Академический Документы
Профессиональный Документы
Культура Документы
Aproximadamente del 3 al 5 por ciento de los genes están activos en una célula en
particular, a pesar de que todas las células tienen la misma información contenida
en su ADN. La mayor parte del genoma se reprime selectivamente, una propiedad
que se rige por la regulación de la expresión génica, principalmente a nivel de
transcripción (es decir, la producción de ARN mensajero a partir del ADN). En
respuesta a una perturbación celular, se producen cambios en la expresión génica
que dan como resultado la expresión de cientos de productos génicos y la
supresión de otros. Esta heterogeneidad molecular puede afectar cuándo y cómo
se presenta clínicamente una enfermedad en un individuo con predisposición
genética a una afección y cómo los individuos con una enfermedad determinada
responderán a tratamientos específicos.
Los análisis de la expresión génica pueden ser clínicamente útiles para clasificar,
diagnosticar, pronosticar y adaptar el tratamiento a los determinantes genéticos
subyacentes de la respuesta farmacológica.
Este tema se centrará en el papel del ARNm en la célula, las plataformas para
perfilar la expresión de ARNm, los desafíos en la interpretación de los datos de
estos análisis y las aplicaciones clínicas emergentes de las mediciones de
expresión génica. Una visión general de la genética molecular en oncología clínica
se presenta por separado. (Ver "Principios de genética molecular" .)
El ARNm representa aproximadamente el 1 por ciento del ARN total en una célula
[ 7 ] y se transcribe de aproximadamente 20,000 a 25,000 genes que codifican
proteínas en el genoma humano [ 8 ]. Después de que el ARNm se transcribe
desde el ADN, generalmente sufre modificaciones adicionales, incluida la adición
de una tapa de metil-guanosina (tapa 5 '), la adición de una serie de adeninas al
extremo 3' del ARN (cola poli-A) y el empalme de intrones ( figura 2 ) [ 1 ]. El
ARNm se transporta desde el núcleo al citoplasma, donde se traduce en
proteína. El ARNm sirve como un intermediario transitorio entre el ADN y la
proteína y se degrada en minutos a horas [ 1 ].
Los lncRNA son ARN no codificantes con diversas funciones definidas por su
longitud de> 200 nucleótidos. Los lincRNA son un subconjunto de los lncRNA
definidos por la falta de superposición con los genes que codifican las proteínas
[ 5 ]. Sin embargo, los genes que codifican proteínas también pueden producir
variantes de transcripción no codificantes, aumentando aún más la diversidad de
lncRNA. Se desconoce la relevancia funcional de la gran mayoría de los> 19,000
lncRNAs, pero la capacidad de diferentes lncRNAs para ajustarse a diversas
estructuras o interacciones parece influir en muchos procesos celulares [ 6,9 ]. Al
igual que con los miRNA, los lncRNA pueden perfilarse utilizando técnicas
similares a las utilizadas para los mRNA.
Se aplica una sola muestra del cRNA marcado a cada matriz. La hibridación se
produce entre el cRNA marcado de la muestra y las sondas complementarias en la
matriz. Esto es seguido por la unión a un fluoróforo conjugado con avidina y una
etapa de lavado que elimina cualquier material no unido. El fluoróforo es excitado
por un escáner láser acoplado a una computadora que captura los fluoróforos de
la imagen vinculados a las moléculas objetivo hibridadas en la matriz, permitiendo
así la detección de la expresión de miles de genes simultáneamente.
En general, cuanto mayor sea la cantidad de ARNm de un gen particular (es decir,
mayor es la expresión de ese gen), más material marcado con fluorescencia
correspondiente a ese gen se unirá a sondas complementarias en la matriz. La
fluorescencia de fondo o la unión inespecífica pueden limitar la detección de
transcripciones poco expresadas. La detección basada en sondas para la
expresión génica limita el análisis a los genes que se conocen.
●Escala: ajusta las intensidades por un factor constante para que el nivel de
expresión promedio en las microarrays sea similar.
●Normalización cuantil: ajusta la distribución de intensidades a través de
microarrays. Esto se logra clasificando las intensidades de la sonda de mayor
a menor para cada matriz. Se asigna un valor numérico para representar esta
intensidad en una matriz individual en función del comportamiento en todas
las matrices y el rango de esa sonda en la matriz individual.
●Suavizado de diagrama de dispersión ponderado localmente (BAJO): ajusta
el brillo o la oscuridad de diferentes etiquetas fluorescentes para
experimentos de matriz de dos colores.
Análisis de datos : existen varios niveles posibles de análisis de datos, que van
desde simples pruebas estadísticas que se pueden realizar con paquetes de
software comerciales, hasta análisis avanzados y el desarrollo de nuevos
algoritmos. Se implementan análisis avanzados y algoritmos novedosos con una
variedad de lenguajes de programación, como Perl y Python, y software
computacional, como R [ 36 ] y Matlab [ 37 ]. La flexibilidad para escribir, modificar
y compartir algoritmos utilizando estas herramientas los hace particularmente
adecuados para el análisis de datos de expresión génica.
Diagnóstico : los ejemplos del uso de perfiles de expresión génica para dirigirse
a pacientes seleccionados para un monitoreo más conservador y pruebas de
diagnóstico menos invasivas incluyen los siguientes:
●El ensayo Oncotype Dx se utiliza para guiar la evaluación y el manejo de
subconjuntos de pacientes con cáncer de seno
●La vigilancia de biopsia endomiocárdica de rutina se usa para pacientes con
trasplante cardíaco para detectar la presencia de rechazo celular agudo. Un
estudio del perfil de expresión génica del ácido ribonucleico (ARN) de células
mononucleares de sangre periférica en receptores de trasplante de corazón
reveló que un perfil de expresión génica de 11 podría predecir la presencia de
rechazo [ 48 ]. El uso de este perfil de expresión génica tiene el potencial de
disminuir el número de pacientes trasplantados que necesitarían someterse a
una biopsia miocárdica invasiva para confirmar el diagnóstico de rechazo.
● Losfumadores sospechosos de tener cáncer de pulmón debido a una
tomografía computarizada (TC) de tórax anormal a menudo necesitan
someterse a procedimientos de diagnóstico invasivos, más allá de la
broncoscopia, para lograr un diagnóstico final. Una firma de expresión génica
resultante del perfil de expresión génica del epitelio de la vía aérea
histológicamente normal obtenida durante la broncoscopia fue capaz de
distinguir entre fumadores con y sin cáncer de pulmón [ 49 ]. La combinación
de los resultados de este biomarcador de expresión génica con variables
clínicas, en un modelo clínico-genómico integrado, mejoró el potencial
discriminatorio para predecir el cáncer de pulmón [ 50] El refinamiento de esta
firma utilizando un conjunto de datos independiente y la aplicación en un
ensayo prospectivo de validación multicéntrico dio como resultado un
biomarcador de diagnóstico con un valor predictivo negativo del 91 por ciento
en pacientes con una probabilidad de prueba pulmonar intermedia previa
[ 51,52 ]. El perfil de expresión génica puede ayudar a estratificar a los
pacientes con una tomografía computarizada de tórax anormal que deben
someterse a pruebas de diagnóstico invasivas para un posible cáncer de
pulmón y aquellos para quienes la vigilancia por imágenes sería
adecuada. (Consulte "Detección de cáncer de pulmón" ).
●Los nódulos tiroideos se evalúan con frecuencia mediante biopsias por
aspiración con aguja fina, pero este enfoque a veces produce resultados
indeterminados y el requisito de cirugía de tiroides para lograr un diagnóstico
definitivo. Un biomarcador de diagnóstico resultante del perfil de expresión
génica de los aspirados de nódulos tiroideos indeterminados demostró una
sensibilidad del 92 por ciento y un alto valor predictivo negativo, lo que
sugiere que los pacientes con resultados indeterminados de un aspirado con
aguja fina de un nódulo tiroideo pueden controlarse de manera menos
invasiva, evitando potencialmente una cirugía innecesaria [ 53 ].
Una revisión sistemática de 2012 de los estudios disponibles que examinan las
asociaciones entre los perfiles de miARN y el pronóstico del cáncer encontró
asociaciones entre ciertos miARN y los malos resultados, incluida la disminución
de la supervivencia general, pero observó varias fuentes potenciales de sesgo
[ 67 ]. Se necesitará más trabajo para validar el uso de estos hallazgos en
aplicaciones clínicas.
RESUMEN