Arq Bras Cardiol abc Arquivos Brasileiros de Cardiologia Arq. Bras. Cardiol. 0066-782X 1678-4170 Sociedade Brasileira de Cardiologia - SBC n8Lq4gcYhhYNWfsh7b3NHZw S0066-782X2026000300606 00606 10.36660/abc.20250063 Artigo Original Relação Causal entre Características das Células Sanguíneas e Doença Cardíaca Valvar: Um Estudo de Randomização Mendeliana com Duas Amostras 0000-0002-6632-8768 Wu Xiaoli Concepção e desenho da pesquisa Análise e interpretação dos dados Obtenção de financiamento e Redação do manuscrito Obtenção de dados Análise estatística Revisão crítica do manuscrito quanto ao conteúdo 1 Li Yufeng Concepção e desenho da pesquisa Análise e interpretação dos dados Obtenção de financiamento e Redação do manuscrito Obtenção de dados 1 0009-0008-4848-0919 Tian Jinyu Obtenção de dados Análise estatística 1 Department of Ultrasound Panzhihua Central Hospital Panzhihua China Department of Ultrasound - Panzhihua Central Hospital, Panzhihua – China Xiaoli Wu Panzhihua Central Hospital - Department of Ultrasound – Panzhihua, 617000 - China E-mail: wxl13982323405@126.com

Olivetti, Natália

Não há conflito com o presente artigo.

 11 05 2026 03 2026 123 3 e20250063 18 03 2025 17 09 2025 13 01 2026 Este é um artigo de acesso aberto distribuído sob os termos da licença de atribuição pelo Creative Commons Resumo Fundamento

A patogênese da doença cardíaca valvar (DCV) permanece incerta, o que destaca a necessidade de mais pesquisas sobre os fatores de risco.

 Objetivos

Explorar as possíveis relações causais entre as características das células sanguíneas e quatro tipos de doenças valvares cardíacas: doença cardíaca reumática, doença da válvula mitral, doença da válvula aórtica e doença da válvula tricúspide.

 Métodos

Este estudo utilizou estatísticas resumidas de GWAS em larga escala e uma abordagem de randomização mendeliana de duas amostras, analisando treze características de células sanguíneas como exposições e quatro fenótipos de DCV como desfechos. O principal método de randomização mendeliana foi a variância inversa ponderada (IVW), complementada pelos métodos MR-Egger, mediana ponderada e moda ponderada, com extensas análises de sensibilidade para verificar a confiabilidade dos resultados, onde um valor de p < 0,05 foi considerado estatisticamente significativo.

 Resultados

Dentre as treze características das células sanguíneas examinadas, a contagem de neutrófilos apresentou associação causal positiva com doença da valva mitral (OR = 1,46, IC 95%: 1,16-1,85, p < 0,001) utilizando o método IVW. Esse achado foi corroborado pelo método MR-Egger (OR = 1,73, IC 95%: 1,09-2,75, p = 0,02), reforçando a evidência dessa relação causal. Para essa análise, 253 variantes genéticas robustas foram utilizadas como variáveis instrumentais. Adicionalmente, o volume corpuscular médio (VCM) apresentou associação causal negativa com doença da valva tricúspide (OR = 0,65, IC 95%: 0,44-0,96, p = 0,03) utilizando o método IVW, com base em 268 variáveis instrumentais. Outras características das células sanguíneas não apresentaram relações causais significativas com a DCV. Uma análise de sensibilidade abrangente corroborou a robustez dos nossos resultados.

 Conclusões

Os resultados deste estudo sugerem um possível envolvimento causal da contagem de neutrófilos e do VCM no desenvolvimento de doenças da válvula mitral e da válvula tricúspide, respectivamente.

Relação Causal entre Características das Células Sanguíneas e Doença Cardíaca Valvar: Um Estudo de Randomização Mendeliana com Duas Amostras Descrição do desenho do estudo nesta análise de RM.

Palavras-chave Células Sanguíneas Doenças das Valvas Cardíacas Insuficiência da Valva Mitral Análise da Randomização Mendeliana The Panzhihua City science and technology Buzeau 2020ZD-S-25 Fontes de financiamento: O presente estudo foi financiado por The Panzhihua City science and technology Buzeau (2020ZD-S-25). Introdução

A doença cardíaca valvar (DCV) é uma categoria de distúrbios cardíacos decorrentes do comprometimento da estrutura e função das válvulas cardíacas, compreendendo doença da válvula aórtica, doença da válvula mitral, doença da válvula tricúspide e doença cardíaca reumática.1 Assim como a doença arterial coronariana, as doenças valvares compartilham muitos fatores de risco e mecanismos patobiológicos relacionados à inflamação, disfunção endotelial e calcificação.2 Devido à crescente prevalência de outras doenças cardiovasculares e ao envelhecimento da população mundial, a valvopatia cardíaca se tornou uma causa importante de eventos cardiovasculares adversos, contribuindo para o ônus econômico global.3 Mesmo com os avanços no diagnóstico e tratamento da DCV, sua patogênese subjacente permanece não totalmente compreendida, o que ressalta a necessidade de pesquisas adicionais sobre os potenciais fatores de risco e mecanismos causais.

As células sanguíneas humanas (CSH) são vitais para o transporte de oxigênio, hemostasia e respostas imunes.4 As doenças cardiovasculares são influenciadas pela inflamação e pelo estresse oxidativo, que podem se refletir nas características das CSH.5 Estudos têm explorado a relação entre características das células sanguíneas e desfechos cardiovasculares.6 Níveis elevados de glóbulos brancos, particularmente neutrófilos, têm sido associados a um risco cardiovascular aumentado.7 Os neutrófilos contribuem para a aterosclerose e a desestabilização da placa.8 Os monócitos estão envolvidos na inflamação e remodelação vascular, afetando o risco de doenças cardiovasculares.9 Características dos glóbulos vermelhos (hemácias), como volume corpuscular médio (VCM), concentração de hemoglobina e amplitude de distribuição dos glóbulos vermelhos (RDW), têm sido investigadas em doenças cardiovasculares.10 Níveis baixos de VCM e hemoglobina podem aumentar o risco cardiovascular devido à redução do fornecimento de oxigênio.11 Níveis elevados de RDW têm sido associados a desfechos cardiovasculares adversos.12 Biomarcadores, incluindo hs-CRP, RDW e parâmetros eritrocitários, têm demonstrado potencial como preditores de complicações em pacientes com doenças valvares.13

Apesar da investigação das associações entre características das células sanguíneas e diversas doenças cardiovasculares em vários estudos observacionais, as relações causais específicas entre essas características e os subtipos de DCV permanecem pouco compreendidas. Uma abordagem analítica poderosa, a randomização mendeliana (RM), utiliza variantes genéticas como variáveis instrumentais (VIs) para avaliar possíveis associações causais entre exposições e desfechos.14 As análises de RM aproveitam a alocação aleatória de variantes genéticas durante a formação dos gametas para abordar questões de causalidade reversa e minimizar fatores de confusão, fornecendo evidências mais robustas de causalidade em comparação com estudos observacionais tradicionais.15 Utilizando um delineamento de RM com duas amostras, investigamos neste estudo as associações causais entre 13 características das células sanguíneas e 4 tipos principais de DCV.

 Métodos Desenho do estudo

Este estudo, um estudo de RM com duas amostras, se baseia em três pressupostos de VIs.16 (Figura Central). Primeiro, pelo menos uma das exposições está associada à variante genética. Segundo, nenhum dos fatores de confusão de cada associação exposição-desfecho está associado à variante. Terceiro, dadas as exposições e os fatores de confusão, a variante não está relacionada ao desfecho. O relato deste estudo seguiu rigorosamente as diretrizes do Reporting of Observational Studies in Epidemiology using Mendelian Randomization (STROBE-MR).17,18

 Fontes de dados

Do Blood Cell Consortium (BCX), obtivemos estatísticas resumidas para o instrumento de exposição, extraídas de um recente estudo de associação genômica ampla (GWAS) em larga escala sobre características de células sanguíneas, que envolveu 563.085 indivíduos de ascendência europeia.19 A partir deste GWAS, obtivemos variantes genéticas associadas aos níveis circulantes de leucócitos, linfócitos, monócitos, neutrófilos, eosinófilos, basófilos, plaquetas, contagem de eritrócitos, hematócrito, hemoglobina, VCM, hemoglobina corpuscular média e concentração de hemoglobina corpuscular média. A aplicação de GWA rápido ou GWA GLMM rápido a 3000 características em 456.422 indivíduos de ascendência europeia com genotipagem em array e 49.960 indivíduos com sequenciamento de exoma completo do UK Biobank foi realizada por Jiang et al.20 Disponíveis para download no portal de dados GWAS rápidos (https://yanglab.westlake.edu.cn/data/ukb_fastgwa/imp_binary/), os dados resumidos do GWAS associados à DCV abrangem doença reumática das válvulas cardíacas (275 casos e 456.073 controles), doença da válvula mitral (889 casos e 455.459 controles), doença da válvula aórtica (557 casos e 455.791 controles) e doença da válvula tricúspide (135 casos e 456.213 controles). Os dados sobre doenças são derivados do UK Biobank e definidos com base no PheCode. As informações detalhadas de todos os dados do GWAS podem ser encontradas na Tabela Suplementar 1.

Como os dados foram obtidos de GWAS publicamente disponíveis ou aprovados eticamente e que estão em conformidade com a Declaração de Helsinque, nenhuma aprovação ética adicional foi necessária.

 Seleção de VIs

Aplicando um conjunto uniforme de critérios, nosso estudo selecionou meticulosamente SNPs como VIs. Abrangendo diversas fases cruciais, o paradigma de seleção foi implementado. Durante a fase de iniciação, as VIs potenciais foram identificadas como SNPs que apresentaram significância em todo o genoma (p < 5 × 10−8, R2 < 0,001, kb = 10.000).21 Em seguida, foi realizado um procedimento de agrupamento (R2 < 0,001, tamanho da janela = 10.000 kb) utilizando a função de agrupamento de dados, projetada para garantir que os SNPs selecionados não estivessem em desequilíbrio de ligação (DL) entre si.22 O valor da estatística F foi calculado para cada variável instrumental (VI) que apresentou correlação com a exposição. SNPs com valor F menor ou igual a 10 foram excluídos da análise para garantir que apenas VIs com associações fortes fossem selecionadas.23

Antes da análise de RM, realizamos um procedimento de harmonização para garantir que o efeito de cada SNP na exposição e no desfecho correspondesse ao mesmo alelo de efeito. Removemos SNPs palindrômicos com frequências alélicas intermediárias para evitar ambiguidade. As estimativas de efeito para todas as características das células sanguíneas foram escalonadas para representar um aumento por desvio padrão (DP), garantindo que as razões de chance para DCV sejam interpretadas de forma consistente em diferentes exposições.

 Análise estatística

Neste estudo, foram empregados múltiplos métodos complementares para explorar a relação causal entre as características das células sanguíneas e a doença valvar cardíaca, incluindo o método de variância inversa ponderada (IVW), a abordagem da mediana ponderada, a regressão MR-Egger e a moda ponderada, que foram utilizados como métodos de análise primária para estimativas causais. O método IVW, empregado como análise primária para estimativas causais, apresentou a maior precisão quando todas as VIs eram válidas.24 Quando pelo menos metade dos SNPs serviu como VIs eficazes, a abordagem da mediana ponderada estimou consistentemente o efeito causal.23 Utilizada para confirmar a presença de pleiotropia horizontal entre as variáveis independentes, a regressão MR-Egger fornece uma estimativa do efeito da pleiotropia horizontal por meio de seu intercepto.25 Como análises complementares, foi realizada a análise de moda ponderada.

Análises de sensibilidade adicionais foram conduzidas para avaliar a confiabilidade de nossas descobertas, nas quais o intercepto MR-Egger foi empregado para identificar pleiotropia horizontal direcional.26 Em seguida, o teste de soma residual de pleiotropia por RM e detecção de outliers (MR-PRESSO) foi utilizado para identificar a pleiotropia horizontal potencial e, posteriormente, corrigi-la por meio da eliminação de outliers.27 A avaliação da heterogeneidade entre os SNPs foi realizada utilizando o teste Q de Cochran.28 A investigação sobre se um único SNP influenciava a relação causal genética entre as exposições e os desfechos foi conduzida utilizando a análise leave-one-out.29 Utilizando o software R (versão 4.3.1), todas as análises estatísticas foram realizadas com os pacotes “TwoSampleMR” e “MR-PRESSO”. Um valor de p bicaudal < 0,05 foi considerado estatisticamente significativo para as estimativas causais primárias.

 Resultados Seleção de VIs

Como exposições, foram avaliadas 13 características de células sanguíneas, enquanto 4 fenótipos de DCV foram considerados como desfechos. Identificamos um conjunto de variantes genéticas robustas para servirem como VIs para cada par exposição-desfecho após a aplicação de critérios rigorosos de seleção de VIs (Tabela Suplementar 2). Todas as VIs têm um valor F superior a 10, indicando que eram suficientemente fortes para evitar viés de instrumento fraco. Todos os SNPs foram encontrados nos desfechos; nenhum SNP substituto foi utilizado. Detalhes sobre o número de SNPs são fornecidos na Tabela Suplementar 3.

 Análises de RM

A análise IVW primária revelou uma associação causal positiva geneticamente prevista entre uma contagem mais elevada de neut = ófilos e um risco aumentado de doença da válvula mitral (Tabela 1, Figura 1A). Este achado foi consistente com os resultados do método MR-Egger, reforçando a evidência para esta relação causal (Tabela 1).

– Associações causais entre características das células sanguíneas e doença valvar cardíaca. Gráficos de floresta de A) contagem de neutrófilos na doença da válvula mitral; B) volume corpuscular médio na doença da válvula tricúspide. Gráficos de dispersão de C) contagem de neutrófilos na doença da válvula mitral; D) volume corpuscular médio na doença da válvula tricúspide.

– Associação entre características das células sanguíneas e DCV
Não Exposição Desfecho N.SNPs Métodos OR (IC 95%) ou_lci95 ou_uci95 Valor de p
1 Baso Mitral 152 MR. Egger 1,69 0,82 3,48 0,16
152 Mediana ponderada 1,55 0,87 2,75 0,13
152 IVW 1,27 0,89 1,81 0,19
152 Moda ponderada 1,53 0,74 3.17 0,25
2 Eosino 383 MR. Egger 0,99 0,67 1,45 0,94
383 Mediana ponderada 0,99 0,69 1,42 0,97
383 IVW 0,97 0,79 1.19 0,77
383 Moda ponderada 1.17 0,73 1,89 0,52
3 Linfático 398 MR.Egger 0,79 0,50 1,25 0,32
398 Mediana ponderada 0,96 0,66 1,40 0,83
398 IVW 1.01 0,81 1,25 0,92
398 Moda ponderada 0,89 0,54 1,48 0,66
4 Mono 479 MR. Egger 1.06 0,80 1,40 0,69
479 Mediana ponderada 0,84 0,61 1,15 0,27
479 IVW 1,00 0,84 1.19 0,99
479 Moda ponderada 1.02 0,74 1,41 0,91
5 Neutro 347 MR. Egger 1,73 1.09 2,75 0,02
347 Mediana ponderada 1,49 0,94 2,34 0,09
347 IVW 1,46 1.16 1,85 0,00
347 Moda ponderada 1,50 0,90 2,48 0,12
6 Plaq 478 MR. Egger 0,91 0,67 1.21 0,51
478 Mediana ponderada 0,94 0,70 1,27 0,71
478 IVW 0,96 0,81 1.14 0,65
478 Moda ponderada 0,96 0,70 1,32 0,82
7 Hemácias 410 MR. Egger 1.03 0,70 1,53 0,87
410 Mediana ponderada 1.04 0,71 1,51 0,86
410 IVW 1.09 0,89 1,34 0,41
410 Moda ponderada 0,90 0,62 1,30 0,57
8 Leucócitos 387 MR. Egger 1,93 1.19 3.13 0,01
387 Mediana ponderada 1.18 0,79 1,77 0,42
387 IVW 1.21 0,96 1,53 0,11
387 Moda ponderada 1,30 0,79 2.16 0,30
9 Ht 338 MR.Egger 0,79 0,49 1,28 0,34
338 Mediana ponderada 0,77 0,52 1,15 0,20
338 IVW 0,89 0,69 1,15 0,38
338 Moda ponderada 0,69 0,46 1.04 0,07
10 Hb 362 MR.Egger 0,88 0,58 1,35 0,56
362 Mediana ponderada 0,90 0,60 1,34 0,59
362 IVW 0,92 0,73 1,15 0,46
362 Moda ponderada 0,85 0,56 1,29 0,44
11 VCM 430 MR.Egger 0,82 0,64 1.05 0,11
430 Mediana ponderada 0,97 0,76 1,25 0,83
430 IVW 0,94 0,80 1.10 0,43
430 Moda ponderada 1.01 0,78 1,30 0,96
12 MCH 400 MR.Egger 0,95 0,73 1,24 0,72
400 Mediana ponderada 0,99 0,74 1,32 0,93
400 IVW 0,93 0,79 1.09 0,38
400 Moda ponderada 1.12 0,83 1,51 0,45
13 MCHC 187 MR.Egger 1.01 0,64 1,58 0,97
187 Mediana ponderada 0,93 0,61 1,43 0,74
187 IVW 0,87 0,66 1.14 0,30
187 Moda ponderada 0,97 0,64 1,48 0,90
1 Baso Tricúspide 152 MR.Egger 1.02 0,16 6,48 0,99
152 Mediana ponderada 1.06 0,26 4,33 0,93
152 IVW 0,76 0,30 1,88 0,55
152 Moda ponderada 1,51 0,23 9,70 0,67
2 Eosino 383 MR.Egger 0,93 0,34 2,52 0,89
383 Mediana ponderada 0,43 0,19 1,00 0,05
383 IVW 0,78 0,46 1,30 0,34
383 Moda ponderada 0,44 0,14 1,32 0,14
3 Linfático 398 MR.Egger 0,76 0,24 2,42 0,64
398 Mediana ponderada 0,79 0,30 2.09 0,64
398 IVW 1.09 0,63 1,90 0,75
398 Moda ponderada 0,80 0,21 3.02 0,74
4 Mono 479 MR.Egger 1,38 0,68 2,81 0,38
479 Mediana ponderada 1,33 0,61 2,92 0,48
479 IVW 1,25 0,80 1,94 0,32
479 Moda ponderada 1,36 0,64 2,89 0,43
5 Neutro 347 MR.Egger 0,85 0,27 2,70 0,79
347 Mediana ponderada 0,60 0,20 1,78 0,36
347 IVW 1.19 0,66 2.12 0,57
347 Moda ponderada 0,79 0,22 2,77 0,71
6 Plaq 478 MR.Egger 0,67 0,32 1,40 0,29
478 Mediana ponderada 1.09 0,54 2.20 0,80
478 IVW 0,86 0,57 1.31 0,49
478 Moda ponderada 1,24 0,51 2,98 0,63
7 Hemácias 410 MR.Egger 3,27 1.22 8,74 0,02
410 Mediana ponderada 2,44 0,95 6.26 0,06
410 IVW 1,45 0,87 2,43 0,16
410 Moda ponderada 3.11 1.11 8,68 0,03
8 Leucócitos 387 MR.Egger 0,91 0,28 2,99 0,87
387 Mediana ponderada 0,74 0,28 1,94 0,54
387 IVW 1,29 0,73 2.29 0,38
387 Moda ponderada 0,74 0,23 2,37 0,61
9 Ht 338 MR.Egger 1,24 0,39 3,95 0,72
338 Mediana ponderada 1.21 0,42 3,52 0,72
338 IVW 0,76 0,41 1,39 0,37
338 Moda ponderada 1,58 0,45 5,52 0,47
10 Hb 362 MR.Egger 1,38 0,47 4.02 0,56
362 Mediana ponderada 1.13 0,40 3.14 0,82
362 IVW 0,76 0,42 1,36 0,36
362 Moda ponderada 1.08 0,34 3,45 0,90
11 VCM 430 MR.Egger 0,48 0,26 0,90 0,02
430 Mediana ponderada 0,61 0,31 1,20 0,16
430 IVW 0,65 0,44 0,96 0,03
430 Moda ponderada 0,54 0,27 1.08 0,08
12 MCH 400 MR.Egger 0,61 0,31 1.18 0,14
400 Mediana ponderada 0,52 0,24 1.10 0,09
400 IVW 0,75 0,50 1.12 0,16
400 Moda ponderada 0,54 0,23 1,25 0,15
13 MCHC 187 MR.Egger 1,27 0,40 4.08 0,69
187 Mediana ponderada 1,26 0,39 4.05 0,70
187 IVW 1.17 0,58 2,35 0,67
187 Moda ponderada 1,34 0,44 4.07 0,61

IVW: variância inversa ponderada; VCM: volume corpuscular médio; MCH: hemoglobina corpuscular média; MCHC: concentração de hemoglobina corpuscular média; Ht: hematócrito; Hb: hemoglobina; Plaq: plaquetas.

Além disso, nossa análise identificou uma relação causal negativa geneticamente prevista entre o VCM e o risco de doença da válvula tricúspide usando o método IVW (Tabela 1). O gráfico de floresta (Figura 1B) representou visualmente as estimativas causais obtidas a partir de VIs individuais. Embora a mediana ponderada não tenha atingido significância estatística (OR = 0,61, IC 95%: 0,31-1,20, p = 0,16) (Tabela 1), a estimativa de MR-Egger corroborou essa associação (OR = 0,48, IC 95%: 0,26-0,90, p = 0,02) (Tabela= 1). Não houve evidências robustas de associações causais para as demais características das células sanguíneas e a DCV (Tabela 1). O gráfico de dispersão (Figura 1C-D) visualizou os tamanhos de efeito estimados para os SNPs ligados às características das células sanguíneas que afetam a DCV.

 Análises de sensibilidade

Foram realizadas diversas análises de sensibilidade para avaliar a robustez de nossas descobertas e a validade das premissas da RM. Para as associações entre a contagem de neutrófilos e a doença da válvula mitral, e entre o VCM e a doença da válvula tricúspide, o teste Q de Cochran não indicou heterogeneidade significativa (Tabela 2). O teste de intercepto MR-Egger não mostrou evidências de pleiotropia horizontal direcional, sugerindo que é improvável que nossos resultados sejam enviesados por efeitos pleiotrópicos (Tabela 2). Além disso, não foram identificados valores discrepantes para as associações entre contagem de neutrófilos e doença da válvula mitral e entre VCM e doença da válvula tricúspide pelo teste global MR-PRESSO, exceto para o par contagem de neutrófilos e doença da válvula aórtica, onde um valor discrepante foi detectado (Tabela Suplementar 4). A remoção desse valor discrepante não afetou a consistência da estimativa causal (OR = 1,13, IC 95%: 0,83-1,52, p = 0,44) (Tabela Suplementar 4). Os gráficos de funil excluíram os vieses de publicação (Figura Suplementar 1A-B), enquanto as análises de exclusão de um por vez confirmaram que as estimativas causais não foram impulsionadas por nenhum SNP influente isolado, reforçando ainda mais a robustez de nossas descobertas (Figura Suplementar 1C-D).

– Resultados do teste de heterogeneidade e do teste de pleiotropia das variáveis instrumentais
Exposição Desfecho Heterogeneidade Pleiotropia
Estatísticas Q (IVW) Valor de p Intercepto MR-Egger Valor de p
Baso Reumático 150,13 0,50 0,028 0,101
Eosino 399,23 0,26 -0,003 0,810
Linfático 389,36 0,60 -0,004 0,679
Mono 514,38 0,12 0,006 0,447
Neutro 319,04 0,85 0,018 0,105
Plaq 480,83 0,44 0,001 0,930
Hemácias 440,09 0,14 -0,008 0,449
Leucócitos 440,60 0,03 -0,017 0,133
Ht 337,87 0,48 0,020 0,063
Hb 343,67 0,74 -0,001 0,937
VCM 425,15 0,54 0,007 0,387
MCH 446,84 0,05 0,020 0,033
MCHC 184,43 0,52 0,005 0,698
Baso Mitral 143,74 0,65 -0,008 0,378
Eosino 331,83 0,97 -0,001 0,929
Linfático 373,00 0,80 0,007 0,234
Mono 481,11 0,45 -0,002 0,623
Neutro 367,19 0,21 -0,005 0,407
Plaq 507,78 0,16 0,002 0,623
Hemácias 429,80 0,23 0,002 0,750
Leucócitos 438,76 0,03 -0,014 0,033
Ht 385,16 0,04 0,004 0,567
Hb 370,77 0,35 0,001 0,838
VCM 449,36 0,24 0,007 0,166
MCH 407,96 0,37 -0,001 0,823
MCHC 165,32 0,86 -0,006 0,409
Baso Aórtico 163,77 0,23 -0,006 0,619
Eosino 400,81 0,24 -0,004 0,547
Linfático 384,74 0,66 -0,004 0,603
Mono 498,01 0,25 -0,005 0,323
Neutro 393,65 0,04 0,000 0,954
Plaq 469,41 0,59 -0,009 0,134
Hemácias 448,82 0,08 -0,012 0,102
Leucócitos 425,29 0,08 0,000 0,982
Ht 324,57 0,68 -0,007 0,380
Hb 382,41 0,21 -0,009 0,214
VCM 441,29 0,33 -0,008 0,197
MCH 391,36 0,60 0,006 0,339
MCHC 165,56 0,86 0,009 0,319
Baso Tricúspide 139,49 0,74 -0,009 0,721
Eosino 358,88 0,80 -0,006 0,672
Linfático 366,22 0,86 0,011 0,479
Mono 453,54 0,78 -0,004 0,725
Neutro 321,54 0,82 0,010 0,517
Plaq 452,79 0,78 0,010 0,418
Hemácias 389,81 0,74 -0,026 0,058
Leucócitos 398,53 0,32 0,010 0,507
Ht 331,10 0,58 -0,015 0,337
Hb 350,72 0,64 -0,018 0,194
VCM 416,95 0,65 0,014 0,221
MCH 395,75 0,54 0,010 0,438
MCHC 189,32 0,42 -0,003 0,859

IVW: variância inversa ponderada; VCM: volume corpuscular médio; MCH: hemoglobina corpuscular média; MCHC: concentração de hemoglobina corpuscular média; Ht: hematócrito; Hb: hemoglobina; Plaq: plaquetas.

 Discussão

Este estudo abrangente de RM com duas amostras investigou as potenciais relações causais entre 13 características das células sanguíneas e os 4 principais tipos de DCV: doença cardíaca reumática, doença da válvula mitral, doença da válvula aórtica e doença da válvula tricúspide. Nossos achados corroboram fortemente uma associação causal positiva entre a contagem de neutrófilos e o risco de doença da válvula mitral, bem como uma associação causal negativa entre o VCM e o risco de doença da válvula tricúspide. Nossos resultados, que demonstram consistência em múltiplos métodos de RM e robustez em análises de sensibilidade rigorosas, destacam a força e a confiabilidade dessas associações.

Nosso estudo revelou uma relação causal positiva entre a contagem de neutrófilos e o risco de doença da válvula mitral, consistente com o papel estabelecido da inflamação na patogênese da DCV.30 Os neutrófilos, como mediadores-chave da inflamação, provavelmente contribuem para o desenvolvimento de lesões valvares por meio de vários mecanismos, incluindo disfunção endotelial, estresse oxidativo e remodelamento da matriz extracelular.31,32 Esses resultados sugerem que a inflamação mediada por neutrófilos pode desempenhar um papel crucial no início e na progressão da doença da válvula mitral, destacando potenciais alvos terapêuticos nas vias inflamatórias impulsionadas por neutrófilos.

Curiosamente, não encontramos evidências de uma associação causal entre a contagem de neutrófilos e o risco de doença cardíaca reumática ou doença da valva aórtica. Esse efeito diferencial nos subtipos de DCV pode ser explicado por mecanismos patogênicos distintos. A doença cardíaca reumática é impulsionada principalmente por linfócitos e mecanismos mediados por anticorpos,33 enquanto a doença valvar aórtica calcificada está mais intimamente ligada à deposição de lipídios e às vias de sinalização osteogênicas.34,35

Outra descoberta intrigante é a associação causal negativa entre o VCM e o risco de doença da valva tricúspide. Um VCM baixo, indicativo de anemia microcítica, tem sido associado a diversas doenças cardiovasculares devido ao aumento do estresse oxidativo e à redução do transporte de oxigênio.10,11 Os mecanismos subjacentes a essa relação causal podem envolver disfunção endotelial, danos valvares e respostas imunes alteradas.36-38

Nosso estudo não encontrou evidências robustas de associações causais entre outras características das células sanguíneas e os subtipos de DCV. Isso sugere que os papéis causais das características das células sanguíneas na patogênese da DCV podem ser específicos para certos tipos celulares ou subtipos da doença. Alternativamente, outros fatores não mensurados podem desempenhar papéis mais dominantes nessas condições de DCV.

As potenciais implicações terapêuticas dessas descobertas merecem uma análise cuidadosa. Embora o direcionamento direto dos níveis de neutrófilos ou do VCM possa não ser viável na prática clínica, explorar abordagens para modular as vias subjacentes pode levar a novas estratégias terapêuticas para o tratamento da doença valvar cardíaca.

É crucial destacar as limitações do nosso estudo e a necessidade de interpretar os resultados com a devida cautela. Primeiro, como em todos os estudos de RM, nossos resultados podem ser influenciados por pleiotropia biológica não contabilizada, embora tenhamos nos esforçado para avaliar e mitigar rigorosamente essa possibilidade por meio de métodos complementares de RM e análises de sensibilidade. Segundo, uma limitação importante do nosso estudo é que as estatísticas resumidas do GWAS foram derivadas exclusivamente de indivíduos de ascendência europeia. Consequentemente, nossos resultados podem não ser generalizáveis para populações de outras ascendências, onde as arquiteturas genéticas e os fatores ambientais podem diferir. Pesquisas futuras em diversos grupos ancestrais são essenciais para validar essas relações causais globalmente. Terceiro, nossos resultados oferecem informações valiosas sobre os potenciais papéis causais da contagem de neutrófilos e do VCM na patogênese da DCV, mas as vias celulares e moleculares específicas envolvidas permanecem especulativas e requerem investigação adicional. Quarto, embora algumas características patológicas (como estenose e regurgitação) sejam de grande interesse e cruciais para a compreensão da DCV, não encontramos dados suficientes para esses subtipos nos recursos de GWAS disponíveis. Consequentemente, não conseguimos analisar esses importantes fenótipos patológicos, o que limita nossa capacidade de explorar plenamente suas associações causais. Pesquisas futuras devem se concentrar na coleta de dados de GWAS mais detalhados sobre os subtipos de DCV e no aprimoramento do registro detalhado das diferentes características patológicas. Em quinto lugar, existe um potencial de sobreposição de amostras entre os conjuntos de dados GWAS de exposição e desfecho, o que pode introduzir viés em análises de RM de duas amostras, particularmente quando as VIs são fracas. No entanto, as VIs selecionadas para nossas análises primárias apresentaram estatísticas F significativamente superiores a 10, qualificando-se, portanto, como instrumentos fortes. Consequentemente, a probabilidade de tal sobreposição influenciar substancialmente nossos resultados é mínima. Não obstante, futuras investigações utilizando subconjuntos de dados não sobrepostos são necessárias para mitigar ainda mais os potenciais vieses. Além disso, os fenótipos de DCV neste estudo foram definidos usando PheCodes, que podem incluir condições clinicamente heterogêneas. Por exemplo, a doença valvar mitral pode abranger tanto estenose quanto regurgitação, condições com patologias distintas. Devido à ausência de dados GWAS disponíveis publicamente para esses subtipos específicos, não foi possível realizar análises de sensibilidade em fenótipos mais granulares. Essa heterogeneidade fenotípica pode obscurecer ou diluir efeitos causais específicos de cada subtipo, destacando a necessidade de estudos futuros com definições de desfecho mais precisas. Apesar dessas limitações, nossas descobertas contribuem para o crescente conjunto de evidências que relacionam características das células sanguíneas à patogênese de doenças cardiovasculares. A identificação de possíveis papéis causais da contagem de neutrófilos e do VCM na doença da válvula mitral e na doença da válvula tricúspide, respectivamente, fornece novas perspectivas e incentiva uma investigação mais aprofundada dos mecanismos biológicos subjacentes.

 Conclusão

Este estudo abrangente de RM com duas amostras lança luz sobre as associações causais entre características específicas das células sanguíneas e certos subtipos de DCV. A relação causal positiva entre a contagem de neutrófilos e o risco de doença da valva mitral, bem como a associação causal negativa entre o VCM e o risco de doença da valva tricúspide, ressaltam a importância de considerar essas características das células sanguíneas como potenciais fatores de risco e alvos terapêuticos no contexto da DCV. Essas descobertas abrem caminho para futuras pesquisas com o objetivo de traduzir esses conhecimentos em estratégias aprimoradas de prevenção, detecção precoce e tratamento da DCV, além de inaugurar novas perspectivas para a exploração dos mecanismos biológicos subjacentes.

 *Material suplementar

Para Figura Suplementar, por favor, clique aqui.https://abccardiol.org/supplementary-material/2026/12303/2025-0063_supplementary_figure_01.pdf

Para Tabelas suplementares, por favor, clique aqui. https://abccardiol.org/supplementary-material/2026/12303/2025-0063_supplementary_tables_02.pdf

Para Tabela suplementar 3, por favor, clique aqui. https://abccardiol.org/supplementary-material/2026/12303/2025-0063_supplementary_Table_03.pdf

Referências 1. Coffey S, Roberts-Thomson R, Brown A, Carapetis J, Chen M, Enriquez-Sarano M, et al. Global Epidemiology of Valvular Heart Disease. Nat Rev Cardiol. 2021;18(12):853-64. doi: 10.1038/s41569-021-00570-z. Coffey S Roberts-Thomson R Brown A Carapetis J Chen M Enriquez-Sarano M et al Global Epidemiology of Valvular Heart Disease Nat Rev Cardiol 2021 18 12 853 864 10.1038/s41569-021-00570-z 2. Abdul-Rahman T, Lizano-Jubert I, Garg N, Talukder S, Lopez PP, Awuah WA, et al. The Common Pathobiology between Coronary Artery Disease and Calcific Aortic Stenosis: Evidence and Clinical Implications. Prog Cardiovasc Dis. 2023;79:89-99. doi: 10.1016/j.pcad.2023.06.002. Abdul-Rahman T Lizano-Jubert I Garg N Talukder S Lopez PP Awuah WA et al The Common Pathobiology between Coronary Artery Disease and Calcific Aortic Stenosis: Evidence and Clinical Implications Prog Cardiovasc Dis 2023 79 89 99 10.1016/j.pcad.2023.06.002 3. Chen J, Li W, Xiang M. Burden of Valvular Heart Disease, 1990-2017: Results from the Global Burden of Disease Study 2017. J Glob Health. 2020;10(2):020404. doi: 10.7189/jogh.10.020404. Chen J Li W Xiang M Burden of Valvular Heart Disease, 1990-2017: Results from the Global Burden of Disease Study 2017 J Glob Health 2020 10 2 020404 10.7189/jogh.10.020404 4. Buttari B, Profumo E, Riganò R. Crosstalk between Red Blood Cells and the Immune System and its Impact on Atherosclerosis. Biomed Res Int. 2015;2015:616834. doi: 10.1155/2015/616834. Buttari B Profumo E Riganò R Crosstalk between Red Blood Cells and the Immune System and its Impact on Atherosclerosis Biomed Res Int 2015 2015 616834 10.1155/2015/616834 5. Alfatni A, Riou M, Charles AL, Meyer A, Barnig C, Andres E, et al. Peripheral Blood Mononuclear Cells and Platelets Mitochondrial Dysfunction, Oxidative Stress, and Circulating mtDNA in Cardiovascular Diseases. J Clin Med. 2020;9(2):311. doi: 10.3390/jcm9020311. Alfatni A Riou M Charles AL Meyer A Barnig C Andres E et al Peripheral Blood Mononuclear Cells and Platelets Mitochondrial Dysfunction, Oxidative Stress, and Circulating mtDNA in Cardiovascular Diseases J Clin Med 2020 9 2 311 10.3390/jcm9020311 6. Zhu B, Pan Y, Jing J, Meng X, Zhao X, Liu L, et al. Neutrophil Counts, Neutrophil Ratio, and New Stroke in Minor Ischemic Stroke or TIA. Neurology. 2018;90(21):e1870-e1878. doi: 10.1212/WNL.0000000000005554. Zhu B Pan Y Jing J Meng X Zhao X Liu L et al Neutrophil Counts, Neutrophil Ratio, and New Stroke in Minor Ischemic Stroke or TIA Neurology 2018 90 21 e1870 e1878 10.1212/WNL.0000000000005554 7. Haumer M, Amighi J, Exner M, Mlekusch W, Sabeti S, Schlager O, et al. Association of Neutrophils and Future Cardiovascular Events in Patients with Peripheral Artery Disease. J Vasc Surg. 2005;41(4):610-7. doi: 10.1016/j.jvs.2005.01.013. Haumer M Amighi J Exner M Mlekusch W Sabeti S Schlager O et al Association of Neutrophils and Future Cardiovascular Events in Patients with Peripheral Artery Disease J Vasc Surg 2005 41 4 610 617 10.1016/j.jvs.2005.01.013 8. Pende A, Artom N, Bertolotto M, Montecucco F, Dallegri F. Role of Neutrophils in Atherogenesis: An Update. Eur J Clin Invest. 2016;46(3):252-63. doi: 10.1111/eci.12566. Pende A Artom N Bertolotto M Montecucco F Dallegri F Role of Neutrophils in Atherogenesis: An Update Eur J Clin Invest 2016 46 3 252 263 10.1111/eci.12566 9. Pamukcu B, Lip GY, Devitt A, Griffiths H, Shantsila E. The Role of Monocytes in Atherosclerotic Coronary Artery Disease. Ann Med. 2010;42(6):394-403. doi: 10.3109/07853890.2010.497767. Pamukcu B Lip GY Devitt A Griffiths H Shantsila E The Role of Monocytes in Atherosclerotic Coronary Artery Disease Ann Med 2010 42 6 394 403 10.3109/07853890.2010.497767 10. Paquette M, Bernard S, Baass A. Hemoglobin Concentration, Hematocrit and Red Blood Cell Count Predict Major Adverse Cardiovascular Events in Patients with Familial Hypercholesterolemia. Atherosclerosis. 2021;335:41-46. doi: 10.1016/j.atherosclerosis.2021.09.015. Paquette M Bernard S Baass A Hemoglobin Concentration, Hematocrit and Red Blood Cell Count Predict Major Adverse Cardiovascular Events in Patients with Familial Hypercholesterolemia Atherosclerosis 2021 335 41 46 10.1016/j.atherosclerosis.2021.09.015 11. Zhang Z, Gao S, Dong M, Luo J, Xu C, Wen W, et al. Relationship between Red Blood Cell Indices (MCV, MCH, and MCHC) and Major Adverse Cardiovascular Events in Anemic and Nonanemic Patients with Acute Coronary Syndrome. Dis Markers. 2022;2022:2193343. doi: 10.1155/2022/2193343. Zhang Z Gao S Dong M Luo J Xu C Wen W et al Relationship between Red Blood Cell Indices (MCV, MCH, and MCHC) and Major Adverse Cardiovascular Events in Anemic and Nonanemic Patients with Acute Coronary Syndrome Dis Markers 2022 2022 2193343 10.1155/2022/2193343 12. Fava C, Cattazzo F, Hu ZD, Lippi G, Montagnana M. The Role of Red Blood Cell Distribution width (RDW) in Cardiovascular Risk Assessment: Useful or Hype? Ann Transl Med. 2019;7(20):581. doi: 10.21037/atm.2019.09.58. Fava C Cattazzo F Hu ZD Lippi G Montagnana M The Role of Red Blood Cell Distribution width (RDW) in Cardiovascular Risk Assessment: Useful or Hype? Ann Transl Med 2019 7 20 581 10.21037/atm.2019.09.58 13. Duchnowski P, Hryniewiecki T, Kusmierczyk M, Szymanski P. The Usefulness of Selected Biomarkers in Patients with Valve Disease. Biomark Med. 2018;12(12):1341-6. doi: 10.2217/bmm-2018-0101. Duchnowski P Hryniewiecki T Kusmierczyk M Szymanski P The Usefulness of Selected Biomarkers in Patients with Valve Disease Biomark Med 2018 12 12 1341 1346 10.2217/bmm-2018-0101 14. Yang Q, Sanderson E, Tilling K, Borges MC, Lawlor DA. Exploring and Mitigating Potential Bias when Genetic Instrumental Variables are Associated with Multiple Non-Exposure Traits in Mendelian Randomization. Eur J Epidemiol. 2022;37(7):683-700. doi: 10.1007/s10654-022-00874-5. Yang Q Sanderson E Tilling K Borges MC Lawlor DA Exploring and Mitigating Potential Bias when Genetic Instrumental Variables are Associated with Multiple Non-Exposure Traits in Mendelian Randomization Eur J Epidemiol 2022 37 7 683 700 10.1007/s10654-022-00874-5 15. Li J, Li C, Huang Y, Guan P, Huang D, Yu H, et al. Mendelian Randomization Analyses in Ocular Disease: A Powerful Approach to Causal Inference with Human Genetic Data. J Transl Med. 2022;20(1):621. doi: 10.1186/s12967-022-03822-9. Li J Li C Huang Y Guan P Huang D Yu H et al Mendelian Randomization Analyses in Ocular Disease: A Powerful Approach to Causal Inference with Human Genetic Data J Transl Med 2022 20 1 621 10.1186/s12967-022-03822-9 16. Lawlor DA, Wade KH, Borges MC, Palmer T, Hartwig FP, Hemani G, et al. A Mendelian Randomization Dictionary: Useful Definitions and Descriptions for Undertaking, Understanding and Interpreting Mendelian Randomization Studies. OSF Preprints. 2019. doi: 10.31219/osf.io/6yzs7. Lawlor DA Wade KH Borges MC Palmer T Hartwig FP Hemani G et al A Mendelian Randomization Dictionary: Useful Definitions and Descriptions for Undertaking, Understanding and Interpreting Mendelian Randomization Studies OSF Preprints 2019 10.31219/osf.io/6yzs7 17. Skrivankova VW, Richmond RC, Woolf BAR, Davies NM, Swanson SA, VanderWeele TJ, et al. Strengthening the Reporting of Observational Studies in Epidemiology Using Mendelian Randomisation (STROBE-MR): Explanation and Elaboration. BMJ. 2021;375:n2233. doi: 10.1136/bmj.n2233. Skrivankova VW Richmond RC Woolf BAR Davies NM Swanson SA VanderWeele TJ et al Strengthening the Reporting of Observational Studies in Epidemiology Using Mendelian Randomisation (STROBE-MR): Explanation and Elaboration BMJ 2021 375 n2233 10.1136/bmj.n2233 18. Skrivankova VW, Richmond RC, Woolf BAR, Yarmolinsky J, Davies NM, Swanson SA, et al. Strengthening the Reporting of Observational Studies in Epidemiology Using Mendelian Randomization: The STROBE-MR Statement. JAMA. 2021;326(16):1614-21. doi: 10.1001/jama.2021.18236. Skrivankova VW Richmond RC Woolf BAR Yarmolinsky J Davies NM Swanson SA et al Strengthening the Reporting of Observational Studies in Epidemiology Using Mendelian Randomization: The STROBE-MR Statement JAMA 2021 326 16 1614 1621 10.1001/jama.2021.18236 19. Vuckovic D, Bao EL, Akbari P, Lareau CA, Mousas A, Jiang T, et al. The Polygenic and Monogenic Basis of Blood Traits and Diseases. Cell. 2020;182(5):1214-1231.e11. doi: 10.1016/j.cell.2020.08.008. Vuckovic D Bao EL Akbari P Lareau CA Mousas A Jiang T et al The Polygenic and Monogenic Basis of Blood Traits and Diseases Cell 2020 182 5 1214 1231.e11 10.1016/j.cell.2020.08.008 20. Jiang L, Zheng Z, Fang H, Yang J. A Generalized Linear Mixed Model Association Tool For Biobank-Scale Data. Nat Genet. 2021;53(11):1616-21. doi: 10.1038/s41588-021-00954-4. Jiang L Zheng Z Fang H Yang J A Generalized Linear Mixed Model Association Tool For Biobank-Scale Data Nat Genet 2021 53 11 1616 1621 10.1038/s41588-021-00954-4 21. Sanna S, van Zuydam NR, Mahajan A, Kurilshikov A, Vich Vila A, Võsa U, et al. Causal Relationships among the Gut Microbiome, Short-Chain Fatty Acids and Metabolic Diseases. Nat Genet. 2019;51(4):600-5. doi: 10.1038/s41588-019-0350-x. Sanna S van Zuydam NR Mahajan A Kurilshikov A Vich Vila A Võsa U et al Causal Relationships among the Gut Microbiome, Short-Chain Fatty Acids and Metabolic Diseases Nat Genet 2019 51 4 600 605 10.1038/s41588-019-0350-x 22. Sudmant PH, Rausch T, Gardner EJ, Handsaker RE, Abyzov A, Huddleston J, et al. An Integrated Map of Structural Variation in 2,504 Human Genomes. Nature. 2015;526(7571):75-81. doi: 10.1038/nature15394. Sudmant PH Rausch T Gardner EJ Handsaker RE Abyzov A Huddleston J et al An Integrated Map of Structural Variation in 2,504 Human Genomes Nature 2015 526 7571 75 81 10.1038/nature15394 23. Bowden J, Smith GD, Haycock PC, Burgess S. Consistent Estimation in Mendelian Randomization with Some Invalid Instruments Using a Weighted Median Estimator. Genet Epidemiol. 2016;40(4):304-14. doi: 10.1002/gepi.21965. Bowden J Smith GD Haycock PC Burgess S Consistent Estimation in Mendelian Randomization with Some Invalid Instruments Using a Weighted Median Estimator Genet Epidemiol 2016 40 4 304 314 10.1002/gepi.21965 24. Burgess S, Dudbridge F, Thompson SG. Combining Information on Multiple Instrumental Variables in Mendelian Randomization: Comparison of Allele Score and Summarized Data Methods. Stat Med. 2016;35(11):1880-906. doi: 10.1002/sim.6835. Burgess S Dudbridge F Thompson SG Combining Information on Multiple Instrumental Variables in Mendelian Randomization: Comparison of Allele Score and Summarized Data Methods Stat Med 2016 35 11 1880 1906 10.1002/sim.6835 25. Burgess S, Thompson SG. Interpreting Findings from MENDELIAN Randomization Using the MR-Egger method. Eur J Epidemiol. 2017;32(5):377-389. doi: 10.1007/s10654-017-0255-x. Burgess S Thompson SG Interpreting Findings from MENDELIAN Randomization Using the MR-Egger method Eur J Epidemiol 2017 32 5 377 389 10.1007/s10654-017-0255-x 26. Bowden J, Smith GD, Burgess S. Mendelian Randomization with Invalid Instruments: Effect Estimation and Bias Detection Through Egger Regression. Int J Epidemiol. 2015;44(2):512-25. doi: 10.1093/ije/dyv080. Bowden J Smith GD Burgess S Mendelian Randomization with Invalid Instruments: Effect Estimation and Bias Detection Through Egger Regression Int J Epidemiol 2015 44 2 512 525 10.1093/ije/dyv080 27. Verbanck M, Chen CY, Neale B, Do R. Detection of Widespread Horizontal Pleiotropy in Causal Relationships Inferred from Mendelian Randomization between Complex Traits and Diseases. Nat Genet. 2018;50(5):693-98. doi: 10.1038/s41588-018-0099-7. Verbanck M Chen CY Neale B Do R Detection of Widespread Horizontal Pleiotropy in Causal Relationships Inferred from Mendelian Randomization between Complex Traits and Diseases Nat Genet 2018 50 5 693 698 10.1038/s41588-018-0099-7 28. Hemani G, Zheng J, Elsworth B, Wade KH, Haberland V, Baird D, et al. The MR-Base Platform Supports Systematic Causal Inference Across the Human Phenome. Elife. 2018;7:e34408. doi: 10.7554/eLife.34408. Hemani G Zheng J Elsworth B Wade KH Haberland V Baird D et al The MR-Base Platform Supports Systematic Causal Inference Across the Human Phenome Elife 2018 7 e34408 10.7554/eLife.34408 29. Su Y, Hu Y, Xu Y, Yang M, Wu F, Peng Y. Genetic Causal Relationship between Age at Menarche and Benign Oesophageal Neoplasia Identified by a Mendelian Randomization Study. Front Endocrinol. 2023;14:1113765. doi: 10.3389/fendo.2023.1113765. Su Y Hu Y Xu Y Yang M Wu F Peng Y Genetic Causal Relationship between Age at Menarche and Benign Oesophageal Neoplasia Identified by a Mendelian Randomization Study Front Endocrinol 2023 14 1113765 10.3389/fendo.2023.1113765 30. Yalim Z, Ersoy I. Evaluation of Inflammation Markers in Mitral Valve Prolapse. Arch Cardiol Mex. 2022;92(2):181-8. doi: 10.24875/ACM.21000127. Yalim Z Ersoy I Evaluation of Inflammation Markers in Mitral Valve Prolapse Arch Cardiol Mex 2022 92 2 181 188 10.24875/ACM.21000127 31. Döring Y, Libby P, Soehnlein O. Neutrophil Extracellular Traps Participate in Cardiovascular Diseases: Recent Experimental and Clinical Insights. Circ Res. 2020;126(9):1228-41. doi: 10.1161/CIRCRESAHA.120.315931. Döring Y Libby P Soehnlein O Neutrophil Extracellular Traps Participate in Cardiovascular Diseases: Recent Experimental and Clinical Insights Circ Res 2020 126 9 1228 1241 10.1161/CIRCRESAHA.120.315931 32. Medina-Leyte DJ, Zepeda-García O, Domínguez-Pérez M, González-Garrido A, Villarreal-Molina T, Jacobo-Albavera L. Endothelial Dysfunction, Inflammation and Coronary Artery Disease: Potential Biomarkers and Promising Therapeutical Approaches. Int J Mol Sci. 2021;22(8):3850. doi: 10.3390/ijms22083850. Medina-Leyte DJ Zepeda-García O Domínguez-Pérez M González-Garrido A Villarreal-Molina T Jacobo-Albavera L Endothelial Dysfunction, Inflammation and Coronary Artery Disease: Potential Biomarkers and Promising Therapeutical Approaches Int J Mol Sci 2021 22 8 3850 10.3390/ijms22083850 33. Cunningham MW. Post-Streptococcal Autoimmune Sequelae: Rheumatic Fever and Beyond. In: Ferretti JJ, Stevens DL, Fischetti VA, editors. Streptococcus Pyogenes: Basic Biology to Clinical Manifestations. Oklahoma City: University of Oklahoma Health Sciences Center; 2016. p. 893-929. Cunningham MW Post-Streptococcal Autoimmune Sequelae: Rheumatic Fever and Beyond Ferretti JJ Stevens DL Fischetti VA editors Streptococcus Pyogenes: Basic Biology to Clinical Manifestations Oklahoma City University of Oklahoma Health Sciences Center 2016 893 929 34. Greenberg HZE, Zhao G, Shah AM, Zhang M. Role of Oxidative Stress in Calcific Aortic Valve Disease and its Therapeutic Implications. Cardiovasc Res. 2022;118(6):1433-51. doi: 10.1093/cvr/cvab142. Greenberg HZE Zhao G Shah AM Zhang M Role of Oxidative Stress in Calcific Aortic Valve Disease and its Therapeutic Implications Cardiovasc Res 2022 118 6 1433 1451 10.1093/cvr/cvab142 35. Cho KI, Sakuma I, Sohn IS, Jo SH, Koh KK. Inflammatory and Metabolic Mechanisms Underlying the Calcific Aortic Valve Disease. Atherosclerosis. 2018;277:60-65. doi: 10.1016/j.atherosclerosis.2018.08.029. Cho KI Sakuma I Sohn IS Jo SH Koh KK Inflammatory and Metabolic Mechanisms Underlying the Calcific Aortic Valve Disease Atherosclerosis 2018 277 60 65 10.1016/j.atherosclerosis.2018.08.029 36. Clapp BR, Hingorani AD, Kharbanda RK, Mohamed-Ali V, Stephens JW, Vallance P, et al. Inflammation-Induced Endothelial Dysfunction Involves Reduced Nitric Oxide Bioavailability and Increased Oxidant Stress. Cardiovasc Res. 2004;64(1):172-8. doi: 10.1016/j.cardiores.2004.06.020. Clapp BR Hingorani AD Kharbanda RK Mohamed-Ali V Stephens JW Vallance P et al Inflammation-Induced Endothelial Dysfunction Involves Reduced Nitric Oxide Bioavailability and Increased Oxidant Stress Cardiovasc Res 2004 64 1 172 178 10.1016/j.cardiores.2004.06.020 37. Heitzer T, Schlinzig T, Krohn K, Meinertz T, Münzel T. Endothelial Dysfunction, Oxidative Stress, and Risk of Cardiovascular Events in Patients with Coronary Artery Disease. Circulation. 2001;104(22):2673-8. doi: 10.1161/hc4601.099485. Heitzer T Schlinzig T Krohn K Meinertz T Münzel T Endothelial Dysfunction, Oxidative Stress, and Risk of Cardiovascular Events in Patients with Coronary Artery Disease Circulation 2001 104 22 2673 2678 10.1161/hc4601.099485 38. Tarbell J, Mahmoud M, Corti A, Cardoso L, Caro C. The Role of Oxygen Transport in Atherosclerosis and Vascular Disease. J R Soc Interface. 2020;17(165):20190732. doi: 10.1098/rsif.2019.0732. Tarbell J Mahmoud M Corti A Cardoso L Caro C The Role of Oxygen Transport in Atherosclerosis and Vascular Disease J R Soc Interface 2020 17 165 20190732 10.1098/rsif.2019.0732

Não há vinculação deste estudo a programas de pós-graduação.

Este artigo não contém estudos com humanos ou animais realizados por nenhum dos autores.

Os autores não utilizaram ferramentas de inteligência artificial no desenvolvimento deste trabalho.

Os conteúdos subjacentes ao texto da pesquisa estão contidos no manuscrito.

O presente estudo foi financiado por The Panzhihua City science and technology Buzeau (2020ZD-S-25).

 10.36660/abc.20250063i Original Article The Causal Relationship between Blood Cell Traits and Valvular Heart Disease: A Two-Sample Mendelian Randomization Study 0000-0002-6632-8768 Wu Xiaoli Conception and design of the research Analysis and interpretation of the data Obtaining financing and Writing of the manuscript Acquisition of data Statistical analysis Critical revision of the manuscript for content 1 Li Yufeng Conception and design of the research Analysis and interpretation of the data Obtaining financing and Writing of the manuscript Acquisition of data 1 0009-0008-4848-0919 Tian Jinyu Acquisition of data Statistical analysis 1 China Department of Ultrasound - Panzhihua Central Hospital, Panzhihua – China Xiaoli Wu Panzhihua Central Hospital - Department of Ultrasound – Panzhihua, 617000 - China. E-mail: wxl13982323405@126.com

No potential conflict of interest relevant to this article was reported.

Olivetti, Natália

 Abstract Background

The pathogenesis of valvular heart disease (VHD) remains unclear, highlighting the need for further research on risk factors.

 Objectives

To explore the potential causal links between blood cell traits and four types of VHD: rheumatic heart disease, mitral valve disease, aortic valve disease, and tricuspid valve disease.

 Methods

This study utilized summary statistics from large-scale GWAS and a two-sample Mendelian randomization approach, analyzing thirteen blood cell traits as exposures and four VHD phenotypes as outcomes. The primary MR method was inverse-variance weighted (IVW), supplemented by MR-Egger, weighted median, and weighted mode methods, with extensive sensitivity analyses to verify result reliability, where a p value < 0.05 was considered statistically significant.

 Results

Among the thirteen blood cell traits examined, neutrophil count displayed a positive causal association with mitral valve disease (OR = 1.46, 95% CI: 1.16-1.85, p < 0.001) using the IVW method. This finding was further corroborated by the MR-Egger method (OR = 1.73, 95% CI: 1.09-2.75, p = 0.02), strengthening the evidence for this causal relationship. For this analysis, 253 robust genetic variants were used as instrumental variables. Additionally, mean corpuscular volume (MCV) showed a negative causal association with tricuspid valve disease (OR = 0.65, 95% CI: 0.44-0.96, p = 0.03) using the IVW method, based on 268 instrumental variables. Other blood cell traits did not show significant causal relationships with VHD. A comprehensive sensitivity analysis supported the robustness of our results.

 Conclusions

The findings of this study suggest potential causal involvement of neutrophil count and MCV in the development of mitral valve disease and tricuspid valve disease, respectively.

The Causal Relationship between Blood Cell Traits and Valvular Heart Disease: A Two-Sample Mendelian Randomization Study Description of the study design in this MR analysis.

Keywords Blood Cells Heart Valve Diseases Mitral Valve Insufficiency Mendelian Randomization Analysis The Panzhihua City science and technology Buzeau 2020ZD-S-25 Sources of funding: This study was partially funded by The Panzhihua City science and technology Buzeau (2020ZD-S-25). Introduction

Valvular heart disease (VHD) is a category of cardiac disorders arising from the impaired structure and function of the heart valves, comprising aortic valve disease, mitral valve disease, tricuspid valve disease, and rheumatic heart disease.1 Like coronary artery disease, valve disorders share many risk factors and pathobiological mechanisms related to inflammation, endothelial dysfunction, and calcification.2 Due to the growing prevalence of other cardiovascular diseases and the aging population worldwide, VHD has become a notable cause of adverse cardiovascular events, contributing to the global economic burden.3 Even with advancements in the diagnosis and treatment of VHD, its underlying pathogenesis remains not fully understood, underscoring the need for additional research into potential risk factors and causal mechanisms.

Human blood cells are vital for oxygen transport, hemostasis, and immune responses.4 Cardiovascular disorders are influenced by inflammation and oxidative stress, which may be reflected in human blood cells traits.5 Studies have explored the relationship between blood cell traits and cardiovascular outcomes.6 Elevated white blood cell counts, particularly neutrophils, have been linked to increased cardiovascular risk.7 Neutrophils contribute to atherosclerosis and plaque destabilization.8 Monocytes are involved in vascular inflammation and remodeling, affecting cardiovascular disease risk.9 Red blood cell (RBC) traits such as mean corpuscular volume (MCV), hemoglobin concentration, and red cell distribution width (RDW) have been investigated in cardiovascular diseases.10 Lower MCV and hemoglobin levels may increase cardiovascular risk due to impaired oxygen delivery.11 Higher RDW has been associated with adverse cardiovascular outcomes.12 Biomarkers, including hs-CRP, RDW, and RBC parameters, have shown potential as predictors of complications in valve disease patients.13

Despite the exploration of associations between blood cell traits and various cardiovascular diseases in several observational studies, the specific causal relationships between these traits and subtypes of VHD remain poorly understood. A powerful analytical approach, Mendelian randomization (MR), utilizes genetic variants as instrumental variables (IVs) to evaluate potential causal associations between exposures and outcomes.14 MR analyses leverage the random allocation of genetic variants during gamete formation to address issues of reverse causation and minimize confounding, providing more robust evidence for causality compared to traditional observational studies.15 Using a two-sample MR design, we investigate the causal associations between 13 blood cell traits and 4 major types of VHD in this study.

 Methods Study design

This study, a two-sample MR study, relies on three instrumental variable assumptions16 (Central Illustration). First, at least one of the exposures is associated with the genetic variant. Second, none of the confounders of each exposure-outcome association is associated with the variant. Third, given the exposures and confounders, the variant is unrelated to the outcome. The reporting of this study strictly adhered to the Reporting of Observational Studies in Epidemiology using Mendelian Randomization (STROBE-MR).17,18

 Data sources

From the Blood Cell Consortium (BCX), we obtained summary statistics for the exposure instrument, drawn from a recent large-scale GWAS on blood cell traits, which involved 563,085 individuals of European ancestry.19 From this GWAS, we acquired genetic variants associated with circulating levels of white blood cell, lymphocyte, monocyte, neutrophil, eosinophil, basophil, platelet, RBC count, hematocrit, hemoglobin, MCV, mean corpuscular hemoglobin, and mean corpuscular hemoglobin concentration. The application of fast GWA or fast GWA GLMM to 3000 traits in 456,422 array-genotyped and 49,960 whole-exome-sequenced individuals of European ancestry from the UK Biobank was conducted by Jiang LD et al.20 Available for download from the fast GWA data portal (https://yanglab.westlake.edu.cn/data/ukb_fastgwa/imp_binary/), the GWAS summary data associated with VHD cover rheumatic disease of the heart valves (275 cases and 456,073 controls), mitral valve disease (889 cases and 455,459 controls), aortic valve disease (557 cases and 455,791 controls), and tricuspid valve disease (135 cases and 456,213 controls). The disease data are derived from the UK Biobank and are defined using PheCode. The detailed information for all GWAS data could be found in SupplementarySupplementary Table 1.

– Association between blood cell traits and VHD
No Exposure Outcome N.SNPs Methods OR (95% CI) or_lci95 or_uci95 p value
1 Baso Mitral 152 MR-Egger 1.69 0.82 3.48 0.16
152 Weighted Median 1.55 0.87 2.75 0.13
152 IVW 1.27 0.89 1.81 0.19
152 Weighted Mode 1.53 0.74 3.17 0.25
2 Eosino 383 MR-Egger 0.99 0.67 1.45 0.94
383 Weighted Median 0.99 0.69 1.42 0.97
383 IVW 0.97 0.79 1.19 0.77
383 Weighted Mode 1.17 0.73 1.89 0.52
3 Lym 398 MR-Egger 0.79 0.50 1.25 0.32
398 Weighted Median 0.96 0.66 1.40 0.83
398 IVW 1.01 0.81 1.25 0.92
398 Weighted Mode 0.89 0.54 1.48 0.66
4 Mono 479 MR-Egger 1.06 0.80 1.40 0.69
479 Weighted Median 0.84 0.61 1.15 0.27
479 IVW 1.00 0.84 1.19 0.99
479 Weighted Mode 1.02 0.74 1.41 0.91
5 Neutro 347 MR-Egger 1.73 1.09 2.75 0.02
347 Weighted Median 1.49 0.94 2.34 0.09
347 IVW 1.46 1.16 1.85 0.00
347 Weighted Mode 1.50 0.90 2.48 0.12
6 Plt 478 MR-Egger 0.91 0.67 1.21 0.51
478 Weighted Median 0.94 0.70 1.27 0.71
478 IVW 0.96 0.81 1.14 0.65
478 Weighted Mode 0.96 0.70 1.32 0.82
7 RBC 410 MR-Egger 1.03 0.70 1.53 0.87
410 Weighted Median 1.04 0.71 1.51 0.86
410 IVW 1.09 0.89 1.34 0.41
410 Weighted Mode 0.90 0.62 1.30 0.57
8 WBC 387 MR-Egger 1.93 1.19 3.13 0.01
387 Weighted Median 1.18 0.79 1.77 0.42
387 IVW 1.21 0.96 1.53 0.11
387 Weighted Mode 1.30 0.79 2.16 0.30
9 Ht 338 MR-Egger 0.79 0.49 1.28 0.34
338 Weighted Median 0.77 0.52 1.15 0.20
338 IVW 0.89 0.69 1.15 0.38
338 Weighted Mode 0.69 0.46 1.04 0.07
10 Hb 362 MR-Egger 0.88 0.58 1.35 0.56
362 Weighted Median 0.90 0.60 1.34 0.59
362 IVW 0.92 0.73 1.15 0.46
362 Weighted Mode 0.85 0.56 1.29 0.44
11 MCV 430 MR-Egger 0.82 0.64 1.05 0.11
430 Weighted Median 0.97 0.76 1.25 0.83
430 IVW 0.94 0.80 1.10 0.43
430 Weighted Mode 1.01 0.78 1.30 0.96
12 MCH 400 MR-Egger 0.95 0.73 1.24 0.72
400 Weighted Median 0.99 0.74 1.32 0.93
400 IVW 0.93 0.79 1.09 0.38
400 Weighted Mode 1.12 0.83 1.51 0.45
13 MCHC 187 MR-Egger 1.01 0.64 1.58 0.97
187 Weighted Median 0.93 0.61 1.43 0.74
187 IVW 0.87 0.66 1.14 0.30
187 Weighted Mode 0.97 0.64 1.48 0.90
1 Baso Tricuspid 152 MR-Egger 1.02 0.16 6.48 0.99
152 Weighted Median 1.06 0.26 4.33 0.93
152 IVW 0.76 0.30 1.88 0.55
152 Weighted Mode 1.51 0.23 9.70 0.67
2 Eosino 383 MR-Egger 0.93 0.34 2.52 0.89
383 Weighted Median 0.43 0.19 1.00 0.05
383 IVW 0.78 0.46 1.30 0.34
383 Weighted Mode 0.44 0.14 1.32 0.14
3 Lym 398 MR-Egger 0.76 0.24 2.42 0.64
398 Weighted Median 0.79 0.30 2.09 0.64
398 IVW 1.09 0.63 1.90 0.75
398 Weighted Mode 0.80 0.21 3.02 0.74
4 Mono 479 MR-Egger 1.38 0.68 2.81 0.38
479 Weighted Median 1.33 0.61 2.92 0.48
479 IVW 1.25 0.80 1.94 0.32
479 Weighted Mode 1.36 0.64 2.89 0.43
5 Neutro 347 MR-Egger 0.85 0.27 2.70 0.79
347 Weighted Median 0.60 0.20 1.78 0.36
347 IVW 1.19 0.66 2.12 0.57
347 Weighted Mode 0.79 0.22 2.77 0.71
6 Plt 478 MR-Egger 0.67 0.32 1.40 0.29
478 Weighted Median 1.09 0.54 2.20 0.80
478 IVW 0.86 0.57 1.31 0.49
478 Weighted Mode 1.24 0.51 2.98 0.63
7 RBC 410 MR-Egger 3.27 1.22 8.74 0.02
410 Weighted Median 2.44 0.95 6.26 0.06
410 IVW 1.45 0.87 2.43 0.16
410 Weighted Mode 3.11 1.11 8.68 0.03
8 WBC 387 MR-Egger 0.91 0.28 2.99 0.87
387 Weighted Median 0.74 0.28 1.94 0.54
387 IVW 1.29 0.73 2.29 0.38
387 Weighted Mode 0.74 0.23 2.37 0.61
9 Ht 338 MR-Egger 1.24 0.39 3.95 0.72
338 Weighted Median 1.21 0.42 3.52 0.72
338 IVW 0.76 0.41 1.39 0.37
338 Weighted Mode 1.58 0.45 5.52 0.47
10 Hb 362 MR-Egger 1.38 0.47 4.02 0.56
362 Weighted Median 1.13 0.40 3.14 0.82
362 IVW 0.76 0.42 1.36 0.36
362 Weighted Mode 1.08 0.34 3.45 0.90
11 MCV 430 MR-Egger 0.48 0.26 0.90 0.02
430 Weighted Median 0.61 0.31 1.20 0.16
430 IVW 0.65 0.44 0.96 0.03
430 Weighted Mode 0.54 0.27 1.08 0.08
12 MCH 400 MR-Egger 0.61 0.31 1.18 0.14
400 Weighted Median 0.52 0.24 1.10 0.09
400 IVW 0.75 0.50 1.12 0.16
400 Weighted Mode 0.54 0.23 1.25 0.15
13 MCHC 187 MR-Egger 1.27 0.40 4.08 0.69
187 Weighted Median 1.26 0.39 4.05 0.70
187 IVW 1.17 0.58 2.35 0.67
187 Weighted Mode 1.34 0.44 4.07 0.61

IVW: inverse-variance weighted; RBC: Red blood cell; MCV: mean corpuscular volume; MCH: mean corpuscular hemoglobin; MCHC: mean corpuscular hemoglobin concentration; WBC: white blood cell; Ht: hematocrit; Hb: hemoglobin; Plt: platelet.

Since the data were obtained from publicly available or ethically approved GWAS that comply with the Helsinki Declaration, no further ethical approval was necessary.

 Selection of IVs

Implementing a uniform set of criteria, our study meticulously selected SNPs as IVs. Encompassing several pivotal phases, the selection paradigm was implemented. During the initiation phase, potential IVs were identified as SNPs demonstrating genome-wide significance (p < 5 × 10-8, R2 < 0.001, kb = 10,000).21 Following this, a clumping procedure (R2 < 0.001, window size = 10,000 kb) was conducted using the clump data function, designed to ensure that the selected SNPs were not in linkage disequilibrium (LD) with each other.22 The F-statistic value was computed for each IV that correlated with exposure. SNPs with an F-value less than or equal to 10 were excluded from the analysis to ensure that only IVs with strong associations were selected.23

Before the MR analysis, we performed a harmonization procedure to ensure that the effect of each SNP on the exposure and the outcome corresponded to the same effect allele. We removed palindromic SNPs with intermediate allele frequencies to prevent ambiguity. The effect estimates for all blood cell traits were scaled to represent a per standard deviation (SD) increase, ensuring that the odds ratios for VHD are interpreted consistently across different exposures.

 Statistical analysis

Multiple complementary methods were employed in this study to explore the causal relationship between blood cell traits and VHD, including the inverse variance weighted (IVW) method, the weighted median approach, MR-Egger regression, and weighted mode. Employed as the primary analysis for causal estimates, the IVW method exhibited the highest precision when all IVs were valid.24 When at least half of the SNPs served as effective IVs, the weighted median approach consistently estimated the causal effect.23 Employed to confirm the presence of horizontal pleiotropy among IVs, the MR-Egger regression yields an effect estimate of horizontal pleiotropy via its intercept.25 As complementary analyses, the weighted mode was performed.

Sensitivity analyses were conducted additionally to evaluate the reliability of our findings, wherein the MR-Egger intercept was employed to identify directional horizontal pleiotropy.26 Following this, the MR pleiotropy residual sum and outlier (MR-PRESSO) test were utilized to identify potential horizontal pleiotropy and subsequently correct it by eliminating outliers.27 The evaluation of heterogeneity between SNPs was conducted using the Cochran’s Q test.28 The investigation into whether a single SNP influenced the genetic causal relationship between exposures and outcomes was conducted using the leave-one-out analysis.29 Using the R software (version 4.3.1), all statistical analyses were carried out with the “TwoSampleMR” and “MR-PRESSO” packages. A two-sided p-value < 0.05 was considered statistically significant for the primary causal estimates.

 Results IVs selection

As exposures, a total of 13 blood cell traits were evaluated, while 4 VHD phenotypes were considered as outcomes. We identified a set of robust genetic variants to serve as IVs for each exposure-outcome pair after applying the stringent IV selection criteria (Supplementary Table 2). All IVs have an F value of more than 10, indicating they were strong enough to avoid weak instrument bias. All SNPs were found in the outcomes; no proxy SNPs were used. Details regarding the number of SNPs are provided in Supplementary Table 3.

– Results of the heterogeneity test and the pleiotropy test of instrumental variables
Exposure Outcome Heterogeneity Pleiotropy
Q statistics (IVW) p value MR-Egger Intercept p value
Baso Rheumatic 150.13 0.50 0.028 0.101
Eosino 399.23 0.26 -0.003 0.810
Lym 389.36 0.60 -0.004 0.679
Mono 514.38 0.12 0.006 0.447
Neutro 319.04 0.85 0.018 0.105
Plt 480.83 0.44 0.001 0.930
RBC 440.09 0.14 -0.008 0.449
WBC 440.60 0.03 -0.017 0.133
Ht 337.87 0.48 0.020 0.063
Hb 343.67 0.74 -0.001 0.937
MCV 425.15 0.54 0.007 0.387
MCH 446.84 0.05 0.020 0.033
MCHC 184.43 0.52 0.005 0.698
Baso Mitral 143.74 0.65 -0.008 0.378
Eosino 331.83 0.97 -0.001 0.929
Lym 373.00 0.80 0.007 0.234
Mono 481.11 0.45 -0.002 0.623
Neutro 367.19 0.21 -0.005 0.407
Plt 507.78 0.16 0.002 0.623
RBC 429.80 0.23 0.002 0.750
WBC 438.76 0.03 -0.014 0.033
Ht 385.16 0.04 0.004 0.567
Hb 370.77 0.35 0.001 0.838
MCV 449.36 0.24 0.007 0.166
MCH 407.96 0.37 -0.001 0.823
MCHC 165.32 0.86 -0.006 0.409
Baso Aortic 163.77 0.23 -0.006 0.619
Eosino 400.81 0.24 -0.004 0.547
Lym 384.74 0.66 -0.004 0.603
Mono 498.01 0.25 -0.005 0.323
Neutro 393.65 0.04 0.000 0.954
Plt 469.41 0.59 -0.009 0.134
RBC 448.82 0.08 -0.012 0.102
WBC 425.29 0.08 0.000 0.982
Ht 324.57 0.68 -0.007 0.380
Hb 382.41 0.21 -0.009 0.214
MCV 441.29 0.33 -0.008 0.197
MCH 391.36 0.60 0.006 0.339
MCHC 165.56 0.86 0.009 0.319
Baso Tricuspid 139.49 0.74 -0.009 0.721
Eosino 358.88 0.80 -0.006 0.672
Lym 366.22 0.86 0.011 0.479
Mono 453.54 0.78 -0.004 0.725
Neutro 321.54 0.82 0.010 0.517
Plt 452.79 0.78 0.010 0.418
RBC 389.81 0.74 -0.026 0.058
WBC 398.53 0.32 0.010 0.507
Ht 331.10 0.58 -0.015 0.337
Hb 350.72 0.64 -0.018 0.194
MCV 416.95 0.65 0.014 0.221
MCH 395.75 0.54 0.010 0.438
MCHC 189.32 0.42 -0.003 0.859

IVW: inverse-variance weighted; RBC: Red blood cell; MCV: mean corpuscular volume; MCH: mean corpuscular hemoglobin; MCHC: mean corpuscular hemoglobin concentration; WBC: white blood cell; Ht: hematocrit; Hb: hemoglobin; Plt: platelet.

 MR analyses

The primary IVW analysis revealed a genetically predicted positive causal association between a higher neutrophil count and an increased risk of mitral valve disease (Table 1, Figure 1A). This finding was consistent with the results from the MR-Egger method, strengthening the evidence for this causal relationship (Table 1).

In addition, our analysis identified a genetically predicted negative causal relationship between MCV and the risk of tricuspid valve disease using the IVW method (Table 1). The forest plot (Figure 1B) visually represented the causal estimates obtained from individual IVs. Although the weighted median did not reach statistical significance (OR = 0.61, 95% CI: 0.31-1.20, p = 0.16) (Table 1), the MR-Egger estimate supported this association (OR = 0.48, 95% CI: 0.26-0.90, p = 0.02) (Table 1). There was no robust evidence of causal associations for the remaining blood cell traits and VHD (Table 1). The scatter plot (Figure 1C-D) visualized the estimated effect sizes for SNPs linked to blood cell traits affecting VHD.

– Causal associations between blood cell traits and VHD. Forest plots of A) neutrophil count on mitral valve disease; B) MCV on tricuspid valve disease. Scatter plots of C) neutrophil count on mitral valve disease; D) MCV on tricuspid valve disease.

Sensitivity analyses

Several sensitivity analyses were performed to assess the robustness of our findings and the validity of the MR assumptions. For the associations of neutrophil count with mitral valve disease and MCV with tricuspid valve disease, the Cochran’s Q test did not indicate significant heterogeneity (Table 2). The MR-Egger intercept test showed no evidence of directional horizontal pleiotropy, suggesting that our results are unlikely to be biased by pleiotropic effects (Table 2). Furthermore, no outliers were identified for the neutrophil count-mitral valve disease and MCV-tricuspid valve disease associations by the MR-PRESSO global test, except for the neutrophil count-aortic valve disease pair, where one outlier was detected (Supplementary Table 4). Removing this outlier did not affect the consistency of the causal estimate (OR = 1.13, 95% CI: 0.83-1.52, p = 0.44) (SupplementaryTable 4). Funnel plots excluded the publication biases (Supplementary Figure 1A-B), while the leave-one-out analyses confirmed that the causal estimates were not driven by any single influential SNP, further strengthening the robustness of our findings (Supplementary Figure 1C-D).

 Discussion

This comprehensive two-sample MR study investigated the potential causal relationships between 13 blood cell traits and 4 major types of VHD: rheumatic heart disease, mitral valve disease, aortic valve disease, and tricuspid valve disease. A positive causal association between neutrophil count and mitral valve disease risk, along with a negative causal association between MCV and tricuspid valve disease risk, is strongly supported by our findings. Our results, demonstrating consistency across multiple MR methods and robustness in rigorous sensitivity analyses, highlight the strength and reliability of these associations.

Our study revealed a positive causal link between neutrophil count and mitral valve disease risk, consistent with the established role of inflammation in VHD pathogenesis.30 Neutrophils, as key mediators of inflammation, likely contribute to valvular lesion development through various mechanisms, including endothelial dysfunction, oxidative stress, and extracellular matrix remodeling.31,32 These findings suggest that neutrophil-mediated inflammation may play a crucial role in the initiation and progression of mitral valve disease, highlighting potential therapeutic targets in neutrophil-driven inflammatory pathways.

Interestingly, we did not find evidence for a causal association between neutrophil count and rheumatic heart disease or aortic valve disease risk. This differential effect on VHD subtypes may be explained by distinct pathogenic mechanisms. Rheumatic heart disease is primarily driven by lymphocytes and antibody-mediated mechanisms,33M. W.</author></authors><secondary-authors><author>Ferretti, J. J.</author><author>Stevens, D. L.</author><author>Fischetti, V. A.</author></secondary-authors></contributors><auth-address>University of Oklahoma Health Sciences Center, Oklahoma City, OKVA Medical Center, Boise, IDThe Rockefeller University, New York, NYDepartment of Microbiology and Immunology, University of Oklahoma Health Sciences Center, Biomedical Research Center, Oklahoma City, OK</auth-address><titles><title>Post-Streptococcal Autoimmune Sequelae: Rheumatic Fever and Beyond</title><secondary-title>Streptococcus pyogenes: Basic Biology to Clinical Manifestations</secondary-title></titles><dates><year>2016</year></dates><pub-location>Oklahoma City (OK while calcific aortic valve disease is more closely linked to lipid deposition and osteogenic signaling pathways.34,35

Another intriguing finding is the negative causal association between MCV and tricuspid valve disease risk. Lower MCV, indicative of microcytic anemia, has been associated with various cardiovascular disorders due to increased oxidative stress and impaired oxygen delivery.10,11 The mechanisms underlying this causal link may involve endothelial dysfunction, valvular damage, and altered immune responses.36-38

Our study did not find robust evidence for causal associations between other blood cell traits and VHD subtypes. This suggests that the causal roles of blood cell traits in VHD pathogenesis may be specific to certain cell types or disease subtypes. Alternatively, other unmeasured factors may play more dominant roles in these VHD conditions.

The potential therapeutic implications of these findings warrant careful consideration. While directly targeting neutrophil levels or MCV may not be feasible in clinical practice, exploring approaches to modulate the underlying pathways could lead to novel therapeutic strategies for VHD management.

Crucial to note are the limitations of our study and the need to interpret the findings with appropriate caution. First, like all MR studies, our results could potentially be influenced by unaccounted biological pleiotropy, though we aimed to rigorously evaluate and mitigate this possibility through complementary MR methods and sensitivity analyses. Second, a key limitation of our study is that the GWAS summary statistics were derived exclusively from individuals of European ancestry. Consequently, our findings may not be generalizable to populations of other ancestries, where genetic architectures and environmental factors may differ. Future research in diverse ancestral groups is essential to validate these causal relationships globally. Third, our findings offer valuable insights into the potential causal roles of neutrophil count and MCV in VHD pathogenesis, yet the specific cellular and molecular pathways involved remain speculative and require further investigation. Fourth, while some pathological features (such as stenosis and regurgitation) are of significant interest and are critical to understanding VHD, we were unable to find sufficient data for these subtypes in the available GWAS resources. As a result, we were unable to analyze these important pathological phenotypes, limiting our ability to fully explore their causal associations. Future research should focus on collecting more granular GWAS data on VHD subtypes and enhancing the detailed recording of different pathological features. Fifth, there exists a potential for sample overlap between the exposure and outcome GWAS datasets, which may introduce bias into two-sample MR analyses, particularly when IVs are weak. However, the IVs selected for our primary analyses exhibited F-statistics significantly exceeding 10, thereby qualifying as strong instruments. Consequently, the likelihood of such overlap substantially influencing our results is minimal. Nonetheless, future investigations utilizing non-overlapping subsets of data are warranted to further mitigate potential biases. Additionally, the VHD phenotypes in this study were defined using PheCodes, which may include clinically heterogeneous conditions. For example, mitral valve disease may encompass both stenosis and regurgitation, conditions with distinct pathologies. Due to the absence of publicly available GWAS data for these specific subtypes, we could not conduct sensitivity analyses on more granular phenotypes. This phenotypic heterogeneity could obscure or dilute subtype-specific causal effects, highlighting the need for future studies with more precise outcome definitions. Despite these limitations, our findings contribute to the growing body of evidence linking blood cell traits to the pathogenesis of cardiovascular disease. The identification of potential causal roles for neutrophil count and MCV in mitral valve disease and tricuspid valve disease, respectively, provides novel insights and encourages further exploration of the underlying biological mechanisms.

 Conclusion

This comprehensive two-sample MR study sheds light on the causal associations between specific blood cell traits and certain VHD subtypes. The positive causal link between neutrophil count and mitral valve disease risk, as well as the negative causal association between MCV and tricuspid valve disease risk, underscores the importance of considering these blood cell traits as potential risk factors and therapeutic targets in the context of VHD. These findings pave the way for future research aimed at translating these insights into improved prevention, early detection, and management strategies for VHD, while also opening new avenues for exploring the underlying biological mechanisms.

 *Supplemental Materials

For Supplementary Figure, please click here. https://abccardiol.org/supplementary-material/2026/12303/2025-0063_supplementary_figure_01.pdf

For Supplementary Tables, please click here. https://abccardiol.org/supplementary-material/2026/12303/2025-0063_supplementary_tables_02.pdf

For Supplementary Table 3, please click here. https://abccardiol.org/supplementary-material/2026/12303/2025-0063_supplementary_Table_03.pdf

This study is not associated with any thesis or dissertation work.

This article does not contain any studies with human participants or animals performed by any of the authors.

The authors did not use any artificial intelligence tools in the development of this work.

The underlying content of the research text is contained within the manuscript.

This study was partially funded by The Panzhihua City science and technology Buzeau (2020ZD-S-25).