CVD 是全球第一大死因，而过敏患者常需长期用抗过敏药，但这类药（比如激素、抗组胺药）对心血管的影响一直 “模棱两可”—— 医生不知道哪些药会升高风险、哪些相对安全，更不清楚背后的分子靶点。

这篇 2025 年发在Scientific Reports（SCI，IF=3.9） 的文章，直接用 “孟德尔随机化（MR）+ 多组学” 给了答案 —— 从 139 个抗过敏药靶点里，揪出 11 个和 CVD 风险强相关的基因，明确 prednisone 会升高心衰风险，而 zafirlukast（扎鲁司特）能降低冠心病风险，还靠 FAERS 数据库实锤了 “prednisone 联用心血管药更危险”，堪称医生 “安全用药 + 发文章” 的双料模板！要是你也想做 “临床用药风险” 相关的组学研究，后面咱说怎么帮您落地。

文章信息速览

原标题：Integrative Mendelian randomization and multi-omics analysis identifies anti-allergic drug targets associated with cardiovascular disease risk

期刊：Scientific Reports（IF=3.9）

关键词：孟德尔随机化（MR）、多组学、抗过敏药物、心血管疾病（CVD）、药物靶点、药物警戒、分子对接

这篇文章就瞄准这个临床缺口，想用“MR + 多组学” 找：

• 抗过敏药的哪些靶点和 CAD（冠心病）、HF（心衰）、AF（房颤）、MI（心梗）有因果关系（不是简单相关）；

• 哪些抗过敏药会增加 CVD 风险、哪些可能有保护作用；

• 给临床用药和后续药物研发递“精准靶点”。

研究亮点：

做“用药风险” 相关研究，核心是 “因果要实、结论要能指导开药”。这篇文章的 5 个亮点，每步都踩在 SCI 期刊的 “可信度 + 临床价值” 上：

1. MR “双队列验因果”，排除混杂更靠谱（图 1）

普通观察性研究容易被“年龄、基础病” 等混杂因素干扰，而 MR 用 “基因变异” 当工具变量（IV），能模拟随机对照试验（RCT），让因果关系更铁。作者这么做：

图1

先从 DrugBank/DGidb 找 139 个抗过敏药靶点的 eQTL（表达数量性状位点），在 “发现队列”（比如 CAD 患者 12.2 万例、HF 患者 6.8 万例）做 MR，筛出 29 个和 CAD 相关、41 个和 HF 相关的 eQTL（图 2A-B，火山图里黄 / 蓝点是显著关联的靶点）；

再在“验证队列”（CAD 患者 4.2 万例、HF 患者 4.7 万例）重复 MR，把 “发现队列 + 验证队列” 中方向一致的靶点取交集，最终得到51 个和 CVD 风险强相关的 eQTL；

还做了敏感性分析（Cochran’s Q 检验、MR-Egger 截距检验），证明没有明显异质性和水平多效性 —— 相当于告诉审稿人：“我这结果不是偶然，是真的因果关系”。

2. 多组学 “挖机制”，不只说 “是什么” 还说 “为什么”（图 2、3）

找到靶点后，不能只停留在“这个靶点和 CVD 有关”，还要说清 “怎么关联的”。作者用富集分析挖机制：

KEGG 通路分析发现，51 个靶点富集在 “脂质与动脉粥样硬化”“流体剪切应力与动脉粥样硬化” 等通路（图 2A）—— 这解释了为什么抗过敏药靶点会影响 CVD：比如通过调控脂质代谢、血管内皮损伤来起作用；

图2

GO 分析还看到 “脂肪酸代谢过程”“膜筏” 等术语（图 3）—— 进一步锁定 “代谢异常、细胞膜功能紊乱” 是关键机制。

图3

机制讲清楚了，文章才有深度，也能帮临床理解“为什么某类药会升风险”，比如 prednisone 影响的 ITGB2 靶点，就和 “中性粒细胞胞外陷阱形成” 有关，而这个过程会加重血管炎症。

3. GEO “缩范围”，锁定 11 个核心靶点

51 个靶点还是太多，得进一步聚焦到 “临床更相关” 的。作者用 GEO 数据库的疾病样本做验证，排除掉 “在患者和健康人里表达没差异” 的靶点，最终锁定11 个核心靶点：

和 CAD 相关：KAT2A（负相关，即 KAT2A 表达高，CAD 风险低）；

和 AF 相关：BAZ2B、CYP2C8（均负相关）；

和 HF 相关：ITGB2、TG、TSHR 等 8 个（其中 ITGB2、TG、TSHR 是正相关，即表达高，HF 风险高）；
还明确了对应的抗过敏药：比如 prednisone 靶向 ITGB2、TG（会升高 HF 风险），loratadine（氯雷他定）靶向 TSHR（也升 HF 风险），而 zafirlukast 靶向 KAT2A、BAZ2B（能降低 CAD、AF 风险）—— 直接给临床用药划了 “红区” 和 “绿区”。

4. 分子对接 “找保护药”，给治疗留口子（图 4）

好的研究不仅要“预警风险”，还要 “提供解决方案”。作者用 DSigDB 数据库找能和 11 个靶点结合的候选药，再做分子对接验证：

图4

发现 quercetin（槲皮素，一种天然化合物）和 zafirlukast 的靶点 POLB 结合 affinity 很强，结合能低至 - 11.2 kcal/mol（图 4C）—— 意味着 quercetin 可能通过结合 POLB，增强 zafirlukast 对 CVD 的保护作用；

还找到 myricetin（杨梅素）等化合物，也能和关键靶点稳定结合（图 4B）。
医生视角：这部分让文章从“风险研究” 升级为 “治疗探索”，后续可以做临床转化，比如给用 zafirlukast 的患者加用 quercetin，可能增强心血管保护。

5. FAERS “实锤联用风险”，直接指导临床开药（图 5）

对医生来说，“联用药物的风险” 比 “单药风险” 更重要。作者用 FAERS 数据库（美国 FDA 不良事件报告系统）分析：

聚焦 prednisone（靶向 ITGB2、TG，升 HF 风险），看它和常用心血管药（地高辛、美托洛尔、坎地沙坦等）联用的情况；

结果发现：联用后 HF 不良事件信号显著增强（ROR>1，图 5 森林图）—— 比如 prednisone + 地高辛，比单用任何一种药，心衰风险都高。
医生视角：这部分是“临床硬货”！以后给过敏合并心衰的患者开药，就知道要尽量避免 prednisone 和地高辛联用，或者联用后密切监测心功能。

图5

这篇踩准了“临床需求 + 科学严谨” 的节奏，给医生的启示有3 条：

选题要“贴临床困惑”：别选大而空的主题，比如 “多组学分析 CVD 机制”，而要选 “医生每天纠结的小事”，比如 “抗过敏药和 CVD 的关系”—— 这类选题自带 “临床价值”，期刊更爱收；

用 MR “增强因果可信度”：做用药风险研究，最怕被质疑 “是患者基础病导致风险，不是药的问题”，而 MR 能排除混杂，让 “药 - 靶点 - CVD” 的因果链更硬；

结论要“能落地”：别只给 “基因列表”，要明确 “哪个药对应哪个靶点、有什么风险、怎么规避”，比如这篇文章的 “prednisone 联用禁忌”“zafirlukast 可优先选”，医生看完就能用。

想发这类文章？我们帮你省时间！

很多医生朋友想做“用药风险 + 多组学” 研究，却卡在：不知道怎么找 eQTL 数据、MR 分析不会做、分子对接没思路、FAERS 数据库不会挖…… 别愁！我们团队能帮你：

从“选题设计” 开始，帮你锁定临床痛点（比如 “降糖药和肾病风险”“抗生素和心律失常风险”）；

搞定数据挖掘：MR 分析（TwoSampleMR 包实操）、GEO/FAERS 数据库提取、富集分析；

还能帮你设计分子对接、甚至协助实验验证（比如细胞层面验证靶点功能）；
让你不用再对着代码、数据库发愁，把时间花在患者和核心研究上，轻松产出“有临床价值” 的 SCI 文章！

原文DOI： 10.1038/s41598-025-15331-y

专注期刊投稿、发表十年，任何投稿、写作难题欢迎咨询！