Registro:
| Documento: | Tesis Doctoral |
| Título: | Desarrollo de nuevos métodos para automatizar procedimientos en estudios metabolómicos : aplicación al diagnóstico de cáncer de próstata |
| Título alternativo: | Development of new methods to automate procedures in metabolomic studies : application to the diagnosis of prostate cancer |
| Autor: | Riquelme, Gabriel |
| Editor: | Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
| Lugar de trabajo: | CONICET. Centro de Investigaciones en Bionanociencias "Elizabeth Jares Erijman" (CIBION)
|
| Publicación en la Web: | 2023-07-03 |
| Fecha de defensa: | 2023-04-04 |
| Fecha en portada: | 2023 |
| Grado Obtenido: | Doctorado |
| Título Obtenido: | Doctor de la Universidad de Buenos Aires en el área de Química Inorgánica, Química Analítica y Química Física |
| Departamento Docente: | Departamento de Química Inorgánica, Analítica y Química Física |
| Director: | Hoijemberg, Pablo Ariel |
| Director Asistente: | Monge, María Eugenia |
| Consejero: | Hodak, José Hëctor |
| Jurado: | Castro Gamboa, Ian; Culzoni, María Julia; Cabrera, Gabriela Myriam |
| Idioma: | Español |
| Palabras clave: | METABOLOMICA; ESPECTROMETRIA DE MASAS; RESONANCIA MAGNETICA NUCLEAR; PREPROCESAMIENTO DE DATOS; APRENDIZAJE AUTOMATICOMETABOLOMICS; MASS SPECTROMETRY; NUCLEAR MAGNETICS RESONANCE; DATA PRE-PROCESSING; MACHINE LEARNING |
| Formato: | PDF |
| Handle: |
http://hdl.handle.net/20.500.12110/tesis_n7308_Riquelme |
| PDF: | https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n7308_Riquelme.pdf |
| Registro: | https://bibliotecadigital.exactas.uba.ar/collection/tesis/document/tesis_n7308_Riquelme |
| Ubicación: | QUI 007308 |
| Derechos de Acceso: | Esta obra puede ser leída, grabada y utilizada con fines de estudio, investigación y docencia. Es necesario el reconocimiento de autoría mediante la cita correspondiente. Riquelme, Gabriel. (2023). Desarrollo de nuevos métodos para automatizar procedimientos en estudios metabolómicos : aplicación al diagnóstico de cáncer de próstata. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales). Recuperado de http://hdl.handle.net/20.500.12110/tesis_n7308_Riquelme |
Resumen:
La metabolómica es un campo de investigación que busca caracterizar y cuantificar el metaboloma en un sistema biológico y determinar cómo el mismo responde frente a una dada perturbación. El desarrollo de una enfermedad genera una perturbación en el metaboloma humano, el cual puede ser analizado combinando plataformas analíticas avanzadas, como la espectroscopía de Resonancia Magnética Nuclear (NMR) o la Espectrometría de Masas (MS). A partir de un abordaje de metabolómica no dirigida, que involucra la detección de la máxima cantidad posible de compuestos sin conocer a priori su identidad, es posible aislar e identificar aquellos de interés a partir de herramientas de bioinformática. Este proceso requiere de estrategias de curado de datos e identificación de compuestos a partir de las señales medidas por cada una de estas tecnologías. Este esquema de trabajo presenta diversos desafíos en la actualidad, relacionados con la robustez analítica de las mediciones, la confianza en las anotaciones de metabolitos, la reproducibilidad de los resultados y el tiempo necesario para el desarrollo del análisis. La presente tesis aborda estos desafíos utilizando las plataformas analíticas de NMR y MS. En NMR, se muestra el desarrollo de metodologías basadas en la estadística de correlación total espectroscópica (STOCSY), que permitan mejorar las anotaciones tentativas de compuestos en mezclas complejas utilizando bases de datos, focalizándose sobre todo en casos de regiones espectrales con señales superpuestas. En MS, los desarrollos incluyen nuevas estrategias de detección y extracción de variables metabólicas (features) y el desarrollo de estrategias de curado de datos que permitan incrementar su robustez analítica. Para ello, se desarrolló un modelo para las fuentes de variación en datos de MS que permite interpretar la efectividad de distintas herramientas usadas de forma rutinaria y diseñar esquemas de preprocesamiento teniendo en cuenta la robustez analítica de los datos obtenidos. Todas las herramientas desarrolladas para MS fueron implementadas en una biblioteca de código abierto en el lenguaje de programación Python, que permite la creación de pipelines de análisis de datos de forma rápida y reproducible. Finalmente, la tesis describe el diseño y ejecución de un estudio metabolómico no dirigido para mejorar el diagnóstico de la enfermedad de cáncer de próstata a través del análisis de muestras séricas de pacientes (y de controles sanos) que fueron colectadas en el Hospital Italiano de Buenos Aires (n=494). El cáncer de próstata puede desarrollarse en muchos casos sin síntomas, y es la tercera causa a nivel mundial de muertes en hombres por cáncer. Actualmente, el método de diagnóstico es la cuantificación del antígeno prostático específico (PSA) en suero, el tacto rectal y la posterior biopsia en caso de sospecha. Aunque el ensayo de PSA ha sido y es ampliamente utilizado, se plantean dudas acerca de los beneficios potenciales y los daños esperados debido a su baja especificidad y limitada sensibilidad. Este contexto dio lugar en los últimos años al análisis de perfiles metabólicos para la búsqueda de biomarcadores de la enfermedad por NMR y MS. La cohorte estudiada en el presente trabajo incluyó pacientes con cáncer cuyas muestras se colectaron previo a la cirugía, pacientes con prostatitis e individuos sanos. En el análisis de las muestras, donde se tuvieron en cuenta todos los desarrollos descritos anteriormente, se intentan validar resultados reportados anteriormente y se proponen candidatos a biomarcadores en función de los resultados obtenidos.
Abstract:
Metabolomics is a field of research that seeks to characterize and quantify the metabolome in a biological system and determine how it responds to a perturbation. The occurrence of a disease generates a perturbation in the human metabolome, which can be analyzed by combining advanced analytical platforms, such as Nuclear Magnetic Resonance (NMR) spectroscopy or Mass Spectrometry (MS). In an untargeted metabolomics approach, which involves the detection of the maximum possible number of compounds without knowing their identity in advance, it is possible to isolate and identify those compounds of interest using bioinformatics tools. This process requires data curation strategies and the identification of compounds from the signals measured by each of these technologies. This workflow currently presents several challenges related to the analytical robustness of the measurements, the confidence in metabolite annotations, the reproducibility of the results and the time required for the development of the analysis. This thesis addresses these challenges using NMR and MS as analytical platforms. In NMR, the development of methodologies based on the statistical total correlation spectroscopy (STOCSY) is shown, which allows the improvement of the putative annotations of compounds in complex mixtures using database queries, focusing on cases of spectral regions with overlapping signals. In MS, the developments include new detection strategies and extraction of metabolic variables (features) and the development of data curation strategies that allow the increase of its analytical robustness. To this end, a model for the sources of variation in LC-MS data was proposed. This model allows the interpretation of the effectiveness of different tools used routinely and allows the design of preprocessing pipelines taking into account the analytical robustness of the data obtained. All the tools developed for MS were implemented in an open source library in the Python programming language, that allows the creation of data analysis pipelines in a quick and reproducible manner. Finally, the thesis describes the design and execution of an untargeted metabolomics study to improve the diagnosis of prostate cancer disease through the analysis of serum samples from patients (and healthy controls) that were collected at the Hospital Italiano de Buenos Aires (n=494). Prostate cancer can develop in many cases without symptoms, and it is the third leading cause of cancer deaths in men worldwide. Currently, the diagnostic method is the quantification of the prostate-specific antigen (PSA) in serum, digital rectal examination and subsequent biopsy in case of suspicion. Although the PSA assay has been and is widely used, questions are raised about the potential benefits and expected harms due to its low specificity and limited sensitivity. In recent years, this context gave rise to the analysis of metabolic profiles for the search for biomarkers of the disease using NMR and MS. The cohort studied in this work included cancer patients whose samples were collected prior to surgery and after surgery, samples from patients with prostatitis, and from healthy individuals. In the analysis of the samples, where all the developments described above were applied, an attempt is made to validate previously reported results, and candidates for biomarkers are proposed based on the results obtained.
Citación:
---------- APA ----------
Riquelme, Gabriel. (2023). Desarrollo de nuevos métodos para automatizar procedimientos en estudios metabolómicos : aplicación al diagnóstico de cáncer de próstata. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/tesis_n7308_Riquelme
---------- CHICAGO ----------
Riquelme, Gabriel. "Desarrollo de nuevos métodos para automatizar procedimientos en estudios metabolómicos : aplicación al diagnóstico de cáncer de próstata". Tesis Doctoral, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2023.https://hdl.handle.net/20.500.12110/tesis_n7308_Riquelme
Estadísticas:
Descargas totales desde :
Descargas mensuales
https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n7308_Riquelme.pdf
