THE APPLICATION OF

GENOMICS IN DIABETES:
BARRIERS TO DISCOVERY
AND IMPLEMENTATION
By Ria Ceriana
PENDAHULUAN
• Ketersediaan data kesehatan terkait genom dan elektronik adalah alat yang
ampuh untuk penelitian dan telah menarik minat untuk pengobatan diabetes.
• Aplikasi potensial genomik untuk prediksi, pencegahan, dan pengobatan
diabetes, dan kami menggunakan contoh dari bidang kedokteran lain untuk
menggambarkan beberapa tantangan yang terlibat dalam melakukan penelitian
genomik pada populasi manusia dan mengimplementasikan temuan.
• Saat ini, hambatan utama penerapan genomik dalam perawatan diabetes adalah
kurangnya temuan genomik yang dapat ditindaklanjuti. Apakah informasi
genomik harus digunakan dalam praktik klinis memerlukan kerangka kerja untuk
mengevaluasi validitas dan utilitas klinis dari pendekatan ini, peningkatan
integrasi data genom ke dalam catatan kesehatan elektronik, dan dukungan
keputusan klinis dan sumber daya pendidikan bagi dokter untuk menggunakan
data ini. Upaya untuk mengidentifikasi pendekatan optimal di semua domain ini
sedang berlangsung dan dapat membantu membawa diabetes ke era kedokteran
genom.
• Banyak yang berpendapat bahwa penyelesaian Proyek Genom
Manusia lebih dari 10 tahun yang lalu akan menandai awal dari era
baru kedokteran genom, di mana pendekatan baru untuk penelitian
penemuan, prediksi penyakit, dan pengobatan akan berkembang
dari pemahaman yang lebih baik tentang penyebab genetik
penyakit manusia.
• Di beberapa bidang kedokteran, penemuan genomik telah
menghasilkan pengobatan baru yang penting.
• Studi asosiasi genetik telah menunjukkan bahwa hilangnya fungsi
mutasi pada PCSK9 menghasilkan kadar kolesterol LDL yang rendah
dan penurunan risiko penyakit jantung koroner, Penemuan ini
menghasilkan kelas obat baru dengan efek penurunan lipid yang
dramatis. (3,4).
• Di luar penemuan target obat baru, informasi genomik dapat digunakan
untuk memprediksi terjadinya penyakit dan untuk mengidentifikasi
subkelompok pasien yang terapi atau intervensinya akan memiliki
kemanjuran terbesar atau efek samping paling sedikit. Ini adalah elemen
kunci dari pendekatan yang sekarang disebut pengobatan presisi.
• Keberhasilan dalam onkologi dan perkembangan teknologi lainnya dan
penurunan cepat biaya sekuensing seluruh genom, peningkatan
informatika, dan adopsi catatan kesehatan elektronik secara luas telah
membangkitkan minat dalam menerapkan berbagai bentuk data besar,
termasuk genomik, penyakit seperti diabetes.
• Dalam artikel ini, kami membahas penerapan genomik pada diabetes,
dengan fokus pada beberapa tantangan yang terlibat dalam melakukan
penelitian genomik pada populasi manusia dan menerapkan temuan
dalam praktik.
GENOMI DALAM PREDIKSI, PENCEGAHAN, DAN
DIAGNOSIS DIABETES
• Insiden dan prevalensi diabetes telah berlipat ganda selama dua dekade terakhir, dan
sekarang ada sekitar 30 juta orang dewasa di AS yang hidup dengan kondisi ini, 95% di
antaranya memiliki diabetes tipe 2.
• Studi asosiasi genom (GWA) menguji ratusan ribu atau bahkan jutaan varian umum
(frekuensi alel minor [MAF] 0,5%) dan frekuensi rendah (MAF 1–5%) di kedua
pengkodean protein (eksonik) dan non-coding (intronik) daerah genom.
• Studi GWA besar telah mengidentifikasi lebih dari 50 lokus genetik yang terkait
dengan berbagai sifat glikemik dan setidaknya 90 lokus terkait dengan diabetes tipe
2.
• Varian genetik ini, yang mungkin menjelaskan sebanyak 10% dari varians kerentanan
penyakit, telah memajukan pemahaman kita tentang biologi diabetes, tetapi setiap
lokus genetik hanya memberikan sedikit peningkatan risiko. Misalnya, varian umum
dari studi GWA ini paling kuat terkait dengan diabetes tipe 2, varian intronik di TCF7L2
(rs7903146), dikaitkan dengan peningkatan risiko relatif 37% per salinan varian alel.
• Varian langka (MAF,1%) dan varian yang umum hanya pada populasi leluhur tertentu
telah dikaitkan dengan peningkatan risiko diabetes yang lebih besar, tetapi mereka
bertanggung jawab lebih sedikit dari keseluruhan beban diabetes.
Table 1—Classes of medications commonly used to treat diabetes    
Average HbA1c    
Drug classes Oral reduction Other benefits Adverse effects
Cost
Metformin Yes ;1.0–1.5 Weight loss, Lactic acidosis (rare),
possible cardiovascular benefit gastrointestinal side effects Low

Sulfonylureas Yes ;1.0–1.5 Hypoglycemia, weight gain, Low

potential cardiovascular risk

Meglitinides Yes ;1.0 Hypoglycemia, weight gain Moderate

Thiazolidinediones Yes ;1.0 Heart failure, myocardial infarction Moderate
(rosiglitazone), bone loss and fractures

a-Glucosidase inhibitors Yes ;0.8 Flatulence, diarrhea Moderate

Amylin analog No ;0.6 Hypoglycemia, nausea High
DPP-4 inhibitors Yes ;0.6–0.8 Potential heart failure (saxagliptin) High
GLP-1 receptor agonists No ;1.0 Weight loss Nausea, vomiting, diarrhea High
SGLT2 inhibitors Yes ;0.6–0.8 Possible cardiovascular Genitourinary infections, High
benefit ketoacidosis (rare)

Insulin No Unlimited Most potent treatment Hypoglycemia, weight gain Low-high

Adapted from refs. 49,50. DPP-4, dipeptidyl peptidase 4; GLP-1, glucagon-like peptide 1; SGLT2, sodium–glucose cotransporter 2.
 Table 2—Selected pharmacogenomic findings for sulfonylureas and metformin
Drug Locus Phenotype N Effect** Refs.
Sulfonylureas          

Pharmacokinetic CYP2C9 HbA1c response 1,073 0.5% absolute greater reduction in HbA 1c 64
(homozygous for variant alleles)

    FBG response 475 No association 75

    Hypoglycemia 357 OR 5.2 for hypoglycemia 65
        (homozygous for variant alleles)  
Pharmacodynamic KCNJ11/ABCC8* HbA1c and FBG response 1,268 3.5% relative greater reduction 66
in HbA1c and 7.7% relative greater reduction
in FBG (homozygous for variant alleles)

    HbA1c response 101 0.2% absolute greater reduction in 67

HbA1c (per variant allele)

    Insulin treatment 525 No association 68

    FBG response 228 No association 69
    HbA1c response 97 Less reduction in HbA1c 70
  TCF7L2 On treatment HbA1c ,7% 901 OR 1.9 for treatment failure 164
(homozygous for variant allele)

    On treatment HbA1c ,7% 189 OR 1.6 for treatment failure (per variant allele) 165
 Metformin          
Pharmacokinetic SLC22A1 HbA1c response 102 0.3% absolute lower reduction in HbA 1c 166
(per variant allele)
    HbA1c response 371 1.1% absolute lower reduction in HbA 1c 77
(per variant allele)

    On treatment HbA1c ,7% 1,531 No association 76

    Drug intolerance 2,166 OR 2.4 for discontinuation 73
        (homozygous for variant alleles)  
  SLC47A1 HbA1c response 116 0.3% absolute lower reduction in HbA 1c 167
(per variant allele)

    HbA1c response 371 No association 77

    Risk of type 2 diabetes 2,994 Less reduction in diabetes risk  
  SLC47A2 HbA1c response 253 0.1% absolute lower reduction in 168
HbA1c (any variant allele)

    HbA1c response 371 No association 77

GWA studies ATM HbA1c response, on 2,896 0.1% absolute greater reduction in 80
treatment HbA1c ,7% HbA1c and OR 1.4 for treatment
success (per variant allele)

    HbA1c response, on 1,366 No association with HbA1c response, 81

treatment HbA1c ,7%
OR 1.2 for treatment success (per variant allele)

FBG, fasting blood glucose. *Loss-of-function variants rs757110 in ABCC8 and rs5219 in KCNJ11 are in near-complete linkage
disequilibrium. **Effect listed only if reported as statistically significant in cited article.
 Table 3—ACCE criteria for the implementation of a genetic  
test Example applications to diabetes
Key questions
Fora GRS for type 2 diabetesrisk,
Analytic validity How often does the genetic test fail to howoftendoesthe test resultin a genotype at
give a each locus?
useable result? What is For the rare HNF1A missense variant associated
the sensitivity and specificity of the test for with diabetes risk, how often does the test detect
a genetic variant? the variant when it is present and how often does
  the test result in a false positive when the variant
  is not present?
What is the within- and between-laboratory Are standardized methods used in different
precision? laboratories? How does the accuracy of the test
Is confirmatory testing required?
vary from laboratory to laboratory? When a
pathogenic variant in a MODY gene is identified
from high- throughput sequencing, is
confirmatory genotyping by another
method required?
 Clinical validity What is the quality of the disease
phenotype or
treatment response measurement? What is
the quality of the study designs used to
evaluate these outcomes?  
What is the prevalence of the phenotype or
the distribution of treatment response in the treatment
studied populations?
What is the sensitivity and specificity of the
test for the disease phenotype or treatment population?
response? What is the magnitude and
precision of the genotype-phenotype
relationship?
Whatare the genetic or  
environmentalmodifiers of the genotype-  
phenotype relationship?
 
Has the test been adequately validated on
all populations in which it may be offered?
For a GRS that discriminates type 1 from type 2
diabetes, are standardized definitions of diabetes
type used? Was the study design cross-sectional
or longitudinal?
For a pharmacogenomic test for metformin
response, how is treatment
failure/success defined and what is the rate of
treatment failure/success in the studied
What is the relative change in HbA1c lowering
associated with the
ATM locus for metformin treatment response?
Do diabetes severity, obesity, the use of additional
drug therapies, or other factors modify the
pharmacogenomic associations for metformin
treatment response?
For a GRS for type 2 diabetes risk, has the test
been validated
among obese individuals and among persons
from different racial/ethnic populations?
 Clinical utility What is the impact of a positive or negative What is the absolute change in HbA1c lowering
test on associated with the ATM locus for metformin
patient care in terms of health outcomes? treatment response? Does this pharmacogenomic
  test result in projected or tangible health benefits
  in terms of clinical complications, such as a
 
reduced risk of blindness or cardiovascular
What are the financial costs associated with
disease?
testing and the economic benefits
associated with actions resulting from What is the cost to test for the common TCF7L2
testing? variant for type 2 diabetes risk, including
  laboratory, reporting, educational, and counseling
  costs? What is the cost per case of diabetes
What educational materials for patients predicted? Does this test result in cost-effective
have been developed and validated? screening or prevention of diabetes later in life?
Do educational materials clearly explain the
magnitude of the increased risk of type 2
diabetes associated with the common
TCF7L2 variant in relation to other known risk
factors?
 Ethical, legal, and What is known about how this test Does the identification of a pathogenic variant
could lead to social implications stigmatization, responsible for a hereditary form of early-onset
discrimination, privacy/ diabetes have implications for family planning?
confidentiality, and personal/family social  
issues? Arephysiciansprovidingsufficientinformation
Are there legal issues regarding consent, aboutthepotential risks and benefits from genetic
ownership of data and/or samples, testing so that patients can make informed
patents, licensing, proprietary testing, decisions?
disclosure, or reporting requirements?
What safeguards have been described and
are these safeguards effective?
Adapted from refs. 126,127.
Pendahuluan

Wanita dengan riwayat diabetes mellitus gestasional (GDM) memiliki risiko yang
sangat tinggi untuk diabetes tipe 2 (T2D). Namun, sedikit yang diketahui tentang
genetik
penentu untuk T2D dalam populasi ini. Kami memeriksa hubungan skor risiko
genetik (GRS) dengan risiko T2D pada dua populasi independen wanita dengan
riwayat GDM dan bagaimana hubungan ini dapat dimodifikasi oleh determinan
non-genetik untuk T2D.

Penelitian ini mengaitkan hubungan faktor genetik termasuk SNP individu dan
GRS dengan risiko T2D di antara wanita dengan riwayat GDM
• Single Nucleotide Polymorphism (SNP) merupakan suatu perbedaan
susunan basa nukleotida tunggal pada genom suatu individu yang
menyebabkan adanya variasi genetik dalam suatu populasi
(Twyman, 2005).
• Banyak pendekatan yang tersedia untuk menghasilkan GRS.
Metode langsung untuk mengevaluasi GRS adalah memilih sejumlah
k varian genetik independen dengan asosiasi yang kuat (yaitu,
genom-lebar dalam studi atau kumpulan data lain) sebagai
prediktor risiko, dan untuk menghitung GRS sebagai jumlah dari
perkiraan efek ( log odds rasio), i, dari analisis regresi logistik
dengan efek genetik aditif, dikalikan dengan jumlah alel risiko, Ni,
untuk setiap lokus:
Metode
• Studi kohort ini melibatkan 2434 wanita kulit putih dengan riwayat
GDM dari Nurses' Health Study II (NHSII, n=1884) dan Danish
National Birth Cohort (DNBC, n=550). GRS untuk T2D dihitung
menggunakan 59 kandidat polimorfisme nukleotida tunggal untuk
T2D yang diidentifikasi dari studi asosiasi genom pada populasi
Eropa. Skor indeks makan sehat alternatif (AHEI) diturunkan untuk
mencerminkan kualitas makanan setelah kehamilan yang
dipengaruhi oleh GDM.
• NHSII adalah studi kohort prospektif AS yang sedang berlangsung yang
mendaftarkan 116.430 perawat terdaftar wanita berusia 25 hingga 42
tahun pada tahun 1989. Kuesioner diberikan saat pendaftaran dan
setiap tahun setelahnya. Wanita yang GDM terutama diidentifikasi dari
kuesioner NHSII dua tahunan utama, di mana wanita melaporkan
diagnosis dokter GDM hingga 2001. Kasus GDM tambahan diidentifikasi
dalam kuesioner kehamilan 2009, yang mencatat tentang ingatan
wanita tentang diagnosis dokter GDM di semua kehamilan sebelumnya.
Kehamilan di mana GDM didiagnosis disebut sebagai kehamilan indeks.
Status GDM yang dilaporkan sendiri dalam kuesioner dua tahunan
sebelumnya divalidasi menggunakan catatan medis dengan konfirmasi
di antara 94% kasus Wanita yang berpartisipasi dalam Studi DWH
sebagian besar sebanding dengan wanita dengan GDM di keseluruhan
NHSII.
•
• Bagian NHSII dari Studi DWH telah disetujui oleh dewan peninjau
kelembagaan Rumah Sakit Brigham dan Wanita dan Sekolah Kesehatan
Masyarakat Harvard T. H. Chan.
• Sebanyak 790 peserta DNBC yang mengembangkan GDM selama kehamilan
yang diamati oleh studi DNBC dimasukkan dalam Studi DWH. DNBC adalah
studi kohort Denmark prospektif terhadap 91.827 wanita hamil yang
terdaftar antara tahun 1996 dan 2002. Wanita dengan GDM diidentifikasi
dari dua sumber: Daftar Pasien Nasional Denmark dan/atau wawancara
telepon pada usia kehamilan 30 minggu atau 6 bulan pascapersalinan.18
Validasi menggunakan catatan rumah sakit mengungkapkan sensitivitas
tinggi (96%) dan spesifisitas (99%) untuk diagnosis GDM.18 Karakteristik
wanita yang berpartisipasi dalam Studi DWH sebagian besar sebanding
dengan wanita DNBC yang memenuhi syarat.14 Bagian DNBC dari DWH
Studi telah disetujui oleh Komite Etika Ilmiah Regional Wilayah Ibu Kota
Denmark (catatan no. H-4-2013-129). Prosedur studi diikuti sesuai dengan
Deklarasi Helsinki.
Penghitungan kovariat
• Di NHSII, informasi tentang usia wanita, status merokok, riwayat
keluarga diabetes dan tinggi dan berat badan yang dilaporkan
sendiri dicatat dalam kuesioner 1989 dan diperbarui dalam
kuesioner dua tahunan. Indeks massa tubuh (BMI) dihitung dari
tinggi dan berat badan yang dilaporkan sendiri; berat badan yang
dilaporkan sendiri sangat berkorelasi dengan berat badan yang
diukur oleh teknisi dalam studi validasi (r = 0,97).22 Informasi diet
dikumpulkan pada tahun 1991 dan diperbarui setiap 4 tahun
sesudahnya menggunakan kuesioner frekuensi makanan
semikuantitatif (FFQ) yang menilai asupan makanan di tahun lalu.
Indeks makan sehat alternatif
• Genotip dilakukan dengan menggunakan metode PCR kuantitatif
TaqMan (Applied Biosystems, Foster City, CA, USA)9 pada 1855
peserta Studi DWH dari NHSII dan 603 dari DNBC. Secara
keseluruhan, 112 kandidat SNP dipilih berdasarkan studi asosiasi
genome-wide (GWAS) sebelumnya dari T2D.
• Secara keseluruhan, 78 dari 112 SNP T2D diidentifikasi dalam
populasi Eropa berdasarkan informasi yang diperoleh dari katalog
GWAS baru-baru ini (https://www.ebi.ac.uk/ gwas/). Setelah
mengeluarkan 18 SNP dalam ketidakseimbangan hubungan tinggi
dan satu SNP (HLA-B, rs2244020) dengan tingkat panggilan
genotipe rendah, 59 SNP dipertahankan. GRS yang tidak tertimbang
dibangun sebagai jumlah dari jumlah alel risiko T2D (yaitu, 0, 1, 2) di
59 SNP T2D, dengan asumsi model genetik aditif dan bahwa setiap
SNP berkontribusi pada risiko penyakit secara setara dan
independen
Hasil dan Pembahasan
• Wanita rata-rata diikuti selama 21 tahun di NHSII dan 13 tahun di DNBC,
di mana masing-masing 446 (23,7%) dan 155 (28,2%) mengembangkan
T2D. GRS umumnya berhubungan positif dengan risiko T2D pada
kedua kohort. Dalam analisis gabungan, risiko relatif (RR) untuk
• peningkatan kuartil GRS adalah 1,00, 0,97, 1,25 dan 1,19 (tren p=0,02).
Pada kedua kohort, hubungan tersebut tampak lebih kuat di antara
wanita dengan kualitas makanan yang lebih buruk (AHEI <median)
daripada yang lebih baik (AHEI median), meskipun interaksinya tidak
signifikan. Misalnya, di NHSII,
• RR di seluruh kuartil GRS yang meningkat adalah 1,00, 0,99, 1,51 dan
1,29 (tren p=0,06) di antara wanita dengan
• kualitas makanan yang lebih buruk dan 1,00, 0,83, 0,81 dan 0,94 (tren
p=0,79) di antara wanita dengan kualitas makanan yang lebih baik
(interaksi p=0,11).
Kesimpulan
• Dalam penelitian ini berdasarkan dua populasi independen dengan
masa tindak lanjut yang panjang, kami mengamati hubungan yang
signifikan dari faktor risiko genetik dengan perkembangan T2D.
Besarnya asosiasi, bagaimanapun, adalah sederhana. Ada juga bukti
sugestif bahwa pola diet sehat dapat mengurangi risiko T2D yang
berlebihan terkait dengan kerentanan genetik yang lebih besar,
yang mendukung upaya kesehatan masyarakat untuk mendorong
diet sehat untuk mencegah T2D di antara populasi berisiko tinggi—
wanita dengan riwayat GDM.