TRADUCCIONES SELECCIONADAS DEL CLINICAL CHEMISTRY

Sub-fenotipos de Diabetes y Metabolómica: ¿La clave para descubrir marcadores de laboratorio para una medicina personalizada?

Rainer Lehmann^1,2,3*

¹ Division of Clinical Chemistry and Pathobiochemistry, Department of Internal Medicine IV, University Hospital Tuebingen, Tuebingen, Germany.
² Institute for Diabetes Research and Metabolic Diseases of the Helmholtz Centre Munich atthe University of Tuebingen (Paul Langerhans Institute Tuebingen), Tuebingen, Germany.
³ German Center for Diabetes Research (DZD), Germany.

* Address correspondence to this author at: University Hospital Tuebingen, Hoppe-Seyler-Str. 3 Tuebingen 72076, Germany. Fax 49-7071-295348; e-mail: rainer.lehmann@med.uni-tuebingen.de

Traducción: Dr. Diego Lucero y Prof. Dra. Laura Schreier. Departamento de Bioquímica Clinica, Facultad de Farmacia y Bioquímica, Universidad de Buenos Aires.

Este artículo ha sido traducido con el permiso de la AACC. La AACC no es responsable de la exactitud de la traducción. Las opiniones expresadas son las de los autores y no necesariamente de la AACC o de la Revista. Tomado de Clin Chem 2013; 59(9):1294-6, con el permiso del editor. Derechos de autor original © Asociación Americana de Química Clínica, Inc, 2013. Al citar este artículo, por favor recurra a la fuente original de publicación en la revista Clinical Chemistry.

This article has been translated with the permission of AACC. AACC is not responsible for the accuracy of the translation. The views presented are those of the authors and not necessarily those of the AACC or the Journal. Reprinted from Clin Chem. 2013; 59(9):1294-6, by permission of the publisher. Original copyright © 2013 American Association for Clinical Chemistry, Inc. When citing this article, please refer to the original publication source in the journal, Clinical Chemistry.

Durante décadas, la medida de glucosa, hemoglobina A1c, insulina y péptido C han sido las pruebas de laboratorio de elección para detectar y controlar la diabetes ⁽¹⁾. Sin embargo, estas pruebas no identifican a los individuos en riesgo de desarrollar diabetes tipo 2 (DM2) (llamados individuos pre-diabéticos y sus sub-fenotipos), lo cual sería un prerrequisito para la prevención individualizada. Estos parámetros no son adecuados para identificar sub-fenotipos de DM2, un prerrequisito para las intervenciones terapéuticas individualizadas. La prueba de tolerancia oral a la glucosa (PTOG) sigue siendo el único medio para la identificación temprana y fiable de las personas en fase de pre-diabetes con intolerancia a la glucosa (ITG). Este procedimiento, sin embargo, consume mucho tiempo, es costoso y no es adecuado como método de screening. Por lo tanto, existe una urgente necesidad de pruebas de laboratorio innovadoras para simplificar la detección temprana de alteraciones en el metabolismo de la glucosa.
La búsqueda de genes de riesgo diabético fue la primera y más intensamente perseguida estrategia para la prevención y el tratamiento individualizado de la diabetes. En los últimos 20 años se han analizado cohortes de miles de personas, y se han identificado más de 70 loci de susceptibilidad, relacionados con DM2 y rasgos metabólicos afines ⁽²⁾. Pero a pesar de la búsqueda extensa, no hay loci susceptibles o combinaciones de loci que hayan demostrado ser adecuados para fines diagnósticos.
¿Por qué han fallado los estudios de genómica? Una de las razones podría ser que la DM2 es una enfermedad poligénica, pero hay otra razón más importante. Las grandes cohortes de diabéticos investigadas en estos estudios fueron muy heterogéneas, consistentes en individuos pobremente caracterizados los cuales, en general, fueron seleccionados porque tenían un aumento de la glucosa en sangre. Posteriormente se ha hecho evidente que existen diferentes sub-fenotipos ya en la fase de individuos pre-diabéticos⁽³⁾⁽⁴⁾.
La metabolómica representa un nuevo enfoque potencial para impulsar el diagnóstico de la diabetes más allá de la aplicación de las pruebas de laboratorio clásicas para diabetes. Esta estrategia consiste en la descripción de cientos (metabolómica dirigida) o miles de metabolitos (metabolómica no dirigida) ⁽⁵⁾.
En la edición de septiembre de Clinical/Chemistry, Liu y colaboradores ⁽⁶⁾ presentan datos sobre una investigación de metabolómica no dirigida en muestras de suero en ayunas de un subtipo de DM2 con ITG, como lo demuestra la PTOG [concentración de glucosa a las 2 -h >200 mg/dL (11,1 mmol/L)], pero con concentraciones de glucosa en ayunas dentro los rangos de referencia. Siguiendo la nomenclatura de Liu y colaboradores, este subtipo de DM2 se denominará en adelante como diabetes aislada post-estímulo (DAP). Cabe destacar que DAP no se detecta cuando se mide sólo la glucosa en ayunas. Se identificaron quince metabolitos específicos de DAP. Las concentraciones de estos metabolitos fueron significativamente diferentes no sólo entre pacientes con DAP y controles sanos, sino también entre los pacientes con DAP y sujetos con DM2 recientemente diagnosticada y con sujetos con alteración de la glucosa en ayunas. El ácido linoleico, el ácido oleico, y el sulfato de hidroepiandrosterona fueron los marcadores más potentes. En un estudio de replicación (n=5.400), al aplicar la combinación de estos 3 metabolitos el área bajo la curva ROC fue de 0,849 para discriminar entre individuos DAP y no-DAP. La identificación por parte de estos investigadores de un patrón metabólico plasmático en ayunas que sea capaz de identificar a DAP, diagnóstico que en la actualidad sólo es posible realizar después de una PTOG, demuestra las fortalezas de la metabolómica en la investigación sobre diabetes. Sus hallazgos, junto con los resultados de otros estudios sobre metabolómica, podrían representar el primer paso hacia la sustitución de la PTOG. Sin embargo, hay dificultades en los abordajes actuales de la metabolómica para la búsqueda de biomarcadores diagnósticos, tales como la dificultad para validar el poder diagnóstico de un metabolito dado en un conjunto de muestras que incluye sueros de pacientes con otras enfermedades.
La identificación de patrones metabólicos específicos de pre-diabetes es un prerrequisito esencial para esta aplicación diagnóstica. Sin embargo, los perfiles metabólicos obtenidos son a menudo muy complejos, y se necesitan herramientas bioinformáticas tales como funciones que puedan seleccionar un subconjunto de características para encontrar un patrón relevante entre los cientos o miles de metabolitos detectados ⁽⁷⁾.
Vale la pena señalar que los patrones dilucidados bioinformáticamente que son adecuados para diferenciar sub-fenotipos pueden incluir una mezcla de metabolitos, algunos de los cuales, cuando se consideran en forma univariada, no difieren significativamente entre los distintos fenotipos mientras que otros son diferentes ⁽⁷⁾. La ventaja de la utilización de patrones metabólicos sobre usar parámetros metabólicos individuales radica en la capacidad que tiene un modelo multivariado para predecir el desarrollo futuro de DM2 mediante el uso de la concentración plasmática en ayunas de cinco aminoácidos ⁽⁸⁾ y por la diferenciación de sub-fenotipos pre-diabéticos (hígado graso metabólicamente benigno vs. maligno) mediante un patrón de siete metabolitos en plasma ⁽⁷⁾. Varias clases de metabolitos o candidatos a biomarcadores han surgido a partir de estudios metabolómicos en pre-diabetes. Los metabolitos encontrados más consistentes son aminoácidos, en particular de cadena ramificada ⁽⁸⁾⁽⁹⁾, liso-fosfatidilcolinas ^{(6)(7)(10)(11)}, ácidos grasos, y acil-carnitinas ^(6)(7)(9). En este contexto, es importante tener en cuenta que estos marcadores asociados a diabetes no descartan la utilidad de otros biomarcadores metabólicos. El predominio actual de estos biomarcadores se puede atribuir parcialmente a la mayor utilización de técnicas de metabolómica dirigida, que cubre un número limitado entre 100-200 metabolitos. Otros aspectos relevantes incluyen la concentración de metabolitos plasmáticos y el rendimiento y selectividad de la plataforma analítica. Por ejemplo, en las plataformas analíticas que usan cromatografía líquida-ionización por electrospray-espectrometría de masas, la mayoría de los metabolitos mencionados anteriormente se encuentran entre los iones favorecidos dominando el patrón de iones metabólicos. Todos estos aspectos conducen a la selección de distintos grupos de metabolitos y, por consiguiente, ciertos marcadores dominan actualmente los reportes en la literatura.
Una cuestión importante a considerar cuando se selecciona un método dirigido y se interpretan los datos es si éste ha sido diseñado para focalizar las vías pertinentes en el contexto de la pre-diabetes. El uso de este tipo de estrategia puede conducir a la detección de un número sorprendente de metabolitos cuyas concentraciones se encuentran alteradas de manera significativa, como se muestra en una publicación reciente del grupo de Robert E. Gerszten, que encontró que las concentración de 91, de los 110 metabolitos analizados, se encuentran significativamente aumentados o disminuidos relacionados con la PTOG ⁽¹²⁾. La alternativa analítica más frecuentemente utilizada consiste en que los metabolitos estudiados no están directamente relacionados con el contexto de interés, sino que se utilizan más bien plataformas analíticas ya existentes para objetivos diferentes. En consecuencia, la falta de datos, por ejemplo de intermediarios del ciclo del ácido tricarboxílico, puede conducir a dificultades en la interpretación de los resultados.
Por otra parte, la calidad de las muestras utilizadas es un inconveniente que se ha subestimado. El éxito de las investigaciones en metabolómica depende en gran medida de la integridad de las muestras clínicas ⁽¹³⁾. Las muestras obtenidas de bancos de datos genéticos no siempre cumplen con los importantes requisitos pre-analíticos ⁽¹³⁾, sobre todo cuando las muestras son recogidas en grandes estudios multicéntricos de cohortes diabéticas.
Con respecto a la validación de nuevos diagnósticos de laboratorio, todos los marcadores o patrones metabólicos de pre-diabetes detectados hasta la fecha se han evaluado cuidadosamente y han sido reproducidos en estudios grandes e independientes. Hay que subrayar, sin embargo, que estas validaciones siempre se han realizado en el «ambiente diabético», es decir, mediante la comparación de controles sanos seleccionados con individuos pre-diabéticos. Hasta donde es sabido, no se ha realizado ninguna validación de marcadores de diabetes mediante la inclusión de muestras de pacientes con otras enfermedades.
Es importante tener en cuenta que, incluso cuando los patrones metabólicos fallan como pruebas diagnósticas, los metabolitos detectados son todavía valiosos desde el punto de vista de los mecanismos involucrados. Deben ser especificados como biomarcadores funcionales. Es decir que la metabolómica puede contribuir esencialmente a un mejor entendimiento de la fisiopatología de esta compleja enfermedad. Sin embargo, muchos de los reportes sobre metabolómica en el campo de la diabetes han sido decepcionantes, debido a que son solamente descriptivos. En su mayor parte fracasaron en proporcionar información funcional probada experimentalmente sobre la patogénesis de la DM2. A pesar de que la metabolómica no es esencial para el descubrimiento diagnóstico, puede ser muy valiosa para la identificación de nuevos targets para intervenciones individuales; la metabolómica funcional provee buenas posibilidades, sobre todo cuando se aplican técnicas que involucran isótopos estables ⁽¹⁴⁾. Estudios funcionales sofisticados de metabolómica pueden dar un impulso importante a la investigación traslacional en el campo de la diabetes, especialmente cuando se combinan con datos obtenidos en investigaciones sobre proteómica y/o transcriptómica ^(14)(15).
La investigación en metabolómica está llena de promesas y trampas. Grupos de investigación en diabetes están explorando su utilidad. El temor es que si un número creciente de científicos no logran alcanzar los objetivos previstos debido a la mala calidad de muestras o cohortes seleccionadas inapropiadamente, abandonen este camino. Para evitar este escenario, se deben aprender las lecciones de los resultados decepcionantes obtenidos de los estudios genómicos en diabetes. Una opción sería comenzar un proyecto de investigación metabolómica complementaria específica y no específica en un pequeño grupo de individuos profundamente fenotipificados de un sub-fenotipo muy cuidadosamente seleccionado (n=50), por ejemplo, individuos pre-diabéticos que no se benefician con la intervención en el estilo de vida. Las personas en este último fenotipo necesitan ser identificadas lo antes posible para iniciar intervenciones terapéuticas alternativas.
En conclusión, la aplicación de la metabolómica significa recoger los senderos bioquímicos de nuestros antepasados científicos de la época pregenómica y descubrir nuevas relaciones metabólicas causales. Se puede prever que la aplicación de estrategias sofisticadas de metabolómica y bioinformática para la investigación de los sub-fenotipos de pre-diabetes pueden abrir nuevas perspectivas para descubrir nuevos objetivos para intervenciones (biomarcadores funcionales) y nuevos diagnósticos de laboratorio (biomarcadores de diagnóstico). Sin lugar a dudas, el uso de la metabolómica para la identificación y diferenciación de las sub-fenotipos pre-diabéticos facilitaría la medicina personalizada mediante la prevención y tratamiento individualizados para una de las enfermedades más onerosas del siglo XXI.

Bibliografía

1. WHO. Definition and diagnosis of diabetes mellitus and intermediate hyperglycemia: reportof WHO/IDF consultation. Geneva: WHO; 2006. http://whqlibdoc.who.int/publications/2006/9241594934_eng.pdf (Accessed June2013).         [ Links ]

2. Morris AP, Voight BF, Teslovich TM, Ferreira T, Segre AV, Steinthorsdottir V, et al. Large-scale association analysis provides insights into the genetic architecture and pathophysiology of type 2 diabetes. Nat Genet 2012; 44: 981-90.         [ Links ]

3. Stefan N, Kantartzis K, Machann J, Schick F, Thamer C, Rittig K, et al. Identification and characterization of metabolically benign obesity in humans. Arch Intern Med 2008; 168: 1609 -16.         [ Links ]

4. Stefan N, Haring HU. The metabolically benign and malignant fatty liver. Diabetes 2011; 60: 2011-7.         [ Links ]

5. Rhee EP, Gerszten RE. Metabolomics and cardiovascular biomarker discovery. Clin Chem 2012; 58: 139-47.         [ Links ]

6. Liu L, Wang M, Yang X, Bi M, Na L, Niu Y, et al. Fasting serum lipid anddehydroepiandrosterone sulfate as important metabolites for detectingisolated postchallenge diabetes: serum metabolomics via ultra-highperformanceLCMS. Clin Chem 2013; 59: 1338-48.         [ Links ]

7. Lehmann R, Franken H, Dammeier S, Rosenbaum L, Kantartzis K, Peter A, et al. Circulating lysophosphatidylcholines are markers of a metabolically benign nonalcoholic fatty liver. Diabetes Care 2013; 36: 233-8.         [ Links ]

8. Wang TJ, Larson MG, Vasan RS, Cheng S, Rhee EP, Mc- Cabe E, et al. Metabolite profiles and the risk of developing diabetes. Nat Med 2011; 17: 448-53.         [ Links ]

9. Newgard CB. Interplay between lipids and branchedchain amino acids in development of insulin resistance. Cell Metab 2012; 15: 606 -14.         [ Links ]

10. Floegel A, Stefan N, Yu Z, Muhlenbruch K, Drogan D, Joost, HG, et al. Identification of serum metabolites associated with risk of type 2 diabetesusing a targeted metabolomic approach. Diabetes 2012; 62: 639-48.         [ Links ]

11. Wang-Sattler R, Yu Z, Herder C, Messias AC, Floegel A, He Y, et al. Novelbiomarkers for pre-diabetes identified by metabolomics. Mol Syst Biol 2012; 8: 615.         [ Links ]

12. Ho JE, Larson MG, Vasan RS, Ghorbani A, Cheng S, Rhee EP, et al. Metabolite profiles during oral glucose challenge. Diabetes 2013; 62: 2689-98.         [ Links ]

13. Yin P, Peter A, Franken H, Zhao X, Neukamm SS, Rosenbaum L, et al. Preanalytical aspects and sample quality assessment in metabolomics studies of human blood. Clin Chem 2013; 59: 833-45.         [ Links ]

14. Wolf M, Chen S, Zhao X, Scheler M, Irmler M, Staiger H, et al. Production and release of acylcarnitines by primary myotubes reflect the differences in fasting fat oxidation of the donors. J Clin Endocrinol Metab 2013; 98: E1137-42.         [ Links ]

15. Dutta T, Chai HS, Ward LE, Ghosh A, Persson XM, Ford GC, et al. Concordance of changes in metabolic pathways based on plasma metabolomics and skeletal muscle transcriptomics in type 1 diabetes. Diabetes 2012; 61: 1004-16.         [ Links ]