ES2357784T3 - Procedimiento de diagnóstico y/o pronóstico de cáncer vesical. - Google Patents
Procedimiento de diagnóstico y/o pronóstico de cáncer vesical. Download PDFInfo
- Publication number
- ES2357784T3 ES2357784T3 ES07788578T ES07788578T ES2357784T3 ES 2357784 T3 ES2357784 T3 ES 2357784T3 ES 07788578 T ES07788578 T ES 07788578T ES 07788578 T ES07788578 T ES 07788578T ES 2357784 T3 ES2357784 T3 ES 2357784T3
- Authority
- ES
- Spain
- Prior art keywords
- genes
- bladder
- samples
- gene
- tumor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003745 diagnosis Methods 0.000 title abstract description 38
- 206010028980 Neoplasm Diseases 0.000 title description 165
- 201000011510 cancer Diseases 0.000 title description 21
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 199
- 230000014509 gene expression Effects 0.000 claims abstract description 87
- 208000007097 Urinary Bladder Neoplasms Diseases 0.000 claims abstract description 82
- 206010005003 Bladder cancer Diseases 0.000 claims abstract description 72
- 201000005112 urinary bladder cancer Diseases 0.000 claims abstract description 70
- 239000000523 sample Substances 0.000 claims abstract description 69
- 239000012530 fluid Substances 0.000 claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 238000011002 quantification Methods 0.000 claims abstract description 45
- 238000004393 prognosis Methods 0.000 claims abstract description 35
- 238000000338 in vitro Methods 0.000 claims abstract description 15
- 238000009007 Diagnostic Kit Methods 0.000 claims abstract description 3
- 102100032700 Keratin, type I cytoskeletal 20 Human genes 0.000 claims description 32
- 101001076292 Homo sapiens Insulin-like growth factor II Proteins 0.000 claims description 29
- 102100022443 CXADR-like membrane protein Human genes 0.000 claims description 28
- 102100025947 Insulin-like growth factor II Human genes 0.000 claims description 28
- 238000011529 RT qPCR Methods 0.000 claims description 28
- 101000775052 Homo sapiens Protein AHNAK2 Proteins 0.000 claims description 27
- 210000002700 urine Anatomy 0.000 claims description 27
- 101001139112 Homo sapiens Krueppel-like factor 9 Proteins 0.000 claims description 26
- 102100037765 Periostin Human genes 0.000 claims description 25
- 102100031838 Protein AHNAK2 Human genes 0.000 claims description 25
- 101000866308 Homo sapiens Excitatory amino acid transporter 4 Proteins 0.000 claims description 24
- 102100028117 Annexin A10 Human genes 0.000 claims description 23
- 101000768069 Homo sapiens Annexin A10 Proteins 0.000 claims description 23
- 102100020684 Krueppel-like factor 9 Human genes 0.000 claims description 23
- 102000012985 SLC1A6 Human genes 0.000 claims description 23
- 102100032938 Telomerase reverse transcriptase Human genes 0.000 claims description 10
- 108010017842 Telomerase Proteins 0.000 claims description 9
- 101000901723 Homo sapiens CXADR-like membrane protein Proteins 0.000 claims description 7
- 108010066370 Keratin-20 Proteins 0.000 claims description 6
- 102000004178 Cathepsin E Human genes 0.000 claims description 5
- 108090000611 Cathepsin E Proteins 0.000 claims description 5
- -1 C14orF78 Proteins 0.000 claims description 4
- 101710199268 Periostin Proteins 0.000 claims description 4
- 239000000427 antigen Substances 0.000 claims description 3
- 108091007433 antigens Proteins 0.000 claims description 3
- 102000036639 antigens Human genes 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 108010078791 Carrier Proteins Proteins 0.000 claims description 2
- 102000034575 Glutamate transporters Human genes 0.000 claims description 2
- 108091006151 Glutamate transporters Proteins 0.000 claims description 2
- 108700026244 Open Reading Frames Proteins 0.000 claims description 2
- 102000005569 Protein Phosphatase 1 Human genes 0.000 claims description 2
- 108010059000 Protein Phosphatase 1 Proteins 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims description 2
- 230000002401 inhibitory effect Effects 0.000 claims description 2
- 230000002608 insulinlike Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 claims description 2
- 201000001441 melanoma Diseases 0.000 claims description 2
- 210000000963 osteoblast Anatomy 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 102000012289 Corticotropin-Releasing Hormone Human genes 0.000 claims 4
- 108010022152 Corticotropin-Releasing Hormone Proteins 0.000 claims 4
- 239000000055 Corticotropin-Releasing Hormone Substances 0.000 claims 4
- 229940041967 corticotropin-releasing hormone Drugs 0.000 claims 4
- KLVRDXBAMSPYKH-RKYZNNDCSA-N corticotropin-releasing hormone (human) Chemical compound C([C@@H](C(=O)N[C@@H](CO)C(=O)N[C@@H](CC(N)=O)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@H](C(=O)N[C@@H]([C@@H](C)CC)C(N)=O)[C@@H](C)CC)NC(=O)[C@H](C)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](C)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](C)NC(=O)[C@H](CCSC)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](NC(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=1N=CNC=1)NC(=O)[C@H](CC=1C=CC=CC=1)NC(=O)[C@@H](NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CO)NC(=O)[C@@H](NC(=O)[C@H]1N(CCC1)C(=O)[C@H]1N(CCC1)C(=O)[C@H](CCC(O)=O)NC(=O)[C@H](CCC(O)=O)NC(=O)[C@@H](N)CO)[C@@H](C)CC)C(C)C)C(C)C)C1=CNC=N1 KLVRDXBAMSPYKH-RKYZNNDCSA-N 0.000 claims 4
- 230000002068 genetic effect Effects 0.000 abstract description 16
- 201000010099 disease Diseases 0.000 abstract description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 5
- 210000003932 urinary bladder Anatomy 0.000 description 111
- 108091032973 (ribonucleotides)n+m Proteins 0.000 description 45
- 238000002493 microarray Methods 0.000 description 35
- 101000994460 Homo sapiens Keratin, type I cytoskeletal 20 Proteins 0.000 description 25
- 101001005719 Homo sapiens Melanoma-associated antigen 3 Proteins 0.000 description 25
- 102100024202 Protein phosphatase 1 regulatory subunit 14D Human genes 0.000 description 25
- 101000688355 Homo sapiens Protein phosphatase 1 regulatory subunit 14D Proteins 0.000 description 24
- 102100025082 Melanoma-associated antigen 3 Human genes 0.000 description 24
- 238000004458 analytical method Methods 0.000 description 24
- 102100021752 Corticoliberin Human genes 0.000 description 22
- 101000895481 Homo sapiens Corticoliberin Proteins 0.000 description 22
- XXQGYGJZNMSSFD-UHFFFAOYSA-N 2-[2-(dimethylcarbamoyl)phenoxy]acetic acid Chemical compound CN(C)C(=O)C1=CC=CC=C1OCC(O)=O XXQGYGJZNMSSFD-UHFFFAOYSA-N 0.000 description 21
- 101001095308 Homo sapiens Periostin Proteins 0.000 description 21
- 230000035945 sensitivity Effects 0.000 description 20
- 102100032215 Cathepsin E Human genes 0.000 description 19
- 101000869031 Homo sapiens Cathepsin E Proteins 0.000 description 19
- 101000583797 Homo sapiens Protein MCM10 homolog Proteins 0.000 description 16
- 238000003491 array Methods 0.000 description 16
- 239000003550 marker Substances 0.000 description 14
- 210000001519 tissue Anatomy 0.000 description 14
- 102100030962 Protein MCM10 homolog Human genes 0.000 description 12
- 230000015556 catabolic process Effects 0.000 description 11
- 239000002299 complementary DNA Substances 0.000 description 11
- 238000006731 degradation reaction Methods 0.000 description 11
- 230000007170 pathology Effects 0.000 description 10
- 230000002485 urinary effect Effects 0.000 description 10
- 201000009030 Carcinoma Diseases 0.000 description 9
- 238000002405 diagnostic procedure Methods 0.000 description 9
- 210000004027 cell Anatomy 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 8
- 230000001575 pathological effect Effects 0.000 description 8
- 102000040650 (ribonucleotides)n+m Human genes 0.000 description 7
- 210000004877 mucosa Anatomy 0.000 description 7
- 230000006872 improvement Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 101000655352 Homo sapiens Telomerase reverse transcriptase Proteins 0.000 description 5
- 238000003556 assay Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009545 invasion Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 210000003205 muscle Anatomy 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 206010044412 transitional cell carcinoma Diseases 0.000 description 5
- 108020004414 DNA Proteins 0.000 description 4
- 101100137243 Homo sapiens POSTN gene Proteins 0.000 description 4
- 101150023743 KLF9 gene Proteins 0.000 description 4
- 102100036961 Nuclear mitotic apparatus protein 1 Human genes 0.000 description 4
- 230000004075 alteration Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 108010036112 nuclear matrix protein 22 Proteins 0.000 description 4
- 238000003752 polymerase chain reaction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000002271 resection Methods 0.000 description 4
- 102100021943 C-C motif chemokine 2 Human genes 0.000 description 3
- 101000897480 Homo sapiens C-C motif chemokine 2 Proteins 0.000 description 3
- 101150117667 PPP1R14D gene Proteins 0.000 description 3
- 238000002123 RNA extraction Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000009799 cystectomy Methods 0.000 description 3
- 238000002574 cystoscopy Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000000981 epithelium Anatomy 0.000 description 3
- 238000010195 expression analysis Methods 0.000 description 3
- 238000003633 gene expression assay Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 108020004707 nucleic acids Proteins 0.000 description 3
- 102000039446 nucleic acids Human genes 0.000 description 3
- 150000007523 nucleic acids Chemical class 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 210000002307 prostate Anatomy 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 238000003757 reverse transcription PCR Methods 0.000 description 3
- 230000000391 smoking effect Effects 0.000 description 3
- 238000001356 surgical procedure Methods 0.000 description 3
- 208000023747 urothelial carcinoma Diseases 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- 102100026031 Beta-glucuronidase Human genes 0.000 description 2
- 102400000739 Corticotropin Human genes 0.000 description 2
- 101800000414 Corticotropin Proteins 0.000 description 2
- 101150023635 Ctse gene Proteins 0.000 description 2
- 238000000018 DNA microarray Methods 0.000 description 2
- 206010058314 Dysplasia Diseases 0.000 description 2
- 102100028953 Gelsolin Human genes 0.000 description 2
- 101000933465 Homo sapiens Beta-glucuronidase Proteins 0.000 description 2
- 101001059150 Homo sapiens Gelsolin Proteins 0.000 description 2
- 102000048143 Insulin-Like Growth Factor II Human genes 0.000 description 2
- 108090001117 Insulin-Like Growth Factor II Proteins 0.000 description 2
- 241000208125 Nicotiana Species 0.000 description 2
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 2
- 206010060862 Prostate cancer Diseases 0.000 description 2
- 208000000236 Prostatic Neoplasms Diseases 0.000 description 2
- 101150045248 Slc1a6 gene Proteins 0.000 description 2
- 101150084279 TM gene Proteins 0.000 description 2
- 108010040002 Tumor Suppressor Proteins Proteins 0.000 description 2
- 102000001742 Tumor Suppressor Proteins Human genes 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000012472 biological sample Substances 0.000 description 2
- 201000001531 bladder carcinoma Diseases 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000002808 connective tissue Anatomy 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 239000013068 control sample Substances 0.000 description 2
- IDLFZVILOHSSID-OVLDLUHVSA-N corticotropin Chemical compound C([C@@H](C(=O)N[C@@H](CO)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC=1NC=NC=1)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CC=1C2=CC=CC=C2NC=1)C(=O)NCC(=O)N[C@@H](CCCCN)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](C(C)C)C(=O)NCC(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N[C@@H](CCCNC(N)=N)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CCCCN)C(=O)N[C@@H](C(C)C)C(=O)N[C@@H](CC=1C=CC(O)=CC=1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CC(N)=O)C(=O)NCC(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC(O)=O)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CO)C(=O)N[C@@H](C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](C)C(=O)N[C@@H](CC=1C=CC=CC=1)C(=O)N1[C@@H](CCC1)C(=O)N[C@@H](CC(C)C)C(=O)N[C@@H](CCC(O)=O)C(=O)N[C@@H](CC=1C=CC=CC=1)C(O)=O)NC(=O)[C@@H](N)CO)C1=CC=C(O)C=C1 IDLFZVILOHSSID-OVLDLUHVSA-N 0.000 description 2
- 229960000258 corticotropin Drugs 0.000 description 2
- 230000034994 death Effects 0.000 description 2
- 231100000517 death Toxicity 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000000975 dye Substances 0.000 description 2
- 238000001962 electrophoresis Methods 0.000 description 2
- 239000000208 fibrin degradation product Substances 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 206010020718 hyperplasia Diseases 0.000 description 2
- 201000004933 in situ carcinoma Diseases 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 description 2
- 230000001394 metastastic effect Effects 0.000 description 2
- 206010061289 metastatic neoplasm Diseases 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000001823 molecular biology technique Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 210000005259 peripheral blood Anatomy 0.000 description 2
- 239000011886 peripheral blood Substances 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000025366 tissue development Effects 0.000 description 2
- 208000010570 urinary bladder carcinoma Diseases 0.000 description 2
- 101150072531 10 gene Proteins 0.000 description 1
- 101150082072 14 gene Proteins 0.000 description 1
- AQQSXKSWTNWXKR-UHFFFAOYSA-N 2-(2-phenylphenanthro[9,10-d]imidazol-3-yl)acetic acid Chemical compound C1(=CC=CC=C1)C1=NC2=C(N1CC(=O)O)C1=CC=CC=C1C=1C=CC=CC=12 AQQSXKSWTNWXKR-UHFFFAOYSA-N 0.000 description 1
- 101150034014 48 gene Proteins 0.000 description 1
- 101150092807 ANXA10 gene Proteins 0.000 description 1
- 102100022987 Angiogenin Human genes 0.000 description 1
- 102000017620 Annexin A10 Human genes 0.000 description 1
- 108050005848 Annexin A10 Proteins 0.000 description 1
- 101710155857 C-C motif chemokine 2 Proteins 0.000 description 1
- 102100025473 Carcinoembryonic antigen-related cell adhesion molecule 6 Human genes 0.000 description 1
- 208000005623 Carcinogenesis Diseases 0.000 description 1
- 208000009458 Carcinoma in Situ Diseases 0.000 description 1
- 102000000018 Chemokine CCL2 Human genes 0.000 description 1
- 101710113174 Corticoliberin Proteins 0.000 description 1
- 108700029231 Developmental Genes Proteins 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- KCXVZYZYPLLWCC-UHFFFAOYSA-N EDTA Chemical compound OC(=O)CN(CC(O)=O)CCN(CC(O)=O)CC(O)=O KCXVZYZYPLLWCC-UHFFFAOYSA-N 0.000 description 1
- 102100031559 Excitatory amino acid transporter 4 Human genes 0.000 description 1
- 108010076282 Factor IX Proteins 0.000 description 1
- 108010073385 Fibrin Proteins 0.000 description 1
- 102000009123 Fibrin Human genes 0.000 description 1
- 108010058861 Fibrin Fibrinogen Degradation Products Proteins 0.000 description 1
- BWGVNKXGVNDBDI-UHFFFAOYSA-N Fibrin monomer Chemical compound CNC(=O)CNC(=O)CN BWGVNKXGVNDBDI-UHFFFAOYSA-N 0.000 description 1
- 208000034826 Genetic Predisposition to Disease Diseases 0.000 description 1
- 101150001754 Gusb gene Proteins 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 101100055111 Homo sapiens AHNAK2 gene Proteins 0.000 description 1
- 101100055638 Homo sapiens ANXA10 gene Proteins 0.000 description 1
- 101000914326 Homo sapiens Carcinoembryonic antigen-related cell adhesion molecule 6 Proteins 0.000 description 1
- 101000614436 Homo sapiens Keratin, type I cytoskeletal 14 Proteins 0.000 description 1
- 101000938676 Homo sapiens Liver carboxylesterase 1 Proteins 0.000 description 1
- 101001005722 Homo sapiens Melanoma-associated antigen 6 Proteins 0.000 description 1
- 101001000104 Homo sapiens Myosin-11 Proteins 0.000 description 1
- 101001067833 Homo sapiens Peptidyl-prolyl cis-trans isomerase A Proteins 0.000 description 1
- 101000931462 Homo sapiens Protein FosB Proteins 0.000 description 1
- 101000688348 Homo sapiens Protein phosphatase 1 regulatory subunit 14C Proteins 0.000 description 1
- 101000575639 Homo sapiens Ribonucleoside-diphosphate reductase subunit M2 Proteins 0.000 description 1
- 101000629631 Homo sapiens Sorbin and SH3 domain-containing protein 1 Proteins 0.000 description 1
- 101000880098 Homo sapiens Sushi repeat-containing protein SRPX Proteins 0.000 description 1
- 101000891367 Homo sapiens Transcobalamin-1 Proteins 0.000 description 1
- 101150002416 Igf2 gene Proteins 0.000 description 1
- 102000004877 Insulin Human genes 0.000 description 1
- 108090001061 Insulin Proteins 0.000 description 1
- 102100034343 Integrase Human genes 0.000 description 1
- 108010064593 Intercellular Adhesion Molecule-1 Proteins 0.000 description 1
- 102000015271 Intercellular Adhesion Molecule-1 Human genes 0.000 description 1
- 102100040445 Keratin, type I cytoskeletal 14 Human genes 0.000 description 1
- 101710183663 Keratin, type I cytoskeletal 20 Proteins 0.000 description 1
- 101150082851 Krt20 gene Proteins 0.000 description 1
- CKLJMWTZIZZHCS-REOHCLBHSA-N L-aspartic acid Chemical compound OC(=O)[C@@H](N)CC(O)=O CKLJMWTZIZZHCS-REOHCLBHSA-N 0.000 description 1
- 102100030817 Liver carboxylesterase 1 Human genes 0.000 description 1
- 101150067233 MAGEA3 gene Proteins 0.000 description 1
- 101150036749 Mcm10 gene Proteins 0.000 description 1
- 102100025075 Melanoma-associated antigen 6 Human genes 0.000 description 1
- 206010054949 Metaplasia Diseases 0.000 description 1
- 206010027476 Metastases Diseases 0.000 description 1
- 102100036639 Myosin-11 Human genes 0.000 description 1
- 108091034117 Oligonucleotide Proteins 0.000 description 1
- 108700020796 Oncogene Proteins 0.000 description 1
- 102000035195 Peptidases Human genes 0.000 description 1
- 108091005804 Peptidases Proteins 0.000 description 1
- 102100034539 Peptidyl-prolyl cis-trans isomerase A Human genes 0.000 description 1
- 102000004160 Phosphoric Monoester Hydrolases Human genes 0.000 description 1
- 108090000608 Phosphoric Monoester Hydrolases Proteins 0.000 description 1
- 239000004365 Protease Substances 0.000 description 1
- 102100020847 Protein FosB Human genes 0.000 description 1
- 101710081976 Protein phosphatase 1 regulatory subunit 14D Proteins 0.000 description 1
- 108010092799 RNA-directed DNA polymerase Proteins 0.000 description 1
- 101100397619 Rattus norvegicus Krt20 gene Proteins 0.000 description 1
- 102100026006 Ribonucleoside-diphosphate reductase subunit M2 Human genes 0.000 description 1
- 101710102802 Runt-related transcription factor 2 Proteins 0.000 description 1
- 102100026834 Sorbin and SH3 domain-containing protein 1 Human genes 0.000 description 1
- 102100037352 Sushi repeat-containing protein SRPX Human genes 0.000 description 1
- 101150047500 TERT gene Proteins 0.000 description 1
- 102100040396 Transcobalamin-1 Human genes 0.000 description 1
- 102000012349 Uroplakins Human genes 0.000 description 1
- 108010061861 Uroplakins Proteins 0.000 description 1
- JLCPHMBAVCMARE-UHFFFAOYSA-N [3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[3-[[5-(2-amino-6-oxo-1H-purin-9-yl)-3-[[3-[[3-[[3-[[3-[[3-[[5-(2-amino-6-oxo-1H-purin-9-yl)-3-[[5-(2-amino-6-oxo-1H-purin-9-yl)-3-hydroxyoxolan-2-yl]methoxy-hydroxyphosphoryl]oxyoxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxyoxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(5-methyl-2,4-dioxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(6-aminopurin-9-yl)oxolan-2-yl]methoxy-hydroxyphosphoryl]oxy-5-(4-amino-2-oxopyrimidin-1-yl)oxolan-2-yl]methyl [5-(6-aminopurin-9-yl)-2-(hydroxymethyl)oxolan-3-yl] hydrogen phosphate Polymers Cc1cn(C2CC(OP(O)(=O)OCC3OC(CC3OP(O)(=O)OCC3OC(CC3O)n3cnc4c3nc(N)[nH]c4=O)n3cnc4c3nc(N)[nH]c4=O)C(COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3COP(O)(=O)OC3CC(OC3CO)n3cnc4c(N)ncnc34)n3ccc(N)nc3=O)n3cnc4c(N)ncnc34)n3ccc(N)nc3=O)n3ccc(N)nc3=O)n3ccc(N)nc3=O)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)n3cc(C)c(=O)[nH]c3=O)n3cc(C)c(=O)[nH]c3=O)n3ccc(N)nc3=O)n3cc(C)c(=O)[nH]c3=O)n3cnc4c3nc(N)[nH]c4=O)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)n3cnc4c(N)ncnc34)O2)c(=O)[nH]c1=O JLCPHMBAVCMARE-UHFFFAOYSA-N 0.000 description 1
- 210000003815 abdominal wall Anatomy 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 208000009956 adenocarcinoma Diseases 0.000 description 1
- 210000001789 adipocyte Anatomy 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 108010072788 angiogenin Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229940009098 aspartate Drugs 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000005824 bladder abnormality Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000010804 cDNA synthesis Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000036952 cancer formation Effects 0.000 description 1
- 231100000357 carcinogen Toxicity 0.000 description 1
- 231100000504 carcinogenesis Toxicity 0.000 description 1
- 239000003183 carcinogenic agent Substances 0.000 description 1
- 230000021164 cell adhesion Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 101150102969 crh gene Proteins 0.000 description 1
- 101150070926 ct gene Proteins 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229950003499 fibrin Drugs 0.000 description 1
- 239000000282 fibrinogen degradation product Substances 0.000 description 1
- 238000000684 flow cytometry Methods 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 238000002509 fluorescent in situ hybridization Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 102000057877 human IGF2 Human genes 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 210000003016 hypothalamus Anatomy 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 229940125396 insulin Drugs 0.000 description 1
- 210000003963 intermediate filament Anatomy 0.000 description 1
- 230000003834 intracellular effect Effects 0.000 description 1
- 230000010189 intracellular transport Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004698 lymphocyte Anatomy 0.000 description 1
- 210000000260 male genitalia Anatomy 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 108020004999 messenger RNA Proteins 0.000 description 1
- 230000015689 metaplastic ossification Effects 0.000 description 1
- 229940101532 meted Drugs 0.000 description 1
- 238000012775 microarray technology Methods 0.000 description 1
- 230000027939 micturition Effects 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 238000013188 needle biopsy Methods 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 230000000771 oncological effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002018 overexpression Effects 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 210000003899 penis Anatomy 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011470 radical surgery Methods 0.000 description 1
- 238000003753 real-time PCR Methods 0.000 description 1
- 230000031539 regulation of cell division Effects 0.000 description 1
- 239000003488 releasing hormone Substances 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
- 238000010839 reverse transcription Methods 0.000 description 1
- 108020004418 ribosomal RNA Proteins 0.000 description 1
- 210000003705 ribosome Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000019491 signal transduction Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 208000014794 superficial urinary bladder carcinoma Diseases 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 108091035539 telomere Proteins 0.000 description 1
- 102000055501 telomere Human genes 0.000 description 1
- 210000003411 telomere Anatomy 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 230000002103 transcriptional effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000000439 tumor marker Substances 0.000 description 1
- 210000004291 uterus Anatomy 0.000 description 1
- 210000001215 vagina Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
- C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
-
- 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
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q2600/00—Oligonucleotides characterized by their use
- C12Q2600/118—Prognosis of disease development
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Organic Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Oncology (AREA)
- Urology & Nephrology (AREA)
- Hematology (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Physics & Mathematics (AREA)
- Microbiology (AREA)
- Biotechnology (AREA)
- General Health & Medical Sciences (AREA)
- Hospice & Palliative Care (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Cell Biology (AREA)
- General Physics & Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
- Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- External Artificial Organs (AREA)
Abstract
La presente invención se refiere a un método in vitro no invasivode diagnóstico y/o pronóstico de cáncer vesical basado en la detección y cuantificación en fluidos vesicales de la expresión génica de determinados genes y/o sus combinaciones que actúan como marcadores genéticos de dicha enfermedad. Asimismo, se contempla unkit de diagnóstico y/o pronóstico del cáncer vesical basado en el empleo de un set de sondas adecuado para la detección y cuantificación del patrón de expresión de dichos genes.
Description
Procedimiento de diagnóstico y/o pronóstico de
cáncer vesical.
\global\parskip0.900000\baselineskip
El campo de aplicación de la presente invención
está dentro del sector sanitario, principalmente en los campos de la
"Urología Oncológica" y "Biología Molecular". En concreto,
la presente invención está dirigida a procedimientos de diagnóstico
y pronóstico del cáncer vesical.
El cáncer de vejiga, o cáncer vesical, es el
segundo tumor más frecuente del tracto genitourinario, después del
cáncer de próstata [Jemal A, Thomas A, Murray T, Thun M. Cancer
statistics, 2002. CA Cancer J Clin 2002;
52:23-47]. En un contexto global representa
aproximadamente el 3 y el 1%, en hombres y mujeres respectivamente,
de todas las muertes por cáncer. En valores absolutos, esto
significa que aproximadamente 95.000 hombres y unas 35.000 mujeres
mueren cada año debido a esta patología. La proporción entre
incidencia y muerte es distinta dependiendo del grado de desarrollo
de cada país. Como ejemplos extremos, se podría mencionar que en la
zona de América del norte esta proporción se encontraría próxima a
0,2, mientras que en las regiones subsaharianas aumentaría hasta 0,6
[Edwards BK, Brown ML, Wingo PA et al. Annual report to the
nation on the status of cancer, 1975-2002, featuring
population-based trends in cancer treatment. J Natl
Cancer Inst 2005; 97:1407-27; Pisani P, Parkin DM,
Bray F, Ferlay J. Estimates of the worldwide mortality from 25
cancers in 1990. Int J Cancer 1999;
83:18-29].
A diferencia de otros tumores, por el momento no
se han detectado prácticamente factores genéticos familiares de
predisposición. En cambio, se han detectado diversos factores
ambientales fuertemente relacionados con los tumores de vejiga. Uno
de los factores más importantes, no solo por su relación con la
enfermedad sino también por su incidencia en la población, es el
tabaquismo. Se ha observado que los fumadores tienen un riesgo tres
veces superior a los no fumadores de desarrollar un tumor de vejiga.
De hecho, un tercio de los tumores de vejiga se encuentran asociados
al consumo de tabaco. Desgraciadamente, los agentes carcinógenos
presentes en el tabaco aún no han sido claramente identificados
[Burch JD, Rohan TE, Howe GR et al. Risk of bladder cancer by
source and type of tobacco exposure: a case-control
study. Int J Cancer 1989; 44:622-28; Zeegers MP,
Kellen E, Buntinx F, van den Brandt PA. The association between
smoking, beverage consumption, diet and bladder cancer: a systematic
literature review. World J Urol 2004;
21:392-401].
A nivel celular podemos encontrar distintos
tipos de alteraciones en la vejiga. Existen cambios benignos como
las hiperplasias epiteliales, las metaplasias uroteliales y los
nidos de Von Brunn, entre otras. Las displasias, en cambio,
corresponderían a alteraciones más o menos intermedias entre el
epitelio normal y el carcinoma. Finalmente, en la vejiga se
encuentran distintos tipos de carcinomas uroteliales, que se pueden
dividir en adenocarcinomas, tumores escamosos y carcinomas de
células transicionales (CCT).
Más del 90% de los tumores de vejiga son CCT. En
el momento de su diagnóstico, aproximadamente el 75% son tumores
superficiales, el 20% están invadiendo las capas musculares (CCT
infiltrantes o invasivos) y un 5% ya son metastáticos. De los casos
superficiales, aproximadamente un 20% se curan mediante una única
intervención quirúrgica, mientras que entre un 50 y un 70% recurren
tras la cirugía una o más veces, pero nunca se transforman en
infiltrantes. Entre un 10 y un 30% de estos tumores superficiales se
transforman en infiltrantes. Éstos son tumores agresivos, de mal
pronóstico, con una mortalidad a los 5 años del 50% y en aquellos
casos metastatizados la mortalidad a dos años es del 100%
[Sanchez-Carbayo M, Socci ND, Charytonowicz E et
al. Molecular profiling of bladder cancer using cADN microarrays:
defining histogenesis and biological phenotypes. Cancer Res 2002;
62:6973-80; Adshead JM, Kessling AM, Ogden CW.
Genetic initiation, progression and prognostic markers in
transitional cell carcinoma of the bladder: a summary of the
structural and transcriptional changes, and the role of
developmental genes. Br J Urol 1998; 82:503-12;
Babaian RJ, Johnson DE, Llamas L, Ayala AG. Metastases from
transitional cell carcinoma of urinary bladder. Urology 1980;
16:142-44].
Las vías genéticas de los CCT superficiales e
invasivos, aunque relacionadas, parecen ser bastante distintas. La
progresión más habitual en los tumores superficiales parece ser la
hiperplasia, la atipia y, finalmente, los CCT papilares de bajo
grado. En los tumores invasivos lo más habitual es progresar desde
una atipia a una displasia, para luego pasar a un tumor in
situ (Tis) y terminar en un tumor infiltrante [Knowles MA.
What we could do now: molecular pathology of bladder cancer. Mol
Pathol 2001; 54:215-21].
Los sistemas de diagnóstico actuales se basan en
una combinación de la citología urinaria (a partir de células
escamosas en la orina) y de la observación directa de la vejiga
mediante cistoscopia. Esta última es, de hecho, la principal técnica
diagnóstica y de seguimiento de los tumores. Se realiza vía
transuretral, por lo que es una técnica invasiva y bastante molesta
para los pacientes. Se creía que la sensibilidad y la especificidad
de esta técnica eran bastante elevadas, aunque mejoras en la propia
técnica (cistoscopia fluorescente) indican que probablemente no sea
así y que parte de la recurrencia observada en los tumores
superficiales podría deberse a la falta de resección total de partes
no visibles de los mismos [Jones JS. ADN-based
molecular cytology for bladder cancer surveillance. Urology 2006;
67:35-45]. La citología urinaria, por su parte,
es una técnica diagnóstica no invasiva y con una alta sensibilidad y
especificidad para los tumores de alto grado. Sin embargo, esta
técnica muestra limitaciones para la detección de tumores de bajo
grado [Bastacky S, Ibrahim S, Wilczynski SP, Murphy WM. The
accuracy of urinary cytology in daily practice. Cancer 1999;
87:118-28]. Además, la interpretación de la
citología depende mucho del observador, con lo que pueden existir
diferencias entre observadores, especialmente en los tumores de bajo
grado.
Todas estas limitaciones han llevado a la
búsqueda de marcadores de cáncer de vejiga no invasivos más
fiables. Encontrar un marcador no invasivo con sensibilidad y
especificidad elevadas para el CCT de vejiga sería de gran ayuda a
la práctica clínica. De hecho, en varios estudios se describen
nuevos marcadores tumorales en orina, como el ensayo para el
antígeno de tumor de vejiga NMP22 [Wiener HG, Mian C, Haitel A,
Pycha A, Schatzl G, Marberger M. Can urine bound diagnostic tests
replace cystoscopy in the management of bladder cancer? J Urol 1998;
159:1876-80; Soloway MS, Briggman V, Carpinito GA et
al. Use of a new tumor marker, urinary NMP22, in the detection of
occult or rapidly recurring transitional cell carcinoma of the
urinary tract following surgical treatment. J Urol 1996;
156:363-67], productos de degradación de la
fibrina [Schmetter BS, Habicht KK, Lamm DL et al. A multicenter
trial evaluation of the fibrin/fibrinogen degradation products test
for detection and monitoring of bladder cancer. J Urol 1997;
158:801-5.], telomerasa [Takihana Y, Tsuchida
T, Fukasawa M, Araki I, Tanabe N, Takeda M.
Real-time quantitative analysis for human telomerase
reverse transcriptase mARNand human telomerase ARNcomponent
mARNexpressions as markers for clinicopathologic parameters in
urinary bladder cancer. Int J Urol 2006;
13:401-8], ensayos basados en hibridación in
situ fluorescente [Halling KC, King W, Sokolova IA et al. A
comparison of BTA stat, hemoglobin dipstick, telomerase and Vysis
UroVysion assays for the detection of urothelial carcinoma in urine.
J Urol 2002; 167:2001-6] o citometría de flujo
[Takahashi C, Miyagawa I, Kumano S, Oshimura M. Detection of
telomerase activity in prostate cancer by needle biopsy. Eur Urol
1997; 32:494-98; Trott PA, Edwards L. Comparison of
bladder washings and urine cytology in the diagnosis of bladder
cancer. J Urol 1973; 110:664-66], pero aunque la
mayoría de ellos tienen una mayor sensibilidad que la citología
urinaria, ésta sigue siendo la más específica [Bassi P, De M, V,
De Lisa A et al. Non-invasive diagnostic tests for
bladder cancer: a review of the literature. Urol Int 2005;
75:193-200].
Se sabe que en los tumores uroteliales se
encuentran muchas alteraciones genéticas y muy variadas, por ello,
la tendencia actual es la búsqueda de marcadores genéticos (ya sea a
nivel de ADN, ARN o proteínas) que puedan indicar la presencia de
carcinomas en la muestra analizada. Además, sería muy interesante
poder discriminar con estos mismos marcadores la agresividad del
tumor que presenta un paciente, ya que esto podría permitir un
tratamiento mucho más personalizado y efectivo. Finalmente, algunos
de estos marcadores podrían ser posibles dianas terapéuticas para
desarrollar nuevos fármacos para combatir el cáncer.
Hasta hace poco tiempo, la capacidad de análisis
de los patrones de expresión génica se encontraba limitada a pocos
genes por experimento. Nuevas tecnologías, como los microarrays de
ADN, han cambiado completamente el panorama. Actualmente, se pueden
analizar miles de genes en un único ensayo [Duggan DJ, Bittner M,
Chen Y, Meltzer P, Trent JM. Expression profiling using cADN
microarrays. Nat Genet 1999; 21:10-14; Granjeaud S,
Bertucci F, Jordan BR. Expression profiling: ADN arrays in many
guises. Bioessays 1999; 21:781-90]. Por tanto,
han empezado a aparecer en la literatura resultados de expresión
masivos de todos los tipos tumorales, entre los que se encuentran
los tumores de vejiga [Sanchez-Carbayo M, Socci
ND, Charytonowicz E et al. Molecular profiling of bladder cancer
using cADN microarrays: defining histogenesis and biological
phenotypes. Cancer Res 2002; 62:6973-80; Ramaswamy
S, Tamayo P, Rifkin R et al. Multiclass cancer diagnosis using tumor
gene expression signatures. Proc Natl Acad Sci U S A 2001.
98:15149-54; Sanchez-Carbayo M,
Socci ND, Lozano JJ et al. Gene discovery in bladder cancer
progression using cADN microarrays. Am J Pathol 2003;
163:505-16; Sanchez-Carbayo M,
Capodieci P, Cordon-Cardo C. Tumor suppressor role
of KiSS-1 in bladder cancer: loss of
KiSS-1 expression is associated with bladder cancer
progression and clinical outcome. Am J Pathol 2003;
162:609-17; Dyrskjot L, Thykjaer T, Kruhoffer M et
al. Identifying distinct classes of bladder carcinoma using
microarrays. Nat Genet 2003; 33:90-96], aunque
la gran mayoría de resultados no se han hecho públicos en su
totalidad. Sin embargo, hasta el momento, los estudios que se han
realizado con marcadores específicos de cáncer de vejiga se han
centrado en uno o en muy pocos genes [Olsburgh J, Harnden P,
Weeks R et al. Uroplakin gene expression in normal human tissues and
locally advanced bladder cancer. J Pathol 2003;
199:41-49; Fichera E, Liang S, Xu Z, Guo N, Mineo R,
Fujita-Yamaguchi Y. A quantitative reverse
transcription and polymerase chain reaction assay for human
IGF-II allows direct comparison of
IGF-II mARNlevels in cancerous breast, bladder, and
prostate tissues. Growth Horm IGF Res 2000;
10:61-70; Simoneau M, Aboulkassim TO, LaRue H,
Rousseau F, Fradet Y. Four tumor suppressor loci on chromosome 9q in
bladder cancer: evidence for two novel candidate regions at 9q22.3
and 9q31. Oncogene 1999; 18:157-63].
Dado que la naturaleza de estos tumores es muy
heterogénea, parece poco probable poder identificar todos o la gran
mayoría de carcinomas con un único marcador. Así, para poder
caracterizar la mayoría de los tumores parece imprescindible
combinar varios de los mejores marcadores en algún tipo de
medida.
Además, aunque el análisis directo de tejido
urotelial sea la alternativa más cómoda para desarrollar un
procedimiento diagnóstico rutinario, sería de gran interés, como se
ha comentado anteriormente, que dicho procedimiento no fuera
invasivo, ya que éstos disminuyen la calidad de vida de los
pacientes y representan una carga económica para la sanidad mucho
mayor.
Los fluidos vesicales (orina o lavado vesical)
que están en contacto con todo el epitelio vesical y, por lo tanto,
con la masa tumoral, parecen una buena alternativa para la detección
de marcadores tumorales, dado que representan una manera fácil y no
invasiva de obtención de la muestra a analizar. Así, un gran número
de trabajos se ha centrado en el estudio de marcadores tumorales en
orina en busca de un procedimiento diagnóstico no invasivo para el
CCT de vejiga. De hecho, se han comercializado diferentes ensayos
con este objetivo (NMP22, UroVysion, ImmunoCyt,
Accu-Dx, etc.).
\global\parskip1.000000\baselineskip
Una alternativa, que aún no ha sido
comercializada, es la detección del CCT de vejiga en muestras de
orina mediante la determinación de la expresión génica de marcadores
de cáncer vesical. De hecho, hay algunos estudios que sugieren la
utilidad de esta metodología, aunque se han realizado con uno o
pocos genes marcadores [Parekattil SJ, Fisher HA, Kogan BA.
Neural network using combined urine nuclear matrix
protein-22, monocyte chemoattractant
protein-1 and urinary intercellular adhesion
molecule-1 to detect bladder cancer. J Urol 2003;
169:917-20; Eissa S, Kenawy G, Swellam M, El Fadle
AA, Abd El-Aal AA, El Ahmady O. Comparison of
cytokeratin 20 ARNand angiogenin in voided urine samples as
diagnostic tools for bladder carcinoma. Clin Biochem
2004;37:803-10; Larsson PC, Beheshti B, Sampson HA,
Jewett MA, Shipman R. Allelic deletion fingerprinting of urine cell
sediments in bladder cancer. Mol Diagn 2001;
6:181-88].
En respuesta a estas necesidades, los autores de
la invención, tras una importante labor de investigación, han
identificado 14 genes marcadores del tumor vesical, a partir de los
cuales han desarrollado un procedimiento diagnóstico y pronóstico de
cáncer vesical basado en la detección y cuantificación de la
expresión génica de estos genes mediante PCR cuantitativa a tiempo
real, en ARN extraído de fluidos vesicales, y su posterior
combinación informática mediante un "sistema de alarmas".
Figura 1 (A-J):
Electroferogramas obtenidos con el Bioanalyzer Agilent 2100 de las
muestras de ARN intacto (LV0) (Figura 1.A) y parcialmente degradado
(LV1, LV2, LV3) (figuras 1.B, 1.C, 1.D) de lavado vesical, tumor de
vejiga (T0, T1, T2, T3) (figuras 1.E, 1.F, 1.G, 1.H) y combinación
de muestras control (C) (figura 1.I) y gel con las bandas de los ARN
ribosómicos (28S y 18S) de cada una de las muestras analizadas
(figura 1.J). Los números 0, 1, 2 y 3 se asignan a las muestras en
orden creciente de degradación y para las muestras con ARN de
calidad comparable.
Figura 2: (a) Semi-matriz de
comparación entre parejas de arrays de los 100 genes más
diferencialmente expresados en cada array. La parte superior e
inferior sombreada en gris de la semi-matriz muestra
el porcentaje de genes diferencialmente expresados en común entre
las parejas de arrays de lavado vesical (LV) y entre las parejas de
arrays de tumores (T), hibridados con ARN de diferente grado de
degradación. La parte no sombreada de la semi-matriz
corresponde al porcentaje de genes expresados diferencialmente en
común entre las parejas de arrays de lavado vesical y tumor. (b)
Cluster no supervisado de todos los clones contenidos en el
microarray, incluyendo los duplicados con intercambio de
fluorocromos (dye swap) (DS).
Figura 3: Validación mediante
RT-PCR cuantitativa a tiempo real
(qRT-PCR) de 4 genes (KRT20, GSN, IGF2 y CCL2)
expresados diferencialmente en los microarrays de ADNc y
relacionados con cáncer de vejiga, en 36 muestras adicionales de
lavado vesical tumoral. Los valores positivos indican
sobre-expresión en los lavados vesicales tumorales
respecto a los controles. Las muestras están agrupadas en el gráfico
en función del log2ratio según estadio y grado tumoral: tumores
superficiales de bajo grado (8 pTa y 3 pT1), tumores superficiales
de alto grado (5 pTa, 5 pT1 y 4 pTis) y tumores invasivos (9 pT2 y 2
pT4).
Figura 4: Clasificación de las muestras mediante
cluster global no supervisado (distancia euclidiana y UPGMA). pT2_1,
pT2_2 y pT2_3 (tumores infiltrantes); pT1 AG_1, pT1 AG_2 y pT1
AG_3 (tumores superficiales de alto grado); pT1 BG_1, pT1 BG_2, pT1
BG_3 (tumores superficiales de bajo grado).
Figura 5: Resultados de PCR cuantitativa a
tiempo real (qRT-PCR) de los pooles y las muestras
individuales contenidos en los mismos. La tabla se encuentra
dividida en combinaciones (parte izquierda) y en muestras
individuales (derecha). Las columnas de los combinaciones indican el
número de combinación (Nº), los niveles de expresión observados en
los microarrays (\muarrays) y los niveles cuantificados mediante
qRT-PCR (qRT-PCR). La primera
columna de las muestras individuales corresponde a la media
aritmética de las expresiones de las muestras individuales
contenidas en el pool (media), las cuales se indican
en las columnas siguientes (1-5). Cada fila
corresponde a un gen (TCN1, SORBS1, MYH11, SRPX, CRH, KRT14, RRM2,
FOSB, CEACAM6, CES1), con los diferentes niveles de expresión para
cada combinación.
Figura 6: Clasificación de las 60 muestras
individuales de fluidos vesicales mediante un cluster global no
supervisado de 384 genes (distancia euclidiana y UPGMA). La
nomenclatura de las muestras sigue la siguientes normas: si la
muestra empieza con la letra "B", se refiere a una muestra de
fluido vesical tumoral; si empieza por "CB", se refiere a una
muestra de fluido vesical control; si después del número de muestra
aparecen las iniciales "RV", se refiere a una muestra de lavado
vesical; si por el contrario aparece la inicial "O", se refiere
a una muestra de orina y después del guión bajo se indica el grado
tumoral y el estadio patológico de la muestra tumoral. Las flechas
indican una mala clasificación de la muestra que señalan en relación
a las categorías establecidas: T_AG (tumores de alto grado); T_BG
(tumores de bajo grado), y C (controles).
Figura 7 (A y B): Clasificación de las 140
muestras individuales de fluidos vesicales mediante un cluster
global no supervisado de 96 genes (distancia euclidiana y UPGMA).
Las flechas indican una mala clasificación de la muestra que señalan
en relación a las categorías establecidas (C, controles; figura 7.A
y T, muestras tumorales; figura 7.B). La nomenclatura de las
muestras sigue la siguiente norma: si la muestra empieza con la
letra "B", se refiere a una muestra de fluido vesical tumoral;
si empieza por "CB", se refiere a una muestra de fluido vesical
control; si después del número de muestra aparece la inicial
"R", se refiere a una muestra de lavado vesical; si por el
contrario aparece la inicial "O", se refiere a una muestra de
orina.
Figura 8 (A-T): Listado de 384
genes de diagnóstico, pronóstico y controles endógenos para cáncer
vesical. Este listado se ha obtenido del análisis mediante
microarrays de Affymetrix de combinaciones de muestras de tejido
tumoral de vejiga de diferentes estadios y grados tumorales y de
muestras de mucosa vesical control.
Figura 9 (A-D): Listado de 96
genes de diagnóstico, pronóstico y controles endógenos para cáncer
vesical. Este listado se ha obtenido mediante el análisis de 60
muestras de fluidos vesicales en tarjetas microfluídicas que
contienen los 384 genes de la figura 8. Se indica el símbolo del gen
y el nombre del TaqMan Gene Expression Assay seleccionado para la
tarjeta microfluídica TaqMan Low Density Array.
Figura 10 (A y B): Listado de 48 genes de
diagnóstico, pronóstico y controles endógenos para cáncer vesical.
Este listado se ha obtenido mediante el análisis de 140 muestras de
fluidos vesicales en tarjetas microfluídicas que contienen los 96
genes de la figura 9. Se indica el símbolo del gen y el nombre del
TaqMan Gene Expression Assay seleccionado para la tarjeta
microfluídica TaqMan Low Density Array.
El objeto de la presente invención se refiere a
un método in vitro no invasivo de diagnóstico y/o pronóstico
de cáncer vesical basado en la detección y cuantificación en fluidos
vesicales de la expresión génica de determinados genes y/o sus
combinaciones que actúan como marcadores genéticos de dicha
enfermedad.
Asimismo, es objeto de la presente invención el
empleo de dichos genes como marcadores genéticos de diagnóstico y/o
pronóstico de cáncer vesical.
Finalmente, otro objeto de la invención se
refiere a un kit de diagnóstico y/o pronóstico del cáncer vesical
basado en el empleo de dichos genes como marcadores genéticos de la
enfermedad.
La presente invención tiene como principal
objetivo el desarrollo de un procedimiento in vitro no
invasivo para diagnosticar y/o pronosticar cáncer vesical basado en
la detección y cuantificación de determinados genes que actúan como
marcadores genéticos de la enfermedad.
Para la realización del procedimiento se parte
de una muestra de fluido vesical obtenida de un sujeto sobre la que
se lleva a cabo un análisis para la detección y cuantificación del
patrón de expresión de determinados genes y/o sus combinaciones. Los
resultados obtenidos se comparan con los valores normales de
referencia para dichos genes en fluidos vesicales para así
establecer el diagnóstico y/o pronóstico.
El término "sujeto" empleado en la presente
invención se refiere a un ser humano.
La muestra de fluido vesical obtenida del sujeto
puede ser una muestra de orina o de lavado vesical y puede ser
obtenida mediante cualquier procedimiento convencional.
En la presente invención, se entiende como
procedimiento de diagnóstico de cáncer vesical a aquel que permite
detectar y cuantificar genes diferencialmente expresados entre
tumores y muestras control (de individuos sanos) (genes de
diagnóstico).
El procedimiento de pronóstico se refiere a
aquellos que permiten detectar genes diferencialmente expresados en
los diferentes tipos de tumores (genes de pronóstico), lo que
permite clasificar los tumores según agresividad y personalizar el
tratamiento en cada caso.
La clasificación tumoral de los diferentes tipos
de carcinomas de células transicionales (CCT) se basa actualmente en
la observación macroscópica y microscópica en el laboratorio de
anatomía patológica. Mediante unas observaciones más o menos
estandarizadas, basadas en la profundidad del tumor y en el aspecto
microscópico de las células, se decide su clasificación. Estudios
moleculares recientes parecen indicar que en realidad hay dos
perfiles genéticos diferenciales que mayoritariamente separan los
tumores de tipo superficial y los tumores infiltrantes.
Así, los carcinomas superficiales de vejiga se
denominan como Ta, Tis y T1. El carcinoma Ta es un carcinoma
exofítico no invasivo o confinado al epitelio. Tis es un carcinoma
in situ (tumor superficial plano) y T1 es un tumor que invade
el tejido conectivo subepitelial o que invade la lámina propia.
En la presente invención se emplea las siglas AG
para determinar tumores de Alto Grado y BG para aquellos de Bajo
Grado.
Los carcinomas Ta y T1 se pueden extirpar
mediante resección transuretral (RTU). Los Tis y T1 de Alto Grado
(AG), aunque son carcinomas superficiales confinados a la mucosa,
por ser tumores de Alto Grado se ha demostrado con técnicas de
biología molecular y por la experiencia clínica, que tienen gran
potencial de malignidad y de
invasión.
invasión.
Por otra parte, los carcinomas infiltrantes de
vejiga se clasifican en T2, T3 y T4. Así, T2 se refiere a un tumor
que invade la capa muscular vesical. A su vez, este tipo se divide
en T2a, que invade la capa muscular superficial o la mitad interna y
T2b, que invade la capa muscular profunda o la mitad externa. T3 se
refiere a un tumor que invade más allá de la capa muscular o que
invade la grasa perivesical. A su vez, este tipo se divide en T3a,
de invasión microscópica y T3b, de invasión macroscópica. Finalmente
T4 se refiere a un tumor que invade estructuras adyacentes a la
vejiga urinaria y que se divide a su vez en T4a, con invasión de la
próstata, útero o vagina y T4b, con invasión de la pared pélvica o
pared abdominal.
La detección y cuantificación de la expresión
génica de los genes se puede llevar a cabo mediante cualquier
técnica de Biología molecular no invasiva adecuada a los fines de la
invención, como por ejemplo microarrays de expresión, PCR
cuantitativa a tiempo real, transferencia de tipo northern,
PCR convencional, etc.
Concretamente, el empleo de arrays de ADN
permite obtener resultados de expresión de un número de genes muy
elevado, permitiendo testar miles de genes en cada experimento. El
empleo de esta técnica requiere grandes cantidades de ARN y de buena
calidad (no degradado).
De forma preferida, en la presente invención se
emplea la técnica de PCR cuantitativa a tiempo real
(qRT-PCR) para detectar y cuantificar los genes de
diagnóstico y/o pronóstico. Esta técnica es más precisa, además de
permitir la utilización de ARN con importante grado de degradación,
sin que esto afecte al resultado final. Asimismo, permite
cuantificar el ARN específico de los genes de interés. En
realizaciones particulares, las sondas de hibridación empleadas son
sondas Taqman.
Los resultados obtenidos en la detección y
cuantificación de la expresión de los genes en la muestra de fluido
vesical, se comparan con los valores normales, de referencia, para
dichos genes en muestras procedentes de sujetos sanos. En general,
el incremento o la disminución en los niveles de los genes
marcadores se estiman mediante la comparación de los resultados
obtenidos de los análisis de las muestras correspondientes a los
sujetos del ensayo con los resultados de las muestras controles, que
se analizan en paralelo. La decisión final de clasificación de cada
muestra se lleva a cabo mediante un "sistema de alarmas" basado
en los valores de expresión de los genes marcadores, de forma que si
alguno de los valores observados muestra una desviación muy
significativa respecto a lo esperado en una muestra control, aumenta
mucho la probabilidad de que la clasificación final sea tumoral,
independientemente del gen que haya "dado al alarma".
De forma más específica, en un aspecto principal
de la invención, el método de diagnóstico y/o pronóstico, no
invasivo, de cáncer vesical descrito comprende recoger una muestra
de fluido vesical de un sujeto para llevar a cabo la detección y
cuantificación en dicha muestra del patrón de expresión de la
combinación de genes ANXA10,
C14orf78, CTSE, CRH, IGF2, KLF9, KRT20, MAGEA3, POSTN, PPP1R14D, SLC1A6, TERT, ASAM y MCM10. Los resultados obtenidos se comparan con los valores normales de referencia para dichos genes en fluidos vesica-
les.
C14orf78, CTSE, CRH, IGF2, KLF9, KRT20, MAGEA3, POSTN, PPP1R14D, SLC1A6, TERT, ASAM y MCM10. Los resultados obtenidos se comparan con los valores normales de referencia para dichos genes en fluidos vesica-
les.
De forma preferida, la muestra de fluido vesical
es orina, dado que su obtención es mucho más sencilla. No obstante,
el lavado vesical, en ocasiones, se hace de manera rutinaria y se
obtiene un ARN de mejor calidad.
El gen ANXA 10 (anexina A10) (también denominado
ANX14), localizado en 4q32.3, participa en la regulación de la
división celular y en diferentes vías de transducción de señales,
pero su función exacta todavía no ha sido determinada.
El gen C14orf78 (marco de lectura abierto 78 del
cromosoma 14) (también denominado AHNAK2 o KIAA2019), está
localizado en 14q32.33. Su función aún no ha sido determinada.
El gen CTSE (catepsina E) (también denominado
CATE), localizado en 1q31, codifica para una proteasa
intracelular.
El gen CRH (hormona liberadora de
corticotropina) (también denominado CRF), localizado en 8q13,
codifica para la hormona de liberación de la corticotropina,
segregada en el hipotálamo en respuesta al estrés.
El gen IGF2 (factor de crecimiento 2 similar a
la insulina (somatomedina A)) (también denominado 11orf43, FLJ22066,
FLJ44734, INSIGF), localizado en 11p15.5, codifica para el factor de
crecimiento similar a la insulina.
El gen KLF9 (factor 9 similar a Kruppel)
(también denominado BTEB1), codifica para un factor de
transcripción.
El gen KRT20 (queratina 20) (también denominado
K20; CK20; KRT21; MGC35423), localizado en 17q21.2, codifica para
una proteína que forma parte de los filamentos intermedios
responsables de dar la estructura e integridad a las células
epiteliales.
El gen MAGEA3 (familia A del antígeno del
melanoma, 3) (también denominado HIP8; HYPD; MAGE3;
MAGEA6; MGC14613), está localizado en Xq28. Su función es desconocida.
MAGEA6; MGC14613), está localizado en Xq28. Su función es desconocida.
\newpage
El gen POSTN (periostina, factor específico de
osteoblastos) (también denominado PN; OSF-2;
PDLPOSTN; MGC119510; MGC119511; periostin;
RP11-412K4.1), está localizado en 13q13.3, y tiene
una función relacionada con la movilidad celular.
El gen PPP1R14D (proteína fosfatasa 1, subunidad
reguladora (inhibidora) 14D) (también denominado
GBPI-1; FLJ20251; MGC119014; MGC119016;
CPI17-like), está localizado en 15q15.1 y codifica
para una fosfatasa.
El gen SLC1A6 (familia de transportador de
solutos 1 (transportador de aspartato/glutamato de alta afinidad),
miembro 6) (también denominado EAAT4; MGC33092; MGC43671),
localizado en 19p13.12, participa en el transporte intracelular.
El gen TERT (telomerase reverse transcriptase)
(también denominado TP2; TRT; EST2; TCS1; hEST2), localizado en
5p15.33, codifica para una polimerasa de los telómeros con actividad
transcriptasa reversa.
El gen ASAM (molécula de adhesión específica de
adipocitos) (también denominado ASAM; ACAM; CLMP; FLJ22415),
localizado en 11q24.1, participa en la adhesión celular.
Finalmente, el gen MCM10 (deficiente de
mantenimiento de minicromosoma 10 (S. cerevisiae)) (también
denominado CNA43; PRO2249; MGC126776), localizado en 10p13, codifica
para una proteína implicada en el inicio de la replicación
genómica.
También se divulga el procedimiento in
vitro no invasivo para diagnosticar y/o pronosticar cáncer
vesical comprende recoger una muestra de fluido vesical de un sujeto
para llevar a cabo la detección y cuantificación en dicha muestra
del patrón de expresión de la combinación de genes ANXA10, CTSE,
CRH, IGF2, KRT20, MAGEA3, SLC1A6, TERT, y MCM10. Los resultados
obtenidos se comparan con los valores normales de referencia para
dichos genes en fluidos vesicales.
También se divulga el procedimiento in
vitro no invasivo de diagnóstico y/o pronóstico del cáncer
vesical comprende recoger una muestra de fluido vesical de un sujeto
para llevar a cabo la detección y cuantificación en dicha muestra de
fluido vesical de la expresión de un gen seleccionado entre
C14orf78, KLF9, POSTN, PPP1R14D, ASAM y sus combinaciones. Los
resultados obtenidos se comparan con los valores normales de
referencia para dichos genes en fluidos vesicales.
También se divulga el procedimiento diagnóstico
y/o pronóstico basado en la detección y cuantificación individual de
la expresión del gen C14orf78.
También se divulga dicho procedimiento
diagnóstico y/o pronóstico basado en la detección y cuantificación
individual de la expresión del gen KLF9.
También se divulga dicho procedimiento de
diagnóstico y/o pronóstico basado en la detección y cuantificación
individual de la expresión del gen POSTN.
También se divulga dicho procedimiento de
diagnóstico y/o pronóstico basado en la detección y cuantificación
individual de la expresión del gen PPPIR14D.
También se divulga dicho procedimiento de
diagnóstico y/o pronóstico basado en la detección y cuantificación
individual de la expresión del gen ASAM.
También se divulga un procedimiento in
vitro no invasivo para diagnosticar y/o pronosticar cáncer
vesical basado en la detección y cuantificación de un gen
seleccionado entre C14orf78, KLF9, POSTN, PPP1R14D, ASAM y sus
combinaciones y, adicionalmente, al menos un gen seleccionado entre
ANXA10, CTSE, CRH, IGF2, KRT20, MAGEA3, SLC1A6, TERT y MCM10.
Se contempla un método in vitro no
invasivo centrado en el diagnóstico de cáncer vesical que comprende
recoger una muestra de fluido vesical de un sujeto para llevar a
cabo la detección y cuantificación del patrón de expresión de la
combinación de genes ANXA10, C14orf78, CTSE, CRH, IGF2, KLF9, KRT20,
MAGEA3, POSTN, PPP1R14D, SLC1A6 y TERT, según el procedimiento
descrito anteriormente. Los resultados obtenidos se comparan con los
valores normales de referencia para dichos genes en fluidos
vesicales.
El procedimiento in vitro no invasivo de
diagnóstico de cáncer vesical comprende recoger una muestra de
fluido vesical de un sujeto para llevar a cabo la detección y
cuantificación del patrón de expresión de la combinación de genes
ANXA10, CTSE, CRH, IGF2, KRT20, MAGEA3, SLC1A6 y TERT. Los
resultados obtenidos se comparan con los valores normales de
referencia para dichos genes en fluidos vesicales.
El procedimiento in vitro no invasivo de
diagnóstico de cáncer vesical comprende recoger una muestra de
fluido vesical de un sujeto para llevar a cabo la detección y
cuantificación de la expresión de un gen seleccionado entre
C14orf78, KLF9, POSTN, PPP1R14D y sus combinaciones. Los resultados
obtenidos se comparan con los valores normales de referencia para
dichos genes en fluidos vesicales.
\global\parskip0.950000\baselineskip
También se proporciona un procedimiento
diagnóstico basado en la detección y cuantificación del gen
C14orf78.
También se proporciona un procedimiento
diagnóstico basado en la detección y cuantificación del gen
KLF9.
También se proporciona un procedimiento
diagnóstico basado en la detección y cuantificación del gen
POSTN.
También se proporciona un procedimiento
diagnóstico basado en la detección y cuantificación del gen
PPPIR14D.
También se proporciona un procedimiento
diagnóstico basado en la detección y cuantificación de la expresión
de un gen seleccionado entre C14orf78, KLF9, POSTN, PPP1R14D y sus
combinaciones y, adicionalmente, al menos, un gen seleccionado entre
ANXA10, CTSE, CRH, IGF2, KRT20, MAGEA3, SLC1A6 y TERT.
Se contempla un procedimiento in vitro no
invasivo para pronosticar cáncer vesical que comprende recoger una
muestra de fluido vesical de un sujeto para llevar a cabo la
detección y cuantificación del patrón de expresión de la combinación
de genes ASAM y MCM10. Los resultados obtenidos se comparan con los
valores normales de referencia para dichos genes en fluidos
vesicales.
También se proporciona un procedimiento in
vitro no invasivo para pronosticar cáncer vesical que comprende
recoger una muestra de fluido vesical de un sujeto para llevar a
cabo la detección y cuantificación de la expresión del gen ASAM. Los
resultados obtenidos se comparan con los valores normales de
referencia para dicho gen en fluidos vesicales.
En otro aspecto de la invención, se contempla el
uso de la combinación de genes ANXA10, C14orf78, CTSE, CRH, IGF2,
KLF9, KRT20, MAGEA3, POSTN, PPP1R14D, SLC1A6, TERT, ASAM y MCM10
como marcadores de diagnóstico y/o pronóstico del cáncer
vesical.
También se proporciona el uso de la combinación
de genes ANXA10, CTSE, CRH, IGF2, KRT20, MAGEA3, SLC1A6, TERT, y
MCM10 como marcadores de diagnóstico y/o pronóstico del cáncer
vesical.
Se contempla el uso de un gen seleccionado entre
C14orf78, KLF9, POSTN, PPP1R14D, ASAM y sus combinaciones, como
marcadores de diagnóstico y/o pronóstico del cáncer vesical.
Se contempla el uso del gen C14orf78 como
marcador de diagnóstico y/o pronóstico del cáncer vesical.
Se contempla el uso del gen KLF9 como marcador
de diagnóstico y/o pronóstico del cáncer vesical.
Se contempla el usp del gen POSTN como marcador
de diagnóstico y/o pronóstico del cáncer vesical.
Se contempla el empleo del gen PPP1R14D como
marcadores de diagnóstico y/o pronóstico del cáncer vesical.
Se contempla el empleo del gen ASAM como
marcador de diagnóstico y/o pronóstico del cáncer vesical.
Otro aspecto se centra en el uso de un gen
seleccionado entre C14orf78, KLF9, POSTN, PPP1R14D, ASAM y sus
combinaciones, en combinación con al menos un gen seleccionado entre
ANXA10, CTSE, CRH, IGF2, KRT20, MAGEA3, SLC1A6, TERT y MCM10, como
marcadores de diagnóstico y/o pronóstico del cáncer vesical.
Otro aspecto de la invención se refiere al uso
de la combinación de genes ANXA10, C14orf78, CTSE, CRH, IGF2, KLF9,
KRT20, MAGEA3, POSTN, PPP1R14D, SLC1A6 y TERT como marcadores de
diagnóstico de cáncer vesical.
Otro aspecto de la invención se centra en el uso
de la combinación de genes ANXA10, CTSE, CRH, IGF2, KRT20, MAGEA3,
SLC1A6 y TERT como marcadores de diagnóstico del cáncer vesical.
Otro aspecto de la invención se refiere al uso
de un gen seleccionado entre C14orf78, KLF9, POSTN, PPP1R14D y sus
combinaciones como marcadores de diagnóstico del cáncer vesical.
Se contempla el uso del gen C14orf78 como
marcador de diagnóstico del cáncer vesical.
Asimismo, se contempla el empleo del gen KLF9
como marcador de diagnóstico del cáncer vesical.
Se contempla el uso del gen POSTN como marcador
de diagnóstico del cáncer vesical.
Se contempla el uso del gen PPP1R14D como
marcadores de diagnóstico del cáncer vesical.
Se contempla el uso de un gen seleccionado entre
C14orf78, KLF9, POSTN, PPP1R14D y sus combinaciones, en combinación
con al menos un gen seleccionado entre ANXA10, CTSE, CRH, IGF2,
KRT20, MAGEA3, SLC1A6 y TERT, como marcadores de diagnóstico de
cáncer vesical.
Se contempla el uso de la combinación de genes
ASAM y MCM10 como marcadores de pronóstico del cáncer vesical.
\global\parskip1.000000\baselineskip
Se contempla el uso del gen ASAM como marcador
de pronóstico del cáncer vesical.
Otro aspecto de la invención se refiere a un kit
de diagnóstico y/o pronóstico del cáncer vesical que comprende un
set de sondas adecuado para la detección y cuantificación del patrón
de expresión de la combinación de genes ANXA10, C14orf78, CTSE, CRH,
IGF2, KLF9, KRT20, MAGEA3, POSTN, PPP1R14D, SLC1A6, TERT, ASAM y
MCM10.
En otro aspecto de la invención, el kit de
diagnóstico y/o pronóstico del cáncer vesical comprende un set de
sondas adecuado para la detección y cuantificación del patrón de
expresión de la combinación de genes ANXA10, CTSE, CRH, IGF2, KRT20,
MAGEA3, SLC1A6, TERT y MCM10.
En otro aspecto de la invención se contempla un
kit de diagnóstico y/o pronóstico del cáncer vesical basado en un
set de sondas adecuado para la detección y cuantificación de un gen
seleccionado entre C14orf78, KLF9, POSTN, PPP1R14D, ASAM y sus
combinaciones.
El kit de diagnóstico y/o pronóstico del cáncer
vesical, basado en el set de sondas para la detección y
cuantificación de un gen seleccionado entre C14orf78, KLF9, POSTN,
PPP1R14D, ASAM y sus combinaciones, comprende adicionalmente un set
de sondas adecuado para la detección y cuantificación de un gen
seleccionado entre ANXA10, CTSE, CRH, IGF2, KRT20, MAGEA3, SLC1A6,
TERT y MCM10.
En otro aspecto de la invención, se contempla un
kit de diagnóstico del cáncer vesical, basado en un set de sondas
adecuado para la detección y cuantificación del patrón de expresión
de la combinación de genes ANXA10, C14orf78, CTSE, CRH, IGF2, KLF9,
KRT20, MAGEA3, POSTN, PPP1R14D, SLC1A6 y TERT.
En otro aspecto de la invención, el kit de
diagnóstico del cáncer vesical, comprende un set de sondas adecuado
para la detección y cuantificación del patrón de expresión de la
combinación de genes ANXA10, CTSE, CRH, IGF2, KRT20, MAGEA3, SLC1A6
y TERT.
En otro aspecto se contempla el kit de
diagnóstico del cáncer basado en un set de sondas adecuado para la
detección y cuantificación de un gen seleccionado entre C14orf78,
KLF9, POSTN, PPP1R14D y sus combinaciones.
En otro aspecto, dicho kit, basado en el set de
sondas adecuado para la detección y cuantificación de un gen
seleccionado entre C14orf78, KLF9, POSTN, PPP1R14D y sus
combinaciones, comprende, adicionalmente, sondas adecuadas para la
detección y cuantifiación de al menos un gen seleccionado entre
ANXA10, CTSE, CRH, IGF2, KRT20, MAGEA3, SLC1A6 y TERT.
En otro aspecto se contempla un kit de
pronóstico del cáncer vesical, basado en un set de sondas adecuado
para la detección y cuantificación del patrón de expresión de la
combinación de genes ASAM y MCM10.
En otro aspecto, el kit de pronóstico se basa en
una sonda adecuada para la detección y cuantificación del gen
ASAM.
En la tabla 1 se muestran los 14 genes
identificados como marcadores genéticos de diagnóstico y/o
pronóstico de cáncer vesical. Los genes ASAM y MCM10 son los 2 genes
específicos para pronóstico.
A continuación se presentan algunos ejemplos que
sirven para ilustrar pero no limitar la presente invención.
\vskip1.000000\baselineskip
Para llevar a cabo el objetivo final de la
invención, en primer lugar fue necesario conocer el impacto que
tenían diferentes niveles de degradación del ARN en los perfiles de
expresión génica, dado que la calidad del ARN obtenido de los
fluidos vesicales (orina y/o lavado vesical) es generalmente baja.
También debía determinarse si los perfiles de expresión génica
obtenidos de los fluidos vesicales se correspondían con los
obtenidos en los correspondientes tumores.
\vskip1.000000\baselineskip
Se seleccionó una muestra de tejido tumoral (T)
y de lavado vesical (LV) de un mismo paciente diagnosticado como pT2
alto grado (G3) [según los métodos descritos en
Lopez-Beltran A, Sauter G, Gasser T, Hartmann A,
Schmitz-Dräger BJ, Helpap B, Ayala AG, Tamboni P,
Knowles MA, Sidransky D, Cordon-Cardo C, Jones PA,
Cairns P, Simon R, Amin MB, Tyczynsky JE. Tumours of the Urinary
System. In: Eble JN, Sauter G, Epstein JI, Sesterhenn IA (eds.),
Pathology and Genetics of Tumours of the Urinary System and Male
Genital Organs. World Health Organization Classification of Tumours.
Lyon: IARC Press; 2004: 89-157; Sobin LH, Wittekind
CH. TNM Classification of Malignant Tumours. International Union
Against Cancer., 6th ed. New York: Jonh Wiley & Sons; 2002].
Se extrajo el ARN de ambas muestras (T0 y LV0) con TRIzol
(Invitrogen, Carlsbad, CA, USA) siguiendo las instrucciones del
proveedor. Seguidamente, se degradaron alícuotas de ambos ARN (T0 y
LV0) incubándolos a 80ºC durante 15 (T1 y LV1), 30 (T2 y LV2) y 60
(T3 y LV3) minutos, obteniendo tres niveles de degradación, tal y
como se describe en Xiang CC, Chen M, Ma L et al. A new strategy
to amplify degraded RNA from small tissue samples for microarray
studies. Nucleic Acids Res 2003; 31:53, con la excepción de que
se utilizó agua en vez de un tampón básico.
También se recolectaron muestras de mucosa
vesical sana de 4 pacientes sin evidencia de patología vesical
(muestras control), se obtuvo ARN de la misma manera que se procedió
con las muestras anteriores y se mezclaron los 4 ARN en proporciones
equimolares (C0).
Un \mul de cada uno de los ARN, intactos y
degradados, se analizaron en el Bioanalyzer Agilent 2100 Bioanalyzer
para determinar la calidad de cada ARN (según el método descrito en
Imbeaud S, Graudens E, Boulanger V et al. Towards standardization
of RNA quality assessment using user-independent
classifiers of microcapillary electrophoresis traces. Nucleic Acids
Res 2005; 33:e56) (figuras 1.A-H). En la figura
1 (J) se muestra el gel con las bandas de los ARN ribosómicos (28S y
18S) de cada una de las muestras analizadas donde se observa la
degradación progresiva de estas bandas.
Además, se recolectaron 36 lavados vesicales
tumorales (8 pTa bajo grado (BG), 5 pTa alto grado (AG), 3 pT1 BG, 5
pT1 AG, 4 pTis, 9 pT2 AG and 2 pT4 AG) y 14 lavados vesicales
controles de pacientes sin patología vesical y se extrajo el ARN de
la misma manera que en los casos anteriores.
\vskip1.000000\baselineskip
Se amplificaron 5 \mug de ARN intacto (T0 y
LV0) y degradado (T1, T2, T3, LV1, LV2 y LV3) mediante la
utilización de cebadores de secuencia al azar de 9 nucleótidos
(random nonamer primers) modificados por la adición en 3' de
la secuencia promotora del T3 (T3N9) (según Xiang CC, Chen M, Ma
L et al. A new strategy to amplify degraded RNA from small tissue
samples for microarray studies. Nucleic Acids Res 2003; 31:e53).
Las sondas se sintetizaron mediante un método de marcaje directo
(según Richter A, Schwager C, Hentze S, Ansorge W, Hentze MW,
Muckenthaler M. Comparison of fluorescent tag ADN labeling methods
used for expression analysis by ADN microarrays. Biotechniques 2002;
33:620-8, 630).
\vskip1.000000\baselineskip
Se utilizaron los Oncochip-v2
glass human ADNc microarrays
(\underbar{http://grupos.cnio.es/genomica/arrays/reports/}
\underbar{ochip\_v2.xls}) para co-hibridar cada una de las cuatro alícuotas de ARN progresivamente degradadas, tanto de tumor como de lavado vesical (T0, T1, T2, T3, LV0, LV1, LV2 y LV3), con el pool de los ARN provenientes de las muestras de mucosa vesical sana (C0). Las imágenes fluorescentes se obtuvieron con el G2565BA Microarray Scanner System (Agilent, Technologies, Waldbronn, Germany) y las imágenes TIFF fueron cuantificadas utilizando el programa Spot (\underbar{http://experimental.act.cmis.csiro.au/Spot}) bajo el entorno estadístico R (\underbar{http://www.r-project.org}). La medida final de intensidad de cada punto del microarray fue calculada tal y como se había sugerido previamente (\underbar{http://www.stat.berkeley.edu/users/terry/zarray/Html/image.htmlv}) (datos accesibles públicamente en la base de datos GEO; GSE3192). Finalmente se obtuvieron 1111 clones válidos que cumplían todos los criterios de calidad y se escogieron los 100 más diferencialmente expresados de cada array para comparar entre arrays y calcular los porcentajes de genes en común entre ellos. Se detectó un elevado porcentaje de genes en común diferencialmente expresados entre los arrays de tejido tumoral (85 al 91%) y entre los arrays de lavado vesical (78 al 93%) (Figura 2a), lo que indicaba que degradación del ARN prácticamente no afectaba los perfiles de expresión génica.
\underbar{ochip\_v2.xls}) para co-hibridar cada una de las cuatro alícuotas de ARN progresivamente degradadas, tanto de tumor como de lavado vesical (T0, T1, T2, T3, LV0, LV1, LV2 y LV3), con el pool de los ARN provenientes de las muestras de mucosa vesical sana (C0). Las imágenes fluorescentes se obtuvieron con el G2565BA Microarray Scanner System (Agilent, Technologies, Waldbronn, Germany) y las imágenes TIFF fueron cuantificadas utilizando el programa Spot (\underbar{http://experimental.act.cmis.csiro.au/Spot}) bajo el entorno estadístico R (\underbar{http://www.r-project.org}). La medida final de intensidad de cada punto del microarray fue calculada tal y como se había sugerido previamente (\underbar{http://www.stat.berkeley.edu/users/terry/zarray/Html/image.htmlv}) (datos accesibles públicamente en la base de datos GEO; GSE3192). Finalmente se obtuvieron 1111 clones válidos que cumplían todos los criterios de calidad y se escogieron los 100 más diferencialmente expresados de cada array para comparar entre arrays y calcular los porcentajes de genes en común entre ellos. Se detectó un elevado porcentaje de genes en común diferencialmente expresados entre los arrays de tejido tumoral (85 al 91%) y entre los arrays de lavado vesical (78 al 93%) (Figura 2a), lo que indicaba que degradación del ARN prácticamente no afectaba los perfiles de expresión génica.
También se realizó un cluster no supervisado de
todos los clones contenidos en el microarray utilizando UPGMA
(Unweighted Pair-Group Meted with Arithmetic Mean) y
la correlación de Pearson. Este cluster indicaba que el porcentaje
de genes en común identificados entre 2 arrays hibridados con ARN de
diferente nivel de degradación (por ejemplo, LV0 y LV1), era en
ocasiones más alto que el porcentaje entre duplicados dye
swap (DS) del mismo array (por ejemplo, LV0 vs
LV0-DS) (Figura 2b), lo que reforzaba la conclusión
de que los perfiles de expresión génica no quedaban prácticamente
alterados al trabajar con ARN parcialmente degradado.
Para determinar si los perfiles de expresión
génica obtenidos de las muestras de lavado vesical se correspondían
con los obtenidos en el correspondiente tumor, se comparó el
porcentaje de genes en común diferencialmente expresados entre los
arrays de tejido tumoral y los de lavado vesical. Se obtuvo una
elevada similaridad entre el tumor y el lavado vesical (52 al 60%) y
esta similaridad resultó ser independiente del estado de degradación
del ARN.
En conclusión, estos datos sugirieron que el ARN
parcialmente degradado de lavado vesical podía ser utilizado para
estudios de expresión génica utilizando microarrays y que este ARN
es un reflejo de la expresión génica del tumor.
\vskip1.000000\baselineskip
Para validar que los resultados obtenidos en los
microarrays de un paciente particular eran extrapolables a una
cohorte más larga, se analizaron mediante qRT-PCR 4
genes diferencialmente expresados en los arrays y que estaban
relacionados con el proceso de carcinogénesis vesical según la
literatura (KRT20, IGF2, GSN y CCL2). Para esta
validación se utilizaron 36 lavados vesicales tumorales adicionales
y 14 lavados vesicales controles.
El ADNc se sintetizó a partir de 1 ug de ARN
utilizando el High-Capacity ADNc Archive Kit
(Applied Biosystems, Foster City, USA) siguiendo las instrucciones
del proveedor, excepto que se disminuyó el volumen final de la
reacción a 50 \mul. El gen GUSB se utilizó como control
endógeno. Las PCRs se realizaron utilizando
Assays-on-Demand^{TM} Gene
Expression Products en un ABI PRISM 7000 SDS (Applied Biosystems,
Foster City, USA) siguiendo las instrucciones del proveedor, excepto
que el volumen de la reacción se disminuyó a 20 \mul.
El método del \Delta\DeltaCt (ABI PRISM 7700
Sequence Detection System User Bulletin #2: Relative Quantification
of Gene Expression P/N 4303859) se utilizó para calcular la cantidad
relativa de expresión de cada gen en relación a un promedio de la
expresión de las 14 muestras controles. Para establecer el valor de
referencia en los controles se obtuvo la media aritmética de los
valores de expresión de los 14 lavados vesicales controles
provenientes de pacientes sin patología vesical.
Los resultados de este análisis, expresados como
log2ratio, definido como la proporción o división (ratio) entre las
2 condiciones comparadas (en este caso el control endógeno contra
cada gen indicado) expresado como logaritmo en base 2, confirmaron
los resultados de los microarrays en un 81% de las muestras para
KRT20, en un 89% para GNS, en un 64% para IGF2
y en un 89% para CCL2 (Figura 3). La elevada concordancia
entre los datos de microarrays obtenidos del análisis de un solo
paciente y los de qRT-PCR obtenidos del análisis de
una cohorte de 36 pacientes adicionales confirmaban que los perfiles
de expresión génica obtenidos en los microarrays no eran debidos al
análisis de un solo paciente.
\vskip1.000000\baselineskip
Es posible la utilización de ARN de lavado
vesical para inferir los perfiles de expresión génica de los
correspondientes tumores vesicales, tanto mediante microarrays de
ADNc como de qRT-PCR.
\vskip1.000000\baselineskip
Una vez conocido que era posible determinar los
perfiles de expresión génica en las muestras de fluido vesical, el
siguiente objetivo era obtener datos propios de expresión génica lo
más extensos posibles. La estrategia que nos propusimos seguir fue
empezar analizando la mayor cantidad posible de genes en un numero
reducido de muestras, para en fases sucesivas ir analizando
progresivamente cada vez una cantidad menor y más seleccionada de
genes en una serie más extensa de muestras.
El protocolo a su vez pasaba por el
establecimiento de unos controles de calidad muy estrictos en todos
los pasos críticos del proceso. Esto incluía la obtención de las
muestras biológicas con las características deseadas en el
quirófano, por parte de los cirujanos del equipo de la Fundació
Puigvert, el almacenaje y conservación de las muestras en las
condiciones adecuadas, el análisis
anatomo-patológico de las muestras y el procesado
molecular por el equipo de laboratorio.
\vskip1.000000\baselineskip
Las muestras de tejido fueron obtenidas en
quirófano utilizando un resector de pinza fría (muestras tumorales)
o directamente con tijeras (muestras control). Parte del tejido
obtenido fue inmediatamente congelado a -80ºC hasta ser procesados
posteriormente para la extracción de ARN y la parte restante fue
enviado al departamento de Anatomía Patológica para su análisis
anatomo-patológico. Para la extracción de ARN los
tejidos fueron homogeneizados mecánicamente y los ARN fueron
extraídos siguiendo el protocolo del TRIzol (Invitrogen, Calsbad,
CA, USA). Finalmente, los ARN se cuantificaron midiendo
espectrofotométricamente la absorbancia a 260 nm.
\vskip1.000000\baselineskip
Dado que los tumores superficiales y los
invasivos parecen tener perfiles genéticos distintos, se decidió
comparar los grupos tumorales más extremos (superficiales de bajo
grado versus infiltrantes). Además también decidimos averiguar el
perfil molecular de un tipo de tumor de comportamiento clínico poco
claro, ya que son superficiales pero con un alto grado de
aberraciones celulares (clasificados como T1 de alto grado, pT1 AG)
y en muchos casos (alrededor del 50%) acaban siendo infiltrantes.
Así se definieron cuatro grupos de estudio:
- - Grupo 1:
- muestras de tumores superficiales de bajo grado (BG) y que invadiesen solamente la mucosa vesical (patológicamente clasificadas como pTa BG).
- - Grupo 2:
- muestras de tumores superficiales de alto grado (AG) y que invadiesen el tejido conectivo subepitelial (patológicamente clasificadas como pT1 AG).
- - Grupo 3:
- muestras de tumores infiltrantes (patológicamente como mínimo pT2) y alto grado.
- - Grupo 4:
- muestras de mucosa vesical sana (control).
\vskip1.000000\baselineskip
Con la intención de reducir la varianza
biológica, que era bastante elevada, se realizaron pooles de
muestras de un mismo tipo tumoral, es decir, con una misma
clasificación anatomo-patológica. Así se realizaron
3 pooles de 4-5 muestras tumorales para cada
uno de los grupos; pTa BG, pT1 AG, pT2 AG y controles.
\vskip1.000000\baselineskip
Aunque anteriormente se había trabajado con una
plataforma de microarrays basados en ADNc, era conocido por la
bibliografía que existían otras plataformas comerciales basadas en
oligonucleotidos que permitirían obtener resultados de expresión de
un número de genes más elevado. Finalmente, se decidió utilizar la
plataforma de Affymetrix (http://www.affymetrix.com/index.affx),
dado que eran muchos los datos de los que se disponía en las bases
de datos públicas para esta plataforma, prácticamente todas las
referencias comentaban su alta calidad de resultados y acababa de
salir al mercado un nuevo microarray (U133 plus 2.0) que permitía
determinar la expresión génica de la gran mayoría de los genes
humanos.
Los microarrays de Affymetrix fueron hibridados
y escaneados por una compañía especializada (Progenika) y los datos
crudos de expresión (o ficheros cel) fueron directamente analizados
por nosotros bajo el entorno estadístico R utilizando el algoritmo
RMA (Robust Multi array Analysis).
\vskip1.000000\baselineskip
Una vez obtenidos los datos normalizados de
expresión para cada clon se decidió estudiar como se agrupaban las
distintas muestras que habíamos seleccionado realizando un cluster
no supervisado (Figura 4). En éste se podía observar que todos los
controles agrupaban juntos y claramente diferenciados de los
tumores, lo que indicaba que existen muchos genes diferencialmente
expresados entre tumores y controles (genes de diagnóstico). Por
otro lado, también se observa que los 3 pooles de tumores
infiltrantes (pT2_1, pT2_2 y pT2_3) y tumores superficiales de alto
grado (pT1 AG_1, pT1 AG_2 y pT1 AG_3) agrupan juntos y diferenciados
de los 3 pooles de tumores superficiales de bajo grado (pT1
BG_1, pT1 BG_2, pT1 BG_3), lo que debería permitir localizar genes
marcadores de una u otra vía (genes de pronóstico).
Como sistema de clasificación para comparar los
distintos grupos y obtener los mejores genes diferencialmente
expresados se decidió utilizar la proporción entre el valor de
intensidad máximo del grupo con la menor media y el valor de
intensidad mínimo del grupo con la mayor media, en escala
logarítmica. Esta medida es equivalente al menor nivel de cambio
(minimum fold change) que podríamos obtener comparando
cualquier réplica de un grupo contra cualquier réplica del otro
grupo. El resultado final que obtuvimos fueron literalmente miles de
genes con diferencias de expresión entre tumores y controles
suficientemente significativas.
\vskip1.000000\baselineskip
Una vez ordenados los genes, de más a menos
diferencialmente expresados, se decidió verificar los resultados
obtenidos con una técnica completamente independiente y, según la
literatura, mucho más precisa, la PCR cuantitativa a tiempo real
(qRT-PCR). Se seleccionaron 10 de los genes más
diferencialmente expresados para realizar esta verificación técnica
y se cuantificó su expresión génica mediante qRT-PCR
tanto usando exactamente los mismos pooles hibridados en los
microarrays (para poder comparar los resultados de ambas técnicas),
como utilizando las muestras individuales de cada pool (para
poder estudiar la replicabilidad de la propia técnica de
qRT-PCR) (Figura 5). En la comparación entre
microarrays y qRT-PCR obtuvimos un coeficiente de
regresión de 0.978, lo que nos indicaba una muy buena replicabilidad
entre las 2 técnicas. Cuando comparamos las medias aritméticas de
las muestras individuales obtenidas mediante qRT-PCR
y su expresión en los pooles mediante la misma técnica el
coeficiente de regresión fue de 0.995, lo que confirmaba los datos
bibliográficos de que la cuantificación mediante
qRT-PCR tiene una calidad técnica excelente.
\newpage
Teniendo en cuenta los resultados observados
mediante la cuantificación de la expresión génica utilizando dos
técnicas completamente independientes en un pequeño grupo de genes,
podemos extrapolar que las expresiones observadas mediante
microarrays parecen ser suficientemente fiables como para ser
utilizadas para definir un grupo de genes candidatos robusto para un
análisis posterior más extenso y específico.
Paralelamente, se concluyó que aunque los
microarrays eran adecuados para cuantificar las expresiones génicas,
la qRT-PCR era aún más precisa, además de permitir
unos niveles de degradación del ARN mayores en la muestra sin que
esto perjudicara el resultado final.
\vskip1.000000\baselineskip
El objetivo final de este estudio era
seleccionar un conjunto reducido de genes relacionados con CCT de
vejiga y que al cuantificar su expresión se obtuviera información
diagnóstica y pronóstica del tumor. Para ello, se ha comprobado que
se pueden utilizar dos técnicas; los microarrays de ADN y la PCR
cuantitativa a tiempo real. Mediante la tecnología de microarrays se
testan miles de genes en cada experimento y se necesita mayor
cantidad de ARN y de mejor calidad para realizar los experimentos
que con la metodología de la qRT-PCR. Además, ésta
última es una tecnología más precisa y se puede cuantificar el
número exacto de genes de interés. Por ello se decidió utilizar en
las siguientes fases del estudio la tecnología TaqMan Low Density
Arrays (TLDA), basada en qRT-PCR.
\vskip1.000000\baselineskip
Las TLDA son tarjetas microfluídicas que
contienen liofilizados los primers y la sonda TaqMan para un
máximo de 384 genes (existen diferentes configuraciones de TLDA que
permiten analizar en una misma tarjeta desde 384 genes y una sola
muestra hasta 48 genes y 8 muestras). Por lo tanto, de los
experimentos realizados previamente mediante microarrays de
Affymetrix hibridados con ARN de tejido se tenía que seleccionar un
sub-conjunto de 384 genes. Se seleccionaron los
genes más diferencialmente expresados entre tumores y controles
(genes de diagnóstico) y también aquellos genes diferencialmente
expresados entre los tres grupos tumorales: pTa BG, pT1 AG y pT2 AG
(genes de pronóstico).
Por otro lado, dado que uno de los objetivos del
proyecto era trabajar con fluidos vesicales, en esta fase del
proyecto se pretendía poder estudiar estos 384 genes no con ARN de
tejido, como se había estado haciendo hasta ahora, sino directamente
con fluidos vesicales (orina o lavados vesicales).
\vskip1.000000\baselineskip
Las muestras de lavado vesical fueron recogidas
por barbotaje intraoperatoriamente, antes de la resección del tumor
vesical o antes de la cistectomía. Las muestras de orina fueron
recogidas por micción espontánea antes de que el paciente entrase en
la cirugía. Tanto las muestras de lavado vesical como las de orina
eran transportadas al laboratorio en hielo inmediatamente después de
ser recogidas. Las muestras se mezclaban con 1/25 volúmenes de EDTA
0,5M, pH8.0 y se centrifugaban a 1000 Xg durante 10 minutos. Los
pellets celulares se resuspendían en 1 ml de TRIzol (Invitrogen,
Calsbad, CA, USA) y se congelaban a -80ºC hasta la extracción del
ARN.
Se recogieron y almacenaron 425 muestras de
lavado vesical tumoral, 30 muestras de lavado vesical control, 43
muestras de orinas tumorales y 158 muestras de orinas controles.
\vskip1.000000\baselineskip
Los ARN se extrajeron siguiendo el protocolo del
TRIzol (Invitrogen, Calsbad, CA, USA) y se cuantificaron midiendo
espectrofotométricamente la absorbancia a 260 nm.
El ADNc se sintetizó a partir de 1 ug de ARN
utilizando el High-Capacity ADNc Archive Kit
(Applied Biosystems, Foster City, USA) siguiendo las instrucciones
del proveedor, excepto que se disminuyó el volumen final de la
reacción a 50 \mul.
\vskip1.000000\baselineskip
Una vez conocidos los genes de interés, se
seleccionaron los primers y sonda fluorescente (TaqMan
Assays-on-Demand^{TM} Gene
Expression Products) para la cuantificación de la expresión génica
mediante qRT-PCR en la web de Applied Biosystems
(http://www.appliedbiosystems.com/).
Se configuró una tarjeta multifluídica (TaqMan
Low Density Array, TLDA) que contenía 384 ensayos que correspondían
tanto a genes de diagnóstico, como a genes de pronóstico, como a los
genes controles endógeno (figura 8). Esta configuración de TLDA
permite analizar una sola muestra por tarjeta. En la tabla de la
figura 8 se indica el nombre y símbolo del gen, así como el clon de
Affymetrix en el que se encontró la expresión diferencial del gen.
También se define el nombre del TaqMan Gene Expression Assay
(http://www.appliedbiosystems.com/) seleccionado para la
tarjeta microfluídica TaqMan Low Density Array. Este nombre de
ensayo a su vez está indicando la región génica que se amplificará
en la qRT-PCR. Finalmente, se indica uno de los
transcritos mayoritarios que se amplificará con este ensayo (Ref
Seq o Gene Bank mRNA).
Las PCR se realizaron en un ABI PRISM 9700 HD
SDS (Applied Biosystems, Foster City, USA) siguiendo las
instrucciones del proveedor.
Se analizaron mediante TLDA de 384 genes un
total de 60 muestras:
- -
- 39 muestras de lavado vesical tumoral
- -
- 15 muestras de lavado vesical control
- -
- 3 muestras orina tumoral
- -
- 3 muestras de sangre periférica; esto se realizó dado que en el análisis anterior, basado en microarrays de Affymetrix, habíamos observado contaminación de tejido muscular en las supuestamente muestras puras de mucosa vesical y teníamos indicios para sospechar que en las muestras de fluidos vesicales pudiese haber contaminación debida al sistema inmune. Por ello se decidió analizar 3 muestras de linfocitos para poder eliminar por comparación aquellos genes que se expresasen mucho en sangre (dado que la sangre sería un contaminante constante en las muestras de fluido vesical procedente de pacientes con tumor vesical).
\vskip1.000000\baselineskip
Una vez realizadas todas las PCRs se
establecieron los niveles de corte (thresholds) y niveles
basales (baseline) más apropiados para cada gen y se
calcularon los Ct (cicle threshold) o datos de expresión
crudos mediante el programa SDS 2.1 (Applied Biosystems).
Posteriormente, se calculó la medida de
expresión relativa de cada gen o delta Ct (Ct del gen diana - Ct del
control endógeno, GUSB en nuestro caso) y se estudió como se
agrupaban las muestras individuales mediante un cluster no
supervisado (usando distancias euclidianas y UPGMA) (Figura 6). El
primer nivel de clasificación que se observa en este cluster es la
diferenciación entre las 3 muestras provenientes de sangre
periférica y las muestras de los fluidos vesicales (lavados
vesicales y orinas). Por otro lado, los fluidos vesicales se
sub-agrupan en un conjunto de muestras que agrupan
en parte superior del cluster (desde la muestra
B155-RV_T2alto hasta la
B288-RV1_TaG2alto) y que está formado sólo por
muestras de fluidos vesicales tumorales, y otro conjunto de muestras
en la parte inferior del cluster (a partir de la muestra
B71-RV_TaG2bajoCIS hasta la
B109-RV_T2alto) que está formado por una mezcla de
fluidos vesicales tumorales y controles. A su vez, dentro del
cluster superior podemos diferenciar entre tumores de alto grado y
bajo grado, mientras que en el inferior aparece una agrupación con
casi sólo muestras controles y otra con mezcla de controles y
tumores. Se ha de tener en cuenta que se ha pasado de analizar
tejido en pooles a fluidos vesicales en muestras
individuales, por lo que era relativamente previsible esta pérdida
de potencia de discriminación mediante cluster.
El objetivo de este análisis era reducir el
número de genes a estudiar en la siguiente fase, con un número mayor
de muestras, de 384 a 96. Para el proceso de selección de los
mejores genes se tuvieron en cuenta distintos parámetros, entre
ellos el estadístico descrito anteriormente (minimum fold
change), pero también la proporción en escala logarítmica de las
medianas de los 2 grupos comparados (median fold change) y un
análisis manual individualizado por genes de los distintos valores
de intensidad. Esto nos permitió reducir el grupo inicial de 384
genes a los 96 genes que requeríamos para la siguiente fase de
experimentos (Figura 9).
\vskip1.000000\baselineskip
En esta fase del trabajo el objetivo era
conseguir aumentar la potencia de discriminación entre muestras
tumorales y controles. Para ello, se pretendía analizar un número
mayor de muestras de fluido vesical y reducir, si era posible, al
menos a la mitad el número de genes en los que se debería basar el
prototipo inicial del sistema de diagnóstico y pronóstico.
\vskip1.000000\baselineskip
Las tarjetas multifluídicas (TaqMan Low Density
Arrays) que contenían 96 ensayos (figura 9) se configuraron y
procesaron de la misma manera que se hizo con las de 384 genes, con
la diferencia que esta configuración de TLDA permite analizar 4
muestras por tarjeta.
Se analizaron mediante TLDA de 96 genes un total
de 80 muestras:
- -
- 42 muestras de lavado vesical tumoral
- -
- 8 muestras de lavado vesical control
- -
- 15 muestras orina tumoral
- -
- 15 muestras orina control
\vskip1.000000\baselineskip
Dado que la tecnología utilizada en la fase
anterior de experimentos (ejemplo 3) era exactamente la misma que en
este ejemplo y los genes analizados en esta fase estaban ya
incluidos en las TLDA de 384 genes analizadas previamente, se
decidió extraer y sumar las 60 muestras del ejemplo 3, con los datos
de las nuevas 80 muestras (Total= 140 muestras).
Se realizó un primer análisis mediante cluster
no supervisado de las 140 muestras con las expresiones de los 96
genes y pudimos observar 2 grandes grupos claramente diferenciados
(Figura 7). En el primer grupo (Figura 7.B) todas las muestras son
tumorales sin excepción. En cambio, en el segundo grupo (Figura 7.A)
la mayor parte de muestras son controles, pero hay algunas muestras
tumorales, con un perfil genético no distinguible de las muestras
normales. La conclusión que se podía extraer de este resultado era
que la mayor parte de tumores presentaban unos perfiles genéticos
característicos y diferenciados de las muestras control, aunque
había algunos casos en los que el perfil general no se distinguía de
una muestra normal y, por tanto, no podrían ser detectados.
Estábamos observando otra vez el mismo efecto que para el ejemplo 3,
aunque ahora nuestra capacidad de discriminación en las muestras era
superior.
Basándonos en los datos que se habían observado
de los clusters y en análisis exploratorios propios intentando
utilizar otros algoritmos de clasificación (como análisis lineal
discriminante, k-nearest neighbor (KNN), etc.) se
pudo observar que el problema de la discriminación de algunos
tumores respecto a las muestras control persistía. La nueva
hipótesis de trabajo fue que cualquier sistema de cálculo global de
una medida discriminatoria utilizando un grupo de genes concreto
tendría el mismo problema. Este consistía en que, debido a la
elevada heterogeneidad de los tumores, resultaba relativamente fácil
reconocer los perfiles de la mayoría, que tendrían alteraciones
mayoritariamente parecidas, aunque siempre habría una minoría de
casos para los que el comportamiento global de los genes
seleccionados para su análisis no se distinguiría de las muestras
controles, ya que tendrían alteradas vías minoritarias.
Para detectar tanto los tumores mayoritarios
como los minoritarios, se estableció un "sistema de alarmas"
mediante el establecimiento de un rango de valores entre los que
oscilaban las muestras control y añadiendo un intervalo de confianza
de manera que se pudiera determinar un punto a partir del cual una
expresión que estuviera por encima (o por debajo en caso de los
genes infraexpresados) fuera indicativa de tumor, independientemente
de los valores de expresión observados en los otros genes. La
ventaja de este sistema es que, aunque el tumor presente perfiles
generales de expresión parecidos a muestras sanas, si uno de los
genes alarma se dispara, permite afirmar que nos encontramos frente
a una muestra tumoral.
La primera etapa en el desarrollo de dicho
sistema fue la estimación de los rangos de expresión de los
controles y sus intervalos de confianza. Ya que ahora era muy
importante que en los valores controles no hubiera errores técnicos,
que alterarían falsamente los rangos, se decidió eliminar aquellos
controles que no presentaran un nivel de calidad mínimo. Para
calcular esta medida de calidad se utilizaron 3 genes (GUSB,
18S y PPIA) que además sirvieron como controles endógenos
(calculando su media geométrica) para la cuantificación relativa de
todos los genes. Analizando el comportamiento individual de la
distribución de cada gen no se pudo verificar que se cumpliera un
ajuste suficiente a una distribución normal, por lo que no se pudo
establecer unos intervalos de confianza basados en su varianza. Como
alternativa, se decidió establecer unos intervalos de confianza
arbitrarios y fijos con distintos niveles de rigurosidad (como punto
umbral se decidió utilizar el doble, 4 veces u 8 veces el valor del
control con valores de expresión más parecidos a los tumores).
Una vez determinado el punto umbral para cada
gen, se resumió toda esta información en una matriz con los 96 genes
contra las muestras tumorales. Se marcaron con 0 los valores que no
superaron el nivel de corte y con 1 los que si lo superaron (para
cada nivel de estringencia). Para seleccionar los mejores genes (con
los que se pretendía reducir el perfil al menos a 48) se tuvieron en
cuenta dos propiedades: 1) que el gen pudiera detectar un gran
número de tumores (buscando los que tuvieran una mayor suma de
valores 1) y 2) que esta detección fuera el máximo de independiente
de otros genes alarma (para poder detectar el máximo de vías
minoritarias).
Como resultado, se hubiera podido reducir el
número de genes interesantes a menos de 48, aunque por razones
técnicas y siendo conservadores se decidió mantener este número para
su análisis en fases posteriores, ya que algunos intervalos en los
controles podrían no ser completamente correctos (debido al bajo
número de muestras control analizadas hasta el momento).
Para automatizar el proceso de análisis de
nuevas muestras a partir del perfil genético de los 48 genes
seleccionados (figura 10) se creó un programa informático que
partiendo de los resultados de Cts obtenidos de la
qRT-PCR es capaz de realizar una predicción
diagnóstica. Este programa es capaz de utilizar distintos ficheros
de parámetros (dependiendo de la estringencia en los intervalos),
con lo que los valores de sensibilidad (SN) y especificidad (SP)
varían. Utilizando el fichero de parámetros menos estringente (punto
de corte al doble del control más cercano a los tumores) se obtuvo
SN=100% y SP=100%. En el caso del segundo fichero de parámetros
(punto de corte 4 veces del control más cercano a los tumores) se
obtuvo SN=98,96% y SP=100%. En el último caso (punto de corte 8
veces el peor control) se obtuvo SN=97,93% y SP=100%. Es importante
señalar que estos resultados se han obtenido sobre las mismas
muestras utilizadas para generar los ficheros de parámetros, por lo
que probablemente se esta produciendo una sobreestimación
(overfitting) que seria necesario estimar en experimentos
posteriores con muestras nuevas.
\vskip1.000000\baselineskip
Los objetivos en esta fase del proyecto eran
probar y mejorar el modelo de predicción de tumores así como reducir
al mínimo el número de genes utilizados para realizar la
predicción.
Para esta fase fue necesario ampliar mucho más
el conjunto de muestras tanto tumorales como normales. Se analizaron
440 nuevas muestras mediante tarjetas microfluídicas de 48 genes,
que se han añadido a los datos del ejemplo 3 (60 muestras) y del
ejemplo 4 (80 muestras).
Una vez realizados los controles de calidad
mínimos en las muestras, se procedió a analizarlas mediante el
modelo cualitativo de alarmas descrito previamente. El resultado que
obtuvimos (SN=0.81 y SP=0.81) difería bastante del obtenido con el
modelo final del ejemplo 4, por lo que se decidió intentar
mejorarlo, ya que probablemente tenía bastante
sobreentrenamiento.
A partir de la observación de los histogramas de
frecuencias discretizadas de cada uno de los genes, se pudo observar
como se distribuían las muestras tanto tumorales como controles.
Debido al hecho de haber aumentado mucho el muestreo, el límite de
solapamiento entre las distribuciones se había reducido de forma
importante. También se pudo observar que, aunque en muy baja
frecuencia, algunos casos controles tenían unos niveles de expresión
muy parecidos a los tumores.
Aunque, a nivel conceptual, el sistema
cualitativo de alarmas desarrollado se seguía considerando una buena
aproximación al comportamiento celular de las expresiones génicas,
el no poder cuantificar la importancia de cada uno de los genes
representaba una seria limitación al poder predictivo del mismo.
En base al mismo concepto de alarmas se decidió
intentar desarrollar un modelo cuantitativo, lo cual fue posible
utilizando el teorema de las probabilidades condicionadas de
Bayes.
Ya que el número de muestras analizadas es
suficientemente elevado, se puede estimar a partir de las
frecuencias de expresión observadas las probabilidades de que dado
un valor de expresión la muestra sea o un tumor o un control.
Una de las ventajas de un modelo basado en el
teorema de Bayes es que se puede aplicar a cada gen sensor de forma
independiente. La expresión génica observada modificará la
probabilidad que se tenía a priori de ser un tumor dando una
probabilidad a posteriori, la cual podrá ser usada de nuevo
como probabilidad a priori para el siguiente gen. De hecho,
implicitamente se está asumiendo independencia entre los distintos
genes.
El número final de muestras sobre las que se ha
podido aplicar el modelo fue de 308 tumores y 156 controles.
Cuando se aplicó nuestro modelo iterativamente
sobre los 48 genes se obtuvo una mejora significativa en el poder de
predicción del modelo cualitativo anterior (SN=0.86 y SP=0.92),
aunque estudiando los histogramas de frecuencias pudimos observar
que muchos genes parecían no aportar información significativa al
modelo final. Por tanto, se propuso seleccionar el subconjunto de
genes suficiente y necesario para capturar el máximo de información
diagnóstica de las muestras.
Utilizando el modelo cuantitativo no se tenía
una forma clara de realizar la selección de genes más interesantes.
El antiguo modelo cualitativo si que permitía seleccionar los genes
más informativos y, a la vez, con una mayor independencia entre
ellos. El resultado de utilizar los mejores genes detectados con el
modelo cualitativo (CTSE, MAGEA3, CRH, SLC1A6, PPP1R14D, IGF2,
C14orf78 y KLF9) sobre el nuevo modelo cuantitativo mostró una
mejora importante en los resultados (SN=0,89 y SP=0,96).
De todas formas, se decidió intentar otras
aproximaciones. A partir del análisis visual de los histogramas de
frecuencias de los 48 genes, se seleccionó el subconjunto
aparentemente más informativo (ANXA10, CRH, IGF2, KRT20, MAGEA3,
POSTN, SLC1A6 y TERT) y con histogramas más variados entre si
(esperando que este hecho indicara una mayor independencia entre
ellos). El resultado obtenido también mostraba una mejora
significativa respeto al análisis de los 48 genes (SN=0,90 y
SP=0,96).
Finalmente, ya que tanto el subconjunto de genes
obtenidos mediante el modelo cualitativo como los genes
seleccionados visualmente mostraban mejoras respecto al modelo
cuantitativo inicial, se decidió combinar los genes de las 2
aproximaciones (ANXA10, C14orf78, CTSE, CRH, IGF2, KLF9, KRT20,
MAGEA3, POSTN, PPP1R14D, SLC1A6 y TERT). El resultado del modelo
combinado fue ligeramente mejor que cualquiera de ellos (SN=0,91 y
SP=0,96).
Una vez obtenido el modelo, se decidió estudiar
si existía algún patrón común tanto en los tumores como en los
controles mal clasificados. En el caso de los controles, se pudo
detectar una presencia significativa de muestras con tumores en
contacto con el sistema urinario (tumores de próstata, de riñón y de
pene principalmente). Probablemente, este tipo de muestras tienen
patrones de expresión comunes con los tumores de vejiga, con lo que
pueden confundir al método de predicción. Por tanto, se decidió
eliminar de las muestras control todos aquellos casos con tumores
que pudieran encontrarse en contacto con el sistema urinario.
El número de muestras control descendió de 156 a
126, quedando igualmente 308 muestras tumorales. Utilizando el
modelo cuantitativo con los 48 genes sobre esta nueva población se
observó una mejora importante (SN=0,90 y SP=0,93). En el caso de los
8 genes más independientes se obtuvo: SN=0,91 y SP=0,97. En el
subconjunto con los histogramas más interesantes se obtuvo: SN=0,91
y SP=0,97. Finalmente, en el subconjunto combinado de genes se
obtuvo: SN=0,93 y SP=0,97. Volviendo a calcular los datos con cada
subconjunto seleccionado previamente podemos ver que en general se
había conseguido aumentar la potencia del modelo eliminando este
tipo de controles.
En lo referente al estudio de los tumores mal
clasificados, se detectó un incremento significativo en el número de
cistectomias presentes en este grupo. Se cree que la previa
resección transuretral (RTU) que frecuentemente se realiza muy
cercana en el tiempo a la cirugía radical podría estar alterando el
perfil molecular que se observó, ya que las masas tumorales han sido
retiradas físicamente de forma parcial o total de las paredes
epiteliales de la vejiga. Aunque en este estudio no se han eliminado
los casos de cistectomia por no ser los datos concluyentes, es
recomendable no incluir este tipo de muestras en el análisis de
nuevas poblaciones.
\vskip1.000000\baselineskip
Aunque la preocupación más importante era la
predicción tumoral (predicción de diagnóstico) también se estaba
interesado en clasificar los distintos tipos de tumores (predicción
de pronóstico), lo cual constituye el objetivo principal de este
apartado. Esta clasificación podría permitir personalizar más el
tratamiento en cada caso.
La clasificación tumoral se basa actualmente en
la observación macroscópica y microscópica en el laboratorio de
anatomía patológica. Mediante unas observaciones más o menos
estandarizadas basadas en la profundidad del tumor y en el aspecto
microscópico de las células se decide su clasificación. Estudios
moleculares recientes parecen indicar que en realidad hay dos
perfiles genéticos diferenciales que mayoritariamente separan los
tumores de tipo superficial y los tumores infiltrantes.
Para poder realizar un modelo de clasificación
de pronóstico se necesitaría tener los distintos grupos tumorales
correctamente separados. Las observaciones
anatomo-patológicas no garantizan la correspondencia
con el comportamiento a nivel molecular de las muestras, por lo que
no parecía buena idea derivar un modelo pronóstico únicamente a
partir de esta clasificación. Se optó por utilizar un sistema de
clasificación mediante cluster no supervisado (que mayoritariamente
separaba las muestras en 2 grandes grupos) además de tener en cuenta
la gradación anatomo-patológica (AP).
Como grupo de muestras tumorales superficiales
válidas era necesario que agruparan según el cluster en el conjunto
que les correspondía y según AP debían ser tumores Ta, T1 grado bajo
y sin carcinoma in situ (cis) asociado. Los tumores
infiltrantes debían pertenecer al grupo correspondiente del cluster
y según AP debían ser tumores tipo T1 alto grado, T2, T3 o T4 y
cualquier tumor con presencia de CIS.
En el grupo de muestras definido como
superficiales se clasificaron 129 de los 308 tumores. En el grupo
definido como infiltrantes se clasificaron 100 de los 308.
Finalmente, 79 muestras tumorales o presentaban discordancias entre
su clasificación por anatomo-patológica y su perfil
molecular o no quedaban claramente definidas dentro de los dos
grupos mayoritarios del cluster.
La metodología utilizada para crear un modelo
que discriminara entre tumores superficiales e infiltrantes es
exactamente la misma que la utilizada en el ejemplo 5 para obtener
un modelo diagnóstico.
Cuando se aplicó el teorema de Bayes utilizando
los 48 genes se obtuvo una buena clasificación (SN=0,97 y
SP=0,96).
Analizando los histogramas de frecuencias se
pudo observar que los genes interesantes para diagnóstico coincidían
en gran medida con los genes de pronóstico. Sin embargo, había
algunos genes (MCM10 y ASAM) que no eran adecuados para diagnóstico
y sí para pronóstico, por lo que estos dos fueron añadidos a los 12
genes previamente seleccionados. El modelo de 14 genes resultante
demostró funcionar casi a la perfección (SN=0,99 y SP=1,00).
En la tabla 1 se incluyen los 14 genes,
indicando el símbolo del gen y el nombre del ensayo de expresión
génica TaqMan seleccionado para la tarjeta microfluídica TaqMan Low
Density Array.
\vskip1.000000\baselineskip
Claims (5)
1. Un procedimiento in vitro no invasivo
para diagnosticar y/o pronosticar cáncer vesical que comprende:
- a.
- detectar y cuantificar en una muestra de fluido vesical obtenida de un sujeto el patrón de expresión de la combinación de los genes de anezina A10 (ANXA10); marco de lectura abierto 78 del cromosoma 14 (C14orf78); catepsina E (CTSE); hormona liberadora de corticotropina (CRH); factor 2 similar a la insulina (IGF2); factor 9 similar a Kruppel (KLF9); queratina 20 (KRT20); antígeno del melanoma, familia A, 3 (MAGEA3); periostina, factor específico de osteoblastos (POSTN); proteína fosfatasa 1, sububidad 14D reguladora (inhibidora) (PPP1R14D); familia 1 de transportadores de soluto (transportador de aspartatp/glutamato de alta afinidad), miembro 6 (SLC1A6); telomerasa transcriptasa inversa (TERT); molécula de adhesión específica de adipocitos (ASAM) y deficiente 10 de mantenimiento de minicromosomas (S. cerevisiae) (MCM10); y
- b.
- comparar los resultados obtenidos en la etapa a) con los valores normales de referencia para dichos genes en fluidos vesicales.
\vskip1.000000\baselineskip
2. El procedimiento in vitro no invasivo
según la reivindicación 1, caracterizado porque la muestra de
fluido vesical es orina.
3. El procedimiento de acuerdo con las
reivindicaciones 1 ó 2, caracterizado porque la
cuantificación de la expresión de los genes en la etapa a) se lleva
a cabo por medio de PCR cuantitativa en tiempo real.
4. Uso in vitro de la combinación de los
genes ANXA10, C14orF78, CTSE, CRH, IGF2, KLF9, KRT20, MAGEA3, POSTN,
PPP1R14D, SLC1A6, TERT, ASAM y MCM10 como marcadores de diagnóstico
y/o pronóstico del cáncer vesical.
5. Un kit de diagnóstico y/o pronóstico del
cáncer vesical para llevar a cabo el procedimiento de la
reivindicación 1, que consisten en un grupo de sondas adecuadas para
la detección y cuantificación del patrón de expresión de la
combinación de los genes ANXA10, C14orF78, CTSE, CRH, IGF2, KLF9,
KRT20, MAGEA3, POSTN, PPP1R14D, SLC1A6, TERT, ASAM y MCM10.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES200700727A ES2304306B1 (es) | 2007-03-20 | 2007-03-20 | Metodo de diagnostico y/o pronostico de cancer vesical. |
ES200700727 | 2007-03-20 |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2357784T3 true ES2357784T3 (es) | 2011-04-29 |
Family
ID=39758544
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES200700727A Expired - Fee Related ES2304306B1 (es) | 2007-03-20 | 2007-03-20 | Metodo de diagnostico y/o pronostico de cancer vesical. |
ES07788578T Active ES2357784T3 (es) | 2007-03-20 | 2007-06-05 | Procedimiento de diagnóstico y/o pronóstico de cáncer vesical. |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES200700727A Expired - Fee Related ES2304306B1 (es) | 2007-03-20 | 2007-03-20 | Metodo de diagnostico y/o pronostico de cancer vesical. |
Country Status (13)
Country | Link |
---|---|
US (1) | US9097715B2 (es) |
EP (1) | EP2138848B1 (es) |
JP (1) | JP5314667B2 (es) |
CN (1) | CN101730848A (es) |
AT (1) | ATE487140T1 (es) |
CA (1) | CA2693847C (es) |
DE (1) | DE602007010360D1 (es) |
DK (1) | DK2138848T3 (es) |
ES (2) | ES2304306B1 (es) |
PL (1) | PL2138848T3 (es) |
PT (1) | PT2138848E (es) |
SI (1) | SI2138848T1 (es) |
WO (1) | WO2008113870A1 (es) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2573954T3 (es) | 2008-12-30 | 2016-06-13 | Children's Medical Center Corporation | Método de predicción de apendicitis aguda |
EP2591126B1 (en) * | 2010-07-07 | 2020-12-30 | Myriad Genetics, Inc. | Gene signatures for cancer prognosis |
US8987423B2 (en) * | 2010-07-22 | 2015-03-24 | Glaxosmithkline Biologicals, S.A. | MAGE antigen binding proteins |
US20130296175A1 (en) * | 2011-01-13 | 2013-11-07 | Illumina Inc. | Genetic Variants as Markers for Use in Urinary Bladder Cancer Risk Assessment, Diagnosis, Prognosis and Treatment |
US20140154691A1 (en) * | 2011-06-22 | 2014-06-05 | Oncocyte Corporation | Methods and Compositions for the Treatment and Diagnosis of Bladder Cancer |
US9249467B2 (en) * | 2011-09-16 | 2016-02-02 | Steven Goodison | Bladder cancer detection composition, kit and associated methods |
WO2013040758A1 (zh) * | 2011-09-20 | 2013-03-28 | 深圳华大基因科技有限公司 | 膀胱移行细胞癌易感性的相关基因及其预测方法和系统 |
EP2780472A4 (en) * | 2011-11-15 | 2015-10-28 | Oncocyte Corp | METHOD AND COMPOSITIONS FOR THE TREATMENT AND DIAGNOSIS OF BUBBLE CANCER |
US9290814B2 (en) | 2011-12-30 | 2016-03-22 | Abbott Molecular Inc. | Materials and methods for diagnosis of bladder cancer and monitoring recurrence thereof |
EP2839028B1 (en) | 2012-04-20 | 2016-12-28 | Cepheid | Methods of detecting bladder cancer |
EP2762574A1 (en) * | 2013-01-31 | 2014-08-06 | Fina Biotech, S.L. | Non-invasive diagnostic method for diagnosing bladder cancer |
JP2016513961A (ja) | 2013-03-06 | 2016-05-19 | セファイド | 膀胱癌を検出する方法 |
WO2015013233A2 (en) * | 2013-07-23 | 2015-01-29 | Oncocyte Corp | Methods and compositions for the treatment and diagnosis of bladder cancer |
US10304188B1 (en) | 2015-03-27 | 2019-05-28 | Caleb J. Kumar | Apparatus and method for automated cell analysis |
ES2911415T3 (es) | 2015-06-08 | 2022-05-19 | Arquer Diagnostics Ltd | Métodos y kits |
EP3304082B1 (en) | 2015-06-08 | 2020-05-13 | Arquer Diagnostics Limited | Methods for analysing a urine sample |
EP3332027A1 (en) * | 2015-08-06 | 2018-06-13 | Stichting Katholieke Universiteit | Method for the prediction of progression of bladder cancer |
CN105368959B (zh) * | 2015-12-15 | 2019-01-04 | 甘肃中天羊业股份有限公司 | Anxa10基因作为绵羊免疫性状的分子标记及其应用 |
WO2018218737A1 (zh) * | 2017-06-01 | 2018-12-06 | 立森印迹诊断技术(无锡)有限公司 | 一种印记基因在膀胱肿瘤中的分级模型及其组成的系统 |
WO2018219342A1 (zh) * | 2017-06-01 | 2018-12-06 | 立森印迹诊断技术有限公司 | 一种印记基因分级模型和诊断方法及其应用 |
CN108414756A (zh) * | 2017-10-25 | 2018-08-17 | 深圳市罗湖区人民医院 | 一种同时检测尿液中四个膀胱癌标志物的蛋白芯片的制备方法 |
CN108414755A (zh) * | 2017-10-25 | 2018-08-17 | 深圳市罗湖区人民医院 | 一种同时检测尿液中四个膀胱癌标志物的蛋白芯片 |
CN108866194B (zh) * | 2018-08-16 | 2021-03-26 | 杭州可帮基因科技有限公司 | 一组用于膀胱癌检测的基因及其应用 |
CN109797221A (zh) * | 2019-03-13 | 2019-05-24 | 上海市第十人民医院 | 一种用于对肌层浸润性膀胱癌进行分子分型和/或预后预测的生物标记物组合及其应用 |
CN112378708B (zh) * | 2020-11-04 | 2024-03-26 | 中国人民解放军陆军装甲兵学院 | 一种基于Bayes方法小样本条件下装备评估装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT1318504B1 (it) * | 2000-05-08 | 2003-08-27 | Talent Srl | Metodo e apparecchiatura per la diagnosi precoce di tumori vescicalisu campioni di urina. |
-
2007
- 2007-03-20 ES ES200700727A patent/ES2304306B1/es not_active Expired - Fee Related
- 2007-06-05 SI SI200730488T patent/SI2138848T1/sl unknown
- 2007-06-05 CA CA2693847A patent/CA2693847C/en active Active
- 2007-06-05 DK DK07788578.8T patent/DK2138848T3/da active
- 2007-06-05 ES ES07788578T patent/ES2357784T3/es active Active
- 2007-06-05 EP EP07788578A patent/EP2138848B1/en active Active
- 2007-06-05 JP JP2010500299A patent/JP5314667B2/ja not_active Expired - Fee Related
- 2007-06-05 AT AT07788578T patent/ATE487140T1/de active
- 2007-06-05 DE DE602007010360T patent/DE602007010360D1/de active Active
- 2007-06-05 CN CN200780053065A patent/CN101730848A/zh active Pending
- 2007-06-05 PT PT07788578T patent/PT2138848E/pt unknown
- 2007-06-05 PL PL07788578T patent/PL2138848T3/pl unknown
- 2007-06-05 US US12/532,139 patent/US9097715B2/en active Active
- 2007-06-05 WO PCT/ES2007/000330 patent/WO2008113870A1/es active Application Filing
Also Published As
Publication number | Publication date |
---|---|
DK2138848T3 (da) | 2011-02-21 |
ES2304306A1 (es) | 2008-10-01 |
DE602007010360D1 (de) | 2010-12-16 |
JP5314667B2 (ja) | 2013-10-16 |
US20100086932A1 (en) | 2010-04-08 |
ES2304306B1 (es) | 2009-07-07 |
EP2138848B1 (en) | 2010-11-03 |
US9097715B2 (en) | 2015-08-04 |
JP2010521981A (ja) | 2010-07-01 |
PL2138848T3 (pl) | 2011-11-30 |
CN101730848A (zh) | 2010-06-09 |
CA2693847C (en) | 2016-08-02 |
ATE487140T1 (de) | 2010-11-15 |
SI2138848T1 (sl) | 2011-04-29 |
EP2138848A1 (en) | 2009-12-30 |
PT2138848E (pt) | 2011-02-08 |
CA2693847A1 (en) | 2008-09-25 |
WO2008113870A1 (es) | 2008-09-25 |
EP2138848A4 (en) | 2010-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2357784T3 (es) | Procedimiento de diagnóstico y/o pronóstico de cáncer vesical. | |
ES2494843T3 (es) | Métodos y materiales para identificar el origen de un carcinoma de origen primario desconocido | |
Vachani et al. | A 10-gene classifier for distinguishing head and neck squamous cell carcinoma and lung squamous cell carcinoma | |
Chakraborty et al. | Current status of molecular markers for early detection of sporadic pancreatic cancer | |
US9902998B2 (en) | Non-invasive diagnostic method for diagnosing bladder cancer | |
Henshall et al. | Survival analysis of genome-wide gene expression profiles of prostate cancers identifies new prognostic targets of disease relapse | |
ES2754434T3 (es) | Métodos de pronóstico de cáncer de próstata | |
US20170073758A1 (en) | Methods and materials for identifying the origin of a carcinoma of unknown primary origin | |
US20070099197A1 (en) | Methods of prognosis of prostate cancer | |
ES2608322T3 (es) | Procedimiento para predecir la respuesta a la quimioterapia en un paciente que padece o está en riesgo de desarrollar cáncer de mama recurrente | |
ES2527062T3 (es) | Supervivencia y recurrencia del cáncer de próstata | |
CN101454668A (zh) | 癌症预测与预后以及监测癌症治疗的方法 | |
US20200172980A1 (en) | Prostatic cancer marker, pcdh9, and application thereof | |
CN109402252A (zh) | 急性髓系白血病风险评估基因标志物及其应用 | |
KR102271315B1 (ko) | 인공지능을 이용하여 도출된 리보좀 유전자 세트를 이용한 유방암 예후 예측방법 | |
WO2006124022A1 (en) | Microarray gene expression profiling in subtypes of clear cell renal cell carcinoma | |
JP6611411B2 (ja) | 膵臓がんの検出キット及び検出方法 | |
JP2016086678A (ja) | 腎がんの悪性度の検査マーカー及び検査方法 | |
KR102271313B1 (ko) | 인공지능을 이용하여 도출된 미토콘드리아 리보좀 유전자 세트를 이용한 유방암 예후 예측방법 | |
KR20220131083A (ko) | 갑상선암 진단을 위한 microRNA 바이오마커 및 이의 용도 | |
WO2023015286A1 (en) | Gene/protein expression guided melanoma surgery | |
JP2004248508A (ja) | 膀胱癌に対する分子マーカーとしてのhurp遺伝子 | |
ONILE | SUSCEPTIBILITY AND DIAGNOSTIC PROTEOMIC BIOMARKERS FOR URINARY SCHISTOSOMIASIS AND ASSOCIATED BLADDER PATHOLOGIES AMONG ADULTS IN EGGUA, OGUN STATE, NIGERIA | |
KR20200000431A (ko) | 폐암 질환의 진단용 마커 | |
Roepman | Gene expression analysis for assessment of lymph node metastasis in head and neck squamous cell carcinoma |