Metabolómica como nueva herramienta para el diagnóstico oportuno en enfermedades no transmisibles

Karen Beatriz Méndez-Rodríguez, María José Santoyo-Treviño, Kelvin Saldaña-Villanueva, Maribel Rodríguez-Aguilar, Rogelio Flores-Ramírez, Francisco Javier Pérez-Vázquez

Resumen


En los últimos años, el empleo de las ciencias “ómicas” en la optimización del diagnóstico temprano y no invasivo de diferentes tipos de enfermedades, ha cobrado gran importancia, principalmente en enfermedades crónico-degenerativas; por otro lado, también han sido empleadas para la evaluación de la exposición a determinados contaminantes ambientales, infecciones bacterianas y virales, entre otras aplicaciones. Entre las ciencias ómicas destacan principalmente la genómica, transcriptómica, proteómica, y actualmente ha cobrado gran relevancia la metabolómica. Gracias a los múltiples avances tanto en la genómica como en la proteómica, se han logrado establecer algunos elementos para el posible diagnóstico de enfermedades crónico- degenerativas. Sin embargo, aún no se han dilucidado por completo los cambios metabólicos que se llevan a cabo durante los procesos patológicos de distintas enfermedades. Por esta razón, la metabolómica ha surgido como una disciplina con una aplicación muy importante para la identificación de componentes oportunos en el desarrollo de algunas enfermedades.

Palabras clave


biomarcador; metabolómica; ómica; salud

Texto completo:

PDF
PDF

Referencias


Aspiazú MÁB, Bergado RS, Camejo JF, Pérez JLG, Chávez JR. Algunas reflexiones sobre el problema diagnóstico en clínica. Rev Cuba Educ Medica Super. 2009; 23(4):238-44.

Enfermedades no transmisibles. [actualizado 01/06/2018; citado 13/11/2018] Disponible en: http://www.who.int/es/news-room/ fact-sheets/detail/noncommunicable-diseases.

GBD Compare | IHME Viz Hub. [citado 12/11/2018] Disponible en: https://vizhub.healthdata.org/gbd-compare/.

Báez PC. ¿Cuál es el impacto económico de las enfermedades crónicas? Cienciamx. 2016. [citado 12/11/2018] Disponible en: http://www.cienciamx.com/index.php/ciencia/salud/11974-el- impacto-economico-de-las-enfermedades-cardiovasculares.

Objetivos y metas de desarrollo sostenible – Desarrollo Sostenible. [citado 21/11/2018] Disponible en: https://www. un.org/sustainabledevelopment/es/objetivos-de-desarrollo- sostenible/.

OMS. Objetivos de Desarrollo Sostenible (ODS). WHO. 2017. [citado 21/11/2018] Disponible en: http://www.who.int/topics/ sustainable-development-goals/es/.

Omics - Omics.org. [citado 19/11/2018] Disponible en: https:// omics.org/index.php/Main_Page.

Rothschild D, Weissbrod O, Barkan E, et al. Environment dominates over host genetics in shaping human gut microbiota. Nature. 2018; 555(7695):210-5.

Metabolómica: la ciencia ómica más multidisciplinaria. Revista de la Sociedad Española de Bioquímia y Biología Molecular. SEEBM. [citado 21/11/2018] Disponible en: https://www.sebbm. es/revista/articulo.php?id=42&url=metabolomica-la-ciencia- omica-mas-multidisciplinaria.

Patti GJ, Yanes O, Siuzdak G. Metabolomics: the apogee of the omics trilogy. Nat Rev Mol Cell Biol. 2012; 13(4):263-9. doi:10.1038/nrm3314.

Su LJ, Fiehn O, Maruvada P, et al. The Use of Metabolomics in Population-Based Research. Adv Nutr An Int Rev J. 2014; 5(6):785-8.

Dunn WB, Ellis DI. Metabolomics: Current analytical platforms and methodologies. TrAC - Trends Anal Chem. 2005; 24(4):285-94.

Wang JH, Byun J, Pennathur S. Analytical approaches to metabolomics and applications to systems biology. Semin Nephrol. 2010; 30(5):500-11.

Sas KM, Karnovsky A, Michailidis G, Pennathur S. Metabolomics and diabetes: Analytical and computational approaches. Diabetes. 2015; 64(3):718-32.

Metabolómica: la ciencia ómica más multidisciplinaria. Revista de la Sociedad Española de Bioquímia y Biología Molecular. SEEBM. [citado 22/11/2018] Disponible en: https://www.sebbm. es/revista/articulo.php?id=42&url=metabolomica-la-ciencia- omica-mas-multidisciplinaria.

Thomas J. Wang, Martin G. Larson, Ramachandran S. Vasan, et al. REG. Metabolite profiles and diabetes. Nat Med. 2011; 17(4):448-53.

Floegel A, Stefan N, Yu Z, et al. Identification of serum metabolites associated with risk of type 2 diabetes using a targeted metabolomic approach. Diabetes. 2013; 62(2):639-48. doi:10.2337/db12-0495.

General H, Gonz MG. Nefropatía diabética. 2002; 5.

Van der Kloet FM, Tempels FWA, Ismail N, et al. Discovery of early-stage biomarkers for diabetic kidney disease using ms- based metabolomics (FinnDiane study). Metabolomics. 2012; 8(1):109-19.

Sharma K, Karl B, Mathew A V, et al. Metabolomics Reveals Signature of Mitochondrial Dysfunction in Diabetic Kidney Disease. J Am Soc Nephrol. 2013; 24(11):1901-12. doi:10.1681/ ASN.2013020126.

Pena MJ, Lambers Heerspink HJ, Hellemons ME, et al. Urine and plasma metabolites predict the development of diabetic nephropathy in individuals with Type 2 diabetes mellitus. Diabet Med. 2014; 31(9):1138-47.

Yang Q, Sun J, Chen YQ. Multi-dimensional, comprehensive sample extraction combined with LC-GC/MS analysis for complex biological samples: application in the metabolomics study of acute pancreatitis. RSC Adv. 2016; 6(31):25837-49.

Sakai A, Nishiumi S, Shiomi Y, et al. Metabolomic analysis to discover candidate therapeutic agents against acute pancreatitis. Arch Biochem Biophys. 2012; 522(2):107-20. doi:10.1016/j.abb.2012.03.025.

Zhou X, Liu L, Lan X, et al. Polyunsaturated fatty acids metabolism, purine metabolism and inosine as potential independent diagnostic biomarkers for major depressive disorder in children and adolescents. Mol Psychiatry. 2018. doi:10.1038/s41380-018-0047.

Pan JX, Xia JJ, Deng FL, et al. Diagnosis of major depressive disorder based on changes in multiple plasma neurotransmitters: a targeted metabolomics study. Transl Psychiatry. 2018; 8(1):130.

Kawamura N, Shinoda K, Sato H, et al. Plasma metabolome analysis of patients with major depressive disorder. Psychiatry Clin Neurosci. 2018; 72(5):349-61. doi:10.1111/pcn.12638.

Sreekumar A, Poisson LM, Rajendiran TM, et al. Metabolomic profiles delineate potential role for sarcosine in prostate cancer progression. Nature. 2009; 457(7231):910-4.

Dang L, White DW, Gross S, et al. Cancer-associated IDH1 mutations produce 2-hydroxyglutarate. Nature. 2009; 462(7274):739-44.

Barash O, Zhang W, Halpern JM, et al. Differentiation between genetic mutations of breast cancer by breath volatolomics. Oncotarget. 2015; 6(42).

Dragonieri S, Annema JT, Schot R, et al. An electronic nose in the discrimination of patients with non-small cell lung cancer and COPD. Lung Cancer. 2009; 64(2):166-70.

Cazzola M, Segreti A, Capuano R, et al. Analysis of exhaled breath fingerprints and volatile organic compounds in COPD. COPD Res Pract. 2015; 1(1):7.


Enlaces refback

  • No hay ningún enlace refback.




Copyright (c) 2019 Revista de Salud Ambiental

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional.