Introdução: A apneia obstrutiva do sono (AOS) é uma condição clínica comum, embora subdiagnosticada na prática clínica, que está associada de forma independente com um aumento na morbimortalidade cardiovascular. Evidências recentes sugerem que o aumento do risco cardiovascular atribuído à AOS pode ser parcialmente explicado pela desregulação metabólica. No entanto, pouco se sabe sobre o perfil metabólico detalhado destes pacientes e se estes metabólitos podem servir como potenciais biomarcadores para a AOS. Objetivos: O objetivo primário do estudo foi avaliar o perfil metabólico de pacientes com AOS por meio de diferentes estratégias metabolômicas. Como objetivo secundário, avaliamos se o painel de metabólitos selecionados poderia agregar valor diagnóstico ao uso de questionários tradicionalmente empregados para a triagem da AOS. Métodos: Participantes do sexo masculino sem doença cardiovascular prévia ou uso de medicamentos foram submetidos à polissonografia noturna e divididos em 2 grupos pareados por idade e índice de massa corpórea (IMC): sem AOS (índice de apneia e hipopneia [IAH] < 15 eventos/h) e com AOS (IAH >= 15 eventos/h). Além da avaliação clínica, foi aplicado dois questionários para triagem da AOS usados na prática clínica (questionário Berlim e o escore NoSAS). A quantificação de aminoácidos (AA) no plasma foi realizada por cromatografia líquida acoplada à espectrometria de massas sequencial (LC-MS²) previamente desenvolvido e validado no Grupo Fleury. Para as análises metabolômicas e lipidômicas foram utilizados cromatografia gasosa acoplado a espectrometria de massas (GC-MS) e cromatografia líquida (LC) off-line com detecção por ionização/dessorção a laser auxiliada por matriz (MALDI-MS), respectivamente. Para avaliação dos marcadores que estariam associados à AOS foram utilizados teste t de student (p < 0,05) e VIP score > 2 (predição de variável de importância). A sensibilidade e especificidade foram avaliadas por meio da curva receiver operating characteristic (ROC) e modelos de regressão logística em associação com o melhor questionário de triagem para a AOS. Resultados: 53 participantes foram estudados (16 sem AOS e 37 com AOS). Como proposto, a idade média (36 ± 6 vs. 39 ± 7 anos) e o IMC (30,3 ± 3,5 vs. 30,6 ± 3,4 kg/m2) foram semelhantes entres os grupos sem e com AOS, respectivamente. A quantificação dos AA permitiu observar uma diferença significante nos níveis de ácido glutâmico, que foram maiores nos pacientes com AOS (83,5 ± 22,5 ?M) quando comparados ao grupo sem AOS (66,7 ± 24,5 uM), p=0,023. A avaliação do perfil metabolômico resultou em 28 analitos significantes. Seis desses analitos foram provenientes da análise por GC-MS: pacientes com AOS apresentaram maiores níveis de 6-deoxi-D-glicose; 2,6-difenil-1,7-diidrodipirrolo [2,3-b:3\',2\'-e] piridina, ácido 9 (Z)-hexadecenóico e ácido araquidônico e menores níveis de 5,5\'-bifitalato e glutamina quando comparados ao grupo sem AOS (p < 0,05). A análise lipidômica (LC off-line e MALDI-MS) resultou em 22 lipídios significantes subdivididos nas seguintes classes: ceramidas (Cer), fosfatidiletanolamina (PE), lisofosfatidilcolina (LPC), e esfingomielina (SM) com níveis mais elevados em pacientes com AOS em comparação ao grupo sem AOS (p < 0,05). Diacilglicerol (DAG), fosfatidilcolina (PC) e ácido fosfatídico (PA) tiveram níveis significativamente diminuídos nos pacientes com AOS em comparação aos sem AOS. Em relação ao objetivo secundário, o questionário com melhor desempenho para triar a AOS foi o escore NoSAS com uma área sob a curva (AUC) de 0,724. A combinação dos 4 metabólitos (ácido glutâmico, glutamina, 6-deoxi-D-glicose e ácido araquidônico) ou dos 3 lipídios (LPE 35:1, SM d18:1/12:0 e LPC 27:1) selecionados pelo modelo de regressão logística ao escore NoSAS positivo resultou em uma AUC de 0,917 e 0,951, respectivamente, para a detecção da AOS. Conclusão: A aplicação da metabolômica permitiu a identificação de potenciais biomarcadores precoces para a AOS em homens jovens. Estes achados não são explicados por fatores de confusão como a idade, IMC e composição corporal. Este estudo confirma o achado de que os questionários habitualmente usados para a triagem da AOS não apresentam um bom desempenho. A combinação dos metabólitos selecionados aumentou a sensibilidade e especificidade para detecção da AOS em relação ao questionário isolado. Neste contexto, novos estudos são necessários para avaliar se estes biomarcadores poderão ser úteis para a predição do risco cardiovascular e melhora do diagnóstico da AOS / Introduction: Obstructive sleep apnea (OSA) is a common clinical condition, although frequently underdiagnosed in clinical practice. OSA is independently associated with an increased risk of cardiovascular morbidity and mortality. Recent evidence suggests that the cardiovascular risk attributed to OSA may be partially explained by metabolic dysregulation. However, little is known about the detailed metabolic profile of these patients and whether these metabolites may serve as potential biomarkers for OSA. Objectives: The primary objective of the study was to evaluate the metabolic profile of OSA patients through different metabolomics strategies. As a secondary objective, we evaluated whether the panel of selected metabolites could improve diagnostic value to the use of questionnaires traditionally used for OSA screening. Methods: Male participants with no previous cardiovascular diseases and under no medications were submitted to a nocturnal polysomnography and divided into 2 groups matched by age and body mass index (BMI): no OSA (apnea and hypopnea index [AHI] < 15 events/h) an OSA (AHI >= 15 events/h). In addition to the clinical evaluation, was applied two questionnaires to screening OSA in the clinical practice (Berlin questionnaire and the NoSAS score). The quantification of amino acids (AA) in plasma was performed by liquid chromatography coupled to sequential mass spectrometry (LC-MS/MS) previously developed and validated in the Fleury Group. To the metabolomics and lipidomics analysis, we used gas chromatography coupled to mass spectrometry (GC-MS) and off-line liquid chromatography (LC) with matrix-assisted laser ionization/desorption detection (MALDI-MS), respectively. Student\'s t test (p < 0.05) and VIP score >2 (significance variable prediction) were used to evaluate the markers associated with OSA. Sensitivity and specificity were evaluated using the receiver operating characteristic (ROC) curve and logistic regression models in association with the best screening questionnaire for OSA. Results: 53 participants were studied (16 with no OSA and 37 with OSA). As proposed, mean age (36 ± 6 vs. 39 ± 7 years) and BMI (30.3 ± 3.5 vs. 30.6 ± 3.4 kg/m2) were similar between the groups without and with OSA, respectively. The quantification of AA showed a significant difference in the glutamic acid levels, which were higher in patients with OSA (83.5 ± 22.5 ?M) when compared to the group with no OSA (66.7 ± 24.5 ?M), p=0.023. Metabolomics profile analysis resulted in 28 significant analytes. Six of these analytes came from GC-MS analysis: patients with OSA had higher levels of 6-deoxy-D-glucose, 2,6-diphenyl-1,7-dihydrodipyrrolo [2,3-b:3\',2\'-e] pyridine, 9-hexadecenoic acid (Z) and arachidonic acid and lower levels of 5,5\'-biphthalide and glutamine when compared to the no OSA group (p < 0.05). The lipidomics analysis (LC off-line and MALDI-MS) resulted in 22 significant lipids subdivided into the following classes: glycerophosphoethanolamine (PE), lysophosphosphatidylcholine (LPC), and sphingomyelin (SM) with higher levels in patients with OSA when compared to the no OSA group (p < 0.05). Diaglycerol (DAG), glycerophosphocholine (PC) and phosphatidic acid (PA) had significantly decreased levels in patients with OSA compared to those with no OSA. Regarding to the secondary endpoint, the best performing questionnaire for screening OSA was the NoSAS score with an area under the curve (AUC) of 0.724. The combination of the 4 metabolites (glutamic acid, glutamine, 6-deoxy-D-glucose and arachidonic acid) or the 3 lipids (LPE 35:1, SM d18:1/12:0 and LPC 27:1) previously selected by logistic regression model to the NoSAS positive score resulted in an AUC of 0.917 and 0.951, respectively, for the OSA detection. Conclusion: The application of metabolomics strategies allowed the identification of potential early biomarkers for OSA in young male subjects. These findings are not explained by confounding factors such as age, BMI and body composition. This study confirms previous findings that the questionnaires commonly used for screening OSA do not have a good performance. The combination of the selected metabolites increased the sensitivity and specificity to OSA detection in relation to the use of sleep questionnaire only. In this context, further studies are necessary to assess whether these biomarkers may be useful for predicting cardiovascular risk and improving the OSA diagnosis
Identifer | oai:union.ndltd.org:usp.br/oai:teses.usp.br:tde-28032018-113945 |
Date | 14 December 2017 |
Creators | Lebkuchen, Adriana |
Contributors | Cardozo, Karina Helena Morais, Drager, Luciano Ferreira |
Publisher | Biblioteca Digitais de Teses e Dissertações da USP |
Source Sets | Universidade de São Paulo |
Language | Portuguese |
Detected Language | Portuguese |
Type | Tese de Doutorado |
Format | application/pdf |
Rights | Liberar o conteúdo para acesso público. |
Page generated in 0.0679 seconds