Search

Cardiovascular diseases are the leading cause of death worldwide and type 2 diabetes is reaching a global epidemic. Epidemiological studies have identified numerous risk factors and pharmacotherapies in relation to these cardiometabolic diseases. However, the detailed molecular mechanisms of these risk factors and drug therapies generally remain incompletely understood. Elucidating the underlying molecular effects would be essential for better understanding of the disease pathogenesis and also for discovering new therapeutic targets. Quantitative serum metabolomics, which allows for simultaneous quantification of multiple circulating metabolic measures, provides a hypothesis-free approach to systematically inspect the metabolic changes in response to endogenous and exogenous stimuli. Metabolomics thus presents a valuable tool to study the detailed molecular effects of disease risk factors and drug therapies. However, current metabolomics studies are mostly conducted in small cross-sectional studies and the causal relations of the risk factors on the metabolic measures are generally unclear, providing limited public health impact. The present thesis serves as a proof-of-concept to illustrate that well-designed observational studies can be used to infer causality. With the exemplars of assessing molecular effects of two risk factors (body mass index and sex hormone-binding globulin) and two drug therapies (statins and oral contraceptives), the thesis demonstrates that an improved causal inference can be achieved in observational studies via the combination of multiple study designs, including cross-sectional, longitudinal and Mendelian randomization analysis. This robust study design approach together with metabolomics data can be also extended to study the molecular effects of other risk factors and drug therapies. With an improved molecular understanding of a wide range of risk factors and therapies, better understanding of disease pathogenesis is ensured. Tiivistelmä Sydän- ja verisuonitaudit ovat johtava kuolinsyy maailmassa ja tyypin 2 diabetes on saavuttamassa globaalin epidemian mittasuhteet. Epidemiologiset tutkimukset ovat löytäneet useita riskitekijöitä ja lääkehoitoja edellä mainituille yleisille taudeille. Tyypin 2 diabetekseen ja sydän- ja verisuonitauteihin liittyvät yksityiskohtaiset molekylaariset mekanismit ymmärretään kuitenkin puutteellisesti. Molekylaaristen yksityiskohtien tarkempi ymmärtäminen olisi siten erittäin merkittävää sekä tautiprosessien ymmärtämiseksi että lääkehoitojen kehittämiseksi. Seerumin kvantitatiivinen metabolomiikka mahdollistaa useiden metabolisten suureiden samanaikaisen määrittämisen verenkierrosta ja tarjoaa siten hypoteesittoman lähestymistavan sekä sisäisten että ulkoisten ärsykkeiden aiheuttamien metabolisten muutosten systemaattiseen tutkimukseen. Metabolomiikka on siten arvokas työkalu yksityiskohtaisten molekylaaristen mekanismien tutkimuksessa, olipa kyseessä taudin riskitekijät tai lääkehoito. Metabolomiikkatutkimuksia on kuitenkin pääasiassa tehty pienissä poikittaistutkimuksissa ja riskitekijöihin liittyvien metabolisten suureiden syy- ja seuraussuhteet ovat yleisesti epäselviä, josta johtuen metabolisten suureiden kansanterveydellinen sovellettavuus on ollut heikkoa. Tämä väitöskirja esittelee tutkimuskonseptin hyvin suunniteltujen havaintotutkimuksien soveltamiseksi syy- ja seuraussuhteiden arvioinnissa. Työ sisältää esimerkit kahden riskitekijän (painoindeksi ja sukupuolihormoneja sitova globuliini) ja kahden lääkehoidon (statiinit ja ehkäisypillerit) molekylaaristen vaikutusten kausaalisista tutkimuksista. Tulokset havainnollistavat, että kausaalisten johtopäätösten luotettavuutta voidaan parantaa yhdistämällä useita tutkimusasetelmia, kuten poikittais- ja pitkittäistutkimuksia sekä Mendelististä satunnaistamista. Esitettyjä luotettavia tutkimusasetelmia, yhdessä metabolomiikkadatan kanssa, voidaan laajentaa muiden riskitekijöiden ja lääkehoitojen molekylaaristen vaikutusten tutkimuksiin. Parantunut molekyylitason ymmärrys useista riskitekijöistä ja lääkehoidoista johtaa myös parempaan tautiprosessien ymmärtämiseen.