Icono del sitio EMEI

SNPs y sepsis

En el ser humano la mayoría de los genes de las citocinas son polimórficos y esta variabilidad en sus genes determina la complejidad y diversidad de las respuestas individuales frente a la infección (1).

Durante estos últimos años se ha ampliado el conocimiento del genoma humano, ayudando a la tarea de definir la fisiopatología y dar un nuevo enfoque terapéutico al poder permitir una selección individualizada del mejor régimen terapéutico disponible para cada paciente (2). Sin embargo, el enorme número de genes y polimorfismos genéticos dificulta su estudio (3, 4). Además, la mayoría de las enfermedades más comunes y las respuestas variables a fármacos tienen un origen complejo en el cual intervienen factores genéticos y ambientales tal como sucede en la sepsis (5). Se calcula que hay más de 10 millones de variaciones en el genoma y la forma más frecuente de variación con los polimorfismos genéticos de un solo nucleótido (SNPs) que consisten en una sustitución de una base por otra, presentándose con una frecuencia superior al 1% en la población (6). Solo el 20% de los SNPs totales están relacionados con variaciones genéticas de algún gen de interés, representando miles de variaciones genéticas que contribuyen directamente a la diversidad estructural genética humana (6). Cada una de las formas de un gen o marcador como un SNP se denomina alelo y estos diferentes alelos producen variaciones en las características hereditarias. El conocimiento de la importancia de los SNPs en la sepsis tiene dos aplicaciones importantes: a) el diagnostico predictivo que es decisivo para realizar un diagnóstico temprano de evolución de la enfermedad (sepsis severa/sepsis no severa) que permitiría anticiparse con medidas terapéuticas efectivas; y b) la posibilidad de predecir la respuesta de un paciente a un tratamiento determinado aumentando la eficacia y disminuye los efectos secundarios del tratamiento.

En principio, los SNPs no alteran el fenotipo de un individuo pero en determinadas condiciones ambientales pueden afectar a la función génica determinando la susceptibilidad de padecer una enfermedad o la respuesta a un tratamiento farmacológico (2). Así, sería posible determinar qué SNPs se asocian a la sepsis severa para pronosticar su evolución (5). De hecho, ya se han publicado varios estudios en los que se ha investigado la relación de los polimorfismos genéticos con la sepsis; siendo la mayoría de ellos, genes relacionados con el sistema inmune innato y sistema de coagulación y fibrinolisis (7, 8). Algunos de los genes identificados son:

Gen Región del SNPs Alelos Associated disease
TNF-a (9) Promotor 308C/A TNF2: shock séptico
TNF-b (10) Promotor 252G/A TNFB2: sepsis severa
TLR-4 (9, 11) Exon 896A/G Gram-negativo shock séptico
TLR-2 (12) Exon 2258G/T Gram-positivo shock séptico
IL-18 (13) Promotor 607C/A Sepsis
IL-18 (13) Promotor 137G/C Sepsis
IL-6 (14) Promotor 174G/C Sepsis neonatal
IL-10 (14) Promotor 1082G/A Sepsis neonatal
CD14 (14) Promotor 260C/T Sepsis neonatal
CD14 (15) Promotor 159C/T shock séptico

Sin embargo, la combinación de estas moléculas en cada persona determinará distinto grado de respuesta a la sepsis que varía según el polimorfismo de cada gen, especialmente los SNPs que afectan a la cantidad y funcionalidad de la proteína producto. Por tanto, hay que tener en cuenta la interacción de estos genes entre sí aunque se encuentren en distintos cromosomas para producir un fenotipo determinado (epistasia). La epistasia, en genética de poblaciones, hace referencia concretamente a las propiedades estadísticas del fenómeno. Al gen cuyo fenotipo se está expresando se le llama epistático, mientras que al fenotipo alterado o suprimido se le llama hipostático. Este fenómeno puede darse tanto entre genes que segreguen de forma independiente como entre loci que estén ligados; si bien, en el caso de genes ligados variarán las frecuencias fenotípicas esperadas en la descendencia debido a los efectos de la recombinación. El fenotipo final encontrado en el paciente puede ser el reflejo de SNPs que se han heredado juntos durante miles de años de evolución (Haplotipos) y que han evolucionado interaccionando entre ellos (Clados). Además, es posible que durante la evolución se hayan seleccionado distintas interacciones entre haplotipos que podrían aparecer juntas después de miles de años constituyendo clados de haplotipos (5). Todas estas asociaciones van a permitir un análisis más potente a la hora de relacionar el genotipo de un paciente con la susceptibilidad a la enfermedad. Por tanto, un análisis bioinformático y estadístico metódico y riguroso de los datos genéticos puede condicionar la validez de los resultados.

Después de encontrar asociaciones entre SNPs con el evento clínico, es necesaria la construcción y validación de un modelo matemático capaz de predecir el fenotipo clínico. Estos modelos normalmente incluyen a más de un SNPs porque un solo SNPs no contiene la información suficiente para clasificar a los pacientes correctamente (16). Así, la predicción de enfermedades complejas es mejorada considerando múltiples alelos a la vez. Las técnicas estadísticas y bioinformáticas desarrolladas actualmente para la clasificación correcta de los pacientes han evolucionado extraordinariamente en los últimos años. La regresión logística es el método clásico para la combinación lineal de varios genotipos y su interacción (17). Sin embargo estos métodos requieren la enumeración de varios términos de interacción que dificultan su interpretación y aplicación. Cuando el número de SNPs seleccionados es elevado, la alternativa es un modelo computacional más complejo que soporta mayor número de interacciones, como sucede en los algoritmos que utilizan técnicas de algoritmos genéticos y algebra de Boole (GABA), la técnica de factores de la reducción de la dimensionalidad (MDR), o el análisis por redes neuronales (16).

La Bioinformática se ocupa de investigar y desarrollar modelos, métodos y herramientas útiles para el manejo de la enorme cantidad de información disponible en biomedicina, que incluye datos sobre genes, estructuras moleculares, función bioquímica, conducta biológica y su influencia en las enfermedades y en la salud (18). Este enfoque integrador de la información procedente de diversas fuentes se orienta al estudio de las bases genéticas que intervienen en la variación fenotípica humana para así poder determinar la susceptibilidad individual a enfermedades y guiar a una selección eficiente de marcadores para diagnóstico y tratamiento. Mediante el uso y desarrollo de programas y herramientas bioinformáticas se puede analizar información procedente de diferentes bases de datos de secuencias de nucleótidos, proteínas, mutaciones y desordenes genéticos (19) que necesita la investigación biomédica. En los últimos tiempos se están produciendo grandes avances en el desarrollo de herramientas para la identificación de genes y para el almacenamiento, anotación y comparación de secuencias, en lo que se denomina biología in silico (20); participando de una forma decisiva en los grandes proyectos de identificación de SNPs y haplotipos en tareas relacionadas con estudios de asociación genética (21). Actualmente se encuentran disponibles diversas bases de datos de SNPs y haplotipos tanto públicas como privadas entre las que destacan por su importancia la base de datos generada por el Proyecto HapMap (http://snp.cshl.org/cgi-perl/gbrowse/hapmap_B35/) (21) y las generadas por el NCBI (dbSNP) (http://www.ncbi.nlm.nih.gov/entrez/) y el Sanger Centre (Copy number variation project) (http://www.sanger.ac.uk/humgen/cnv/help/). La bioinformática, además, puede facilitar la obtención de conocimiento empleando la información almacenada en diversas bases de datos relacionadas (Biología de Sistemas), como: rutas metabólicas, rutas de señalización y redes genéticas e interacciones (22). El proceso integrado de esta información puede ayudar a realizar estudios asociativos en los que se empleen los SNPs como marcadores para diagnóstico y tratamiento de enfermedades complejas (23).

BIBLIOGRAFÍA MÁS RELEVANTE COMENTADA

1. Arcaroli J, Fessler MB and Abraham E. Genetic polymorphisms and sepsis. Shock. 2005; 24:300-12.

2. Hwang Y, Chen EY, Gu ZJ, et al. Genetic predisposition of responsiveness to therapy for chronic hepatitis C. Pharmacogenomics. 2006; 7:697-709.

3. Osterreicher CH, Stickel F and Brenner DA. Genomics of liver fibrosis and cirrhosis. Semin Liver Dis. 2007; 27:28-43.

4. Bataller R, North KE and Brenner DA. Genetic polymorphisms and the progression of liver fibrosis: a critical appraisal. Hepatology. 2003; 37:493-503.

5. Sutherland AM and Russell JA. Issues with polymorphism analysis in sepsis. Clin Infect Dis. 2005; 41 Suppl 7:S396-402.

6. Gibbs JR and Singleton A. Application of genome-wide single nucleotide polymorphism typing: simple association and beyond. PLoS Genet. 2006; 2:e150.

7. Verstak B, Hertzog P and Mansell A. Toll-like receptor signalling and the clinical benefits that lie within. Inflamm Res. 2007; 56:1-10.

8. Barber RC, Chang LY, Purdue GF, et al. Detecting genetic predisposition for complicated clinical outcomes after burn injury. Burns. 2006; 32:821-7.

9. Barber RC, Aragaki CC, Rivera-Chavez FA, Purdue GF, Hunt JL and Horton JW. TLR4 and TNF-alpha polymorphisms are associated with an increased risk for severe sepsis following burn injury. J Med Genet. 2004; 41:808-13.

10. Majetschak M, Obertacke U, Schade FU, et al. Tumor necrosis factor gene polymorphisms, leukocyte function, and sepsis susceptibility in blunt trauma patients. Clin Diagn Lab Immunol. 2002; 9:1205-11.

11. Lorenz E, Mira JP, Frees KL and Schwartz DA. Relevance of mutations in the TLR4 receptor in patients with gram-negative septic shock. Arch Intern Med. 2002; 162:1028-32.

12. Lorenz E, Mira JP, Cornish KL, Arbour NC and Schwartz DA. A novel polymorphism in the toll-like receptor 2 gene and its potential association with staphylococcal infection. Infect Immun. 2000; 68:6398-401.

13. Stassen NA, Breit CM, Norfleet LA and Polk HC, Jr. IL-18 promoter polymorphisms correlate with the development of post-injury sepsis. Surgery. 2003; 134:351-6.

14. Baier RJ, Loggins J and Yanamandra K. IL-10, IL-6 and CD14 polymorphisms and sepsis outcome in ventilated very low birth weight infants. BMC Med. 2006; 4:10.

15. Barber RC, Aragaki CC, Chang LY, et al. CD14-159 C allele is associated with increased risk of mortality after burn injury. Shock. 2007; 27:232-7.

16. Liang KH, Hwang Y, Shao WC and Chen EY. An algorithm for model construction and its applications to pharmacogenomic studies. J Hum Genet. 2006; 51:751-9.

17. Cordell HJ and Clayton DG. A unified stepwise regression procedure for evaluating the relative effects of polymorphisms within a gene using case/control or family data: application to HLA in type 1 diabetes. Am J Hum Genet. 2002; 70:124-41.

18. Maojo V and Martin-Sanchez F. Bioinformatics: towards new directions for public health. Methods Inf Med. 2004; 43:208-14.

19. Galperin MY. The Molecular Biology Database Collection: 2006 update. Nucleic Acids Res. 2006; 34:D3-5.

20. Di Ventura B, Lemerle C, Michalodimitrakis K and Serrano L. From in vivo to in silico biology and back. Nature. 2006; 443:527-33.

21. Teufel A, Krupp M, Weinmann A and Galle PR. Current bioinformatics tools in genomic biomedical research (Review). Int J Mol Med. 2006; 17:967-73.

22. Kitano H. Systems biology: a brief overview. Science. 2002; 295:1662-4.

23. Ribas G, Gonzalez-Neira A, Salas A, et al. Evaluating HapMap SNP data transferability in a large-scale genotyping project involving 175 cancer-associated genes. Hum Genet. 2006; 118:669-79.

Salir de la versión móvil