Académique Documents
Professionnel Documents
Culture Documents
Contenido clave:
• El análisis de datos es complejo ya que se genera una gran cantidad de datos y la participación de
estadísticos y bioinformáticos en el proceso es esencial.
Objetivos de aprendizaje:
• Aprender sobre las disciplinas ómicas y tener claridad sobre la terminología en uso.
• Apreciar que el experimento ómico es un proceso complejo que requiere un diseño de estudio
completo y preparación de muestras, que involucra una cantidad de tecnologías y que requiere un
extenso análisis de datos.
Cuestiones éticas:
• Cuestiones éticas relacionadas con el almacenamiento y uso de muestras en biobancos y los datos
clínicos asociados.
Introducción
Las tecnologías 'Omic' adoptan una visión holística de las moléculas que componen una célula, tejido
u organismo. Están dirigidos principalmente a la detección universal de genes (genómica), ARNm
(transcriptómica), proteínas (proteómica) y metabolitos.
(metabolómica) en una muestra biológica específica de una manera no específica y no sesgada. Esto
también se puede denominar biología de alta dimensión; la integración de estas técnicas se
denomina biología de sistemas (Figura 1) (ver el Cuadro 1 para una lista de definiciones). El aspecto
básico de estos enfoques es que un sistema complejo se puede entender más a fondo si se considera
como un todo. La biología de sistemas y los experimentos ómicos difieren de los estudios
tradicionales, que son en gran medida impulsados por hipótesis o reduccionistas. Por el contrario,
los experimentos de biología de sistemas generan hipótesis, utilizando enfoques holísticos en los
que no se conoce o prescribe ninguna hipótesis, pero todos los datos se adquieren y analizan para
definir una hipótesis que se puede probar más.
Estas estrategias tienen muchas aplicaciones y mucho potencial. La tecnología Omic se puede aplicar
no solo para una mayor comprensión de los procesos fisiológicos normales sino también en los
procesos de enfermedades donde desempeñan un papel en la detección, el diagnóstico y el
pronóstico, además de ayudar a nuestra comprensión de la etiología de las enfermedades. Las
estrategias ómicas se prestan al descubrimiento de biomarcadores, ya que investigan varias
moléculas al mismo tiempo. La investigación ómica se utiliza cada vez más en el descubrimiento de
fármacos y la evaluación de su toxicidad y eficacia4,5. La farmacogenómica: la intersección de la
genómica y la farmacología es el estudio del papel de la herencia en la variación individual de la
respuesta farmacológica que puede utilizarse para individualizar y optimizar la terapia con
medicamentos. La farmacogenómica es especialmente importante para la oncología, ya que la
toxicidad sistémica grave y la eficacia impredecible son características de las terapias contra el
cáncer. Los enfoques de sistemas para enfermedades como el cáncer, las enfermedades
cardiovasculares y la obesidad brindan la oportunidad de facilitar enormemente el éxito de la
selección de nuevos objetivos para los tratamientos y el desarrollo de fármacos. En el futuro, la
biología de sistemas puede permitirnos desarrollar nuevos enfoques que sean predictivos,
preventivos y personalizados.
Si bien los avances en la tecnología de microarrays han dado como resultado un progreso en
genómica y transcriptómica (y la literatura resultante), es importante destacar algunas limitaciones.
Específicamente, las micromatrices de expresión génica miden los cambios en la abundancia de
ARNm, no de proteínas, y por lo tanto hay una falta de consenso en torno a la interpretación de los
datos de microarrays.
El proteoma se define como el conjunto de todas las proteínas expresadas en una célula, tejido u
organismo.9 La proteómica busca caracterizar el flujo de información dentro de la célula y el
organismo, a través de rutas y redes de proteínas10, con el objetivo final de comprender la
relevancia funcional de proteínas.11 Aunque podemos obtener mucha información de la
investigación proteómica, se complica por el tamaño de su dominio (> 100 000 proteínas) y la
incapacidad para detectar proteínas de baja abundancia con precisión. El proteoma es un reflejo
dinámico de los genes y el medio ambiente y se cree que es especialmente prometedor para el
descubrimiento de biomarcadores porque es más probable que las proteínas se vean ubicuamente
afectadas en la enfermedad y la respuesta a la enfermedad12. Esto se refleja en los muchos
biomarcadores de enfermedades de proteínas ya disponibles (por ejemplo, CA125 y alfa-
fetoproteína).
El experimento ómico
Diseño experimental
Un número de factores determina el tamaño de la muestra, pero tiene que ser tal que se puedan
hacer conclusiones estadísticas válidas. Se requieren grandes cantidades de muestras biológicas
para generar el mayor poder predictivo, por lo tanto, la recolección de datos clínicos y muestras
biológicas en biobancos grandes es esencial. El estudio SCOPE (SCreening fOr Pregnancy Endpoints)
es un ejemplo de dicho biobanco relacionado con el embarazo (consulte la sección a continuación y
Sitios web).
Figura 3. Diagrama de flujo general para espectrometría de masas. Ionización química a presión
atmosférica APCI; CE = electroforesis capilar; CI = ionización química; EI = ionización por impacto de
electrones; ESI = ionización por electropulverización; FTICR = resonancia de ciclotrón de iones de
transformada de Fourier; GC = cromatografía de gases; LC = cromatografía líquida; MALDI =
desorción / ionización láser asistida por matriz; Placa de microcanal MCP; TOF tiempo de vuelo
Técnicas analíticas
Las micromatrices de ADN tienen muchos modos de uso, de los cuales el perfil de expresión es el
modo dominante.
En la microarrays de expresión génica, la sonda utilizada para evaluar la cantidad de ARNm puede
ser ADN complementario (ADNc) o un oligonucleótido. La sonda se amplifica por reacción en cadena
de la polimerasa (PCR) y se coloca en un conjunto que luego se inmoviliza en un soporte sólido
(portaobjetos de vidrio) .16 En el experimento, el ARN se extrae de las muestras y, mediante el
proceso de transcripción inversa y adición de colorantes fluorescentes, se forma ADNc marcado
(tanto normal / control como enfermo / caso) que luego se combina e hibrida con el portaobjetos
de microarrays. Estos portaobjetos de microarray de vidrio a menudo se llaman chips. La cantidad
de los dos tintes es representativa de la expresión del gen en las diferentes muestras. Se usa un láser
ultravioleta para explorar la diapositiva que detecta la cantidad de señal fluorescente para cada gen.
Esta imagen luego se analiza (Figura 2a).
El grado de preparación de muestra requerido para los experimentos metabolómicos depende del
tipo de muestra. Las muestras metabólicas también requieren fraccionamiento (generalmente
cromatografía o electroforesis) antes del análisis. Estas técnicas de fraccionamiento utilizan las
diferentes propiedades químicas / físicas de las moléculas y permiten la separación de proteínas /
péptidos / metabolitos en fase líquida o gaseosa (Figura 2c).
Es importante darse cuenta de que no todas las técnicas ómicas pueden interpretarse por igual y
que cada técnica analítica ofrece diferentes ventajas y limitaciones. A menudo tiene que haber una
compensación entre la técnica y los objetivos experimentales.
Las estrategias ómicas generan grandes cantidades de datos y las pruebas múltiples aumentan la
probabilidad de falsos positivos. La validación de datos es esencial para garantizar que los resultados
no sean solo hallazgos aleatorios. Los valores de P pueden corregirse para pruebas múltiples (tasa
de descubrimiento falso). Otros métodos de validación de modelos incluyen el uso de un conjunto
de pruebas de "retención" o "prueba". El conjunto utilizado para producir el modelo se llama
conjunto de entrenamiento. Los modelos construidos utilizando los datos de entrenamiento pueden
validarse de forma independiente utilizando el conjunto de retención. Un método alternativo de
validación de modelo independiente es usar pruebas de permutación. Los métodos más robustos
incluyen confirmar las observaciones con una técnica complementaria y replicar el experimento en
un conjunto de muestras diferente.
Hay muchas publicaciones, en todas las ciencias biológicas, que señalan la locura potencial del uso
de técnicas de perfilación como la metabolómica, la proteómica, la transcriptómica y la genómica
para descubrir biomarcadores clínicamente significativos.
Estas áreas de diseño experimental, preparación de muestras, técnicas analíticas y análisis de datos
se tratan con mayor detalle en una serie de artículos de revisión.
Si bien los estudios ómicos en el área de obstetricia y ginecología son relativamente pequeños en
número, con el avance de la tecnología, es un campo de investigación en rápida expansión. No es
posible en este artículo dar una discusión en profundidad de todas las investigaciones ómicas en
obstetricia y ginecología. Como puede anticiparse, la mayor parte de la investigación ómica en
ginecología se centra en oncología y detección de cáncer y gran parte del trabajo en obstetricia
identificar biomarcadores para las complicaciones del embarazo, como la preeclampsia y el parto
prematuro.
Se ha utilizado una amplia gama de muestras biológicas para investigación ómica, que incluye
plasma / suero, orina, líquido amniótico, trofoblastos cultivados y fluido cervicovaginal y folicular.
Preeclampsia
Los estudios han encontrado que la expresión genética difiere entre embarazos con preeclampsia y
embarazos sin complicaciones en sangre periférica, placentas y placentas del primer trimestre en el
momento del parto.
No solo son estrategias ómicas de valor en el descubrimiento potencial de biomarcadores, sino que
también ayudan a elucidar los mecanismos moleculares implicados en estados normales y
enfermos. La hipoxia juega un papel en la fisiopatología de la preeclampsia y la restricción del
crecimiento fetal y Hoang et al. han detectado cambios distintos en la expresión proteica de los
citotrofoblastos del primer trimestre bajo condiciones hipóxicas. Las diferencias metabólicas
también se han demostrado en explantes placentarios en diferentes condiciones de oxígeno y en
mujeres con preeclampsia. Esto demuestra el enfoque de biología de sistemas para modelos
experimentales.
Parto prematuro
Romero et al. han revisado extensamente la aplicación de la biología de alta dimensión al síndrome
de parto prematuro que incorpora el nacimiento prematuro espontáneo y la ruptura prematura de
membranas antes del trabajo de parto. Se han informado numerosos polimorfismos genéticos que
confieren un mayor riesgo de parto prematuro o ruptura prematura de membranas antes del
trabajo de parto, en particular los que codifican metaloproteinasas de matriz (MMP) e interleucinas.
Se ha informado que el perfil metabólico del líquido amniótico identifica a las mujeres con riesgo de
parto prematuro e infección intraamniótica con una precisión del 96%.
Oncología
Conclusión
Las estrategias omicas todavia ofrecen muchos desafios: la tecnologia y el software todavia estan
evolucionando y el mapeo del proteoma humano y del metaboloma todavia esta en curso. El
embarazo es un estado fisiológico único y las condiciones del embarazo pueden ser
extremadamente heterogéneas. Los experimentos cuidadosamente diseñados, acompañados por
técnicas analíticas apropiadas y análisis estadísticos, ayudarán a abordar muchos de estos desafíos,
con el potencial de generar datos confiables y confiables para responder a preguntas biológicas
importantes.
El estudio SCOPE (ver sitios web) está reclutando activamente. Esta es una colaboración de muchos
obstetras y científicos líderes internacionales que buscan desarrollar maneras nuevas y efectivas
para la pronta predicción de mujeres nulíparas con alto riesgo de las tres principales complicaciones
del embarazo tardío: preeclampsia, nacimiento prematuro espontáneo y restricción del crecimiento
fetal. Una base de datos clínicos extensa combinada con datos genómicos / proteómicos /
metabolómicos puede proporcionar los medios para desarrollar pruebas de detección predictivas.