacGregor, Alex J. â Snieder, H. â Schork, N. J. â Spector, T. D. (2000): Twins. Novel Uses to Study Complex Traits and Genetic Diseases. Trends in Genetics. 16,131â134.
Makki, R. F. â al Sharif, F. â González -Gay, M. A. â Garcia- Porrúa, C. â Ollier, W. E. â Hajeer, A. H. (2000): RANTES Gene Polymorphism in Polymyalgia Rheumatica, Giant Cell Arteritis and Rheumatoid Arthritis. Clinical and Experimental Rheumatology. 18, 391â393.
Maury, C. Peter â Liljestrom, M. â Laiho, K. â Tiitinen, S. â Kaarela, K. â Hurme, M. (2003): Tumor Necrosis Factor Alpha, Its Soluble Receptor I, and -308 Gene Promoter Polymorphism in Patients with Rheumatoid Arthritis with or without Amyloidosis: Implications for the Pathogenesis of Nephropathy and Anemia of Chronic Disease in Reactive Amyloidosis. Arthritis and Rheumatism. 48, 3068â3076.
Pascual, Maria â Nieto, A. â Matarán, L. â Balsa, A. â Pascual-Salcedo, D. â Martin, J. (2000): IL-6 Promoter Polymorphisms in Rheumatoid Arthritis. Genes and Immunity. 1, 338â340.
Sivalingam, S. P. â Yoon, K. H. â Koh, D. R. â Fong, K. Y. (2003): Single-Nucleotide Polymorphisms of the Interleukin-18 Gene Promoter Region in Rheumatoid Arthritis Patients: Protective Effect of AA Genotype. Tissue Antigens. 62, 498â504.
Suzuki, K. â Sawada, T. â Murakami, A. â Matsui, T. â Tohma, S. â Nakazono, K. â Takemura, M. â Takasaki, Y. â Mimori, T. â Yamamoto, K. (2003): High Diagnostic Performance of ELISA Detection of Antibodies to Citrullinated Antigens in Rheumatoid Arthritis. Scandinavian Journal of Rheumatology. 32, 197â204.
Tokuhiro, Shinya â Yamada, R. â Chang, X. â Suzuki, A. â Kochi, Y. â Sawada, T. â Suzuki, M. â Nagasaki, M. â Ohtsuki, M. â Ono, M. â Furukawa, H. â Nagashima, M. â Yoshino, S. â Mabuchi, A. â Sekine, A. â Saito, S. â Takahashi, A. â Tsunoda, T. â Nakamura, Y. â Yamamoto, K. (2003): An Intronic SNP in a RUNX1 Binding Site of SLC22A4, Encoding an Organic Cation Transporter, Is Associated with Rheumatoid Arthritis. Nature Genetics. 35, 341â348.
Vandenbroeck, Koen â Cunningham, S. â Goris, A. â Alloza, I. â Heggarty, S. â Graham, C. â Bell, A. â Rooney, M. (2003): Polymorphisms in the Interferon-Gamma/Interleukin-26 Gene Region Contribute to Sex Bias in Susceptibility to Rheumatoid Arthritis. Arthritis and Rheumatism. 48, 2773â2778.
Wordsworth, Paul â Halliday, Dorothy (2001): The Real Connective Tissue Diseases. Clinical Medicine. 1, 21â214.
Zapico, Isabel â Coto, E. â Rodriguez, A. â Ávarez, C. â Torre, J. C. â Álvarez, V. (2000): CCR5 (Chemokine Receptor-5) DNA-Polymorphism Influences the Severity of Rheumatoid Arthritis. Genes and Immunity. 1, 288â289.
<-- Vissza a 2006/10 szám tartalomjegyzékére
<-- Vissza a Magyar Tudomány honlapra