BR112017004773B1 - Biomarcadores para avaliação do câncer de mama - Google Patents
Biomarcadores para avaliação do câncer de mama Download PDFInfo
- Publication number
- BR112017004773B1 BR112017004773B1 BR112017004773-0A BR112017004773A BR112017004773B1 BR 112017004773 B1 BR112017004773 B1 BR 112017004773B1 BR 112017004773 A BR112017004773 A BR 112017004773A BR 112017004773 B1 BR112017004773 B1 BR 112017004773B1
- Authority
- BR
- Brazil
- Prior art keywords
- breast cancer
- metabolites
- biomarkers
- phosphatidylcholine
- acylalkyl
- Prior art date
Links
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 166
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 165
- 239000000090 biomarker Substances 0.000 title claims abstract description 96
- 239000002207 metabolite Substances 0.000 claims abstract description 121
- ZDXPYRJPNDTMRX-VKHMYHEASA-N L-glutamine Chemical compound OC(=O)[C@@H](N)CCC(N)=O ZDXPYRJPNDTMRX-VKHMYHEASA-N 0.000 claims abstract description 64
- 150000002632 lipids Chemical class 0.000 claims abstract description 52
- 210000004369 blood Anatomy 0.000 claims abstract description 43
- 239000008280 blood Substances 0.000 claims abstract description 43
- ZDXPYRJPNDTMRX-UHFFFAOYSA-N glutamine Natural products OC(=O)C(N)CCC(N)=O ZDXPYRJPNDTMRX-UHFFFAOYSA-N 0.000 claims abstract description 43
- MTCFGRXMJLQNBG-REOHCLBHSA-N (2S)-2-Amino-3-hydroxypropansäure Chemical compound OC[C@H](N)C(O)=O MTCFGRXMJLQNBG-REOHCLBHSA-N 0.000 claims abstract description 42
- WHUUTDBJXJRKMK-VKHMYHEASA-N L-glutamic acid Chemical compound OC(=O)[C@@H](N)CCC(O)=O WHUUTDBJXJRKMK-VKHMYHEASA-N 0.000 claims abstract description 37
- 150000001413 amino acids Chemical class 0.000 claims abstract description 36
- MTCFGRXMJLQNBG-UHFFFAOYSA-N Serine Natural products OCC(N)C(O)=O MTCFGRXMJLQNBG-UHFFFAOYSA-N 0.000 claims abstract description 27
- 229930195712 glutamate Natural products 0.000 claims abstract description 25
- -1 acylalkyl phosphatidylcholine Chemical compound 0.000 claims description 67
- 238000011160 research Methods 0.000 claims description 32
- 238000003745 diagnosis Methods 0.000 claims description 18
- 238000004611 spectroscopical analysis Methods 0.000 claims description 12
- 238000005481 NMR spectroscopy Methods 0.000 claims description 8
- 150000003408 sphingolipids Chemical class 0.000 claims description 8
- 238000004587 chromatography analysis Methods 0.000 claims description 7
- 238000004128 high performance liquid chromatography Methods 0.000 claims description 7
- 229920006395 saturated elastomer Polymers 0.000 claims description 7
- 150000002313 glycerolipids Chemical class 0.000 claims description 5
- 150000002500 ions Chemical class 0.000 claims description 4
- 238000001195 ultra high performance liquid chromatography Methods 0.000 claims description 4
- JXVUHLILXGZLFR-DNQSNQRASA-N Glutaconylcarnitine Chemical compound C[N+](C)(C)C[C@H](CC([O-])=O)OC(=O)\C=C\CC(O)=O JXVUHLILXGZLFR-DNQSNQRASA-N 0.000 claims description 3
- 238000005040 ion trap Methods 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 206010028980 Neoplasm Diseases 0.000 abstract description 121
- 238000000034 method Methods 0.000 abstract description 82
- 238000002512 chemotherapy Methods 0.000 abstract description 32
- 230000002503 metabolic effect Effects 0.000 abstract description 26
- 230000000694 effects Effects 0.000 abstract description 23
- 230000004797 therapeutic response Effects 0.000 abstract description 16
- 239000012472 biological sample Substances 0.000 abstract description 13
- 238000012216 screening Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 56
- 230000004044 response Effects 0.000 description 56
- 230000035945 sensitivity Effects 0.000 description 43
- 201000010099 disease Diseases 0.000 description 38
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 38
- 229940024606 amino acid Drugs 0.000 description 34
- 235000001014 amino acid Nutrition 0.000 description 34
- 238000012360 testing method Methods 0.000 description 32
- 238000010200 validation analysis Methods 0.000 description 29
- 238000002474 experimental method Methods 0.000 description 28
- 239000000523 sample Substances 0.000 description 25
- 229960001153 serine Drugs 0.000 description 25
- 101001012157 Homo sapiens Receptor tyrosine-protein kinase erbB-2 Proteins 0.000 description 22
- 102100030086 Receptor tyrosine-protein kinase erbB-2 Human genes 0.000 description 22
- 229940049906 glutamate Drugs 0.000 description 21
- 230000001575 pathological effect Effects 0.000 description 21
- MEFKEPWMEQBLKI-AIRLBKTGSA-O S-adenosyl-L-methionine Chemical compound O[C@@H]1[C@H](O)[C@@H](C[S+](CC[C@H]([NH3+])C([O-])=O)C)O[C@H]1N1C2=NC=NC(N)=C2N=C1 MEFKEPWMEQBLKI-AIRLBKTGSA-O 0.000 description 20
- 201000011510 cancer Diseases 0.000 description 16
- 125000004432 carbon atom Chemical group C* 0.000 description 16
- DHMQDGOQFOQNFH-UHFFFAOYSA-N Glycine Chemical compound NCC(O)=O DHMQDGOQFOQNFH-UHFFFAOYSA-N 0.000 description 14
- 208000026534 luminal B breast carcinoma Diseases 0.000 description 14
- RYCNUMLMNKHWPZ-SNVBAGLBSA-N 1-acetyl-sn-glycero-3-phosphocholine Chemical compound CC(=O)OC[C@@H](O)COP([O-])(=O)OCC[N+](C)(C)C RYCNUMLMNKHWPZ-SNVBAGLBSA-N 0.000 description 13
- 238000011227 neoadjuvant chemotherapy Methods 0.000 description 13
- 230000001431 metabolomic effect Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 102000015694 estrogen receptors Human genes 0.000 description 11
- 108010038795 estrogen receptors Proteins 0.000 description 11
- 102000003998 progesterone receptors Human genes 0.000 description 11
- 108090000468 progesterone receptors Proteins 0.000 description 11
- 208000026535 luminal A breast carcinoma Diseases 0.000 description 10
- 238000002705 metabolomic analysis Methods 0.000 description 10
- 230000002250 progressing effect Effects 0.000 description 10
- 238000009607 mammography Methods 0.000 description 9
- WTJKGGKOPKCXLL-RRHRGVEJSA-N phosphatidylcholine Chemical compound CCCCCCCCCCCCCCCC(=O)OC[C@H](COP([O-])(=O)OCC[N+](C)(C)C)OC(=O)CCCCCCCC=CCCCCCCCC WTJKGGKOPKCXLL-RRHRGVEJSA-N 0.000 description 9
- 102100032231 Caveolae-associated protein 2 Human genes 0.000 description 8
- 101000869050 Homo sapiens Caveolae-associated protein 2 Proteins 0.000 description 8
- CKLJMWTZIZZHCS-REOHCLBHSA-N L-aspartic acid Chemical compound OC(=O)[C@@H](N)CC(O)=O CKLJMWTZIZZHCS-REOHCLBHSA-N 0.000 description 8
- 229940009098 aspartate Drugs 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 8
- 150000002327 glycerophospholipids Chemical class 0.000 description 8
- 210000002381 plasma Anatomy 0.000 description 8
- 238000002560 therapeutic procedure Methods 0.000 description 8
- 239000004471 Glycine Substances 0.000 description 7
- QNAYBMKLOCPYGJ-REOHCLBHSA-N L-alanine Chemical compound C[C@H](N)C(O)=O QNAYBMKLOCPYGJ-REOHCLBHSA-N 0.000 description 7
- 125000005354 acylalkyl group Chemical group 0.000 description 7
- 229960003767 alanine Drugs 0.000 description 7
- 235000004279 alanine Nutrition 0.000 description 7
- 230000000035 biogenic effect Effects 0.000 description 7
- 210000000481 breast Anatomy 0.000 description 7
- 150000004665 fatty acids Chemical class 0.000 description 7
- 229960002449 glycine Drugs 0.000 description 7
- 238000004949 mass spectrometry Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000011282 treatment Methods 0.000 description 7
- 239000004475 Arginine Substances 0.000 description 6
- ODKSFYDXXFIFQN-BYPYZUCNSA-P L-argininium(2+) Chemical compound NC(=[NH2+])NCCC[C@H]([NH3+])C(O)=O ODKSFYDXXFIFQN-BYPYZUCNSA-P 0.000 description 6
- 150000001412 amines Chemical class 0.000 description 6
- YZXBAPSDXZZRGB-DOFZRALJSA-N arachidonic acid Chemical compound CCCCC\C=C/C\C=C/C\C=C/C\C=C/CCCC(O)=O YZXBAPSDXZZRGB-DOFZRALJSA-N 0.000 description 6
- 229960003121 arginine Drugs 0.000 description 6
- ODKSFYDXXFIFQN-UHFFFAOYSA-N arginine Natural products OC(=O)C(N)CCCNC(N)=N ODKSFYDXXFIFQN-UHFFFAOYSA-N 0.000 description 6
- 235000009697 arginine Nutrition 0.000 description 6
- 150000001483 arginine derivatives Chemical class 0.000 description 6
- 229940079593 drug Drugs 0.000 description 6
- 239000003814 drug Substances 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 150000002306 glutamic acid derivatives Chemical class 0.000 description 6
- KIDHWZJUCRJVML-UHFFFAOYSA-N putrescine Chemical compound NCCCCN KIDHWZJUCRJVML-UHFFFAOYSA-N 0.000 description 6
- PFNFFQXMRSDOHW-UHFFFAOYSA-N spermine Chemical compound NCCCNCCCCNCCCN PFNFFQXMRSDOHW-UHFFFAOYSA-N 0.000 description 6
- ROHFNLRQFUQHCH-YFKPBYRVSA-N L-leucine Chemical compound CC(C)C[C@H](N)C(O)=O ROHFNLRQFUQHCH-YFKPBYRVSA-N 0.000 description 5
- ROHFNLRQFUQHCH-UHFFFAOYSA-N Leucine Natural products CC(C)CC(N)C(O)=O ROHFNLRQFUQHCH-UHFFFAOYSA-N 0.000 description 5
- 150000001875 compounds Chemical class 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 5
- 229960002743 glutamine Drugs 0.000 description 5
- 229960003136 leucine Drugs 0.000 description 5
- 238000000491 multivariate analysis Methods 0.000 description 5
- 208000037821 progressive disease Diseases 0.000 description 5
- 238000001356 surgical procedure Methods 0.000 description 5
- QZZGJDVWLFXDLK-UHFFFAOYSA-N tetracosanoic acid Chemical compound CCCCCCCCCCCCCCCCCCCCCCCC(O)=O QZZGJDVWLFXDLK-UHFFFAOYSA-N 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- VJPIDPQNAYWULC-INIZCTEOSA-N (4S)-4-[(11-Carboxyundecanoyl)oxy]-4-(trimethylammonio)butanoate Chemical compound [O-]C(=O)CC[C@@H]([N+](C)(C)C)OC(=O)CCCCCCCCCCC(O)=O VJPIDPQNAYWULC-INIZCTEOSA-N 0.000 description 4
- MZDGVRYVGYDNAO-KETLZHFASA-N 1-[(9Z)-hexadecenyl]-2-[(9Z)-hexadecenoyl]-sn-glycero-3-phosphocholine Chemical compound CCCCCC\C=C/CCCCCCCCOC[C@H](COP([O-])(=O)OCC[N+](C)(C)C)OC(=O)CCCCCCC\C=C/CCCCCC MZDGVRYVGYDNAO-KETLZHFASA-N 0.000 description 4
- BYMZZQJJOHDZOU-DIPNUNPCSA-N 1-tetradecyl-2-hexadecanoyl-sn-glycero-3-phosphocholine Chemical compound CCCCCCCCCCCCCCCC(=O)O[C@@H](COP([O-])(=O)OCC[N+](C)(C)C)COCCCCCCCCCCCCCC BYMZZQJJOHDZOU-DIPNUNPCSA-N 0.000 description 4
- DCXYFEDJOCDNAF-UHFFFAOYSA-N Asparagine Natural products OC(=O)C(N)CC(N)=O DCXYFEDJOCDNAF-UHFFFAOYSA-N 0.000 description 4
- 206010061818 Disease progression Diseases 0.000 description 4
- AOJJSUZBOXZQNB-TZSSRYMLSA-N Doxorubicin Chemical compound O([C@H]1C[C@@](O)(CC=2C(O)=C3C(=O)C=4C=CC=C(C=4C(=O)C3=C(O)C=21)OC)C(=O)CO)[C@H]1C[C@H](N)[C@H](O)[C@H](C)O1 AOJJSUZBOXZQNB-TZSSRYMLSA-N 0.000 description 4
- AHLPHDHHMVZTML-BYPYZUCNSA-N L-Ornithine Chemical class NCCC[C@H](N)C(O)=O AHLPHDHHMVZTML-BYPYZUCNSA-N 0.000 description 4
- DCXYFEDJOCDNAF-REOHCLBHSA-N L-asparagine Chemical compound OC(=O)[C@@H](N)CC(N)=O DCXYFEDJOCDNAF-REOHCLBHSA-N 0.000 description 4
- KDXKERNSBIXSRK-YFKPBYRVSA-N L-lysine Chemical compound NCCCC[C@H](N)C(O)=O KDXKERNSBIXSRK-YFKPBYRVSA-N 0.000 description 4
- KDXKERNSBIXSRK-UHFFFAOYSA-N Lysine Natural products NCCCCC(N)C(O)=O KDXKERNSBIXSRK-UHFFFAOYSA-N 0.000 description 4
- 239000004472 Lysine Substances 0.000 description 4
- RHGKLRLOHDJJDR-UHFFFAOYSA-N Ndelta-carbamoyl-DL-ornithine Natural products OC(=O)C(N)CCCNC(N)=O RHGKLRLOHDJJDR-UHFFFAOYSA-N 0.000 description 4
- 229960001230 asparagine Drugs 0.000 description 4
- 235000009582 asparagine Nutrition 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 229960002173 citrulline Drugs 0.000 description 4
- 235000013477 citrulline Nutrition 0.000 description 4
- 235000014113 dietary fatty acids Nutrition 0.000 description 4
- 230000005750 disease progression Effects 0.000 description 4
- 230000002255 enzymatic effect Effects 0.000 description 4
- 229930195729 fatty acid Natural products 0.000 description 4
- 239000000194 fatty acid Substances 0.000 description 4
- 150000002308 glutamine derivatives Chemical class 0.000 description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N glycerol group Chemical group OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 4
- 150000002402 hexoses Chemical class 0.000 description 4
- 229960003646 lysine Drugs 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000004393 prognosis Methods 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 102000005962 receptors Human genes 0.000 description 4
- 108020003175 receptors Proteins 0.000 description 4
- 150000003355 serines Chemical class 0.000 description 4
- RHGKLRLOHDJJDR-BYPYZUCNSA-N L-citrulline Chemical compound NC(=O)NCCC[C@H]([NH3+])C([O-])=O RHGKLRLOHDJJDR-BYPYZUCNSA-N 0.000 description 3
- AGPKZVBTJJNPAG-WHFBIAKZSA-N L-isoleucine Chemical compound CC[C@H](C)[C@H](N)C(O)=O AGPKZVBTJJNPAG-WHFBIAKZSA-N 0.000 description 3
- FFEARJCKVFRZRR-BYPYZUCNSA-N L-methionine Chemical compound CSCC[C@H](N)C(O)=O FFEARJCKVFRZRR-BYPYZUCNSA-N 0.000 description 3
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 3
- QIVBCDIJIAJPQS-VIFPVBQESA-N L-tryptophane Chemical compound C1=CC=C2C(C[C@H](N)C(O)=O)=CNC2=C1 QIVBCDIJIAJPQS-VIFPVBQESA-N 0.000 description 3
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 description 3
- NXJAXUYOQLTISD-SECBINFHSA-N O-glutaroyl-L-carnitine Chemical compound C[N+](C)(C)C[C@@H](CC([O-])=O)OC(=O)CCCC(O)=O NXJAXUYOQLTISD-SECBINFHSA-N 0.000 description 3
- AHLPHDHHMVZTML-UHFFFAOYSA-N Orn-delta-NH2 Natural products NCCCC(N)C(O)=O AHLPHDHHMVZTML-UHFFFAOYSA-N 0.000 description 3
- UTJLXEIPEHZYQJ-UHFFFAOYSA-N Ornithine Natural products OC(=O)C(C)CCCN UTJLXEIPEHZYQJ-UHFFFAOYSA-N 0.000 description 3
- 239000005700 Putrescine Substances 0.000 description 3
- AYFVYJQAPQTCCC-UHFFFAOYSA-N Threonine Natural products CC(O)C(N)C(O)=O AYFVYJQAPQTCCC-UHFFFAOYSA-N 0.000 description 3
- 239000004473 Threonine Substances 0.000 description 3
- QIVBCDIJIAJPQS-UHFFFAOYSA-N Tryptophan Natural products C1=CC=C2C(CC(N)C(O)=O)=CNC2=C1 QIVBCDIJIAJPQS-UHFFFAOYSA-N 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 229940114079 arachidonic acid Drugs 0.000 description 3
- 235000021342 arachidonic acid Nutrition 0.000 description 3
- 238000005842 biochemical reaction Methods 0.000 description 3
- 238000013211 curve analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004401 flow injection analysis Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 229960000310 isoleucine Drugs 0.000 description 3
- AGPKZVBTJJNPAG-UHFFFAOYSA-N isoleucine Natural products CCC(C)C(N)C(O)=O AGPKZVBTJJNPAG-UHFFFAOYSA-N 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 229930182817 methionine Natural products 0.000 description 3
- 229960004452 methionine Drugs 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 229960003104 ornithine Drugs 0.000 description 3
- 238000010239 partial least squares discriminant analysis Methods 0.000 description 3
- 235000018102 proteins Nutrition 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 150000003384 small molecules Chemical class 0.000 description 3
- 229940063675 spermine Drugs 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 229960002898 threonine Drugs 0.000 description 3
- 229960004799 tryptophan Drugs 0.000 description 3
- QAJHSBCVZSSXCM-UHFFFAOYSA-N 3,8-dihydroxy-4,8-dioxo-3-[1-(trimethylazaniumyl)ethyl]octanoate Chemical compound CC(C(O)(CC([O-])=O)C(CCCC(=O)O)=O)[N+](C)(C)C QAJHSBCVZSSXCM-UHFFFAOYSA-N 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 2
- 108010049831 Alkylglycerone-phosphate synthase Proteins 0.000 description 2
- RTZKZFJDLAIYFH-UHFFFAOYSA-N Diethyl ether Chemical compound CCOCC RTZKZFJDLAIYFH-UHFFFAOYSA-N 0.000 description 2
- 102000015303 Fatty Acid Synthases Human genes 0.000 description 2
- 108010039731 Fatty Acid Synthases Proteins 0.000 description 2
- BDAGIHXWWSANSR-UHFFFAOYSA-N Formic acid Chemical compound OC=O BDAGIHXWWSANSR-UHFFFAOYSA-N 0.000 description 2
- XUJNEKJLAYXESH-REOHCLBHSA-N L-Cysteine Chemical compound SC[C@H](N)C(O)=O XUJNEKJLAYXESH-REOHCLBHSA-N 0.000 description 2
- ONIBWKKTOPOVIA-BYPYZUCNSA-N L-Proline Chemical compound OC(=O)[C@@H]1CCCN1 ONIBWKKTOPOVIA-BYPYZUCNSA-N 0.000 description 2
- HNDVDQJCIGZPNO-YFKPBYRVSA-N L-histidine Chemical compound OC(=O)[C@@H](N)CC1=CN=CN1 HNDVDQJCIGZPNO-YFKPBYRVSA-N 0.000 description 2
- QEFRNWWLZKMPFJ-ZXPFJRLXSA-N L-methionine (R)-S-oxide Chemical compound C[S@@](=O)CC[C@H]([NH3+])C([O-])=O QEFRNWWLZKMPFJ-ZXPFJRLXSA-N 0.000 description 2
- QEFRNWWLZKMPFJ-UHFFFAOYSA-N L-methionine sulphoxide Natural products CS(=O)CCC(N)C(O)=O QEFRNWWLZKMPFJ-UHFFFAOYSA-N 0.000 description 2
- COLNVLDHVKWLRT-QMMMGPOBSA-N L-phenylalanine Chemical compound OC(=O)[C@@H](N)CC1=CC=CC=C1 COLNVLDHVKWLRT-QMMMGPOBSA-N 0.000 description 2
- OUYCCCASQSFEME-QMMMGPOBSA-N L-tyrosine Chemical compound OC(=O)[C@@H](N)CC1=CC=C(O)C=C1 OUYCCCASQSFEME-QMMMGPOBSA-N 0.000 description 2
- 229930012538 Paclitaxel Natural products 0.000 description 2
- ONIBWKKTOPOVIA-UHFFFAOYSA-N Proline Natural products OC(=O)C1CCCN1 ONIBWKKTOPOVIA-UHFFFAOYSA-N 0.000 description 2
- LOUPRKONTZGTKE-WZBLMQSHSA-N Quinine Chemical compound C([C@H]([C@H](C1)C=C)C2)C[N@@]1[C@@H]2[C@H](O)C1=CC=NC2=CC=C(OC)C=C21 LOUPRKONTZGTKE-WZBLMQSHSA-N 0.000 description 2
- NKANXQFJJICGDU-QPLCGJKRSA-N Tamoxifen Chemical compound C=1C=CC=CC=1C(/CC)=C(C=1C=CC(OCCN(C)C)=CC=1)/C1=CC=CC=C1 NKANXQFJJICGDU-QPLCGJKRSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 239000013060 biological fluid Substances 0.000 description 2
- 231100000504 carcinogenesis Toxicity 0.000 description 2
- 229960004203 carnitine Drugs 0.000 description 2
- 210000005056 cell body Anatomy 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000009104 chemotherapy regimen Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 229960002433 cysteine Drugs 0.000 description 2
- 235000018417 cysteine Nutrition 0.000 description 2
- XUJNEKJLAYXESH-UHFFFAOYSA-N cysteine Natural products SCC(N)C(O)=O XUJNEKJLAYXESH-UHFFFAOYSA-N 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011985 exploratory data analysis Methods 0.000 description 2
- 230000004136 fatty acid synthesis Effects 0.000 description 2
- 230000003087 glucogenic effect Effects 0.000 description 2
- HNDVDQJCIGZPNO-UHFFFAOYSA-N histidine Natural products OC(=O)C(N)CC1=CN=CN1 HNDVDQJCIGZPNO-UHFFFAOYSA-N 0.000 description 2
- 230000002361 ketogenic effect Effects 0.000 description 2
- 210000001165 lymph node Anatomy 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- 238000009099 neoadjuvant therapy Methods 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 238000011275 oncology therapy Methods 0.000 description 2
- 229960001592 paclitaxel Drugs 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 238000001558 permutation test Methods 0.000 description 2
- 230000009120 phenotypic response Effects 0.000 description 2
- 229960005190 phenylalanine Drugs 0.000 description 2
- COLNVLDHVKWLRT-UHFFFAOYSA-N phenylalanine Natural products OC(=O)C(N)CC1=CC=CC=C1 COLNVLDHVKWLRT-UHFFFAOYSA-N 0.000 description 2
- 235000020777 polyunsaturated fatty acids Nutrition 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 229960002429 proline Drugs 0.000 description 2
- 235000013930 proline Nutrition 0.000 description 2
- 238000001959 radiotherapy Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 210000002966 serum Anatomy 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000012353 t test Methods 0.000 description 2
- 238000004885 tandem mass spectrometry Methods 0.000 description 2
- RCINICONZNJXQF-MZXODVADSA-N taxol Chemical compound O([C@@H]1[C@@]2(C[C@@H](C(C)=C(C2(C)C)[C@H](C([C@]2(C)[C@@H](O)C[C@H]3OC[C@]3([C@H]21)OC(C)=O)=O)OC(=O)C)OC(=O)[C@H](O)[C@@H](NC(=O)C=1C=CC=CC=1)C=1C=CC=CC=1)O)C(=O)C1=CC=CC=C1 RCINICONZNJXQF-MZXODVADSA-N 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 229960004441 tyrosine Drugs 0.000 description 2
- OUYCCCASQSFEME-UHFFFAOYSA-N tyrosine Natural products OC(=O)C(N)CC1=CC=C(O)C=C1 OUYCCCASQSFEME-UHFFFAOYSA-N 0.000 description 2
- 230000003827 upregulation Effects 0.000 description 2
- PHIQHXFUZVPYII-ZCFIWIBFSA-O (R)-carnitinium Chemical compound C[N+](C)(C)C[C@H](O)CC(O)=O PHIQHXFUZVPYII-ZCFIWIBFSA-O 0.000 description 1
- ASWBNKHCZGQVJV-HSZRJFAPSA-N 1-hexadecanoyl-sn-glycero-3-phosphocholine Chemical compound CCCCCCCCCCCCCCCC(=O)OC[C@@H](O)COP([O-])(=O)OCC[N+](C)(C)C ASWBNKHCZGQVJV-HSZRJFAPSA-N 0.000 description 1
- LRYZPFWEZHSTHD-HEFFAWAOSA-O 2-[[(e,2s,3r)-2-formamido-3-hydroxyoctadec-4-enoxy]-hydroxyphosphoryl]oxyethyl-trimethylazanium Chemical class CCCCCCCCCCCCC\C=C\[C@@H](O)[C@@H](NC=O)COP(O)(=O)OCC[N+](C)(C)C LRYZPFWEZHSTHD-HEFFAWAOSA-O 0.000 description 1
- 102100025142 Beta-microseminoprotein Human genes 0.000 description 1
- 208000005623 Carcinogenesis Diseases 0.000 description 1
- 241000700199 Cavia porcellus Species 0.000 description 1
- 235000001258 Cinchona calisaya Nutrition 0.000 description 1
- 206010009944 Colon cancer Diseases 0.000 description 1
- CMSMOCZEIVJLDB-UHFFFAOYSA-N Cyclophosphamide Chemical compound ClCCN(CCCl)P1(=O)NCCCO1 CMSMOCZEIVJLDB-UHFFFAOYSA-N 0.000 description 1
- 108020004414 DNA Proteins 0.000 description 1
- 206010059866 Drug resistance Diseases 0.000 description 1
- 101150029707 ERBB2 gene Proteins 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 102000009127 Glutaminase Human genes 0.000 description 1
- 108010073324 Glutaminase Proteins 0.000 description 1
- 101000576812 Homo sapiens Beta-microseminoprotein Proteins 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 102000008135 Mechanistic Target of Rapamycin Complex 1 Human genes 0.000 description 1
- 108010035196 Mechanistic Target of Rapamycin Complex 1 Proteins 0.000 description 1
- 102000008299 Nitric Oxide Synthase Human genes 0.000 description 1
- 108010021487 Nitric Oxide Synthase Proteins 0.000 description 1
- 206010061902 Pancreatic neoplasm Diseases 0.000 description 1
- 208000007660 Residual Neoplasm Diseases 0.000 description 1
- 208000005718 Stomach Neoplasms Diseases 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 125000002252 acyl group Chemical group 0.000 description 1
- 229940009456 adriamycin Drugs 0.000 description 1
- 230000006536 aerobic glycolysis Effects 0.000 description 1
- 125000000217 alkyl group Chemical group 0.000 description 1
- DTOSIQBPPRVQHS-PDBXOOCHSA-N alpha-linolenic acid Chemical compound CC\C=C/C\C=C/C\C=C/CCCCCCCC(O)=O DTOSIQBPPRVQHS-PDBXOOCHSA-N 0.000 description 1
- 235000020661 alpha-linolenic acid Nutrition 0.000 description 1
- 125000003277 amino group Chemical group 0.000 description 1
- VZTDIZULWFCMLS-UHFFFAOYSA-N ammonium formate Chemical compound [NH4+].[O-]C=O VZTDIZULWFCMLS-UHFFFAOYSA-N 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 239000000427 antigen Substances 0.000 description 1
- 108091007433 antigens Proteins 0.000 description 1
- 102000036639 antigens Human genes 0.000 description 1
- 239000003886 aromatase inhibitor Substances 0.000 description 1
- 229940046844 aromatase inhibitors Drugs 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000000065 atmospheric pressure chemical ionisation Methods 0.000 description 1
- 210000001099 axilla Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 125000004369 butenyl group Chemical group C(=CCC)* 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000036952 cancer formation Effects 0.000 description 1
- 238000005251 capillar electrophoresis Methods 0.000 description 1
- 239000011203 carbon fibre reinforced carbon Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000004663 cell proliferation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000019522 cellular metabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- LOUPRKONTZGTKE-UHFFFAOYSA-N cinchonine Natural products C1C(C(C2)C=C)CCN2C1C(O)C1=CC=NC2=CC=C(OC)C=C21 LOUPRKONTZGTKE-UHFFFAOYSA-N 0.000 description 1
- DQLATGHUWYMOKM-UHFFFAOYSA-L cisplatin Chemical compound N[Pt](N)(Cl)Cl DQLATGHUWYMOKM-UHFFFAOYSA-L 0.000 description 1
- 229960004316 cisplatin Drugs 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 208000029742 colonic neoplasm Diseases 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 229960004397 cyclophosphamide Drugs 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006114 decarboxylation reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003795 desorption Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000003828 downregulation Effects 0.000 description 1
- 229960004679 doxorubicin Drugs 0.000 description 1
- 230000000857 drug effect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000002101 electrospray ionisation tandem mass spectrometry Methods 0.000 description 1
- 150000002148 esters Chemical class 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 206010017758 gastric cancer Diseases 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- SDUQYLNIPVEERB-QPPQHZFASA-N gemcitabine Chemical compound O=C1N=C(N)C=CN1[C@H]1C(F)(F)[C@H](O)[C@@H](CO)O1 SDUQYLNIPVEERB-QPPQHZFASA-N 0.000 description 1
- 229960005277 gemcitabine Drugs 0.000 description 1
- 230000023266 generation of precursor metabolites and energy Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000034659 glycolysis Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000013537 high throughput screening Methods 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 238000001794 hormone therapy Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010829 isocratic elution Methods 0.000 description 1
- 229960004488 linolenic acid Drugs 0.000 description 1
- KQQKGWQCNNTQJW-UHFFFAOYSA-N linolenic acid Natural products CC=CCCC=CCC=CCCCCCCCC(O)=O KQQKGWQCNNTQJW-UHFFFAOYSA-N 0.000 description 1
- 238000004811 liquid chromatography Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 208000015486 malignant pancreatic neoplasm Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000000816 matrix-assisted laser desorption--ionisation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000010436 membrane biogenesis Effects 0.000 description 1
- 230000004066 metabolic change Effects 0.000 description 1
- 230000037353 metabolic pathway Effects 0.000 description 1
- 238000006241 metabolic reaction Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 244000309715 mini pig Species 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002552 multiple reaction monitoring Methods 0.000 description 1
- 238000002545 neutral loss scan Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 231100000590 oncogenic Toxicity 0.000 description 1
- 230000002246 oncogenic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 201000002528 pancreatic cancer Diseases 0.000 description 1
- 208000008443 pancreatic carcinoma Diseases 0.000 description 1
- 230000001717 pathogenic effect Effects 0.000 description 1
- 230000001991 pathophysiological effect Effects 0.000 description 1
- 238000003068 pathway analysis Methods 0.000 description 1
- 150000008105 phosphatidylcholines Chemical class 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 238000002541 precursor ion scan Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000002540 product ion scan Methods 0.000 description 1
- 230000002062 proliferating effect Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000004952 protein activity Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000010833 quantitative mass spectrometry Methods 0.000 description 1
- 229960000948 quinine Drugs 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 201000008261 skin carcinoma Diseases 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 201000011549 stomach cancer Diseases 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 229960001603 tamoxifen Drugs 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 230000008791 toxic response Effects 0.000 description 1
- 230000002110 toxicologic effect Effects 0.000 description 1
- 231100000027 toxicology Toxicity 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 229960000575 trastuzumab Drugs 0.000 description 1
- 238000011277 treatment modality Methods 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
- G01N33/57407—Specifically defined cancers
- G01N33/57415—Specifically defined cancers of breast
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/41—Detecting, measuring or recording for evaluating the immune or lymphatic systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/53—Immunoassay; Biospecific binding assay; Materials therefor
- G01N33/574—Immunoassay; Biospecific binding assay; Materials therefor for cancer
- G01N33/57484—Immunoassay; Biospecific binding assay; Materials therefor for cancer involving compounds serving as markers for tumor, cancer, neoplasia, e.g. cellular determinants, receptors, heat shock/stress proteins, A-protein, oligosaccharides, metabolites
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
- G01N2333/435—Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
- G01N2333/705—Assays involving receptors, cell surface antigens or cell surface determinants
- G01N2333/71—Assays involving receptors, cell surface antigens or cell surface determinants for growth factors; for growth regulators
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
- G01N2333/90—Enzymes; Proenzymes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2570/00—Omics, e.g. proteomics, glycomics or lipidomics; Methods of analysis focusing on the entire complement of classes of biological molecules or subsets thereof, i.e. focusing on proteomes, glycomes or lipidomes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/50—Determining the risk of developing a disease
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2800/00—Detection or diagnosis of diseases
- G01N2800/52—Predicting or monitoring the response to treatment, e.g. for selection of therapy based on assay results in personalised medicine; Prognosis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/68—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving proteins, peptides or amino acids
- G01N33/6803—General methods of protein analysis not limited to specific proteins or families of proteins
- G01N33/6806—Determination of free amino acids
- G01N33/6812—Assays for specific amino acids
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
- G01N33/92—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving lipids, e.g. cholesterol, lipoproteins, or their receptors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10T—TECHNICAL SUBJECTS COVERED BY FORMER US CLASSIFICATION
- Y10T436/00—Chemistry: analytical and immunological testing
- Y10T436/24—Nuclear magnetic resonance, electron spin resonance or other spin effects or mass spectrometry
Abstract
BIOMARCADORES PARA AVALIAÇÃO DO CÂNCER DE MAMA. A presente invenção refere-se a um conjunto de biomarcadores metabólicos para uso na avaliação de câncer de mama em um indivíduo mamífero. Em particular, a invenção refere-se a um conjunto de biomarcadores metabólicos para rastreio e/ou diagnóstico de câncer de mama, o conjunto de biomarcadores metabólicos compreendendo pelo menos (a) um aminoácido selecionado de glutamina, glutamato e serina e um lipídio, ou (b) glutamina e glutamato. Além disso, a invenção refere-se a um conjunto de biomarcadores metabólicos para prever a resposta terapêutica à quimioterapia neoadjuvante de câncer de mama. Adicionalmente, a invenção refere-se a um conjunto de biomarcadores metabólicos para avaliar a reflexão bioquímica da atividade tumoral do câncer de mama. Ademais, a invenção refere-se a um conjunto de biomarcadores metabólicos para subclassificação entre subtipos de tumor de câncer de mama intrínsecos. Além disso, a presente invenção refere-se a um método para avaliar o câncer de mama que compreende a obtenção de uma amostra biológica, de preferência sangue, de um indivíduo mamífero e a medição na amostra biológica da quantidade e/ou proporções de metabólitos. Utilizando os biomarcadores específicos e o método de acordo com a (...).
Description
[0001] A presente invenção refere-se a novos biomarcadores para avaliação do câncer de mama. Em particular, a presente invenção proporciona novos biomarcadores para utilização na pesquisa e/ou diagnóstico de câncer de mama em pacientes, prognóstico de resposta terapêutica à quimioterapia neoadjuvante do câncer de mama, avaliação de reflexos bioquímicos da atividade tumoral do câncer de mama e classificação de tumores do câncer de mama de acordo com seus subtipos intrínsecos. Além disso, a presente invenção refere-se a um método para avaliar o câncer de mama em um sujeito mamífero e a um kit para a realização desse método. Além disso, a presente invenção refere-se a um método para avaliar o câncer de mama, o qual compreende a obtenção de uma amostra biológica, de preferência sangue, de um sujeito mamífero, e a medição na amostra biológica da quantidade e/ou proporção de metabolitos. Ao se utilizar os biomarcadores específicos e os métodos de acordo com a presente invenção torna-se possível avaliar de forma mais adequada e confiável o câncer de mama.
[0002] A metabolômica é uma medição quantitativa abrangente de compostos de baixo peso molecular que cobrem sistematicamente os principais metabólitos, que representam toda a gama de vias de metabolismo intermediário. A capacidade de analisar grandes matrizes de metabólitos extrai informações bioquímicas que refletem verdadeiros pontos finais funcionais de eventos biológicos abertos, enquanto outras tecnologias de genômica funcional, como transcriptômica e proteômica, embora altamente valiosas, apenas indicam a causa potencial para a resposta fenotípica. Portanto, essas tecnologias não podem necessariamente prever efeitos de drogas, resposta toxicológica ou estados de doença ao nível do fenótipo, a menos que uma validação funcional seja adicionada.
[0003] A metabolômica elimina esta lacuna de informação ao descrever, em particular, essa informação funcional, uma vez que as diferenças metabólicas nos fluidos e tecidos biológicos fornecem a ligação mais próxima às várias respostas fenotípicas. Desnecessário dizer que tais alterações no fenótipo bioquímico são de interesse direto para fármacos as indústrias farmacêuticas, biotecnológicas e de saúde, uma vez que a tecnologia apropriada permite prospecção e integração rentáveis dessa informação.
[0004] Em geral, o fenótipo não é necessariamente prognosticado pelo genótipo. A diferença entre genótipo e fenótipo é medida por muitas reações bioquímicas, cada uma com dependências individuais a variadas influências, incluindo drogas, nutrição e fatores ambientais. Nessa cadeia de biomoléculas dos genes ao fenótipo, os metabólitos são as moléculas quantificáveis com a ligação mais próxima ao fenótipo. Muitos estados fenotípicos e genotípicos, tais como, uma resposta tóxica a uma droga ou prevalência de doença, são prognosticados por diferenças nas concentrações de metabólitos funcionalmente relevantes dentro dos fluidos e tecidos biológicos.
[0005] O câncer de mama é um tipo de câncer originário do tecido mamário, mais comumente do revestimento interno de dutos de leite ou dos lóbulos que suprem os dutos com leite. Em todo o mundo, o câncer de mama é responsável por 22,9% de todos os tipos de câncer (excluindo os tipos de câncer de pele do tipo não-melanoma) em mulheres. Em 2012, cerca de 226.870 mulheres nos Estados Unidos foram diagnosticadas com câncer de mama, o que representa 29% de todos os recém-diagnosticados pacientes de câncer feminino, levando a mais de 39.000 mortes nos Estados Unidos em 2011, sendo classificada como a segunda principal causa de morte por câncer em mulheres. O diagnóstico precoce pode aumentar significativamente as taxas de sobrevivência a longo prazo para o câncer de mama e, atualmente, a mamografia é o procedimento de pesquisa mais aceitável e eficaz para a detecção de câncer de mama, tendo sido recomendado pela U.S. Preventive Services Task Force (USPSTF) para mulheres com idade superior a 40 anos. No entanto, devido à alta falsa taxa positiva dessa pesquisa, a USPSTF revisou a sua recomendação para uma menor frequência de pesquisa por mamografia em 2009. Outras técnicas de exame de imagem, como a ultrassonografia e ressonância magnética, também têm sido utilizadas na pesquisa do câncer de mama. Infelizmente, mesmo com a inclusão dessas técnicas de exame de imagem, cerca de 20% dos pacientes com câncer de mama ainda não podem ser detectados.
[0006] Novos métodos de pesquisa e diagnóstico seriam muito úteis, especialmente nos países em desenvolvimento com dimensões continentais, onde os serviços especializados de mamografia não são oferecidos a todas as mulheres com mais de 40 anos de idade. Apenas no Brasil, por exemplo, cerca de 30 milhões de mulheres por ano são indicadas para exames de mamografia, no entanto, menos de 50% terá acesso a este exame. O resultado é que, entre os 52.000 novos casos/ano, mais de 60% correspondem a casos avançados, que irão necessitar de uma quimioterapia pré-cirúrgica para diminuir os grandes volumes de tumores desproporcionados, de modo a possibilitar uma cirurgia.
[0007] Portanto, existe uma necessidade urgente neste segmento da técnica para novos procedimentos de pesquisa, que podem ser facilmente realizados, isto é, sem a necessidade de equipamento ou recursos especializados. Além disso, há uma necessidade urgente para a provisão de métodos mais confiáveis e eficazes para o diagnóstico do câncer de mama com alta precisão, bem como, para métodos de previsão da progressão da doença e resposta à quimioterapia.
[0008] Uma abordagem promissora para a pesquisa no diagnóstico do câncer de mama é a utilização de biomarcadores, tais como, biomarcadores de plasma (ou soro) (como os antígenos e padrões de proteínas). No entanto, esses meios ainda estão longe de uso clínico. Alguns marcadores tumorais, tais como, CA15.3 e CA27.29, são recomendados apenas para monitoramento terapêutico, mas não para a pesquisa.
[0009] Portanto, são urgentemente necessários novos biomarcadores eficazes para a pesquisa e diagnóstico do câncer de mama que possam ser utilizados individualmente ou em combinação com outros métodos existentes.
[0010] Recentemente, descobriu-se que as propriedades metabólicas das células cancerosas são diferentes das células normais, uma vez que são dependentes da glicólise aeróbica, síntese de ácidos graxos e glutaminólise para a proliferação. A síntese de ácidos graxos intensificada, por exemplo, proporciona rapidamente a proliferação de células de tumor de lipídios para biogênese da membrana, conferindo uma vantagem de crescimento e sobrevivência. Da mesma forma, as células cancerosas são extremamente sensíveis à privação de glutamina e não podem proliferar em cultura sem a mesma. A "dependência de glutamina" resulta numa produção aumentada de subprodutos necessários para células que se proliferam rapidamente, tais como, células precursoras de aminoácidos e, como resultado, o metabolismo celular desregulado está também ligado à resistência a fármacos na terapia do câncer. De fato, a Sintase de Ácidos Graxos (FASN), uma enzima fundamental complexa que catalisa a síntese de ácidos graxos, está ligada à resistência adquirida a Taxol/Trastuzumab/Adriamicina no câncer de mama, ou à Gemcitabina intrínseca, e resistência à radiação no câncer pancreático. Finalmente, a glutaminólise está ligada à resistência à cisplatina, através da ativação do alvo mamífero da sinalização de Rapamicina Complexo 1 (mTORC 1) no câncer gástrico.
[0011] O câncer de mama é geralmente tratado com cirurgia, que pode ser seguida por procedimentos de quimioterapia ou radioterapia, ou ambos. A quimioterapia neoadjuvante tem sido usada principalmente para auxiliar no tratamento de cânceres de mama localmente avançados, especialmente aqueles considerados inoperáveis na primeira visita. Nos últimos anos, no entanto, tem sido cada vez mais utilizada para tumores menores e operáveis, a fim de poupar e preservar grandes porções de tecido mamário, do que, em caso contrário, serem removidos na cirurgia principal. Outra peculiaridade dessa abordagem de tratamento é que se proporciona uma oportunidade única para quantificar com precisão, por exames clínicos e/ou radiológicos, as variações do volume tumoral em resposta ao regime de quimioterapia adotado.
[0012] Além disso, o tipo de terapia, a seleção de fármacos e o regime de dosagem, convencionalmente, têm sido estabelecidos por mera determinação do tamanho do tumor. O tamanho do tumor, no entanto, não reflete a sua atividade bioquímica e metabólica e, portanto, não reflete se o tumor pode ser altamente agressivo ou benigno. Assim, as ferramentas convencionalmente utilizadas na técnica têm sido insuficientes para definir adequadamente o tratamento do câncer de mama no paciente.
[0013] A informação valiosa com relação à atividade metabolômica de um tumor de câncer de mama é utilizada na invenção não apenas para indicar regimes alternativos quando se observa uma resposta mínima ou nenhuma resposta à quimioterapia, mas, também, para identificar os doentes que obtêm uma resposta patológica completa (pCR) e, portanto, com mais resultados favoráveis.
[0014] Grandes esforços neste segmento da técnica têm sido dirigidos para o desenvolvimento de ferramentas prognosticadoras, capazes de colaborar na identificação de pacientes que têm maiores chances de alcançar pCR como ypTO/ypNO. Além disso, a ocorrência de progressão da doença é também uma grande preocupação com o uso de quimioterapia neoadjuvante e, embora muitos pesquisadores tenham procurado determinar prognosticadores clínicos e moleculares de um pCR, poucos destes pesquisadores relataram prognosticadores de progressão.
[0015] Wei S. e outros, no artigo “Metabolomics approach for predicting response to neoadjuvant chemotherapy for breast câncer”, publicado em Molecular Oncology (2012), desenvolveram um modelo de previsão combinando derivados metabólitos por NMR e MS, o que corretamente identificou 80% dos pacientes, cujos tumores não mostraram resposta completa à quimioterapia. Mediante uma combinação de quatro metabólitos, três deles detectados por ressonância magnética nuclear (NMR) (treonina, glutamina e isoleucina) e um por espectroscopia de massa (MS) (ácido linolênico), foi possível distinguir grupos de pacientes sem resposta, ou com resposta parcial ou completa. No entanto, o número de pacientes corretamente identificados de 80% não é ainda satisfatório.
[0016] Qiu Y. e outros, no artigo “Mass Spectrometry-Based Quantitative Metabolomics Revealed a Distinct Lipid Profile in Breast Cancer Patients”, publicado no Int. J. Mol. Sci. (2013), desenvolveram uma equação de diagnóstico baseada em três metabólitos (lysoPC a C16:0, PC ae C42:5 e PC aa C34:2) que diferenciou com sucesso os pacientes com câncer de mama de controles saudáveis, com uma sensibilidade de 98,1% e especificidade de 96,0%. No entanto, os autores não foram capazes de gerar resultados preditivos para resposta à quimioterapia, assim como, de qualquer resultado capaz de classificar tumores de câncer de mama, de acordo com seus subtipos intrínsecos. Consequentemente, ainda há espaço, não apenas para melhorias de sensibilidade e especificidade, como, também, para uma expansão significativa na aplicabilidade do modelo.
[0017] Portanto, há uma necessidade urgente neste segmento da técnica para o desenvolvimento de novas técnicas de pesquisa e diagnóstico com elevada precisão e confiabilidade, adequadas para identificar câncer de mama em pacientes, identificando o subtipo de tumor e o seu estado de atividade, prevendo a progressão do câncer de mama, o resultado da doença, bem como, a resposta terapêutica do paciente à quimioterapia.
[0018] Com base nestas alterações metabólicas específicas do câncer, os inventores têm procurado identificar novas assinaturas de metabólitos sanguíneos, isto é, novos biomarcadores que podem ajudar na pesquisa da população de câncer de mama, bem como, no diagnóstico de câncer de mama em um sujeito. Além disso, tem-se procurado identificar as assinaturas de metabólitos sanguíneos para prever a progressão da doença, assim como, prever uma resposta terapêutica do doente à quimioterapia.
[0019] Tendo em vista os problemas acima mencionados existentes no segmento da técnica, o objeto que fundamenta presente invenção é o fornecimento de novos biomarcadores para avaliar o câncer de mama, cujos marcadores permitem a pesquisa e diagnóstico do câncer de mama já em uma fase inicial da progressão da doença, e com alta precisão e confiabilidade. De forma ótima, o marcador deve ser facilmente detectável em uma amostra biológica, tal como no sangue, e o seu nível deve estar consistentemente correlacionado com o estágio do câncer de mama. Além disso, constitui um objetivo da presente invenção proporcionar um método para avaliar o câncer de mama em uma amostra biológica, que permita um desempenho rápido, conveniente e de elevado rendimento.
[0020] Além disso, os novos biomarcadores devem ser adequados para prever a progressão do câncer de mama, o resultado da doença, bem como a resposta terapêutica do doente à quimioterapia.
[0021] A fim de solucionar os objetivos que fundamentam a presente invenção, os inventores basearam as suas investigações na metabolômica, uma vez que poderiam dar uma ideia das alterações bioquímicas que ocorrem no decurso do desenvolvimento do câncer de mama e oferecem diversos novos e potencialmente melhores biomarcadores. Os inventores descobriram que uma imagem mais abrangente de todas as vias e mecanismos metabolômicos envolvidos no câncer de mama é proporcionada quando se utiliza um painel de metabólitos que são alterados com o câncer de mama em evolução, em vez de utilizar as técnicas de pesquisa realizadas no segmento da técnica, tais como, mamografia ou outras técnicas de exame de imagens.
[0022] Portanto, a presente invenção conforme definida nas reivindicações anexas, proporciona novos biomarcadores (isto é, um novo conjunto de biomarcadores), adequados para avaliar câncer de mama, particularmente, numa fase inicial da doença. Além disso, a presente invenção também proporciona um método para avaliar o câncer de mama em um sujeito mamífero com base nos biomarcadores e conjuntos de biomarcadores aqui descritos, assim como, um kit adaptado para realização de tal método.
[0023] Na presente descrição é feita referência às Figuras 1-15, que demonstram exemplos de acordo com a invenção, do aumento ou diminuição de um biomarcador metabólico no câncer de mama em progressão. - Figura 1A: Análise da curva ROC obtida durante o Conjunto de Experimentos, utilizando dois metabólitos de Glutamina (Gln) e Acilalquila Fosfatidilcolina C42:1 (PC ae C42:1). - Figura 1B: Análise da curva ROC obtida durante o Conjunto de Validação, utilizando dois metabólitos de Glutamina (Gln) e Acilalquila Fosfatidilcolina C42:1 (PC ae C42:1). - Figura 2A: Análise da curva ROC obtida durante o Conjunto de Experimentos, utilizando dois metabólitos de Glutamina (Gln) e Acilalquila Fosfatidilcolina C38:1 (PC ae C38:1). - Figura 2B: Análise da curva ROC obtida durante o Conjunto de Validação, utilizando dois metabólitos de Glutamina (Gln) e Acilalquila Fosfatidilcolina C38:1 (PC ae C38:1). - Figura 3A: Análise da curva ROC obtida durante o Conjunto de Experimentos, utilizando dois metabólitos de Serina (Ser) e Acilalquila Fosfatidilcolina C38:1 (PC ae C38:1). - Figura 3B: Análise da curva ROC obtida durante o Conjunto de Validação, utilizando dois metabólitos de Serina (Ser) e Acilalquila Fosfatidilcolina C38:1 (PC ae C38:1). - Figura 4A: Análise da curva ROC obtida durante o Conjunto de Experimentos, utilizando dois metabólitos de Serina (Ser) e Acilalquila Fosfatidilcolina C42:1 (PC ae C42:1). - Figura 4B: Análise da curva ROC obtida durante o Conjunto de Validação, utilizando dois metabólitos de Serina (Ser) e Acilalquila Fosfatidilcolina C42:1 (PC ae C42:1). - Figura 5A: Análise da curva ROC obtida durante o Conjunto de Experimentos, utilizando dois metabólitos de Glutamato (Glu) e Acilalquila Fosfatidilcolina C28:1 (PC aa C28:1). - Figura 5B: Análise da curva ROC obtida durante o Conjunto de Validação, utilizando dois metabólitos de Glutamato (Glu) e Acilalquila Fosfatidilcolina C28:1 (PC aa C28:1). - Figura 6A: Análise da curva ROC obtida durante o Conjunto de Experimentos, utilizando dois metabólitos de Glutamato (Glu) e Acilalquila Fosfatidilcolina C42:1 (PC ae C42:1). - Figura 6B: Análise da curva ROC obtida durante o Conjunto de Validação, utilizando dois metabólitos de Glutamato (Glu) e Acilalquila Fosfatidilcolina C42:1 (PC ae C42:1). - Figura 7A: Análise da curva ROC obtida durante o Conjunto de Experimentos, utilizando dois metabólitos de Glutamato (Glu) e Glutamina (Gln). - Figura 7B: Análise da curva ROC obtida durante o Conjunto de Validação, utilizando dois metabólitos de Glutamato (Glu) e Glutamina (Gln). - Figuras 8A e 8B: Conjunto de validação final com câncer de mama, comparado com controles. - Figura 9A: Análise da curva ROC obtida durante o Conjunto de Experimentos, utilizando DMA Total, PC ae C42:0, Glutamina (Gln) e Dodecanodioilcarnitina (C12-DC), comparando pacientes com Resposta Patológica Completa e pacientes com 35-78% de Resposta. - Figura 9B: Análise da curva ROC obtida durante o Conjunto de Experimentos, utilizando DMA Total, PC ae C42:0, Glutamina (Gln) e Dodecanodioilcarnitina (C12-DC), comparando pacientes com Resposta Patológica Completa e pacientes com Doença Estável/Doença em Progressão. - Figura 10A: Análise da curva ROC obtida durante o Conjunto de Experimentos, utilizando DMA Total, PC ae C30:0, Glutamina (Gln) e C12-DC, comparando pacientes com Resposta Patológica Completa e pacientes com 35-78% de Resposta. - Figura 10B: Análise da curva ROC obtida durante o Conjunto de Validação, utilizando DMA Total, PC ae C30:0, Glutamina (Gln) e C12-DC, comparando pacientes com Resposta Patológica Completa e pacientes com Doença Estável/Doença em Progressão. - Figura 11A: Análise da curva ROC obtida durante o Conjunto de Experimentos, utilizando DMA Total, PC ae C42:0, Serina (Ser) e C12-DC, comparando pacientes com Resposta Patológica Completa e pacientes com Baixa Resposta. - Figura 11B: Análise da curva ROC obtida durante o Conjunto de Validação, utilizando DMA Total, PC ae C42:0, Serina (Ser) e C12-DC, comparando pacientes com Resposta Patológica Completa e pacientes com Doença Estável/Doença em Progressão (SDPR). - Figura 12A: Análise da curva ROC obtida durante o Conjunto de Experimentos, utilizando DMA Total, PC ae C32:2, Serina (Ser) e C12-DC, comparando pacientes com Resposta Patológica Completa e pacientes com 80-92% de Resposta. - Figura 12B: Análise da curva ROC obtida durante o Conjunto de Validação, utilizando DMA Total, PC ae C32:2, Serina (Ser) e C12-DC, comparando pacientes com Resposta Patológica Completa e pacientes com Doença Estável/Doença em Progressão. - Figura 13: Identificação de subtipos específicos de câncer de mama utilizando os metabólitos descritos na Tabela 11. Análise da curva ROC mostrando a identificação de doentes com Tumores Luminais A/B e doentes com Negativos Triplos e Positivos a HER2. - Figura 14: Identificação de subtipos específicos de câncer de mama utilizando os metabólitos descritos na Tabela 12. Análise da curva ROC mostrando a identificação de doentes com Tumores HER2 (LumB-HER2 + HER2) e doentes com Negativos Triplos e Luminais A/B. - Figura 15: Identificação de subtipos específicos de câncer de mama utilizando os metabólitos descritos na Tabela 13. Análise da curva ROC mostrando a identificação de doentes com Negativos Triplos e Positivos a HER2/Luminais A/B.
[0024] Ao utilizar os biomarcadores biológicos específicos (conjuntos de) e os métodos de acordo com a presente invenção, tornou-se possível avaliar o câncer de mama com precisão e confiabilidade melhoradas.
[0025] O termo "avaliação" no contexto da presente invenção significa a pesquisa de sujeitos que potencialmente sofrem de câncer de mama, diagnóstico de câncer de mama em sujeitos e monitoramento da progressão da doença, em particular, a detecção e marcação da doença nos diferentes estágios e/ou subclassificação do(s) tumor(es). Além disso, a "avaliação" abrange a previsão de um doente que sofre de câncer de mama ser suscetível de responder à quimioterapia, particularmente, à quimioterapia neoadjuvante. Além disso, a "avaliação" refere-se à determinação e caracterização da reflexão bioquímica da atividade tumoral do câncer de mama. Além disso, a "avaliação" no contexto da presente invenção significa a possibilidade de identificar positivamente um subtipo de tumor de câncer de mama em um doente, e de discriminar determinados tumores de câncer de mama, de acordo com os seus subtipos intrínsecos.
[0026] Foi surpreendentemente obtido na presente invenção proporcionar biomarcadores ou conjuntos de biomarcadores, através da medição da quantidade e/ou proporções de determinados metabólitos em amostras, tais como, amostras de sangue, de sujeitos que tornam possível detectar e diagnosticar câncer de mama em um dispositivo navegador melhorado, e em um estágio precoce da doença, e permitir uma previsão mais precisa e confiável de saber se um paciente que sofre de câncer de mama responderá provavelmente a uma quimioterapia, tal como, a uma quimioterapia neoadjuvante. Em particular, os biomarcadores e conjuntos de biomarcadores da presente invenção tornam possível prever se um paciente é suscetível de obter uma resposta patológica completa (pCR) à quimioterapia ou a uma doença estável e/ou em progressão (SDPR). Além disso, verificou-se de forma surpreendente, que de acordo com a presente invenção, os subtipos de tumores de câncer de mama podem ser distinguidos com base no seu perfil de metabólito específico.
[0027] No contexto da presente invenção, a resposta patológica completa (pCR) é definida como não invasiva ou residual não invasiva na mama ou nódulos (ypTO ypNO), o que significa desaparecimento completo do tumor, após o término da quimioterapia, sem qualquer sinal residual de câncer deixado na mama e nódulos linfáticos. O pCR é um ponto final substituto adequado, particularmente para pacientes que possuem doença do tipo de câncer luminal B/HER2-negativa, HER2-positiva ou tripla negativa. Desse modo, a presente invenção torna possível identificar pacientes que têm maiores chances de alcançar pCR como ypTO ypNO.
[0028] No contexto da presente invenção, uma doença estável e/ou em progressão (SDPR) é definida de acordo com o National Cancer Institute dos Estados Unidos no National Institute of Health. Assim, os termos "Doença Estável" e "em Progressão" denotam, respectivamente, um câncer que não diminui nem aumenta em extensão ou gravidade, ou indica um câncer que se torna pior ou se espalha no corpo. Ambas as situações não são desejadas especialmente depois de enfrentar meses de regimes de quimioterapia altamente tóxicos; portanto, ambas as possibilidades foram combinadas em apenas um grupo (SDPR) para prever esses resultados desfavoráveis.
[0029] De fato, os biomarcadores de acordo com a invenção são facilmente detectáveis em amostras biológicas, em particular, no sangue, e o seu nível está consistentemente correlacionado com o grau do câncer de mama.
[0030] Em geral, um biomarcador é uma ferramenta valiosa devido à possibilidade de distinguir dois ou mais estados biológicos entre si, funcionando como um indicador de um processo biológico normal, um processo patogênico, ou como uma reação a uma intervenção farmacêutica. Um metabólito é um composto de baixo peso molecular (<1kDa), menor do que a maioria das proteínas, DNA e outras macromoléculas. Pequenas alterações na atividade das proteínas resultam em grandes mudanças nas reações bioquímicas e nos seus metabólitos (= biomarcador metabólico, observando o metabolismo do corpo), cujas concentrações, fluxos e mecanismos de transporte são sensíveis às doenças e à intervenção medicamentosa. Isso permite obter um perfil individual de substâncias fisiológicas e fisiopatológicas, refletindo fatores genéticos e ambientais, como nutrição, atividade física, intestino microbiano e medicação. Assim, um biomarcador metabólico fornece uma informação mais abrangente do que, por exemplo, uma proteína ou um hormônio, que são biomarcadores, mas não biomarcadores metabólicos.
[0031] Em vista disso, o termo "biomarcador metabólico" ou biomarcador curto, conforme aqui utilizado, é definido como sendo um composto adequado como indicador da presença e do estado do câncer de mama, assim como, do subtipo de tumor, sendo um metabólito ou composto metabólico que ocorre durante processos metabólicos no corpo de mamíferos. Os termos "biomarcador" e "biomarcador metabólico" são em geral utilizados como sinônimos no contexto da presente invenção e, tipicamente, referem-se à quantidade de um metabólito ou à proporção de dois ou mais metabólitos. Por conseguinte, o termo biomarcador metabólico ou biomarcador é idealizado de também compreender proporções entre dois ou mais metabólitos.
[0032] O termo "quantidade", tipicamente, refere- se à concentração de um metabólito em uma amostra, tal como uma amostra de sangue, sendo normalmente expresso em mol/L, mas também pode ser medido em outras unidades tipicamente utilizadas na técnica, tais como, g/L , mg/L ou outras mais. O termo "soma" significa tipicamente a soma da quantidade de todos os metabólitos, conforme especificado na respectiva modalidade. O termo "proporção" significa tipicamente a proporção de quantidades de metabólitos, conforme especificado na respectiva modalidade. O biomarcador metabólico (ou conjunto) medido de acordo com a presente invenção pode compreender as classes de metabólitos (isto é, analitos) de aminoácidos e aminas biogênicas, acilcarnitinas, hexoses, esfingolipídios e glicerofosfolipídios, conforme listado nas Tabelas 1 a 5 apresentadas abaixo. As definições dessas classes são conhecidas dos especialistas versados na técnica, no entanto, os elementos preferidos dessas classes estão resumidos nas Tabelas 1 a 5, abaixo. Além disso, as aminas biogênicas da Tabela 1 são entendidas como um grupo de compostos biologicamente ativos de ocorrência natural, derivados da descarboxilação enzimática dos aminoácidos naturais. Uma substância biogênica é uma substância fornecida por processos de vida, e as aminas biogênicas contêm um grupo amina.
[0033] De preferência, o biomarcador metabólico (conjunto) medido de acordo com a presente invenção compreende a combinação de biomarcadores, conforme especificado nas reivindicações em anexo.
[0034] Surpreendentemente, foi verificado que a medição de um conjunto de biomarcadores compreendendo estas classes de metabólitos, isto é, medindo a quantidade e/ou as proporções de certos metabólitos indicativos, permite a pesquisa e/ou o diagnóstico do câncer de mama de uma maneira melhorada em um estágio inicial da doença, permitindo a previsão de resposta terapêutica à quimioterapia neoadjuvante do câncer de mama, e também a avaliação da reflexão bioquímica da atividade tumoral do câncer de mama, e permitindo ainda a subclassificação entre subtipos intrínsecos de tumores de câncer de mama.
[0035] Se um metabólito ou uma classe de metabólitos, conforme especificado para a respectiva combinação de biomarcadores, for omitida, ou se o seu número for diminuído, a avaliação do câncer de mama torna- se menos sensível e menos confiável. Isto aplica-se particularmente aos estágios iniciais da doença, não sendo de nenhum modo detectáveis de forma confiável, conforme métodos conhecidos que utilizam biomarcadores conhecidos.
[0036] De fato, a medição dos metabólitos contidos nos respectivos conjuntos de biomarcadores permite, ao mesmo tempo, uma avaliação mais exata e mais fiável do câncer de mama, tipicamente, com uma sensibilidade preferivelmente superior a 80%, mais preferivelmente, superior a 90%, ainda mais preferivelmente, superior a 98% e mais preferencialmente, de 100%. Tal fato não foi descrito nem tornado óbvio com o conhecimento do estado da técnica.
[0037] Além disso, os biomarcadores e conjuntos de biomarcadores da presente invenção, conforme aqui descritos, permitem uma avaliação mais confiável e precisa do câncer de mama, com uma especificidade superior a 80%, mais preferivelmente, superior a 85%, ainda mais preferivelmente, superior a 90%, e mais preferencialmente, de 100%.
[0038] Além disso, o conjunto de biomarcadores da presente invenção, conforme aqui descrito, permite uma avaliação mais confiável do câncer de mama, com um valor prognosticado positivo (PPV) superior a 40%, mais preferivelmente, superior a 50%, ainda mais preferivelmente, superior a 60%, e mais preferencialmente, superior a 80%.
[0039] Além disso, o conjunto de biomarcadores da presente invenção, conforme aqui descrito, permite uma avaliação mais confiável do câncer de mama, com um valor prognosticado negativo (NPV) superior a 80%, mais preferivelmente, superior a 90%, ainda mais preferivelmente, superior a 98%, e mais preferencialmente, de 100%.
[0040] Em uma modalidade preferida, o conjunto de biomarcadores da presente invenção, conforme aqui descrito, permite uma avaliação mais confiável do câncer de mama, com uma sensibilidade de 100% e um NPV de 100%.
[0041] O significado dos termos "sensibilidade", "especificidade", "valor prognosticado positivo" e "valor prognosticado negativo" é tipicamente conhecido no segmento da técnica, sendo definido no contexto da presente invenção conforme a "Teoria do Valor Prognosticado", estabelecida Pela Universidade de Iowa, USA.
[0042] Nesta teoria, o valor de diagnóstico de um procedimento é definido pela sua sensibilidade, especificidade, valor prognosticado e eficiência. As fórmulas são resumidas abaixo.
[0043] A sensibilidade de um teste é a percentagem de todos os pacientes com doença presente que tenham um teste positivo. TP = Teste Positivo; FN = Falso Negativo; (TP/(TP+FN)) x 100 = % de Sensibilidade
[0044] A especificidade de um teste é a percentagem de todos os pacientes sem doença que tenham um teste negativo. TN = Teste Negativo; FP = Falso Positivo; (TN/(FP+TN)) x 100 = % de Especificidade
[0045] O valor prognosticado de um teste é uma medida (%) das vezes em que o valor (positivo ou negativo) é o valor verdadeiro, isto é, a percentagem de todos os testes positivos que são positivos verdadeiros é o Valor Prognosticado Positivo. (TP/(TP+FP)) x 100 = % do Valor Prognosticado de um Resultado Positivo, (TN/(FN+TN)) x 100 = % do Valor Prognosticado de um Resultado Negativo.
[0046] O desempenho dos biomarcadores pode ainda ser avaliado pela determinação das Proporções de Probabilidade Positiva e Negativa (LR) aqui utilizadas durante a Análise Estatística de Variação Única.
[0047] Em uma modalidade mais preferida, o conjunto de biomarcadores da presente invenção, conforme aqui descrito, permite uma avaliação mais confiável do câncer de mama, com uma sensibilidade de 100%, uma especificidade de 85% ou mais e um NPV de 100%.
[0048] Em uma modalidade mais preferida, o conjunto biomarcador da presente invenção, conforme aqui descrito, permite uma avaliação mais confiável do câncer de mama, com uma sensibilidade de 100%, uma especificidade de 90% ou mais, um PPV de 80% ou mais, e um NPV de 100%.
[0049] Na modalidade mais preferida, o conjunto biomarcador da presente invenção, conforme aqui descrito, permite uma avaliação mais confiável do câncer de mama, com uma sensibilidade de 100%, uma especificidade de 100%, um PPV de 100% e um NPV de 100%.
[0050] Conforme mencionado acima, a doença a ser avaliada é o câncer de mama. De preferência, é o câncer de mama nos estágios I, II, III ou IV, mais preferencialmente, o câncer de mama no estágio III, tal como, o estágio III a, b ou c. A definição dos estágios médicos de câncer de mama é fornecida pelo American Joint Committee on Cancer (AJCC) do National Institute of Cancer dos Estados Unidos, nos National Institutes of Health (cf. Breast, no artigo de Edge S.B., Byrd D.R., Compton C.C., e outros, Editores: AJCC Cancer Staging Manual, 7a. ed., Nova York, NY: Springer, 2010, páginas 347-76). O sistema de ocorrência de estágios fornece uma estratégia para agrupar pacientes em relação ao prognóstico. As decisões terapêuticas são formuladas parcialmente, de acordo com as categorias da ocorrência de estágio, mas, principalmente, de acordo com o tamanho do tumor, o estado do nó de linfa, o receptor de estrogênio e os níveis de receptor de progesterona no tecido tumoral, o estado do receptor 2 do fator de crescimento epidérmico humano (HER2/neu), o estado da menopausa e a saúde geral do paciente.
[0051] A amostra biológica é obtida de um mamífero, de preferência, de um camundongo, um rato, uma cobaia, um cão, um miniporco, ou de um ser humano, mais preferivelmente, um ser humano, de mais preferência, de uma mulher. A amostra biológica preferencialmente é sangue, no entanto, qualquer outra amostra biológica conhecida de um especialista versado na técnica que permite que as medições de acordo com a presente invenção também são adequadas. A amostra de sangue é tipicamente de sangue completo, soro ou plasma, em que o plasma sanguíneo é o preferido. Amostras secas coletadas em filtro de papel também são aceitas. Assim, os métodos de acordo com a invenção são tipicamente métodos in vitro.
[0052] Para a medição das concentrações de metabólitos na amostra biológica é utilizado um método analítico quantitativo, tal como, cromatografia, espectroscopia e espectrometria de massa, conquanto que a espectrometria de massa é particularmente preferida. A cromatografia pode compreender os tipos de cromatografia de GC, LC, HPLC e UHPLC; a espectroscopia pode compreender UV/Vis, IR e NMR; e os analisadores de massa/espectrometria podem compreender ESI-QqQ, ESI-QqTOF, MALDI-QqQ, MALDI- QqTOF e MALDI-TOF-TOF. Mais preferivelmente, os analisadores de massa/espectrometria compreendem Analisadores de Massa Quadripolares, Analisadores de Massa de Armadilha de Íons, Analisador de Massa TOF (Time of Flight), Analisador de Massa Orbitrap, Analisador de Massa de Setor Magnético, Analisador de Massa de Setor Eletrostático, Ressonância Ciclotrônica de Íons (ICR) e combinações de analisadores de massa, incluindo analisador tipo quadrupolo único (Q) e quadrupolo triplo (QqQ), QqTOF, TOF-TOF, Q-Orbitrap. É preferida a utilização de espectrometria de massa em Tandem de FLA e HPLC.
[0053] As abreviações são apresentadas a seguir. GC = Cromatografia gasosa, CE = Eletroforese capilar, LC = Cromatografia líquida, HPLC = Cromatografia Líquida de Alta Pressão, UHPLC = Cromatografia Líquida de Ultra Alta Pressão, UV-Vis = Ultravioleta Visível, IR = Infravermelho, NIR = Próximo de Infravermelho, NMR = Ressonância Magnética Nuclear, ESI = Ionização por Pulverização de Elétrons, MALDI = Dessorção/ionização por Laser Auxiliada por Matriz, TOF = Tempo de Vôo, APCI = Ionização Química sob Pressão Atmosférica, QqQ = Configuração do tipo triplo quadrupolo, também conhecida como Qlq2Q3 (onde os quadrupolos Q1 e Q3 são filtros de massa e q2 é um quadrupolo sem resolução de massa).
[0054] Para a medição das quantidades de metabólitos, a metabolômica alvo é utilizada para quantificar os metabólitos na amostra biológica, incluindo as classes de analito de aminoácidos, aminas biogênicas, acilcarnitinas, hexoses, esfingolipídios e glicerofosfolipídios. A quantificação é feita na presença de padrões internos marcados isotopicamente, sendo determinada pelos métodos conforme descritos acima. Uma lista de analitos incluindo as suas abreviações (códigos BC), que são adequados como metabólitos a serem medidos conforme a invenção está indicada nas Tabelas seguintes. Tabela 1: Aminoácidos e Aminas Biogênicas (μM).
Tabela 2: Acilcarnitina (μM).
Tabela 3: Hexoses (mM) Tabela 4: Esfingolipídios (mM) Tabela 5: Glicerofosfolipídios (mM)
[0055] Adicionais modalidades preferidas da presente invenção serão descritas a seguir. No entanto, a sua combinação com as características descritas acima não pretende ser excluída.
[0056] Em uma primeira modalidade, os biomarcadores e conjuntos de biomarcadores da presente invenção são utilizados para pesquisa de sujeitos, tais como pacientes humanos, que potencialmente sofrem de câncer de mama, e para o diagnóstico de câncer de mama nestes sujeitos. Surpreendentemente, foi verificado, de acordo a presente invenção, que os marcadores biológicos e os conjuntos de biomarcadores, conforme aqui descritos, são particularmente úteis para uma pesquisa rápida, fácil e de alto rendimento de um grande número de sujeitos, como, por exemplo, pacientes humanos, e para o diagnóstico de câncer de mama a partir de amostras de sangue destes sujeitos com maior precisão dos resultados. Assim, na presente modalidade, a avaliação compreende a pesquisa e/ou o diagnóstico de câncer de mama em um sujeito mamífero, de preferência, em um ser humano.
[0057] Assim, a invenção é direcionada para a utilização de uma combinação de metabólitos compreendendo, pelo menos: (a) um aminoácido selecionado a partir de glutamina, glutamato e serina e um lipídio; ou (b) glutamina e glutamato, como um conjunto de biomarcadores para pesquisa e/ou diagnóstico do câncer de mama.
[0058] A invenção é ainda dirigida a um método para pesquisa e/ou diagnóstico de câncer de mama em um sujeito mamífero, ou uma população de sujeitos mamíferos, o método compreendendo a medição numa amostra de sangue obtida a partir do sujeito, da quantidade de pelo menos: (a) um aminoácido selecionado a partir de glutamina, glutamato e serina, e um lipídio; ou (b) glutamina e glutamato.
[0059] Embora a precisão e a confiabilidade da pesquisa e/ou do diagnóstico, conforme determinado pelos parâmetros de um ou mais dentre especificidade, sensibilidade, PPV e NPV, utilizando a combinação de biomarcadores acima especificada, já seja bastante melhorada em comparação com os procedimentos do estado da técnica, como, por exemplo, a mamografia, a precisão e confiabilidade podem ser mais ainda melhoradas, mediante uso de um ou mais, preferivelmente, dois ou mais, mais preferivelmente, três ou mais metabólitos adicionais.
[0060] Assim, em uma modalidade preferida, o conjunto de biomarcadores compreende ainda um ou mais aminoácidos adicionais, tais como aqueles incluídos na Tabela 1. Os aminoácidos adicionais são preferencialmente selecionados de aminoácidos glucogênicos/cetogênicos, tais como, glicina, cisteína, alanina, arginina, prolina, aspartato, asparagina, metionina, isoleucina, leucina, lisina, treonina fenilalanina, tirosina e triptofano, mais preferencialmente, asparagina e aspartato.
[0061] Além disso, o lipídio é de preferência selecionado a partir de esfingolipídios e glicerolipídios, tais como os glicerofosfolipídios, por exemplo, um ou mais dos lipídios incluídos nas Tabelas 4 e 5. Ainda preferivelmente, o lipídio é derivado de ácido araquidônico, de preferência, lipídios derivados de ácido araquidônico contendo 38 ou mais átomos de carbono, mais ainda preferivelmente, selecionado a partir de acilalquila fosfatidilcolina araquidônico poli-insaturado, acilalquila fosfatidilcolina araquidônico monoinsaturado e acilalquila fosfatidilcolina araquidônico saturado.
[0062] Em outra modalidade ainda preferida, a combinação de metabólitos compreende um ou mais dos compostos de esfingomielina e glutaconilcarnitina.
[0063] Além disso, o método para pesquisa e/ou diagnóstico de câncer de mama compreende, de um modo preferido, adicionalmente a medição da quantidade, ou proporção de quantidades, de um ou mais, preferivelmente, dois ou mais, mais preferivelmente, três ou mais dos seguintes: - soma de acilalquila fosfatidilcolinas araquidônicas poli- insaturadas; - soma de acilalquila fosfatidilcolinas araquidônicas monoinsaturadas; - soma de acilalquila fosfatidilcolinas araquidônicas saturadas; - proporção da soma de acilalquila fosfatidilcolinas araquidônicas poli-insaturadas/soma de acilalquila fosfatidilcolinas araquidônicas monoinsaturadas; - proporção da soma de acilalquila fosfatidilcolinas araquidônicas monoinsaturadas/soma de acilalquila fosfatidilcolinas araquidônicas saturadas; - acilalquila fosfatidilcolina C38:1; - acil-acil fosfatidilcolina C28:1; - esfingomielina C24:1 e/ou esfingomielina C18:0; e - glutaconilcarnitina.
[0064] Opcionalmente, o método compreende a etapa adicional de identificar, com base nas quantidades de metabólitos e proporções de metabólitos medidos, os sujeitos que sofrem de câncer de mama e ainda, preferivelmente, tratar o câncer de mama nestes sujeitos, por exemplo, por meio de quimioterapia.
[0065] Como o método da presente modalidade pode ser realizado mediante utilização de amostras de sangue, o método aumenta consideravelmente a aceitação do sujeito em comparação com os procedimentos de pesquisa citados pelo estado da técnica, como, por exemplo, a mamografia. Em particular, o método acentuadamente aumenta a confiabilidade e a sensibilidade dos resultados de pesquisa, em particular, reduz o número de resultados falsos positivos e falsos negativos, além de ser menos demorado e, portanto, pode ser realizado com um número elevado de pacientes.
[0066] Além disso, o método acentuadamente aumenta a aceitação do sujeito em comparação com procedimentos de pesquisa citados pelo estado da técnica, como, por exemplo, a mamografia. Em particular, o método aumenta consideravelmente a confiabilidade e sensibilidade dos resultados de pesquisa, em particular, reduz o número de resultados falsos positivos e falsos negativos, além de ser menos demorado.
[0067] Em outra modalidade, os biomarcadores e conjuntos de biomarcadores da presente invenção são utilizados para prever se um paciente que sofre de câncer de mama é suscetível de responder à quimioterapia neoadjuvante. A terapia neoadjuvante é uma modalidade de tratamento proporcionada como uma primeira etapa para reduzir um tumor antes do tratamento principal, que geralmente é a cirurgia. Exemplos de terapia neoadjuvante incluem radioterapia com quimioterapia (tal como, ciclofosfamida, taxol, doxorrubicina) e terapia hormonal (Tamoxifeno, Inibidores de Aromatase).
[0068] Assim, a invenção é ainda dirigida à utilização de uma combinação de metabólitos, compreendendo os conjuntos de biomarcadores descritos a seguir, para predizer se um sujeito mamífero que sofre de câncer de mama é suscetível de responder à quimioterapia neoadjuvante.
[0069] Em particular, a presente invenção é dirigida à utilização de uma combinação de metabólitos contidos em uma amostra de sangue de um sujeito mamífero, a combinação de metabólitos compreendendo, pelo menos: - um aminoácido selecionado a partir de serina e glutamina; - arginina metilada; - uma acilcarnitina; e - um lipídio, como um conjunto de biomarcadores para o prognóstico da resposta terapêutica à quimioterapia neoadjuvante do câncer de mama.
[0070] A invenção é ainda dirigida a um método para prever a resposta terapêutica a uma quimioterapia neoadjuvante de câncer de mama em um sujeito mamífero, o método compreendendo a medição em uma amostra de sangue obtida do sujeito, da quantidade de pelo menos: - um aminoácido selecionado a partir de serina e glutamina; - arginina metilada; - uma acilcarnitina; e - um lipídio
[0071] Embora a precisão e a confiabilidade da previsão, conforme determinado pelos parâmetros de um ou mais dentre especificidade, sensibilidade, PPV e NPV, utilizando a combinação de biomarcadores acima especificada, já seja bastante melhorada em comparação com os procedimentos do estado da técnica, a precisão e confiabilidade podem ser mais ainda melhoradas, mediante uso de um ou mais, preferivelmente, dois ou mais, mais preferivelmente, três ou mais metabólitos adicionais.
[0072] Preferivelmente, a arginina metilada é arginina dimetilada (DMA).
[0073] Em uma modalidade preferida, o conjunto de biomarcadores compreende ainda um ou mais aminoácidos adicionais, tais como aqueles incluídos na Tabela 1. Os aminoácidos adicionais são preferencialmente selecionados de aminoácidos glucogênicos/cetogênicos, tais como, glicina, cisteína, alanina, arginina, prolina, aspartato, asparagina, metionina, isoleucina, leucina, lisina, treonina fenilalanina, tirosina e triptofano, mais preferivelmente, alanina, aspartato, asparagina, glutamato e glicina.
[0074] Numa modalidade preferida, a acilcarnitina é selecionada entre aquelas incluídas na Tabela 2, mais preferivelmente, é selecionada a partir de uma ou mais dentre glutarilcarnitina (C5-DC), metilglutarilcarnitina (C5-M-DC) e dodecanodioilcarnitina (C12-DC). Ainda mais preferivelmente, a combinação de metabólitos compreende ainda uma ou mais acilcarnitina adicionais, tais como, aquelas que tornam possível calcular a oxidação beta e ômega dos ácidos graxos incluídos na Tabela 2.
[0075] Além disso, o lipídio é de preferência selecionado a partir de esfingolipídios e glicerolipídios, tais como, glicerofosfolipídios, por exemplo, um ou mais dos lipídios incluídos nas Tabelas 4 e 5. Mais preferencialmente, os lipídios araquidônicos (ácidos graxos contendo 38 átomos de carbono ou mais na molécula) são selecionados a partir de lipídios poli-insaturados contendo 4, 5 e 6 insaturações, lipídios monoinsaturados e lipídios saturados.
[0076] Preferivelmente, o lipídio é selecionado a partir de acilalquila fosfatidilcolina C44:6, acilalquila fosfatidilcolina C44:5, acilalquila fosfatidilcolina C38:4, acilalquila fosfatidilcolina C30:0, acilalquila fosfatidilcolina C32:2, acilalquila fosfatidilcolina C30:0, acilalquila fosfatidilcolina C42:0, lisofosfatidilcolina a C17:0, lisofosfatidilcolina a C26:0, lisofosfatidilcolina a C30:0 e lisofosfatidilcolina a C24:0.
[0077] Mais preferencialmente, a combinação de metabólitos compreende ainda um ou mais dentre putrescina, espermina e arginina dimetilada.
[0078] O método para se prever a resposta terapêutica à quimioterapia neoadjuvante de câncer de mama compreende, de um modo preferido, além da medição da quantidade ou proporção de quantidades, de um ou mais, de preferência dois ou mais, mais preferencialmente três ou mais de: acilalquila fosfatidilcolina C44:6 acilalquila fosfatidilcolina C44:5, acilalquila fosfatidilcolina C38:4, acilalquila fosfatidilcolina C30:0, acilalquila fosfatidilcolina C32:2, acilalquila fosfatidilcolina C30:0, acilalquila fosfatidilcolina C42:0, lisofosfatidilcolina a C17:0, lisofosfatidilcolina a C26:0, lisofosfatidilcolina a C30:0, lisofosfatidilcolina a C24:0, putrescina, espermina, e total de arginina dimetilada.
[0079] Numa modalidade particularmente preferida, as combinações de biomarcadores acima descritas podem ser utilizadas como um conjunto de biomarcadores para prever uma resposta terapêutica completa de um sujeito que sofre de câncer de mama à quimioterapia (elevado valor de prognóstico para pCR). Assim, numa modalidade alternativa, a invenção é dirigida à utilização de uma combinação de metabólitos, conforme descrito acima, como um conjunto de biomarcadores para prever a resposta terapêutica completa de um sujeito que sofre de câncer de mama à quimioterapia (elevado valor de prognóstico para pCR). Desse modo, numa modalidade alternativa, a invenção é dirigida à utilização de uma combinação de metabólitos conforme descrito acima, como um conjunto de biomarcadores para prever a resposta terapêutica completa de um sujeito que sofre de câncer de mama à quimioterapia (elevado valor de prognóstico para pCR).
[0080] Em outra modalidade, a presente invenção é dirigida à utilização de uma combinação de metabólitos contidos numa amostra de sangue de um sujeito mamífero, a combinação de metabólitos compreendendo, pelo menos: - um aminoácido selecionado de glutamato, glutamina, alanina, glicina, serina e aspartato, e - um lipídio, como um conjunto de biomarcadores para avaliar as reflexões bioquímicas da atividade tumoral do câncer de mama.
[0081] A invenção é ainda dirigida a um método para avaliar as reflexões bioquímicas da atividade tumoral de câncer de mama em um sujeito mamífero, o método compreendendo a medição em uma amostra de sangue obtida do sujeito da quantidade de pelo menos: - um aminoácido selecionado de glutamato, glutamina, alanina, glicina, serina e aspartato, e - um lipídio.
[0082] Foi surpreendentemente descoberto quando da aplicação da presente invenção que a atividade tumoral do câncer de mama pode ser caracterizada pela medição de certos biomarcadores metabólicos, que refletem a atividade enzimática do metabolismo do tumor. No contexto da presente invenção, as reflexões bioquímicas (refletidas ou espelhadas) da atividade do câncer de mama são assim definidas como as medições das proporções de metabólitos de precursor para produto, que refletem a atividade enzimática de reações importantes do metabolismo correlacionadas com a carcinogênese, tais como, glutaminólise, glicólise, atividade de glutaminase e atividade de sintase de fosfato de alquilglicerona (AGPS).
[0083] Em particular, foi surpreendentemente descoberto que a caracterização da atividade tumoral por meio de biomarcadores metabólicos é vantajosa e superior, se comparada com a caracterização tumoral realizada no segmento da técnica, tal como, por medição do tamanho ou volume de um tumor. Em particular, verificou-se que a atividade metabólica é geralmente independente do tamanho do tumor e, desse modo, proporciona um parâmetro mais adequado para determinar a atividade do câncer de mama. Assim, o tipo de terapia e a dosagem do fármaco, por exemplo, a dosagem durante a quimioterapia, têm sido frequentemente determinados no segmento da técnica pela simples medição do tamanho de um tumor. No entanto, o tamanho de um tumor não reflete a atividade metabolômica do tumor, pois tumores do mesmo tamanho podem ser altamente agressivos ou mesmo inativos. Consequentemente, os pacientes necessitam ajustar a terapia e o tratamento com base na atividade metabólica real do tumor. Desse modo, a terapia aplicada na técnica era muitas vezes não suficiente ou não adequada para tratar de forma efetiva o câncer de mama no paciente. Assim a avaliação da reflexão bioquímica ou metabólica da atividade tumoral do câncer de mama proporciona uma ferramenta adequada para adaptar e ajustar a terapia do paciente, desse modo, aumentando consideravelmente a aceitação do paciente e a qualidade de vida.
[0084] O lipídio é preferivelmente selecionado a partir de esfingolipídios e glicerolipídios, tais como, glicerofosfolipídios, por exemplo, um ou mais dos lipídios incluídos nas Tabelas 4 e 5. Ainda mais preferivelmente, os lipídios araquidônicos (ácidos graxos contendo 38 carbonos ou mais), são selecionados a partir de lipídios poliinsaturados contendo 4, 5 e 6 insaturações, lipídios monoinsaturados e lipídios saturados.
[0085] Mais preferivelmente, o lipídio é selecionado a partir de acilalquila fosfatidilcolina e acil-acila fosfatidilcolina.
[0086] Ainda mais preferivelmente, a combinação de metabólitos compreende ainda um ou mais compostos de leucina e ornitina.
[0087] O método para avaliar a reflexão bioquímica da atividade tumoral do câncer de mama compreende ainda, de um modo preferido, a medição da quantidade ou proporção de quantidades de uma ou mais, de preferência duas ou mais, mais preferivelmente, três ou mais proporções de leucina, ornitina, com relação ao total de acilalquila fosfatidilcolina/total de acilalquila e acil-acila fosfatidilcolina.
[0088] Em outra modalidade, a presente invenção é dirigida à utilização de biomarcadores e conjuntos de biomarcadores, conforme aqui descrito, para subclassificação de um tumor de câncer de mama em um sujeito mamífero.
[0089] A classificação e subclassificação do câncer de mama é tipicamente realizada com base no estado do receptor celular. As células de câncer de mama podem ou não ter muitos tipos diferentes de receptores, em que os três mais importantes na presente classificação são: receptor de estrogênio (ER), receptor de progesterona (PR) e HER2. As células com ou sem estes receptores são chamadas ER positivas (ER+), ER negativas (ER-), PR positivas (PR+), PR negativas (PR-), HER2 positivas (HER2+) e HER2 negativas (HER2-). As células que não apresentam nenhum destes receptores são chamadas basais ou triplas negativas.
[0090] Surpreendentemente, foi verificado quando da aplicação da presente invenção, que as assinaturas de metabólitos de sangue são específicas para subtipos de tumores. Portanto, os biomarcadores e conjuntos de biomarcadores conforme aqui descritos são particularmente úteis para a subclassificação de tumores de câncer de mama em amostras de sangue. Além disso, é possível com os biomarcadores e conjuntos de biomarcadores da presente invenção subdividir subtipos intrínsecos de câncer em tumores de resposta baixa e tumores de resposta elevada, com base nas características específicas de metabólitos do sangue.
[0091] Em particular, a invenção proporciona uma ferramenta adequada para discriminação entre os subtipos de tumor de: a) tumores do tipo luminal A/luminal B, sendo ER positivo e/ou PR positivo (luminal A e B, ER+/PR+, ER+/PR-, ER- /PR+), porém, HER2-negativo; b) tumores do tipo luminal B-HER2-positivos, ER e/ou PR positivos, mas, também, tumores HER2 positivos (luminal B HER2+); c) tumores do tipo HER2-positivo, sendo ER negativo e PR negativo, porém, HER2-positivo d) tumores de tipo triplo negativo (ER-, PR-, HER2-).
[0092] Portanto, é possível com a presente invenção identificar e discriminar positivamente entre os tipos acima mencionados de tumores de câncer de mama no sangue.
[0093] Assim, a invenção é ainda dirigida à utilização de uma combinação de metabólitos contidos em uma amostra de sangue de um sujeito mamífero, a combinação de metabólitos compreendendo, pelo menos: - uma acilcarnitina compreendendo pelo menos 10 átomos de carbono na molécula; e - um lipídio contendo um máximo de 3 insaturações na molécula; como um conjunto de biomarcadores para subclassificação de subtipos intrínsecos de tumores de câncer de mama.
[0094] O termo "insaturações" significa o número de ligações duplas carbono-carbono contidas na molécula lipídica.
[0095] A invenção proporciona ainda um método para subclassificação entre subtipos intrínsecos de tumor de câncer de mama em um sujeito mamífero, o método compreendendo a medição em uma amostra de sangue obtida do sujeito, da quantidade de pelo menos: - uma acilcarnitina compreendendo pelo menos 10 átomos de carbono na molécula; e - um lipídio contendo um máximo de 3 insaturações na molécula
[0096] Outros metabólitos opcionais são selecionados a partir de um ou mais de sulfóxido de metionina, lisina, histidina, lisoPC a C24:0, lisoPC a C20:3, citrulina e arginina.
[0097] A acilcarnitina é preferivelmente selecionada dentre aquelas incluídas na Tabela 2, que contêm mais do que 10 átomos de carbono, de preferência, mais de 12, mais preferencialmente, mais de 13 átomos de carbono na molécula, e ainda mais preferencialmente, é selecionada a partir de um ou mais dentre os compostos de glutaril carnitina (C5-DC) e metilglutaril carnitina (C5-M- DC) e dodecanodioilcarnitina (C12-DC).
[0098] O lipídio é preferivelmente selecionado a partir de esfingolipídios e glicerolipídios, tais como, glicerofosfolipídios, por exemplo, um ou mais dos lipídios incluídos nas Tabelas 4 e 5. De preferência, o lipídio é derivado do ácido araquidônico, mais preferivelmente, os lipídios com 38 ou mais átomos de carbono na molécula.
[0099] Mais preferivelmente, o lipídio é selecionado a partir de acilalquila fosfatidilcolina e acil-acila fosfatidilcolina, mais preferivelmente, é selecionado a partir de acil-acila fosfatidilcolina C38:3, acil-acila fosfatidilcolina C36:0, acil-acila fosfatidilcolina C42:0, acil-acila fosfatidilcolina C38:0, acil-acila fosfatidilcolina C38:1, acil-acila fosfatidilcolina C38:2 e acil-acila fosfatidilcolina C40:1.
[0100] Em outra modalidade preferida, a combinação de metabólitos compreende ainda um ou mais aminoácidos, de preferência, um ou mais aminoácidos selecionados entre aqueles incluídos na Tabela 1, mais preferencialmente, selecionados de um ou mais dos compostos de arginina, metionina, butenil carnitina, quininina e triptofano.
[0101] Além disso, comparações de tumores com resposta alta versus baixa, dentro do mesmo subtipo de tumor, mostram que a presença de um subtipo de tumor está significativamente associada a uma específica assinatura de metabólito no sangue.
[0102] Em particular, verificou-se surpreendentemente quando da aplicação da presente invenção, que é possível discriminar entre certos tipos de tumores de câncer de mama com base em biomarcadores específicos para esse tumor. Assim, na presente modalidade preferida, a avaliação compreende a subclassificação de tumores de câncer de mama em um sujeito mamífero, de preferência, em um ser humano.
[0103] Em uma modalidade particularmente preferida, a presente invenção é dirigida a um método para identificar um tumor do tipo Luminal A em um sujeito mamífero, cujo método compreende medir na amostra de sangue obtida do sujeito a quantidade de pelo menos uma acilcarnitina contendo pelo menos 10 átomos de carbono na molécula, um PC aa contendo um máximo de 3 insaturações, e pelo menos um aminoácido.
[0104] Em outra modalidade preferida, a presente invenção é dirigida a um método para identificar um tumor do tipo Luminal B-HER2 negativo em um sujeito mamífero, cujo método compreende medir na amostra de sangue obtida do sujeito a quantidade de pelo menos uma acilcarnitina contendo pelo menos 10 átomos de carbono na molécula, pelo menos um PC aa contendo um máximo de 3 insaturações, pelo menos PC ae, pelo menos um aminoácido e pelo menos um liso PC a.
[0105] Em outra modalidade preferida, a presente invenção é dirigida a um método para identificar um tumor do tipo Luminal B-HER2 positivo em um sujeito mamífero, cujo método compreende medir na amostra de sangue obtida do sujeito a quantidade de pelo menos uma acilcarnitina contendo pelo menos 10 átomos de carbono na molécula, pelo menos um PC aa, pelo menos um PC ae contendo um máximo de 3 insaturações, e pelo menos um aminoácido.
[0106] Em outra modalidade preferida, a presente invenção é dirigida a um método para identificar um tumor do tipo ER2 positivo em um sujeito mamífero, cujo método compreende medir na amostra de sangue obtida do sujeito a quantidade de pelo menos uma acilcarnitina contendo pelo menos 10 átomos de carbono na molécula, pelo menos um PC aa contendo um máximo de 3 insaturações, pelo menos um aminoácido e pelo menos um liso PC a.
[0107] Em outra modalidade preferida, a presente invenção é dirigida a um método para identificar um tumor do tipo triplo negativo em um sujeito mamífero, cujo método compreende medir na amostra de sangue obtida do sujeito a quantidade de pelo menos uma acilcarnitina contendo pelo menos 10 átomos de carbono na molécula, pelo menos um PC aa contendo um máximo de 3 insaturações, pelo menos um aminoácido e pelo menos um liso PC a.
[0108] Em outra modalidade preferida, a presente invenção é dirigida a um método para identificar um tumor que sobre-expressa o tipo HER2 (HER2-positivo e Luminal B HER2 positivo) em um sujeito mamífero, cujo método compreende medir na amostra de sangue obtida do sujeito a quantidade de pelo menos uma acilcarnitina contendo pelo menos 10 átomos de carbono na molécula, pelo menos um PC ae e pelo menos um PC aa.
[0109] Como certos subtipos de tumores diferem entre si em relação à resposta à quimioterapia, que, por exemplo, pode ser diferenciada entre resposta alta versus resposta baixa, o método da presente invenção de acordo com esta modalidade preferida permite prever se um paciente é suscetível de responder à quimioterapia, tal como, uma quimioterapia neoadjuvante, mesmo antes da terapia. Assim, a terapia do câncer de mama pode ser individualizada com base no tipo de tumor do paciente. Consequentemente, o sucesso da quimioterapia pode ser acentuadamente aumentado. Kit
[0110] Além disso, a invenção é também dirigida a um kit adaptado para realizar os métodos conforme descrito acima, em que o kit compreende um dispositivo, cujo dispositivo contém um ou mais poços e uma ou mais inserções impregnadas com pelo menos um padrão interno. Um dispositivo desse tipo é descrito pormenorizadamente nos documentos de patente WO 2007/003344 e WO 2007/003343, cujas aplicações são aqui incorporadas por referência.
[0111] Os exemplos seguintes descrevem e esclarecem adicionalmente a presente invenção, sem pretender de nenhum modo limitar o escopo da mesma.
[0112] Um total de 64 amostras de plasma de mulheres com câncer de mama no estágio III, sem tratamento prévio, foram incluídas em paralelo com três conjuntos de controles. O primeiro, com 93 mulheres saudáveis, foi utilizado durante a fase de descoberta. O segundo foi analisado em um conjunto de validação independente, com 30 amostras de plasma de mulheres com câncer de mama, assim como, 24 controles. Finalmente, o terceiro conjunto, com 616 voluntários, sendo 524 participantes saudáveis juntamente com 92 amostras (sendo 55 de câncer de cólon e 37 de pacientes com HIV), para verificar a especificidade dos resultados.
[0113] As dimensões iniciais do tumor apresentaram uma média de 7,09 cm (3,5 cm a 14 cm) e foram calculadas utilizando medições clínicas e radiológicas antes da cirurgia. O volume final do tumor foi avaliado, diretamente no produto cirúrgico, por um patologista dedicado e o pCR foi definido como nenhuma evidência histopatológica de qualquer resíduo residual invasivo e/ou não invasivo residual em mama ou nódulos (ypTO/ypNO). Os pacientes, com pelo menos 90% de resposta na mama, sem tumor residual na axila, foram denominados "Pacientes de Resposta Alta - High Responders" (Hresp) e comparados com os restantes pacientes denominados "Pacientes de Resposta Baixa - Low Responders" (Lresp). Para identificar os metabólitos associados com pCR, os primeiros 29 pacientes incluídos foram utilizados para a detecção de marcadores de prognóstico durante o treinamento, e os 30 seguintes foram acessíveis como um conjunto de validação independente.
[0114] Para identificar os metabólitos associados à doença estável/doença em progressão (SDPR), todos os pacientes foram incluídos com uma resposta clínica máxima de 30%, sendo 12 de doença estável e 7 de doença em progressão. O conjunto de treinamento foi montado usando os primeiros 21 pacientes admitidos durante a descoberta de marcadores metabólicos de prognóstico, e os 38 pacientes restantes foram disponibilizados como um conjunto de validação independente.
[0115] Para testar se os modelos de previsão estavam correlacionados não somente a altas e baixas taxas de resposta, mas, com diferentes graus de resposta tumoral, os resultados foram validados analisando metabólitos específicos, de acordo com graus progressivos de resposta tumoral (0%, 30%, 30-75%, 75-90%, 90-99% e 100%) ou SDPR (0-30%), Lresp (30-90%), Hresp (>90%), pCR (100%). Paralelamente, tentou-se dispor de uma confirmação adicional sobre a natureza oncogênica dos metabólitos identificados, assim, também foram testados em um gradiente progressivo de volumes de tumores iniciais, a partir de grupos com tamanho de tumor de 4 cm até 12 cm.
[0116] Finalmente, a fim de avaliar se os metabólitos do sangue podem apresentar previsibilidade da resposta quimioterápica, tendo em vista os subtipos individuais de câncer de mama, os pacientes foram divididos, primeiro, em seus subtipos intrínsecos ao câncer, de acordo com Minckwitz et al., (2012), e segundo, de acordo com taxas de resposta tumoral em tumores altamente responsivos (Hresp, mais de 75%) e de baixa resposta (Lresp, menos de 75%).
[0117] Esta análise foi realizada em um serviço independente no Laboratório AB-Sciex localizado em São Paulo, SP, Brasil. As amostras de plasma foram injetadas em um sistema Shimadzu Prominence LC acoplado a um aparelho espectrômetro de massa AB-Sciex 5600 Triple TOF, com uma velocidade de varredura de aquisição de 100 espectros/segundo e uma precisão de massa estável de ~ 2 ppm. A Análise de Injeção de Fluxo (FLA) foi realizada utilizando a eluição isocrática com metanol/água (90/10), com 5,0 mM de formiato de amônio. A vazão e os volumes de injeção foram de 0,025 mL/min e 50 uL, respectivamente. Não foi realizada qualquer otimização da fonte de íons, nem do potencial de desagregação (50V e -40V). Foram aplicados os seguintes parâmetros de ionização: CUR = 20 psi, GS1 = 20 psi, GS2 = 15 psi, Temp. = 250°C, IS = 5000V (- 4000V). MS teve variação de m/z de 100 a 1200 com tempo de acumulação de 0,25 s e a varredura de íons do produto de m/z de 100 a 1200 e tempo de acumulação de 0,03 s foram os parâmetros adotados durante o levantamento e varreduras dependentes, respectivamente.
[0118] Este procedimento foi realizado em um conjunto de validação independente com 34 amostras de plasma de mulheres com câncer de mama, assim como, com 616 controles, em duas bases independentes de taxa por serviço, usando plataforma metabolômica quantitativa na Biocrates Life Sciences AG, Innsbruck, Áustria, e Quest Diagnostics Nichols Institute, San Juan Capistrano, CA, EUA. A técnica quantitativa MS/MS direcionada (ESI) é descrita em detalhes no documento de patente US 2007/0004044. Resumidamente, um esquema de perfil direcionado é utilizado para pesquisar quantitativamente os metabólitos de moléculas pequenas conhecidos, utilizando monitoramento de reação múltipla, perda neutra e análises de varredura de íons precursores. A quantificação dos metabólitos da amostra biológica é obtida mediante referência a padrões internos apropriados, e o método foi provado estar em conformidade com o código 21 CFR (Código de Regulamentações Federais) Parte 11, o que implica prova de reprodutibilidade dentro de um determinado intervalo de erro. As concentrações de todos os metabólitos analisados foram relatadas em uM.
[0119] No total, foram detectados 183 metabólitos diferentes, sendo 40 acilcarnitinas, 19 aminoácidos proteinogênicos, ornitina e citrulina, 19 aminas biogênicas, soma de Hexoses, 76 fosfatidilcolinas, 14 lisofosfatidilcolinas e 15 esfingomielinas.
[0120] Os glicerofosfolipídios são ainda diferenciados relativamente à presença de ligações éster (a) e éter (e) na porção glicerol, em que duas letras (aa = diacila, ae = acilalquila, ee = dialquila) indicam que duas posições de glicerol estão ligadas a um resíduo de ácido graxo, enquanto uma única letra (a = acila ou e = alquila) indica a presença de um único resíduo de ácido graxo.
[0121] A composição da cadeia lateral do lipídio é abreviada como Cx:y, em que x indica o número de carbonos na cadeia lateral e y o número de ligações duplas. Por exemplo, "PC ae C38:1" indica um composto de plasmalogênio/plasmenogênio fosfatidilcolina com 38 carbonos nas duas cadeias laterais do ácido graxo e uma única ligação dupla em um deles.
[0122] Foram utilizados casos de experiências para identificação de marcadores e para identificar qualquer variável clínica que pudesse estar associada à resposta por análise de regressão logística. A quantificação das concentrações de metabólitos e a avaliação do controle de qualidade foram realizadas com o pacote de software MetlDQ® (BIOCRATES Life Sciences AG, Innsbruck, Áustria). Os padrões internos servem como referência para os cálculos da concentração dos metabólitos. Um arquivo xls foi então exportado, o qual continha nomes de amostras, nomes de metabólitos e concentração de metabólitos com a unidade de μmol/L de plasma.
[0123] Os dados foram então transferidos para o pipeline analítico MetaboAnalyst 2.0 (www.metaboanalyst.ca) e normalizados, usando protocolos de normalização do MetaboAnalyst (Xia et al, 2012) para análise uni- e multivariada, seleção de características dimensionais altas, agrupamento e classificação supervisionada, enriquecimento funcional, assim como, análise da via metabólica.
[0124] Os dados também foram importados para o ROCCET (ROC Curve Explorer & Tester) disponível em http://www.roccet.ca/ROCCET/, para a geração de curvas uni- e multivariadas (Receiver Operating Characteristic (ROC)), obtidas através da SVM (Support Vector Machine) por meio de Análise Discriminante de Mínimos Quadrados Parciais (PLS- DA) e Florestas de Decisão Aleatória (Random Forests).
[0125] As curvas foram geradas pela validação cruzada de Monte-Carlo (MCCV) utilizando-se uma subamostragem balanceada, onde dois terços (2/3) das amostras foram utilizados para avaliar a importância da característica. Características significativas foram então utilizadas para construir modelos de classificação, que foram validados em 1/3 das amostras que foram deixadas de fora. O mesmo procedimento foi repetido várias vezes para calcular o desempenho e o intervalo de confiança de cada modelo. Definição de Termos: (1) Up-Regulation e Down-Regulation (Suprarregulação e Infrarregulação): Uma suprarregulação significa um aumento na concentração de um metabólito, por exemplo, um aumento na velocidade de ocorrência desta reação bioquímica devido, por exemplo, a uma alteração na atividade enzimática. Para uma infrarregulação é o contrário. (2) Teste-t: O teste-t é um teste de hipóteses estatísticas e o teste utilizado é aquele integrado no software MarkerView, sendo aplicado a todas as variáveis na tabela, determinando se a média para cada grupo é significativamente diferente, dado o desvio padrão e o número de amostras, por exemplo, para descobrir se existe uma diferença real entre as médias de dois grupos diferentes. (3) Valor-p: O valor-p é a probabilidade de se obter um resultado pelo menos tão extremo quanto aquele que foi realmente observado, supondo que a hipótese nula (a hipótese de nenhuma mudança ou efeito) seja verdadeira. O valor-p é sempre positivo e quanto menor o valor, menor a probabilidade de que haja uma ocorrência de mudança. Um valor de p de 0,05 ou menos rejeita a hipótese nula ao nível de 5%, o que significa que em apenas 5% do tempo a mudança é uma ocorrência casual. Este é o nível definido em nossas tabelas. (4) Variação de log-fold: A variação de log-fold é definida como a diferença entre as concentrações de transformação logarítmicas médias em cada condição. Esta é uma maneira de descrever quanto mais alto ou mais baixo o valor está em um grupo, em comparação com outro. Por exemplo, uma mudança de variação log-fold de 0,3 é "equivalente" a um aumento de variação de exp(0,3) = 1,34 vezes, em comparação com o controle (grupo mais saudável). Além disso, uma variação log-fold de -0,3 é "equivalente" a um aumento de variação de exp(-0,3) = 0,74 = (1/1,34) vezes, em comparação com a variação de controle ou diminuição de variação de 1,34 vezes para a doença.
[0126] Em primeiro lugar, foram realizadas Análise de Componentes Principais (PCA) e Análise da Curva ROC da descoberta (30 pacientes e 93 controles) e conjuntos de validação 1 (34 pacientes e 24 controles) e 2 (34 pacientes e 616 controles), que revelaram uma eminente confiabilidade da pesquisa e diagnóstico, conforme mostrado na Tabela 6 seguinte. Tabela 6: Análise de correlação entre os metabólitos identificados com câncer de mama (64 pacientes com câncer de mama versus 616 controles)
[0127] A análise PCA e PLS-DA das 64 mulheres incluídas inicialmente foi comparada a 616 controles. A existência de metabólitos sanguíneos altamente discriminativos entre pacientes com câncer em comparação com os controles (p = 0,0245 após 2000 testes de permutações) confirmou a análise de PCA durante os dois conjuntos. As Estatísticas de Teste de Permutação estão representando o Valor p < 5e-04 após 2000 rodadas de permutações (8A). Este resultado confirma, como altamente significativo a análise PLS-DA (8B).
[0128] A assinatura de metabólitos identificados utilizada para análise uni- ou multivariada, é descrita nas Tabelas 1 e 2, juntamente com o teste t e estudos de correlação representando valores de p altamente significativos, e Taxas de Descoberta Falsa (FDR) para todos os metabólitos (Tabelas 7 e 8) . Tabela 7 *Soma PUFA PC ae araquidônico/Soma MUFA PC ae araquidônico Tabela 8 *Soma PUFA PC ae araquidônico/Soma MUFA PC ae araquidônico
[0129] A avaliação da curva multivariada ROC obtida durante os conjuntos de experimento e validação para acessar o desempenho dos resultados para fins de pesquisa é mostrada na Tabela 6. Os metabólitos identificados segregam com precisão os pacientes com câncer dos controles, com sensibilidade = 100%, especificidade = 98,31%, valor de prognóstico positivo (PPV) = 79,09% e valor de prognóstico negativo (NPV) = 100%.
[0130] De aspecto importante, mesmo após 1000 rodadas de permutação, as assinaturas permaneceram altamente significativas, o que confirma a análise da curva ROC.
[0131] A análise de correlação não mostrou nenhum resultado significativo entre a taxa de resposta tumoral com as variáveis clínicas e patológicas, conforme demonstrado na Tabela 9 seguinte. Tabela 9
[0132] Além disso, as análises de curva ROC obtidas durante o conjunto de experimentos revelaram um conjunto mínimo de metabólitos para segregar com precisão os pacientes de câncer dos controles, compreendendo pelo menos (a) um aminoácido selecionado de glutamina, glutamato e serina e um lipídio ou (b) glutamina e glutamato. Os resultados obtidos a partir das análises da curva ROC estão ilustrados nas Figuras 1 a 7. Figura 1A: Análise da curva ROC obtida durante o Conjunto de Validação utilizando dois metabólitos, Glutamina (Gln) e Acilalquila Fosfatidilcolina C42:1 (PC ae C42:1) com câncer de mama (n = 64), comparado com Controles (n = 11). CutOff = -9,937, Sensibilidade = 1,0 (1-1), Especificidade = 1,0 (1-1), Razão de Probabilidade Positiva = Infinito, Razão de Probabilidade Negativa = 0,0, Teste-T = 8,0019E-22, Valor de P <0,001 (1000 permutações). Figura 1B: Análise da curva ROC obtida durante o Conjunto de Validação utilizando dois metabólitos, Glutamina (Gln) e Acilalquila Fosfatidilcolina C42:1 (PC ae C42:1) com câncer de mama (n = 64), comparado com Controles (n = 11). CutOff = -9,937, Sensibilidade = 1,0 (1-1), Especificidade = 0,974 (0,935-1), Razão de Probabilidade Positiva = 38,5, Razão de Probabilidade Negativa = 0,0, Teste-T = 1,2632E-58, Valor de P <0,001 (1000 permutações). Figura 2A: Análise da curva ROC obtida durante o Conjunto de Experimentos utilizando dois metabólitos, Glutamina (Gln) e Acilalquila Fosfatidilcolina C38:1 (PC ae C38:1) com câncer de mama (n = 11), comparado com Controles (n = 11). CutOff = -6,645, Sensibilidade = 1,0 (1-1), Especificidade = 0,9844 (0,953-1), Razão de Probabilidade Positiva = 64,0, Razão de Probabilidade Negativa = 0,0, Teste-T = 9,9636E-31, Valor de P <0,001 (1000 permutações). Figura 2B: Análise da curva ROC obtida durante o Conjunto de Validação utilizando dois metabólitos, Glutamina (Gln) e Acilalquila Fosfatidilcolina C38:1 (PC ae C38:1) com câncer de mama (n = 64), comparado com Controles (n = 77). CutOff = -6,645, Sensibilidade = 0,9844 (0,953-1), Especificidade = 0,9481 (0,896-0,967), Razão de Probabilidade Positiva = 18,95, Razão de Probabilidade Negativa = 0,01648, Teste-T = 3,6347E-42, Valor de P <0,001 (1000 permutações). Figura 3A: Análise da curva ROC obtida durante o Conjunto de Experimentos utilizando dois metabólitos, Glutamina (Gln) e Acilalquila Fosfatidilcolina C38:1 (PC ae C38:1) com câncer de mama (n = 64), comparado com Controles (n = 11). CutOff = 6,231, Sensibilidade = 1,0 (1-1), Especificidade = 1,0 (1-1), Razão de Probabilidade Positiva = Infinito, Razão de Probabilidade Negativa = 0,0, Teste-T = 1,9204E-13, Valor de P <0,001 (1000 permutações). Figura 3B: Análise da curva ROC obtida durante o Conjunto de Validação utilizando dois metabólitos, Serina (Ser) e Acilalquila Fosfatidilcolina C38:1 (PC ae C38:1) com câncer de mama (n = 64), comparado com Controles (n = 77). CutOff = 5,575, Sensibilidade = 0,9219 (0,851-0,969), Especificidade = 0,93 (0,885-0,98), Razão de Probabilidade Positiva = 13,17, Razão de Probabilidade Negativa = 0,08401, Teste-T = 1,6951E-43, Valor de P <0,001 (1000 permutações). Figura 4A: Análise da curva ROC obtida durante o Conjunto de Experimentos utilizando dois metabólitos, Serina (Ser) e Acilalquila Fosfatidilcolina C42:1 (PC ae C42:1) com câncer de mama (n = 64), comparado com Controles (n = 11). CutOff = 7,468, Sensibilidade = 0,9655 (0,914-1), Especificidade = 1,0 (1-1), Razão de Probabilidade Positiva = Infinito, Razão de Probabilidade Negativa = 0,03448, Teste-T = 3,7077E-10, Valor de P <0,001 (1000 permutações). Figura 4B: Análise da curva ROC obtida durante o Conjunto de Experimentos utilizando dois metabólitos, Serina (Ser) e Acilalquila Fosfatidilcolina C42:1 (PC ae C42:1) com câncer de mama (n = 64), comparado com Controles (n = 77). CutOff = 7,162, Sensibilidade = 0,8906 (0,812-0,969), Especificidade = 0,98 (0,95-1), Razão de Probabilidade Positiva = 44,53, Razão de Probabilidade Negativa = 0,1116, Teste-T = 1,6951E-43, Valor de P <0,001 (1000 permutações). Figura 5A: Análise da curva ROC obtida durante o Conjunto de Experimentos utilizando dois metabólitos, Glutamato (Glu) e Acil-acil Fosfatidilcolina C28:1 (PC aa C28:1) com câncer de mama (n = 64), comparado com Controles (n = 11). CutOff = -6,119, Sensibilidade = 0,9483 (0,888-1), Especificidade = 1,0 (1-1), Razão de Probabilidade Positiva = Infinito, Razão de Probabilidade Negativa = 0,05172, Teste-T = 4,1972E-20, Valor de P <0,001 (1000 permutações). Figura 5B: Análise da curva ROC obtida durante o Conjunto de Validação utilizando dois metabólitos, Glutamato (Glu) e Acil-acil Fosfatidilcolina C28:1 (PC aa C28:1) com câncer de mama (n = 64), comparado com Controles (n = 77). CutOff = -6,335, Sensibilidade = 0,9219 (0,859-0,977), Especificidade = 0,83 (0,75-0,9), Razão de Probabilidade Positiva = 5,423, Razão de Probabilidade Negativa = 0,09413, Teste-T = 2,1657E-26, Valor de P <0,001 (1000 permutações). Figura 6A: Análise da curva ROC obtida durante o Conjunto de Experimentos utilizando dois metabólitos, Glutamato (Glu) e Acilalquila Fosfatidilcolina C42:1 (PC ae C42:1) com câncer de mama (n = 64), comparado com Controles (n = 11). Sensibilidade = 100%, Especificidade = 100%, Valor de Prognóstico Positivo = 100%, Valor de Prognóstico Negativo = 100%, Valor de P <0,001 (1000 permutações). Figura 6B: Análise da curva ROC obtida durante o Conjunto de Validação utilizando dois metabólitos, Glutamato (Glu) e Acilalquila Fosfatidilcolina C42:1 (PC ae C42:1) com câncer de mama (n = 64), comparado com Controles (n = 77). Sensibilidade = 100%, Especificidade = 99%, Valor de Prognóstico Positivo = 98,46%, Valor de Prognóstico Negativo = 100%, Valor de P <0,001 (1000 permutações). Figura 7A: Análise da curva ROC obtida durante o Conjunto de Experimentos utilizando dois metabólitos, Glutamato (Glu) e Glutamina (Gln) com câncer de mama (n = 64), comparado com Controles (n = 11). CutOff = -1,101, Sensibilidade = 1,0 (1-1), Especificidade = 1,1 (1-1), Razão de Probabilidade Positiva = Infinito, Razão de Probabilidade Negativa = 0,0, Teste-T = 9,9058E-17, Valor de P <0,001 (1000 permutações). Figura 7B: Análise da curva ROC obtida durante o Conjunto de Experimentos utilizando dois metabólitos, Glutamato (Glu) e Glutamina (Gln) com câncer de mama (n = 64), comparado com Controles (n = 77). CutOff = -1,101, Sensibilidade = 0,9219 (0,851-0,969), Especificidade = 0,93 (0.86- 0.97), Razão de Probabilidade Positiva = 13,17, Razão de Probabilidade Negativa = 0.08401, Teste-T = 4,6268E-40, Valor de P <0,001 (1000 permutações).
[0133] Conforme pode ser visto dos dados acima, a presente invenção permite a pesquisa e diagnóstico de pacientes com câncer de mama, com uma precisão e confiabilidade aperfeiçoadas, em comparação com métodos conhecidos. Isso pode, em particular, ser ilustrado pela seguinte comparação (Tabela 10). Tabela 10: Comparação da presente invenção com estudos citados pelo estado da técnica. *Qui Y. et al., Int. J. Mol. Sci. 2013, 14, 8047-8061 2. Previsão de Alta Resposta (Hresp) ou Baixa Resposta (Lresp) à Quimioterapia.
[0134] Um total de 10 pacientes obtiveram pelo menos 90% de resposta (6 no estágio de experimentos e 4 no conjunto de validação), entre eles, 7 pacientes atingiram resposta patológica completa (pCR) definida como ypTO/ypNO. A porcentagem total de pCR e SDPR foi observada em 11,8% (7/59) e 32% (19/59) dos pacientes, respectivamente.
[0135] As análises das curvas ROC obtidas durante o conjunto de experimentos revelaram um conjunto mínimo de metabólitos para prever com exatidão a resposta à quimioterapia, compreendendo, pelo menos, um aminoácido selecionado de serina e glutamina, arginina metilada, uma acilcarnitina e um lipídio. Os resultados obtidos a partir das análises das curvas ROC estão ilustrados nas Figuras 9 a 12. Figura 9A: Análise da curva ROC obtida durante o Conjunto de Experimentos, utilizando DMA Total, PC ae C42:0, Glutamina (Gln) e Dodecanodioilecarnitina (C12-DC), comparando os pacientes com Resposta Patológica Completa (pCR, n=7) com pacientes de 35-78% de resposta (n=21). CutOff = -11,56, Sensibilidade = 1,0 (1- 1), Especificidade = 1,0 (1-1), Razão de Probabilidade Positiva = Infinito, Razão de Probabilidade Negativa = 0,0, Teste T = 8,553E-6, Valor de P <0,001 (1000 permutações). Figura 9B: Análise da curva ROC obtida durante o Conjunto de Validação, utilizando DMA Total, PC ae C42:0, Glutamina (Gln) e C12-DC, comparando os pacientes com Resposta Patológica Completa (pCR, n=7) com pacientes de Doença Estável/Doença em Progressão (SDPR, n=22). CutOff = -11,56, Sensibilidade = 0,9091 (0.773- 1), Especificidade = 1,0 (1 1), Razão de Probabilidade Positiva = Infinito, Razão de Probabilidade Negativa = 0,09091, Teste T = 2,5381E-4, Valor de P <0,001 (1000 permutações). Figura 10A: Análise da curva ROC obtida durante o Conjunto de Experimentos, utilizando DMA Total, PC ae C30:0, Glutamina (Gln) e C12-DC, comparando os pacientes com Resposta Patológica Completa (pCR, n=7) com pacientes de 35-78% de resposta (n=21). CutOff = -10,12, Sensibilidade = 0,7143 (0,571-0,905), Especificidade = 1,0 (1-1), Razão de Probabilidade Positiva = Infinito, Razão de Probabilidade Negativa = 0,2857, Teste T = 8.553E-6, Valor de P < 0,001 (1000 permutações). Figura 10B: Análise da curva ROC obtida durante o Conjunto de Validação, utilizando DMA Total, PC ae C30:0, Glutamina (Gln) e C12-DC, comparando os pacientes com Resposta Patológica Completa (pCR, n=7) com pacientes de Doença Estável/Doença em Progressão (SDPR, n=22). CutOff = -10,12, Sensibilidade = 0,773 (0,591-0,955), Especificidade = 1,0 (1-1), Razão de Probabilidade Positiva = Infinito, Razão de Probabilidade Negativa = 0,2273, Teste T = 4,8125E-4, Valor de P < 0,001 (1000 permutações). Figura 11A: Análise da curva ROC obtida durante o Conjunto de Experimentos, utilizando DMA Total, PC ae C42:0, Serina (Ser) e C12-DC, comparando os pacientes com Resposta Patológica Completa (pCR, n=7) com pacientes de Baixa Resposta (n=52). CutOff = 8,416, Sensibilidade = 0,4902 (0,342-0,638), Especificidade = 1,0 (1-1), Razão de Probabilidade Positiva = Infinito, Razão de Probabilidade Negativa = 0,5098, Teste T = 0,018905, Valor de P < 0,001 (100 permutações). Figura 11B: Análise da curva ROC obtida durante o Conjunto de Validação, utilizando DMA Total, PC ae C42:0, Serina (Ser) e C12-DC, comparando os pacientes com Resposta Patológica Completa (pCR, n=7) com pacientes de Doença Estável/Doença em Progressão (SDPR, n=22). CutOff = -8,412, Sensibilidade = 0,875 (0,625-1), Especificidade = 1,0 (11), Razão de Probabilidade Positiva = Infinito, Razão de Probabilidade Negativa = 0,125, Teste T = 0,013813, Valor de P < 0,001 (100 permutações). Figura 12A: Análise da curva ROC obtida durante o Conjunto de Experimentos, utilizando DMA Total, PC ae C32:2, Serina (Ser) e C12-DC, comparando os pacientes com Resposta Patológica Completa (pCR, n=7) com pacientes de 80-92% de Resposta (n=8). CutOff = 11,38, Sensibilidade = 0,625 (0,375-0,875), Especificidade = 1,0 (1-1), Razão de Probabilidade Positiva = Infinito, Razão de Probabilidade Negativa = 0,375, Teste T = 0,017765, Valor de P < 0,001 (100 permutações). Figura 12B: Análise da curva ROC obtida durante o Conjunto de Validação, utilizando DMA Total, PC ae C32:2, Serina (Ser) e C12-DC, comparando os pacientes com Resposta Patológica Completa (pCR, n=7) com pacientes de Doença Estável/Doença em Progressão (SDPR, n=22). CutOff = 11,37, Sensibilidade = 0,5909 (0,479-0,797), Especificidade = 1,0 (1-1), Razão de Probabilidade Positiva = Infinito, Razão de Probabilidade Negativa = 0,4091, Teste T = 0,026961, Valor de P < 0,001 (100 permutações).
[0136] Os dados acima mostram a destacada precisão e a confiabilidade da previsão, determinada pelos parâmetros de especificidade, sensibilidade, PPV e NPV, usando as combinações de biomarcadores acima especificadas. 3. Metabólitos de acordo com Subtipos Intrínsecos de Câncer de Mama.
[0137] As análises das curvas ROC obtidas durante o conjunto de experimentos revelaram um conjunto mínimo de metabólitos para subclassificação de subtipos de câncer de mama, compreendendo pelo menos uma acilcarnitina contendo pelo menos 10 átomos de carbono na molécula, e pelo menos um lipídio contendo um máximo de 3 insaturações na molécula. Os resultados obtidos a partir das análises das curvas ROC estão ilustrados nas Figuras 13 a 15. Figura 13: Identificação de subtipos específicos de câncer de mama utilizando os metabólitos descritos na Tabela 11. Análise da curva ROC mostrando a identificação de pacientes com Tumores Luminais A/B (n=30) e pacientes com Triplos Negativos e Positivos para HER2 (Outros Tumores N=29). AUC = 0,821 (CI 95%: 0,686-0,945), Sensibilidade = 81,08%, Especificidade = 82,86%, Valor de Prognóstico Positivo = 83,33%, Valor de Prognóstico Negativo = 80,56%, valor P = 0,008 (1000 permutações). Tabela 11: Lista de metabólitos utilizados na Análise Multivariada para identificar tumores do tipo Luminal A/B.
Figura 14: Identificação de subtipos específicos de câncer de mama utilizando os metabólitos descritos na Tabela 12. Análise da curva ROC mostrando a identificação de pacientes com Tumores HER2 (LumB-HER2 + HER2) (n=19) e pacientes com Triplos Negativos e Luminais A/B (n=30) (Outros Tumores N=40). AUC = 0,803 (CI 95%: 0,639-0,926), Sensibilidade = 86,36%, Especificidade = 76,92%, Valor de Prognóstico Positivo = 61,29%, Valor de Prognóstico Negativo = 93,02%, Valor P = 0,002 (1000 permutações). Tabela 12: Lista de metabólitos utilizados na Análise Multivariada para identificar tumores HER2-positivos. Figura 15: Identificação de subtipos específicos de câncer de mama utilizando os metabólitos descritos na Tabela 13. Análise da curva ROC mostrando a identificação de pacientes com Tumores Triplos Negativos (n=10) e HER2 Positivos/Luminais A/B (n=30) (Outros Tumores N=49). AUC = 0,875 (CI 95%: 0,762-0,98), Sensibilidade = 83,33%, Especificidade = 85,96%, Valor de Prognóstico Positivo = 55,56 %%, Valor de Prognóstico Negativo = 96,08%, Valor p <0,001 (1000 permutações). Tabela 13: Lista de metabólitos utilizados na Análise Multivariada para Identificar Tumores Triplos Negativos. * NOS Act = (Nitric Oxide Synthase Activity) - proporção de Citrulina/Arginina
[0138] Os dados acima mostram que é possível discriminar entre certos tipos de tumores de câncer de mama com base em biomarcadores específicos para esses tumores, com alta precisão e confiabilidade, conforme determinado pelos parâmetros de especificidade, sensibilidade, PPV e NPV.
[0139] A presente invenção torna possível a pesquisa em sujeitos, em particular, pacientes humanos, potencialmente sofrendo de câncer de mama, assim como, diagnosticar o câncer de mama em sujeitos de uma forma aperfeiçoada, proporcionando, assim, procedimentos de pesquisa e diagnóstico mais precisos, confiáveis e eficazes.
[0140] Além disso, a presente invenção permite ainda prever se um paciente que sofre de câncer de mama é suscetível de responder à quimioterapia, tal como, uma quimioterapia neoadjuvante, já numa fase inicial da doença. De fato, os biomarcadores de acordo com a invenção são facilmente detectáveis no sangue, e o seu nível está consistentemente correlacionado ao estágio do câncer de mama. Desse modo, os métodos da invenção podem ser facilmente executados, com alto rendimento e em um curto período de tempo e, assim, permitir uma melhor aceitação do paciente.
[0141] Além disso, é possível com os biomarcadores e conjuntos de biomarcadores da presente invenção discriminar subtipos de tumores, permitindo, assim, um tratamento individual baseado no subtipo do tumor, aumentando adicionalmente a aceitação do paciente e aperfeiçoando o sucesso da terapia.
[0142] Além disso, a invenção permite a determinação da atividade tumoral por meio de biomarcadores metabólicos, o que é vantajoso e superior, se comparado com a caracterização tumoral conforme realizada no segmento da técnica. A avaliação da reflexão bioquímica da atividade tumoral de câncer de mama proporciona uma ferramenta adequada para adaptar e ajustar a terapia do paciente, aumentando, assim, consideravelmente a aceitação do paciente e a qualidade de vida.
[0143] Com base nisso, é possível preparar um kit que seja adequado para ajudar na pesquisa e diagnóstico do câncer de mama, classificando o tumor do paciente e determinando a sua atividade bioquímica, monitorando a progressão da doença e a resposta terapêutica do paciente à quimioterapia neoadjuvante.
[0144] Assim, a presente invenção refere-se às seguintes modalidades preferidas: 1. Uso de uma combinação de metabólitos contidos em uma amostra de sangue de um sujeito mamífero, em que a combinação de metabólitos compreende pelo menos: (a) um aminoácido selecionado a partir de glutamina, glutamato e serina, e um lipídio, ou (b) glutamina e glutamato, como um conjunto de biomarcadores para pesquisa e/ou diagnóstico de câncer de mama. 2. Uso, de acordo com a modalidade 1, em que o lipídio é selecionado de acilalquila fosfatidilcolina araquidônico poli-insaturado, acilalquila fosfatidilcolina araquidônico monoinsaturado e acilalquila fosfatidilcolina araquidônico saturado. 3. Uso, de acordo com as modalidades 1 ou 2, em que a combinação de metabólitos compreende ainda uma ou mais dentre esfingomielina e glutaconil carnitina. 4. Uso de uma combinação de metabólitos contidos em uma amostra de sangue de um sujeito mamífero, em que a combinação de metabólitos compreende pelo menos: - um aminoácido selecionado a partir de serina e glutamina; - arginina metilada; - uma acilcarnitina; e - um lipídio, como um conjunto de biomarcadores para o prognóstico da resposta terapêutica à quimioterapia neoadjuvante do câncer de mama. 5. Uso, de acordo com a modalidade 4, em que a acilcarnitina é selecionada de uma ou mais de glutaril- carnitina e metilglutaril-carnitina. 6. Uso, de acordo com as modalidades 4 ou 5, em que o lipídio é selecionado a partir de acilalquila fosfatidilcolina C44:6; acilalquila fosfatidilcolina C44:5; acilalquila fosfatidilcolina C38:4; acilalquila fosfatidilcolina C30:0; acilalquila fosfatidilcolina C32:2; acilalquila fosfatidilcolina C42:0; lisofosfatidilcolina a C17:0; lisofosfatidilcolina a C26:0; lisofosfatidilcolina a C30:0; e lisofosfatidilcolina a C24:0. 7. Uso, de acordo com as modalidades 4 a 6, em que a combinação de metabólitos compreende ainda um ou mais dentre os compostos de putrescina, espermina e arginina dimetilada. 8. Uso de uma combinação de metabólitos contidos em uma amostra de sangue de um sujeito mamífero, em que a combinação de metabólitos compreende pelo menos: - um aminoácido selecionado a partir de glutamato, glutamina, alanina, glicina, serina e aspartato; e - um lipídio, como um conjunto de biomarcadores para avaliar as reflexões bioquímicas da atividade tumoral de câncer de mama. 9. Uso, de acordo com a modalidade 8, em que o lipídio é selecionado de acilalquila fosfatidilcolina e acil-acila fosfatidilcolina. 10. Uso, de acordo com as modalidades 8 ou 9, em que a combinação de metabólitos compreende ainda um ou mais dentre os aminoácidos de leucina e ornitina. 11. Uso de uma combinação de metabólitos contidos em uma amostra de sangue de um sujeito mamífero, em que a combinação de metabólitos compreende pelo menos: - uma acilcarnitina compreendendo pelo menos 10 átomos de carbono na molécula; - um lipídio contendo um máximo de 3 insaturações na molécula; como um conjunto de biomarcadores para subclassificação de subtipos de tumores de câncer de mama. 12. Uso, de acordo com a modalidade 11, em que os lipídios são selecionados de acil-acila fosfatidilcolina C38:3; acil-acila fosfatidilcolina C36:0; acil-acila fosfatidilcolina C42:0; acil-acila fosfatidilcolina C38:0; acil-acila fosfatidilcolina C38:1; acil-acila fosfatidilcolina C38:2; e acilalquila fosfatidilcolina C40:1. 13. Uso, de acordo com as modalidades 11 ou 12, em que a combinação de metabólitos compreende ainda um ou mais dentre sulfóxido de metionina; lisina; histidina; lisoPC a C24:0; lisoPC a C20:3; citrulina e arginina. 14. Método para pesquisa e/ou diagnóstico de câncer de mama em um sujeito mamífero, o método compreendendo a medição numa amostra de sangue obtida a partir do sujeito da quantidade de pelo menos: (a) um aminoácido selecionado a partir de glutamina, glutamato e serina, e um lipídio; ou (b) glutamina e glutamato. 15. Método para prognosticar uma resposta terapêutica à quimioterapia neoadjuvante ao câncer de mama em um sujeito mamífero, o método compreendendo a medição em uma amostra de sangue obtida do sujeito da quantidade de pelo menos: - um aminoácido selecionado a partir de serina e glutamina, - arginina metilada - uma acilcarnitina, e - um lipídio. 16. Método para avaliar as reflexões bioquímicas da atividade tumoral de câncer de mama em um sujeito mamífero, o método compreendendo a medição em uma amostra de sangue obtida do sujeito da quantidade de pelo menos: - um aminoácido selecionado de glutamato, glutamina, alanina, glicina, serina e aspartato, e - um lipídio. 17. Método para subclassificação de subtipos de tumor de câncer de mama em um sujeito mamífero, o método compreendendo a medição em uma amostra de sangue obtida do sujeito da quantidade de pelo menos: - uma acilcarnitina compreendendo pelo menos 10 átomos de carbono na molécula; e - um lipídio contendo um máximo de 3 insaturações na molécula. 18. Método de acordo com qualquer uma das modalidades 14 a 17, em que a medição é baseada em um método analítico quantitativo, de preferência, cromatografia, espectroscopia e analisadores de massa/espectrometria. 19. Método, de acordo com a modalidade 18, em que a cromatografia compreende os tipos de GC, CE, LC, HPLC, e UHPLC; a espectroscopia compreende UV/Vis, IR, NIR e NMR; e os analisadores de massa/espectrometria compreendem ESI, Analisadores de Massa tipo Quadrupolo, Analisadores de Massa de Armadilha de Íons, Analisador de Massa TOF (Time of Flight) , Analisador de Massa Orbitrap, Analisador de Massa de Setor Magnético, Analisador de Massa de Setor Eletrostático, Ressonância Ciclotrônica de Íon (ICR) e combinações dos mesmos, incluindo analisador tipo quadrupolo simples (Q) e quadrupolo triplo (QqQ), QqTOF, TOF-TOF, Q-Orbitrap, APCI-QqQ, APCI-QqTOF, MALDI-QqQ, MALDI-QqTOF e MALDI-TOF-TOF.
Claims (5)
1. Uso de uma combinação de metabólitos contidos em uma amostra de sangue de um indivíduo mamífero caracterizado pelo fato de que a combinação de metabólitos compreende pelo menos: (a) um aminoácido selecionado a partir de glutamina, glutamato e serina, e um esfingolipídio ou glicerolipídio, ou (b) glutamina e glutamato, como um conjunto de biomarcadores para pesquisa e/ou diagnóstico de câncer de mama.
2. Uso, de acordo com a reivindicação 1, caracterizado pelo fato de que o lipídio é selecionado de acilalquila fosfatidilcolina araquidônico poli-insaturado, acilalquila fosfatidilcolina araquidônico monoinsaturado e acilalquila fosfatidilcolina araquidônico saturado.
3. Uso, de acordo com a reivindicação 1 ou 2, caracterizado pelo fato de que a combinação de metabólitos compreende ainda uma ou mais dentre esfingomielina e glutaconil carnitina.
4. Uso, de acordo com qualquer uma das reivindicações 1 a 3, caracterizado pelo fato de que os metabolitos são medidos com base em um método analítico quantitativo, de preferência cromatografia, espectroscopia e analisadores de massa/espectrometria.
5. Uso, de acordo com a reivindicação 4, caracterizado pelo fato de que a cromatografia compreende GC, CE, LC, HPLC e UHPLC; a espectroscopia compreende UV/Vis, IR, NIR e NMR; e os analisadores de massa/espectrometria compreendem ESI, Analisadores de Massa tipo Quadrupolo, Analisadores de Massa de Armadilha de Íons, Analisador de Massa TOF (Time of Flight), Analisador de Massa Orbitrap, Analisador de Massa de Setor Magnético, Analisador de Massa de Setor Eletrostático, Ressonância Ciclotrônica de Íon (ICR) e combinações destes, incluindo analisador tipo quadrupolo simples (Q) e quadrupolo triplo (QqQ), QqTOF, TOF-TOF, Q-Orbitrap, APCI-QqQ, APCI-QqTOF, MALDI-QqQ, MALDI- QqTOF e MALDI-TOF-TOF.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP14184200 | 2014-09-10 | ||
EP14184200.5 | 2014-09-10 | ||
PCT/EP2015/070752 WO2016038157A1 (en) | 2014-09-10 | 2015-09-10 | Biomarkers for assessing breast cancer |
Publications (2)
Publication Number | Publication Date |
---|---|
BR112017004773A2 BR112017004773A2 (pt) | 2017-12-12 |
BR112017004773B1 true BR112017004773B1 (pt) | 2024-02-27 |
Family
ID=51518623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
BR112017004773-0A BR112017004773B1 (pt) | 2014-09-10 | 2015-09-10 | Biomarcadores para avaliação do câncer de mama |
Country Status (10)
Country | Link |
---|---|
US (2) | US10962542B2 (pt) |
EP (1) | EP3191845B1 (pt) |
JP (1) | JP6656233B2 (pt) |
CN (1) | CN107076748A (pt) |
AU (1) | AU2015314220A1 (pt) |
BR (1) | BR112017004773B1 (pt) |
CA (1) | CA2960696C (pt) |
ES (1) | ES2768974T3 (pt) |
WO (1) | WO2016038157A1 (pt) |
ZA (1) | ZA201701753B (pt) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10962542B2 (en) * | 2014-09-10 | 2021-03-30 | Metabolomycs, Inc. | Biomarkers for assessing breast cancer |
EP3351938A1 (en) * | 2017-01-18 | 2018-07-25 | BIOCRATES Life Sciences AG | New biomarkers for assessing ovarian cancer |
CZ307724B6 (cs) * | 2017-08-29 | 2019-03-20 | Fakultní nemocnice Hradec Králové | Způsob detekce markerů ze vzorku apokrinního potu pro statistické vyhodnocení karcinomu prsu |
KR102077058B1 (ko) * | 2017-09-21 | 2020-02-13 | 연세대학교 산학협력단 | 대사체 프로파일링을 이용한 유방암의 예후 또는 위험도를 평가하는 방법 및 키트 |
CN107827854B (zh) * | 2017-11-27 | 2020-11-06 | 三峡大学 | 一种标记恶性肿瘤细胞的生物标志物,制备方法及其用途 |
EP3527989B1 (en) * | 2018-02-18 | 2020-11-25 | Lidia Márquez Márquez | Method, device and kit for the early detection of breast cancer |
WO2019185692A1 (en) | 2018-03-29 | 2019-10-03 | Universität Heidelberg | Metabolite-based breast cancer detection and diagnosis |
EP3546938A1 (en) * | 2018-03-30 | 2019-10-02 | Université d'Angers | Metabolic signature and use thereof for the diagnosis of glaucoma |
WO2019194144A1 (ja) * | 2018-04-02 | 2019-10-10 | 味の素株式会社 | 乳癌の評価方法、算出方法、評価装置、算出装置、評価プログラム、算出プログラム、記録媒体、評価システム、及び端末装置 |
BR112021003477A2 (pt) * | 2018-06-14 | 2021-05-18 | Metabolomycs, Inc. | assinaturas metabolômicas para prever, diagnosticar e prognosticar várias doenças incluindo câncer |
KR102070916B1 (ko) * | 2018-08-31 | 2020-01-29 | 연세대학교 산학협력단 | 췌장암 환자의 예후를 예측하기 위한 바이오마커 및 이의 용도 |
CN109239210B (zh) * | 2018-09-10 | 2019-11-19 | 哈尔滨工业大学 | 一种胰腺导管腺癌标志物及其筛选方法 |
JP7401121B2 (ja) | 2019-04-01 | 2023-12-19 | イノベイション バイオ カンパニー リミテッド | 固形癌診断装置及び固形癌診断情報の提供方法 |
KR102395558B1 (ko) * | 2019-04-01 | 2022-05-10 | (주)이노베이션바이오 | 고형암 진단 장치와 고형암 진단 정보 제공 방법 |
CN110954606B (zh) * | 2019-10-08 | 2021-04-30 | 华中科技大学同济医学院附属协和医院 | 用于诊断结核性胸膜炎的胸水代谢物组合、试剂盒及方法 |
CN112201356B (zh) * | 2020-10-09 | 2022-02-01 | 郑州大学第一附属医院 | 口腔鳞状细胞癌诊断模型的构建方法、标志物及其应用 |
CN112986441A (zh) * | 2021-03-08 | 2021-06-18 | 温州医科大学 | 一种从组织代谢轮廓筛选的肿瘤标志物及其应用和辅助诊断方法 |
CN114814023A (zh) * | 2022-04-24 | 2022-07-29 | 江苏省中医院 | 脂质分子在作为胃癌化疗药耐药的预测性标志物中的应用 |
CN117538530A (zh) * | 2023-11-07 | 2024-02-09 | 中国医学科学院肿瘤医院 | 一种检测转移性乳腺癌的生物标志组合物和试剂盒及其应用 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006119435A2 (en) * | 2005-05-04 | 2006-11-09 | Invitrogen Corporation | Identification of cancer biomarkers and phosphorylated proteins |
AU2009347448B2 (en) * | 2009-06-02 | 2015-07-02 | Biocrates Life Sciences Ag | New biomarkers for assessing kidney diseases |
EP2270699A1 (en) * | 2009-07-02 | 2011-01-05 | BIOCRATES Life Sciences AG | Method for normalization in metabolomics analysis methods with endogenous reference metabolites |
CA2777501A1 (en) * | 2009-10-13 | 2011-04-21 | M. Daniel Raftery | Biomarkers and identification methods for the early detection and recurrence prediction of breast cancer using nmr |
CN102893157A (zh) | 2009-12-22 | 2013-01-23 | 密执安大学评议会 | 前列腺癌的代谢特征 |
AU2011232434B2 (en) * | 2010-03-23 | 2013-11-21 | Purdue Research Foundation | Early detection of recurrent breast cancer using metabolite profiling |
US20130172430A1 (en) | 2010-12-10 | 2013-07-04 | Michael P. Lisanti | Prognosis and treatment of breast cancer |
US20140162903A1 (en) | 2012-10-31 | 2014-06-12 | Purdue Research Foundation | Metabolite Biomarkers For Forecasting The Outcome of Preoperative Chemotherapy For Breast Cancer Treatment |
US10962542B2 (en) * | 2014-09-10 | 2021-03-30 | Metabolomycs, Inc. | Biomarkers for assessing breast cancer |
BR112021003477A2 (pt) * | 2018-06-14 | 2021-05-18 | Metabolomycs, Inc. | assinaturas metabolômicas para prever, diagnosticar e prognosticar várias doenças incluindo câncer |
-
2015
- 2015-09-10 US US15/510,080 patent/US10962542B2/en active Active
- 2015-09-10 ES ES15771522T patent/ES2768974T3/es active Active
- 2015-09-10 CA CA2960696A patent/CA2960696C/en active Active
- 2015-09-10 CN CN201580049329.XA patent/CN107076748A/zh active Pending
- 2015-09-10 JP JP2017514567A patent/JP6656233B2/ja active Active
- 2015-09-10 AU AU2015314220A patent/AU2015314220A1/en not_active Abandoned
- 2015-09-10 BR BR112017004773-0A patent/BR112017004773B1/pt active IP Right Grant
- 2015-09-10 EP EP15771522.8A patent/EP3191845B1/en active Active
- 2015-09-10 WO PCT/EP2015/070752 patent/WO2016038157A1/en active Application Filing
-
2017
- 2017-03-10 ZA ZA2017/01753A patent/ZA201701753B/en unknown
-
2021
- 2021-03-09 US US17/196,164 patent/US11493516B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20170299592A1 (en) | 2017-10-19 |
US10962542B2 (en) | 2021-03-30 |
CA2960696C (en) | 2022-12-06 |
JP6656233B2 (ja) | 2020-03-04 |
ZA201701753B (en) | 2018-05-30 |
AU2015314220A1 (en) | 2017-04-20 |
US20210190785A1 (en) | 2021-06-24 |
CA2960696A1 (en) | 2016-03-17 |
ES2768974T3 (es) | 2020-06-24 |
WO2016038157A1 (en) | 2016-03-17 |
JP2017533413A (ja) | 2017-11-09 |
US11493516B2 (en) | 2022-11-08 |
CN107076748A (zh) | 2017-08-18 |
BR112017004773A2 (pt) | 2017-12-12 |
EP3191845B1 (en) | 2019-10-23 |
EP3191845A1 (en) | 2017-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11493516B2 (en) | Biomarkers for assessing breast cancer | |
Kelly et al. | Metabolomic biomarkers of prostate cancer: prediction, diagnosis, progression, prognosis, and recurrence | |
Zhang et al. | Identification of potential biomarkers for ovarian cancer by urinary metabolomic profiling | |
US11181525B2 (en) | Metabolomic signatures for predicting, diagnosing, and prognosing various diseases including cancer | |
CN105765383B (zh) | 胰腺癌用唾液生物标记物以及使用了胰腺癌用唾液生物标记物的胰腺癌的诊断方法 | |
Hsu et al. | Integrated analyses utilizing metabolomics and transcriptomics reveal perturbation of the polyamine pathway in oral cavity squamous cell carcinoma | |
Chen et al. | Metabolomics: a promising diagnostic and therapeutic implement for breast cancer | |
ES2698374T3 (es) | Medios y procedimientos de diagnóstico de cáncer pancreático en un sujeto basándose en un panel de metabolitos | |
Bu et al. | Metabolomics: a revolution for novel cancer marker identification | |
Matos Do Canto et al. | Metabolomic profiling of breast tumors using ductal fluid | |
WO2018112428A1 (en) | Methods for the detection and treatment of pancreatic ductal adenocarcinoma | |
Gomez-Cebrian et al. | Targeted metabolomics analyses reveal specific metabolic alterations in high-grade prostate cancer patients | |
Cheng et al. | Towards tyrosine metabolism in esophageal squamous cell carcinoma | |
BR112016023170B1 (pt) | Biomarcadores para avaliação de hiv | |
Kałużna-Czaplińska et al. | Current applications of chromatographic methods for diagnosis and identification of potential biomarkers in cancer | |
ES2688121T3 (es) | Medios y procedimientos de diagnóstico de la reaparición de cáncer de próstata después de prostatectomía | |
McDunn et al. | Metabolomics and its application to the development of clinical laboratory tests for prostate cancer | |
Gupta et al. | Oncometabolomics in cancer research | |
Jirásko et al. | Pola nski | |
Kumar | Recent advances and applications of ambient mass spectrometry imaging in cancer research: An overview | |
Boumehira et al. | Metabolomics approaches for early cancer diagnosis: a review. | |
Chen et al. | Serum lipidomics reveals novel biomarkers by UHPLC-HRMS to assist the discrimination between colorectal adenoma and cancer |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
B06U | Preliminary requirement: requests with searches performed by other patent offices: procedure suspended [chapter 6.21 patent gazette] | ||
B350 | Update of information on the portal [chapter 15.35 patent gazette] | ||
B350 | Update of information on the portal [chapter 15.35 patent gazette] | ||
B06A | Patent application procedure suspended [chapter 6.1 patent gazette] | ||
B09A | Decision: intention to grant [chapter 9.1 patent gazette] | ||
B16A | Patent or certificate of addition of invention granted [chapter 16.1 patent gazette] |
Free format text: PRAZO DE VALIDADE: 20 (VINTE) ANOS CONTADOS A PARTIR DE 10/09/2015, OBSERVADAS AS CONDICOES LEGAIS |