Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
Estudio de biomarcadores en gliomas y su
utilidad clínica
Araceli García Martínez
TESIS DOCTORAL
ESTUDIO DE BIOMARCADORES EN GLIOMAS
Y SU UTILIDAD CLÍNICA
ARACELI GARCÍA MARTÍNEZ
OCTUBRE 2016
DEPARTAMENTO DE FISIOLOGÍA, GENÉTICA Y MICROBIOLOGÍA
FACULTAD DE CIENCIAS
ESTUDIO DE BIOMARCADORES EN GLIOMAS Y SU UTILIDAD CLÍNICA
ARACELI GARCÍA MARTÍNEZ
Tesis presentada para aspirar al grado de DOCTORA POR LA UNIVERSIDAD DE ALICANTE
PROGRAMA DE DOCTORADO EN BIOLOGÍA EXPERIMENTAL Y APLICADA
Dirigida por:
Dr. Víctor Manuel Barberá Juan
Dr. José Luis Soto Martínez
DEPARTAMENTO DE FISIOLOGÍA, GENÉTICA Y MICROBIOLOGÍA
FACULTAD DE CIENCIAS
ESTUDIO DE BIOMARCADORES EN GLIOMAS Y SU UTILIDAD CLÍNICA
ARACELI GARCÍA MARTÍNEZ
Tesis presentada para aspirar al grado de DOCTORA POR LA UNIVERSIDAD DE ALICANTE
PROGRAMA DE DOCTORADO EN BIOLOGÍA EXPERIMENTAL Y APLICADA
Dirigida por:
Dr. Víctor Manuel Barberá Juan
Dr. José Luis Soto Martínez
Dr. Víctor Manuel Barberá Juan, facultativo de la Unidad de Genética Molecular
del Hospital General Universitario de Elche y profesor asociado del
Departamento de Fisiología, Genética y Microbiología de la Universidad de
Alicante,
CERTIFICA:
Que el trabajo titulado “Estudio de biomarcadores en gliomas y su utlidad
clínica” ha sido realizado por Dña. Araceli García Martínez bajo mi dirección en
la Unidad de Genética Molecular del Hospital General Universitario de Elche,
para optar al grado de Doctora por la Universidad de Alicante.
Alicante a 1 de septiembre de 2016
Fdo. Dr. Víctor Manuel Barberá Juan
Dr. Víctor Manuel Barberá Juan, facultativo de la Unidad de Genética Molecular
del Hospital General Universitario de Elche y profesor asociado del
Departamento de Fisiología, Genética y Microbiología de la Universidad de
Alicante,
CERTIFICA:
Que el trabajo titulado “Estudio de biomarcadores en gliomas y su utlidad
clínica” ha sido realizado por Dña. Araceli García Martínez bajo mi dirección en
la Unidad de Genética Molecular del Hospital General Universitario de Elche,
para optar al grado de Doctora por la Universidad de Alicante.
Alicante a 1 de septiembre de 2016
Fdo. Dr. Víctor Manuel Barberá Juan
Dr. José Luis Soto Martínez, jefe de la Unidad de Genética Molecular del
Hospital General Universitario de Elche y profesor asociado del Departamento
de Biotecnología de la Universidad de Alicante,
CERTIFICA:
Que el trabajo titulado “Estudio de biomarcadores en gliomas y su utlidad
clínica” ha sido realizado por Dña. Araceli García Martínez bajo mi dirección en
la Unidad de Genética Molecular del Hospital General Universitario de Elche,
para optar al grado de Doctora por la Universidad de Alicante.
Alicante a 1 de septiembre de 2016
Fdo. Dr. José Luis Soto Martínez
Dr. José Luis Soto Martínez, jefe de la Unidad de Genética Molecular del
Hospital General Universitario de Elche y profesor asociado del Departamento
de Biotecnología de la Universidad de Alicante,
CERTIFICA:
Que el trabajo titulado “Estudio de biomarcadores en gliomas y su utlidad
clínica” ha sido realizado por Dña. Araceli García Martínez bajo mi dirección en
la Unidad de Genética Molecular del Hospital General Universitario de Elche,
para optar al grado de Doctora por la Universidad de Alicante.
Alicante a 1 de septiembre de 2016
Fdo. Dr. José Luis Soto Martínez
Tesis financiada por el proyecto:
“Estudio piloto de validación de marcadores moleculares con valor diagnóstico, pronóstico y predictivo de respuesta en tumores gliales”. FIBElx 10/08 Convocatoria de proyectos de investigación Fundación
Investigación Biomédica Hospital General Universitario de Elche
Entidad de realización: Unidad de Genética Molecular del Hospital General
Universitario de Elche
Ciudad entidad realización: Elche, Comunidad Valenciana, España
IP: Víctor Manuel Barberá Juan
Tesis financiada por el proyecto:
“Estudio piloto de validación de marcadores moleculares con valor diagnóstico, pronóstico y predictivo de respuesta en tumores gliales”. FIBElx 10/08 Convocatoria de proyectos de investigación Fundación
Investigación Biomédica Hospital General Universitario de Elche
Entidad de realización: Unidad de Genética Molecular del Hospital General
Universitario de Elche
Ciudad entidad realización: Elche, Comunidad Valenciana, España
IP: Víctor Manuel Barberá Juan
Es preciso sacudir enérgicamente
el bosque de las neuronas cerebrales adormecidas;
es menester hacerlas vibrar con la emoción de lo nuevo
e infundirles nobles y elevadas inquietudes.
(Santiago Ramón y Cajal, 1852-1934)
Es preciso sacudir enérgicamente
el bosque de las neuronas cerebrales adormecidas;
es menester hacerlas vibrar con la emoción de lo nuevo
e infundirles nobles y elevadas inquietudes.
(Santiago Ramón y Cajal, 1852-1934)
A mis padres
A mi hermano
ÍNDICE
Introducción �������������������������������������������������� 371. Introducción ����������������������������������������������� 39 1.1. Cáncer ����������������������������������������������� 39 1.2. Sistema nervioso central ��������������������������������� 44
1.2.1. Glía ���������������������������������������������� 44 1.3. Tumores gliales ���������������������������������������� 46
1.3.1. Clasificación ��������������������������������������� 46 1.3.2. Etiología ������������������������������������������ 49 1.3.3. Epidemiología �������������������������������������� 50 1.3.4. Factores de riesgo����������������������������������� 51
1.3.4.1. Ambientales ������������������������������������ 511.3.4.2. Genéticos �������������������������������������� 51
1.3.5. Diagnóstico y estadificación ��������������������������� 52 1.3.6. Supervivencia y tratamiento ��������������������������� 53
1.4. Alteraciones genéticas asociadas a gliomas ������������������ 55 1.5. Epigenética �������������������������������������������� 63
1.5.1. Metilación del ADN ���������������������������������� 63 1.5.2. Modi icación de histonas ������������������������������ 65 1.5.3. ARN no codi icante ���������������������������������� 65
1.6. Marcadores moleculares (biomarcadores) en gliomas ����������� 66 1.6.1. TP53 y ki67 ���������������������������������������� 66 1.6.2. Codeleción de los brazos cromosómicos 1p/19q ����������� 67 1.6.3. Mutaciones en los genes IDH1/IDH2 �������������������� 68 1.6.4. Metilación del gen MGMT ����������������������������� 73
1.6.5. Fenotipo hipermetilador en islas CpG en gliomas ����������� 78 1.6.5.1. SOCS1 ���������������������������������������� 81
1.8. Citomegalovirus humano y gliomas ������������������������� 83 Hipótesis y objetivos ������������������������������������������� 87 Material y métodos �������������������������������������������� 91
3. Material y métodos ����������������������������������������� 93 3.1. Pacientes y muestras biológicas ��������������������������� 93 3.2. Procesamiento de las muestras ���������������������������� 94
Índice
3.2.1. Extracción de ADN ���������������������������������� 94 3.2.2. Extracción de ARN ���������������������������������� 95
3.3. Análisis de deleciones en los brazos cromosómicos 1p/19q ������ 96 3.4. Análisis del estado de hipermetilación del gen MGMT ����������� 99 3.5. Análisis del fenotipo hipermetilador en gliomas ��������������� 104 3.6. Análisis de IDH1 e IDH2 por secuenciación directa ������������ 106 3.7. Retrotranscripción-PCR cuantitativa a tiempo real (RT-qPCR) ��� 108
3.7.1. Detección de CMV ��������������������������������� 110 3.7.1.1. qPCR ���������������������������������������� 110 3.7.1.2. Nested PCR ����������������������������������� 112
3.7.2. Determinación del nivel de expresión genética de SOCS1y MGMT por RT-qPCR ����������������������������������� 113
3.7.2.1. Retrotranscripción ������������������������������ 113 3.7.2.2. PCR cuantitativa a tiempo real �������������������� 114
3.8. Estudio inmunohistoquímico de IDH1, ki67, p53 y HCMV ������� 116 3.9. Microarray de expresión ��������������������������������� 117
3.9.1. Amplificación del ARN, marcaje e hibridación a microarrays agilent ������������������������������������� 1173.9.2. Análisis bioinformático de expresión genética ������������� 118
3.10. Análisis estadístico ������������������������������������ 119 Resultados �������������������������������������������������� 121
4. Resultados ����������������������������������������������� 1234.1. Caracterización de los principales marcadores molecularesen gliomas ����������������������������������������������� 123
4.1.1. Análisis de la metilación del promotor del gen MGMT y suasociación con las variables clínicas ������������������������� 1234.1.2. Análisis de las codeleciones 1p/19q �������������������� 1264.1.3. Análisis de 8 marcadores epigenéticos en gliomas (G-CIMP):CACNA16, CDKN2A, CRABP1, IGF2, MLH1, NEUROG1, RUNX3y SOCS1 ���������������������������������������������� 1274.1.4. Análisis de SOCS1 ��������������������������������� 1294.1.5. Análisis de la expresión génica de SOCS1 y MGMT ������� 132
4.1.5.1. PCR cuantitativa a tiempo real �������������������� 1324.1.5.2. Análisis de la asociación entre metilación y expresiónde SOCS1 y MGMT ����������������������������������� 134
4.1.6. Análisis de las mutaciones en los genes IDH1 e IDH2 y suasociación con las variables clínicas ������������������������ 135
Índice
4.1.7. Análisis por IHQ de ki67 y p53 ������������������������ 140 4.2. Variables clínicas �������������������������������������� 142 4.3. Asociación entre marcadores moleculares ������������������� 145
4.3.1. Mutaciones en IDH y metilación de MGMT ��������������� 145 4.3.2. Mutaciones en IDH y G-CIMP ������������������������� 1464.3.3. Mutaciones en IDH, metilación de MGMT y metilación de SOCS1 ����������������������������������� 1464.3.4. Metilación de SOCS1 y G-CIMP ����������������������� 147
4.4. Análisis multivariante por regresión de COX ����������������� 148 4.5. Detección de citomegalovirus humano en tumores gliales ������ 150
4.5.1. Análisis por PCR cuantitativa a tiempo real �������������� 150 4.5.2. Análisis por NESTED-PCR en casos seleccionados ������� 150 4.5.3. Inmunohistoquímica �������������������������������� 151
4.6. Glioblastomas de larga supervivencia ���������������������� 1514.7. Clasificación clinicopatológica y molecular de gliomas. Perfiles moleculares ��������������������������������������� 1534.8. Estudio de expresión génica a gran escala en gliomas.Microarray de expresión ������������������������������������ 162
4.8.1. Funciones diferencialmente expresadas ����������������� 168 Discusión ��������������������������������������������������� 177
5.1. Biomarcadores en gliomas ������������������������������� 179 5.2. HCMV y gliomas ��������������������������������������� 192 5.3. Microarray de expresión ��������������������������������� 197
Limitaciones del estudio ��������������������������������������� 211 Conclusiones ������������������������������������������������ 215 Bibliografía �������������������������������������������������� 219 Anexos ����������������������������������������������������� 255
Índice
Agradecimientos
AGRADECIMIENTOS
Y después de tantos obstáculos, por fin me encuentro escribiendo esta
parte de mi tesis, quizás la más importante, ya que no hubiera sido posible
acabar este trabajo sin vosotros/as.
En primer lugar, agradecer a mis co-directores el haberme dado la
oportunidad de poder empezar mi carrera en el mundo de la ciencia. A Víctor,
por confiar tanto en mí, por valorarme y dedicarme tantas palabras de ánimo y
de cariño. Los dos sabemos que el camino ha sido complicado, pero al final
todo da sus frutos y me alegro muchísimo de haber llegado hasta aquí con tu
ayuda. Gracias por enseñarme tantas cosas y no dejar que tirara la toalla. A
José Luis, por transmitirme esa pasión por la ciencia, por todas tus
aportaciones y consejos, porque de cualquier conversación contigo se aprende
algo. A Cristina, a pesar de que por temas burocráticos no me sea posible
ponerte como directora de esta tesis, para mí lo eres. Gracias por tu
dedicación, por estar siempre disponible para ayudarme, porque realmente
esta línea de investigación ha sido posible gracias a ti.
A los pacientes, porque son las parte más importante para que este tipo
de investigaciones se puedan llevar a cabo.
A todas las personas que conocí en el laboratorio del Hospital de Elche.
Adela, gracias por todos tus consejos y por hacer que me sintiera como en
casa cada vez que llegaba al laboratorio. Isa, por mucho trabajo que tuvieras,
siempre has estado dispuesta a ayudarme y a responderme a cualquier duda
que me surgiera. No he conocido persona con tanta capacidad para trabajar en
un laboratorio, eres una máquina. A Pilar, Miguel y Mari Carmen Barea. A
Javier Gómez, gracias por tu interés y por enseñarme el porgrama que me ha
permitido hacer todos los análisis de este trabajo. Y en especial a Esperanza,
gracias por haberme enseñado tantas cosas, entre ellas a sacar datos de
MLPA a la velocidad de la luz. Si no hubiera sido por aquella carpeta de
“Traspaso de poderes” que creaste, ahora mismo no tendría esta tesis entre las
manos. Vas a ser una gran investigadora y quién sabe si algún día volvemos a
trabajar juntas, a mí me encantaría.
Agradecimientos
A las chicas de la fundación, Silvia, Estefa, Lorena y María José, por
esos almuerzos tan divertidos y por estar siempre disponibles para
solucionarme todas las dudas que me iban surgiendo.
A Pepe, por todo tu apoyo y por hacerme ver que esta tesis es un buen
trabajo. Por poner esa pasión tan contagiosa en tus clases, hablar contigo
siempre significa aprender algo más. A Edu…qué decir! Te escribiría una tesis
entera dándote las gracias por todo. Si no hubiera sido por ti, esto habría sido
imposible. Eres una máquina y te mereces llegar muy lejos, sé que vas a
conseguir lo que te propongas.
A mis pinholes!! Reyes, Zeneida, Sasito y Shaila. Cómo echo de menos
aquel máster, creo que no me reído más en mi vida. Espero que algún día
consigamos reunirnos de nuevo y recordar viejos tiempos.
A Gloria, por dejarme formar parte de tu equipo, por confiar en mí y por
supuesto…por haberme enseñado a usar el Endnote!! Que si no fuera por
eso…creo que aún estaría terminando de escribir la bibliografía!
A mis compañeras y amigas de laboratorio. Ana, por todas las cosas que
me has enseñado, por estar siempre dispuesta a ayudarme y, como no, por
todas las sesiones de críticas de cine durante el almuerzo; Mar, llevas poquito
tiempo, pero ya eres de la familia. Vas a ser una gran investigadora. Marta,
realmente nos conocemos de hace poquito, pero para mí ya eres una gran
amiga. Gracias por toda tu ayuda (tan tediosa como la de buscar genes), por el
entusiasmo que transmites y por darme siempre tanto apoyo. Aún tienes que
seguir organizándome viajes, así que espero que sigamos compartiendo mesa
por mucho tiempo. Cecilia, eres un ejemplo. Gracias por enseñarme tanto y por
todos tus consejos. Algún día tenemos que ver juntas le película de “Chicos
Malosos” de Tarantino. Aún está pendiente que vengas a mi casa a aprender a
hacer arroz y conejo! Laura, ya me lo dijiste una vez tú…pero ahora te lo
confirmo yo: tendríamos que habernos conocido antes! Gracias por
transmitirme aunque sea una mínima parte de todo el conocimiento que tienes,
nos dejas con la boca abierta cada vez que te pones a explicarnos tantas cosas
y cada vez que nos demuestras lo fuerte que puede llegar a ser una persona.
Miri, si es que es imposible no quererte. El laboratorio no funcionaría si no
Agradecimientos
A las chicas de la fundación, Silvia, Estefa, Lorena y María José, por
esos almuerzos tan divertidos y por estar siempre disponibles para
solucionarme todas las dudas que me iban surgiendo.
A Pepe, por todo tu apoyo y por hacerme ver que esta tesis es un buen
trabajo. Por poner esa pasión tan contagiosa en tus clases, hablar contigo
siempre significa aprender algo más. A Edu…qué decir! Te escribiría una tesis
entera dándote las gracias por todo. Si no hubiera sido por ti, esto habría sido
imposible. Eres una máquina y te mereces llegar muy lejos, sé que vas a
conseguir lo que te propongas.
A mis pinholes!! Reyes, Zeneida, Sasito y Shaila. Cómo echo de menos
aquel máster, creo que no me reído más en mi vida. Espero que algún día
consigamos reunirnos de nuevo y recordar viejos tiempos.
A Gloria, por dejarme formar parte de tu equipo, por confiar en mí y por
supuesto…por haberme enseñado a usar el Endnote!! Que si no fuera por
eso…creo que aún estaría terminando de escribir la bibliografía!
A mis compañeras y amigas de laboratorio. Ana, por todas las cosas que
me has enseñado, por estar siempre dispuesta a ayudarme y, como no, por
todas las sesiones de críticas de cine durante el almuerzo; Mar, llevas poquito
tiempo, pero ya eres de la familia. Vas a ser una gran investigadora. Marta,
realmente nos conocemos de hace poquito, pero para mí ya eres una gran
amiga. Gracias por toda tu ayuda (tan tediosa como la de buscar genes), por el
entusiasmo que transmites y por darme siempre tanto apoyo. Aún tienes que
seguir organizándome viajes, así que espero que sigamos compartiendo mesa
por mucho tiempo. Cecilia, eres un ejemplo. Gracias por enseñarme tanto y por
todos tus consejos. Algún día tenemos que ver juntas le película de “Chicos
Malosos” de Tarantino. Aún está pendiente que vengas a mi casa a aprender a
hacer arroz y conejo! Laura, ya me lo dijiste una vez tú…pero ahora te lo
confirmo yo: tendríamos que habernos conocido antes! Gracias por
transmitirme aunque sea una mínima parte de todo el conocimiento que tienes,
nos dejas con la boca abierta cada vez que te pones a explicarnos tantas cosas
y cada vez que nos demuestras lo fuerte que puede llegar a ser una persona.
Miri, si es que es imposible no quererte. El laboratorio no funcionaría si no
Agradecimientos
estuvieras, créetelo, tienes todas las cualidades necesarias para llegar a donde
quieras. Sabes que siempre voy a estar para darte un abrazo cuando te den
ataques de agobio. Eva, sé que no te gusta, pero sigo pensando que tienes un
don para la enseñanza. Gracias por todo. Tu manera de ver la vida es
admirable, con las ideas siempre claras y luchando por lo que quieres. Gracias
por compartirlo conmigo. En general a todas tengo que agradeceros el haber
estado ahí en todo momento, gracias por todos vuestros consejos y por
vuestros ánimos, sois las mejores.
A mis On Babies, Loli, Belén, Asun, Fina, Encar, Rosa, Judith, Alba. Sois
capaces de hacerme reir aunque sea al final del día, cuando ya no me quedan
ni fuerzas. Gracias por todos esos momentos y por los que quedan.
A Noemí, porque siempre me has hecho sentir que soy capaz de todo.
Gracias por no dejar nunca que me venga abajo. Espero que sigas
aprendiendo a darte cuenta de lo que vales.
A Vadim, gracias por creer siempre en mí.
A mis dos biólogas preferidas, Ali y Noe. Habéis sido lo mejor de
estudiar la carrera. No olvido ningún momento vivido con vosotras, aunque
ahora os vea menos, sé que siempre estáis ahí. Noe, gracias por haberme
ayudado a superar mi “fobia” con la sangre y los hospitales, siempre serás mi
Súper Noelia. Ali, desde aquel día en el 24, sabía que íbamos a convertirnos en
grandes amigas (aún tenemos pendiente una noche de pelis y magdalenas de
chocolate).
Irene, aunque también eres una de mis biólogas preferidas, tenía que
ponerte aparte. 26 años juntas y lo que nos queda. Son tantas cosas las que
hemos vivido…que me faltan páginas. Gracias por haberme acompañado en
todo este camino.
Carlos, gracias por haber aparecido en mi vida, por enseñarme tantos
valores y por hacerme sentir capaz de comerme el mundo. Gracias por tu
paciencia y por demostrarme que no hay nada imposible.
Agradecimientos
A mi familia, en especial a mi tío Ginés. Gracias por haber despertado en
mí desde pequeña esa motivación por la ciencia, siempre te he admirado y
gran parte de las fuerzas que he sacado para llegar hasta aquí han sido por
intentar parecerme un poquito a ti. Y por supuesto, a mi padre, mi madre y mi
hermano. Gracias por hacerme ser quien soy, por apoyarme y aconsejarme en
todos los momentos, por creer siempre que podía superar cualquier obstáculo
que apareciera en mi vida, no hubiera podido llegar hasta aquí sin vosotros.
GRACIAS POR TODO.
Agradecimientos
A mi familia, en especial a mi tío Ginés. Gracias por haber despertado en
mí desde pequeña esa motivación por la ciencia, siempre te he admirado y
gran parte de las fuerzas que he sacado para llegar hasta aquí han sido por
intentar parecerme un poquito a ti. Y por supuesto, a mi padre, mi madre y mi
hermano. Gracias por hacerme ser quien soy, por apoyarme y aconsejarme en
todos los momentos, por creer siempre que podía superar cualquier obstáculo
que apareciera en mi vida, no hubiera podido llegar hasta aquí sin vosotros.
GRACIAS POR TODO.
Abreviaturas
ABREVIATURAS
αKG α-Cetoglutarato 2HG 2-Hidroxiglutarato 5-hmC 5-Hidroximetilcitosina 5-mL 5-Metilcitosina ADN Ácido desoxirribonucleico ADNc ADN complementario AI Astrocitoma pilocítico de grado I AII Astrocitoma difuso de grado II AIII Astrocitoma anaplásico de grado III ARN Ácido ribonucleico ARNm ARN mensajero BMPs Bone morfogenic proteins (Proteínas morfogénicas óseas) CIMP CpG Island Methylator Phenotype (Fenotipo metilador en islas
CpG) CIMP+ CIMP positivo CMV Citomegalovirus CpG Citosina-fosfato-guanina DEG Differential expression genes (Genes diferencialmente
expresados) DFG F-2-deoxifluoroglucosa DMR1 Differentially Methylated Region 1 DMR2 Differentially Methylated Region 2 DNMTs DNA methyltransferases (ADN metiltransferasas) dNTP Deoxinucleósidos trifosfato EpiTYPER Agena Bioscience’s DNA Methylation Technology FC Fold Change FDA Food and Drug Administration (Administración de alimentos y
medicamentos F-DFG F-2-deoxifluoroglucosa-6-fosfato FISH Fluorescence in situ hybridization (Hibridación fluorescente in situ) FPPE Formalin-fixed, paraffin-embedded (Fijado en formalina, incluído
en parafina) g Aceleración de la gravedad GBM Glioblastoma multiforme G-CIMP CIMP en gliomas GO Gene Ontology HCMV Citomegalovirus humano HGUA Hospital General Universitario de Alicante HGUE Hospital General Universitario de Elche IC Intervalo de confianza IHQ Inmunohistoquímica
Abreviaturas
ISH In situ hybridization (Hibridación in situ) Kb Kilobase KDa KiloDalton Limma Linear Models for Microaray LOH Loss of heterozygosity (Pérdidad de heterocigosidad) MALDI-TOF Matrix-assisted laser desorption ionization time of flight Máx Máximo mg Miligramos miARN MicroARN Mín Mínimo mL Mililitros MLPA Multiplex Ligation-Dependent Probe Amplification MS-MLPA Methylation specific-MLPA MS-PCR Methylation specific-PCR NAD(+) Nicotinamida adenina dinucleótido NADP(+) Nicotinamida adenina dinucleótido fosfato ng Nanogramos nm Nanometros NTC Non template control OA Oligoastrocitoma OCT Optimal cutting temperature OD Oligodendroglioma OMS Organización Mundial de la Salud OR Odds Ratio PCR Polymerase Chain Reaction (Reacción en cadena de la
polimerasa) PCV Procarbazine-Lomustine-Vincristine PET Positron Emission Tomography (Tomografía por emisión de
positrones) PI3K Phosphatidylinositol 3-kinase PIP2 Phosphatidylinositol 4, 5-biphosphate PIP3 Phosphatidylinositol 3, 4, 5-triphosphate qPCR Quantitative PCR QT Quimioterapia Qx Cirugía RMN Resonancia magnética nuclear Rpm Revoluciones por minuto RT Radioterapia RT-qPCR Retotranscriptase-qPCR SGZ Subgranular zone (Capa subgranular del giro dentado del
hipocampo) SH2 Src homology 2 (Dominio homólogo conservado Src) SHH Sonic Hedgehog SN Sistema nervioso
Abreviaturas
ISH In situ hybridization (Hibridación in situ) Kb Kilobase KDa KiloDalton Limma Linear Models for Microaray LOH Loss of heterozygosity (Pérdidad de heterocigosidad) MALDI-TOF Matrix-assisted laser desorption ionization time of flight Máx Máximo mg Miligramos miARN MicroARN Mín Mínimo mL Mililitros MLPA Multiplex Ligation-Dependent Probe Amplification MS-MLPA Methylation specific-MLPA MS-PCR Methylation specific-PCR NAD(+) Nicotinamida adenina dinucleótido NADP(+) Nicotinamida adenina dinucleótido fosfato ng Nanogramos nm Nanometros NTC Non template control OA Oligoastrocitoma OCT Optimal cutting temperature OD Oligodendroglioma OMS Organización Mundial de la Salud OR Odds Ratio PCR Polymerase Chain Reaction (Reacción en cadena de la
polimerasa) PCV Procarbazine-Lomustine-Vincristine PET Positron Emission Tomography (Tomografía por emisión de
positrones) PI3K Phosphatidylinositol 3-kinase PIP2 Phosphatidylinositol 4, 5-biphosphate PIP3 Phosphatidylinositol 3, 4, 5-triphosphate qPCR Quantitative PCR QT Quimioterapia Qx Cirugía RMN Resonancia magnética nuclear Rpm Revoluciones por minuto RT Radioterapia RT-qPCR Retotranscriptase-qPCR SGZ Subgranular zone (Capa subgranular del giro dentado del
hipocampo) SH2 Src homology 2 (Dominio homólogo conservado Src) SHH Sonic Hedgehog SN Sistema nervioso
Abreviaturas
SNC Sistema nervioso central SNP Sistema nervioso periférico SQ-MSP Semiquantitative-methylation specific PCR SSI STAT-induced STAT inhibitor (Inhibidores de STAT inducidos por
STAT) SVZ Subventricular zone (Capa subventricular de los ventrículos
laterales) TAC Tomografía axial computerizada TMA Tissue microarray (Micromatriz de tejido) TMZ Tomozolomida TSS Transcription start site (Sitio de inicio de la transcripción) TTO Tratamiento V Volumen VPA Valproic acid (Ácido valproico) y col y colaboradores GENES Y PROTEÍNAS
ACP5 Tartrate-resistant acid phosphatase type 5 agt O6-Alquilguanina-alquiltransferasa AKT V-akt murine thymoma viral oncogene homolog AMH Muellerian-inhibiting factor ANXA1 Annexin 1 ANXA2 Annexin 2 ANXA2P2 Annexin A2 pseudogene 2 ATM Ataxia telangiectasia mutated ASIC1 Acid sensing ion channel subunit 1 ATP6V1G2 ATPase, H+ Transporting, Lysosomal 13kDa, V1 Subunit G2 Bcl2 B-cell CLL/lymphoma 2 BIRC5 Baculoviral IAP Repeat Containing 5 BMP Bone Morphogenetic Proteins BRAF V-raf murine sarcoma viral oncogene homolog B1 CA9 Carbonic anhydrase 9 CA12 Carbonic anhydrase 12 CACNA1B calcium voltage-gated channel subunit alpha1 B CACNA1G Calcium channel, voltage-dependent, T type, alpha 1G subunit CAMK2A Calcium/calmodulin dependent protein kinase II alpha CCL2 C-C motif chemokine ligand 2 CD44 Cycline dependent kinase 4 CD63 CD63 molecule CDKN2A Cyclin-dependent kinase inhibitor 2A CDKN2B Cyclin-dependent kinase inhibitor 2B CENPF Centromere protein F
Abreviaturas
CNGA3 Cyclic nucleotide-gated cation channel alpha-3 COL4A1 Collagen alpha-1(IV) chain COL4A2 Collagen alpha-2(IV) chain CRABP1 Cellular retinoic acid binding protein 1 DCC Neutrin 1 receptor DNAH9 DNAH9 protein E2F Transcription factor 1 EGFR Epidermal growth factor receptor FAM129A Family With Sequence Similarity 129, Member A GABA Gamma-Aminobutyric Acid GABRA1 Gamma-Aminobutyric Acid A Receptor, Alpha 1 GABRG2 Gamma-Aminobutyric Acid A Receptor, Gamma 2 GAPDH Glyceraldehyde 3-phosphate dehydrogenase GDF15 Growth/differentiation factor 15 GPR158 Probable G-protein coupled receptor 158 GRB10 Growth factor receptor-bound protein 10 HCN1 Hyperpolarization activated cyclic nucleotide gated potassium
channel 1 HIF Hypoxia-inducible factor HJURP Holliday Junction Recognition Protein HIST1H1B Histone cluster 1 H1b HIST1H3A Histone cluster 1, H3a HIST2H3A Histone cluster 2, H3a HIST2H3C Histone cluster 2, H3c IGF Insuline like growth factor IGF2 Insuline like growth factor 2 IGFBP5 Insulin-like growth factor-binding protein 5 IGFBP7 Insulin-like growth factor-binding protein 7 IL1 Interleukin 1 JAK Janus kinase JPA4 Junctophilin 4 IDH Isocitrate dehydrogenase KCNC2 Potassium voltage-gated channel subfamily C member 2 KCNK1 Potassium voltage-gated channel subfamily K member 1 KiAA1683 Uncharacterized protein KRAS Kristen rat sarcoma viral oncogene homolog LPGAT1 Lysophosphatidylglycerol acyltransferase 1 MAD2L2 MAD2 mitotic arrest deficient-like 2 MAL mal, T-cell differentiation protein MDM2 Protooncogene E3 ubiquitin protein ligase MDM4 p53 regulator MGMT O6-Methylguanine-DNA-methyltransferase MIB1 Mindbomb E3 ubiquitin protein ligase 1 MLH1 MutL homolog 1
Abreviaturas
CNGA3 Cyclic nucleotide-gated cation channel alpha-3 COL4A1 Collagen alpha-1(IV) chain COL4A2 Collagen alpha-2(IV) chain CRABP1 Cellular retinoic acid binding protein 1 DCC Neutrin 1 receptor DNAH9 DNAH9 protein E2F Transcription factor 1 EGFR Epidermal growth factor receptor FAM129A Family With Sequence Similarity 129, Member A GABA Gamma-Aminobutyric Acid GABRA1 Gamma-Aminobutyric Acid A Receptor, Alpha 1 GABRG2 Gamma-Aminobutyric Acid A Receptor, Gamma 2 GAPDH Glyceraldehyde 3-phosphate dehydrogenase GDF15 Growth/differentiation factor 15 GPR158 Probable G-protein coupled receptor 158 GRB10 Growth factor receptor-bound protein 10 HCN1 Hyperpolarization activated cyclic nucleotide gated potassium
channel 1 HIF Hypoxia-inducible factor HJURP Holliday Junction Recognition Protein HIST1H1B Histone cluster 1 H1b HIST1H3A Histone cluster 1, H3a HIST2H3A Histone cluster 2, H3a HIST2H3C Histone cluster 2, H3c IGF Insuline like growth factor IGF2 Insuline like growth factor 2 IGFBP5 Insulin-like growth factor-binding protein 5 IGFBP7 Insulin-like growth factor-binding protein 7 IL1 Interleukin 1 JAK Janus kinase JPA4 Junctophilin 4 IDH Isocitrate dehydrogenase KCNC2 Potassium voltage-gated channel subfamily C member 2 KCNK1 Potassium voltage-gated channel subfamily K member 1 KiAA1683 Uncharacterized protein KRAS Kristen rat sarcoma viral oncogene homolog LPGAT1 Lysophosphatidylglycerol acyltransferase 1 MAD2L2 MAD2 mitotic arrest deficient-like 2 MAL mal, T-cell differentiation protein MDM2 Protooncogene E3 ubiquitin protein ligase MDM4 p53 regulator MGMT O6-Methylguanine-DNA-methyltransferase MIB1 Mindbomb E3 ubiquitin protein ligase 1 MLH1 MutL homolog 1
Abreviaturas
MSH2 MutS homolog 2 MSH6 MutS homolog 6 MT1X Metallothionein-1X mTOR mechanistic target of rapamycin NEUROG1 Neurogenin 1 NF1 Neurofibromin 1 NF-ΚB Nuclear factor kappa B subunit 1 NTN1 Netrin 1 OGDHC 2-Oxoglutarate dehydrogenase complex OGDHL 2-oxoglutarate dehydrogenase-like, mitochondrial O6-mG O6-metilguanina P14ARF P14 ADP-ribosylation factor P16INK4 Cyclin-dependent kinase inhibitor 2A PACSIN1 Protein kinase C and casein kinase substrate in neurons 1 PHLDB1 Pieckstrin homology-like domain family 13 member 1 PI3K Phosphatidylinositol-4,5-bisphosphate 3-kinase PTEN Phsphatase and tensin homolog PTX3 Pentraxin 3 RAS Ras sarcoma viral oncogene-homolog RB1 Retinoblastoma 1 RTEL1 Regulator of telomere elongation helicase 1 RUNX3 Run related transcription factor 3 RYR2 Ryanodine receptor 2 SCN2B Sodium voltage-gated channel beta subunit 2 SHH Sonic Hedgehog SLC8A2 Solute carrier family 8 member A2 SLC30A3 Solute carrier family 30 member A3 SNAP25 Synaptosome associated protein 25kDa SNARE Soluble NSF Attachment Protein Receptor SOCS1 Suppressor of cytokine signaling 1 SOCS3 Suppressor of cytokine signaling 3 SPOCK1 Testican-1 STAT3 Signal transducer and activator of transcription 3 STAT5 Signal transducer and activator of transcription 5 SYT1 Synaptotagmin 1 SYT4 Synaptotagmin 4 TBX2 T-box 2 TEL Telomere elongation TERT Telomerase reverse transcriptase TET Ten-eleven translocation family protein TGFβ Transforming growth factor beta TIMP1 TIMP metallopeptidase inhibitor 1 TNFRSF12A Tumor necrosis factor receptor superfamily member 12A
Abreviaturas
TP53 Tumor protein p53 TRIB3 Tribbles homolog 3 UBE2C Ubiquitin-conjugating enzyme E2C UCHL1 Ubiquitin carboxyl-terminal hydrolase isozyme L1 VEGF Vascular endotelial growth factor VEGFA Vascular endotelial growth factor A
Abreviaturas
TP53 Tumor protein p53 TRIB3 Tribbles homolog 3 UBE2C Ubiquitin-conjugating enzyme E2C UCHL1 Ubiquitin carboxyl-terminal hydrolase isozyme L1 VEGF Vascular endotelial growth factor VEGFA Vascular endotelial growth factor A
Tablas
ÍNDICE DE TABLAS
Tabla 1. Clasificación histológica y por grados de los gliomas.
Tabla 2. Mutaciones en IDH1.
Tabla 3. Mutaciones en IDH2.
Tabla 4. Descripción de las muestras.
Tabla 5. Criterios para determinar el estado de metilación de MGMT.
Tabla 6. Cebadores para IDH1 e IDH2.
Tabla 7. Reactivos para la PCR de IDH1 e IDH2.
Tabla 8. Programa de temperaturas PCR IDH1/IDH2.
Tabla 9. Cebadores internos de secuenciación para IDH1 e IDH2.
Tabla 10. Estándares de cuantificación.
Tabla 11. Mix de reacción para la PCR. Tabla 12. Condiciones de la qPCR para la detección de CMV.
Tabla 13. Reactivos y sus correspondientes volúmenes para la PCR de
retrotranscripción.
Tabla 14. Volúmenes para la preparación de los master mixes de PCR. Tabla 15. Porcentajes de metilación de MGMT.
Tabla 16. Frecuencias de deleciones en 1p/19q. Tabla 17. Porcentajes de muestras CIMP+ (CIMP positivas) en base al grado
tumoral.
Tabla 18. Porcentajes de tumores metilados de cada uno de los genes del
panel CIMP según el grado tumoral y el p-valor.
Tabla 19. Porcentajes de metilación de SOCS1 según el grado tumoral de las
muestras.
Tabla 20. Tabla de contingencia para la metilación de SOCS1 y la edad. Tabla 21. Resumen de la metilación y expresión de MGMT y SOCS1 de las
muestras de gliomas analizadas.
Tabla 22. Mutaciones en los genes IDH.
Tabla 23. Porcentajes de mutación de IDH.
Tabla 24. Tabla de contingencia para mutaciones en IDH y la edad.
Tabla 25. Tabla de contingencia para mutaciones en IDH y el tratamiento (Tto). Tabla 26. Tabla de contingencia para las mutaciones en IDH por secuenciación
directa y por IHQ.
Tablas
Tabla 27. Frecuencia de muestras positivas y negativas para ki67 y p53.
Tabla 28. Correlación de Spearman para las variables cuantitativas Ki67 y p53.
Tabla 29. Asociación entre las variables cualitativas ki67 y p53 mediante le
prueba de Chi cuadrado.
Tabla 30. Resultado del análisis de supervivencia por Kaplan-Meier para ki67.
Tabla 31. Tabla de contingencia para las variables grado tumoral y edad.
Tabla 32. Tabla de contingencia para las variables grado tumoral y tto.
Tabla 33. Tabla de contingencia para las variables moleculares metilación en
MGMT y mutaciones en IDH.
Tabla 34. Tabla de contingencia para las variables moleculares CIMP y
mutaciones en IDH.
Tabla 35. Tabla de contingencia para las variables moleculares metilación en
SOCS1 y mutaciones en IDH.
Tabla 36. Tabla de contingencia para las variables moleculares metilación en
SOCS1 y CIMP.
Tabla 37. Análisis multivariante por Regresión de Cox, variables
independientes con respecto a la supervivencia.
Tabla 38. Análisis multivariante por Regresión de Cox, variables
independientes con respecto a la metilación de SOCS1.
Tabla 39. Análisis multivariante por Regresión de Cox, variables
independientes en cada grupo de edad con respecto a la supervivencia.
Tabla 40. Características de los pacientes cuyas muestras fueron analizadas
para HCMV.
Tabla 41. . Resultados de las diferentes técnicas empleadas para la detección
de HCMV.
Tabla 42. Características clínicas y moleculares de los GBM de supervivencia
normal y de larga supervivencia. p-valor del test X2.
Tabla 43. Perfiles basados en tres marcadores moleculares.
Tabla 44. Características clinicopatológicas de las muestras de GBM de los 8
pacientes incluídos en el análisis de expresión.
Tabla 45. Resultados del análsis del microarray de 13K sondas.
Tabla 46. Tabla resumen de los 26 genes diferencialmente expresados en
GBM.
Tabla 47. Rutas KEEG diferencialmente expresadas.
Tablas
Tabla 27. Frecuencia de muestras positivas y negativas para ki67 y p53.
Tabla 28. Correlación de Spearman para las variables cuantitativas Ki67 y p53.
Tabla 29. Asociación entre las variables cualitativas ki67 y p53 mediante le
prueba de Chi cuadrado.
Tabla 30. Resultado del análisis de supervivencia por Kaplan-Meier para ki67.
Tabla 31. Tabla de contingencia para las variables grado tumoral y edad.
Tabla 32. Tabla de contingencia para las variables grado tumoral y tto.
Tabla 33. Tabla de contingencia para las variables moleculares metilación en
MGMT y mutaciones en IDH.
Tabla 34. Tabla de contingencia para las variables moleculares CIMP y
mutaciones en IDH.
Tabla 35. Tabla de contingencia para las variables moleculares metilación en
SOCS1 y mutaciones en IDH.
Tabla 36. Tabla de contingencia para las variables moleculares metilación en
SOCS1 y CIMP.
Tabla 37. Análisis multivariante por Regresión de Cox, variables
independientes con respecto a la supervivencia.
Tabla 38. Análisis multivariante por Regresión de Cox, variables
independientes con respecto a la metilación de SOCS1.
Tabla 39. Análisis multivariante por Regresión de Cox, variables
independientes en cada grupo de edad con respecto a la supervivencia.
Tabla 40. Características de los pacientes cuyas muestras fueron analizadas
para HCMV.
Tabla 41. . Resultados de las diferentes técnicas empleadas para la detección
de HCMV.
Tabla 42. Características clínicas y moleculares de los GBM de supervivencia
normal y de larga supervivencia. p-valor del test X2.
Tabla 43. Perfiles basados en tres marcadores moleculares.
Tabla 44. Características clinicopatológicas de las muestras de GBM de los 8
pacientes incluídos en el análisis de expresión.
Tabla 45. Resultados del análsis del microarray de 13K sondas.
Tabla 46. Tabla resumen de los 26 genes diferencialmente expresados en
GBM.
Tabla 47. Rutas KEEG diferencialmente expresadas.
Tablas
Tabla 48. Funciones diferencialmente sobreexpresadas en base a la anotación funcional de GO.
Tabla 49. Funciones diferencialmente infraexpresadas en base a la anotación
funcional de GO.
Tabla 50. Valores de metilación de MGMT según el grado histológico en
diferentes estudios y revisiones.
Figuras
ÍNDICE DE FIGURAS
Figura 1. Enfoque terapéutico de las características del cáncer. Figura 2. Mecanismos moleculares y celulares esenciales que guían la
diferenciación neuronal y glial en el ectodermo neural.
Figura 3. Histología de los astrocitomas de grado II y III.
Figura 4. Aspecto histológico de un Glioblastoma Multiforme.
Figura 5. Alteraciones moleculares en gliomas.
Figura 6. Principales vías de señalización implicadas en la patogénesis de los
gliomas.
Figura 7. Visión simplificada de Notch en células madre neurales y desarrollo
de gliomas.
Figura 8. Vías de señalización de Shh y Wnt/β-catenina alteradas en gliomas.
Figura 9. Metilación del ADN. Figura 10. Silenciamiento epigenético.
Figura 11. Localización y función de las enzimas IDH1 e IDH2.
Figura 12. Supervivencia en gliomas de alto grado con y sin mutaciones en
IDH1 e IDH2.
Figura 13. Representación esquemática de la estructura lineal del ARNm del
gen MGMT (en azul) y de la proteína agt (en verde).
Figura 14. Mecanismo de reparación de MGMT.
Figura 15. Representación de las regiones DMR1 y DMR2 y el nivel de
metilación (%) de cada sitio CpG analizado.
Figura 16. Estructura del gen SOCS1. Figura 17. Vía de señalización de SOCS1.
Figura 18. Estructura del HCMV.
Figura 19. Patrón de picos de un MLPA tras la separación de fragmentos por
electroforesis capilar.
Figura 20. Secuencia del promotor de MGMT e islas CpGs.
Figura 21. Esquema del MS-MLPA.
Figura 22. Patrón de electroforesis capilar de una muestra de ADN control
humano masculino de, aproximadamente, 50ng digerido y analizado con el kit
SALSA MLPA KIT ME042-B1 CIMP para determinar el estado de metilación.
Figuras
Figura 23. Patrón de electroforesis capilar de una muestra de ADN control
humano masculino de, aproximadamente, 50ng no digerido y analizado con el
kit SALSA MLPA KIT ME042-B1 CIMP para cuantificar el número de copias.
Figura 24. Esquema del funcionamiento de las sondas TaqMan en la qPCR.
Figura 25. Curva tipo de una reacción cuantitativa a tiempo real.
Figura 26. Condiciones de la PCR para la retrotranscripción. Figura 27. Esquema de placa para la PCR cuantitativa a tiempo real.
Figura 28. Patrones de metilación de las distintas sondas de MS-MLPA para
MGMT. Figura 29. Curva de supervivencia Kaplan-Meier de la metilación de MGMT en
las muestras analizadas en el estudio.
Figura 30. Curva de supervivencia Kaplan-Meier de la metilación de MGMT en
las muestras tratadas. Figura 31. Curva de supervivencia Kaplan-Meier del G-CIMP en las muestras
analizadas en el estudio. Figura 32. Patrones de metilación de SOCS1.
Figura 33. Curva de supervivencia Kaplan-Meier de la metilación en SOCS1 en
las muestras analizadas en el estudio.
Figura 34. Expresión de MGMT de las muestras tumorales normalizada con
respecto al control.
Figura 35. Expresión de SOCS1 de las muestras tumorales normalizada con
respecto al control.
Figura 36. Curva de supervivencia Kaplan-Meier de las mutaciones en IDH en
las muestras analizadas en el estudio. Figura 37. Curva de supervivencia Kaplan-Meier de los cuatro grupos
establecidos en base a las mutaciones en IDH y la edad.
Figura 38. Curvas de Kaplan-Meier para las distintas variables clínicas.
Figura 39. Curvas de Kaplan-Meier para el perfil E de los GBM largos
supervivientes. Figura 40. Curvas de Kaplan-Meier para la metilación de MGMT en base a los
diferentes grados histológicos.
Figura 41. Curvas de Kaplan-Meier para las mutaciones en IDH en base a los
diferentes grados histológicos.
Figuras
Figura 23. Patrón de electroforesis capilar de una muestra de ADN control
humano masculino de, aproximadamente, 50ng no digerido y analizado con el
kit SALSA MLPA KIT ME042-B1 CIMP para cuantificar el número de copias.
Figura 24. Esquema del funcionamiento de las sondas TaqMan en la qPCR.
Figura 25. Curva tipo de una reacción cuantitativa a tiempo real.
Figura 26. Condiciones de la PCR para la retrotranscripción. Figura 27. Esquema de placa para la PCR cuantitativa a tiempo real.
Figura 28. Patrones de metilación de las distintas sondas de MS-MLPA para
MGMT. Figura 29. Curva de supervivencia Kaplan-Meier de la metilación de MGMT en
las muestras analizadas en el estudio.
Figura 30. Curva de supervivencia Kaplan-Meier de la metilación de MGMT en
las muestras tratadas. Figura 31. Curva de supervivencia Kaplan-Meier del G-CIMP en las muestras
analizadas en el estudio. Figura 32. Patrones de metilación de SOCS1.
Figura 33. Curva de supervivencia Kaplan-Meier de la metilación en SOCS1 en
las muestras analizadas en el estudio.
Figura 34. Expresión de MGMT de las muestras tumorales normalizada con
respecto al control.
Figura 35. Expresión de SOCS1 de las muestras tumorales normalizada con
respecto al control.
Figura 36. Curva de supervivencia Kaplan-Meier de las mutaciones en IDH en
las muestras analizadas en el estudio. Figura 37. Curva de supervivencia Kaplan-Meier de los cuatro grupos
establecidos en base a las mutaciones en IDH y la edad.
Figura 38. Curvas de Kaplan-Meier para las distintas variables clínicas.
Figura 39. Curvas de Kaplan-Meier para el perfil E de los GBM largos
supervivientes. Figura 40. Curvas de Kaplan-Meier para la metilación de MGMT en base a los
diferentes grados histológicos.
Figura 41. Curvas de Kaplan-Meier para las mutaciones en IDH en base a los
diferentes grados histológicos.
Figuras
Figura 42. Curvas de Kaplan-Meier para las mutaciones en IDH agrupando los
AII y AIII.
Figura 43. Curvas de Kaplan-Meier para los diferentes perfiles en base a las
mutaciones en IDH y P53.
Figura 44. Curvas de Kaplan-Meier para los diferentes perfiles en base a las
mutaciones en IDH y ki67.
Figura 45. Curvas de Kaplan-Meier para los diferentes perfiles en base a las
mutaciones en IDH, metilación en MGMT y metilación en SOCS1.
Figura 46. Curvas de Kaplan-Meier para los diferentes perfiles en base a las
mutaciones en IDH, metilación en MGMT, metilación en SOCS1, mutaciones
en P53 e índice de proliferación ki67.
Figura 47. Curvas de supervivencia Kaplan-Meier en base a los cinco
marcadores.
Figura 48. Curvas de supervivencia Kaplan-Meier en base a la metilación de
SOCS1 y la edad. Figura 49. Diagramas de Venn realizado con Venny 2.0. Figura 50. Mapa de expresión de los 26 genes que mostraron diferencias en
los distintos análisis.
Figura 51. Funciones diferencialmente expresadas tras el análisis con DAVID
Bioinformatics Resources 6.7.
Figura 52. Red de proteínas para los genes relacionados con los GBM de esta
serie.
INTRODUCCIÓN
39
Introducción
1. INTRODUCCIÓN
1.1. CÁNCER
El cáncer es considerado como un amplio grupo de patologías de
distinto origen histológico caracterizadas por un crecimiento celular
descontrolado que, en ocasiones, puede llegar a colonizar otros tejidos
circundantes o totalmente alejados (metástasis). Este crecimiento anormal es
consecuencia de la acumulación de alteraciones genéticas en la progresiva
transformación de una célula normal en neoplásica. Las células cancerosas
presentan defectos en los sistemas reguladores que gobiernan la proliferación
y homeostasis de las células normales. No sólo alteraciones genéticas, si no
también alteraciones en los patrones de metilación del ADN (epigenéticos) y
otras formas de regulaciones transcripcionales contribuyen a la complejidad del
cáncer (Renault & Golgher, 2015).
Hanahan y Weinberg establecieron en el año 2000 una serie de
características comunes del cáncer (Hanahan & Weinberg, 2000). Esta revisión
fue actualizada en 2011 por los mismos autores (Hanahan & Weinberg, 2011);
en ella, se añaden nuevas características asociadas al cáncer (Figura 1). Los
autores sugieren que los diferentes genotipos de las células cancerosas se
manifiestan como una serie de alteraciones en la fisiología celular que dan
lugar al crecimiento neoplásico:
Autosuficiencia de señales de crecimiento: mientras que las células
normales requieren señales para poder proliferar, las células tumorales
generan sus propias señales de crecimiento. Existen mutaciones
somáticas en ciertos tumores que producen activación constitutiva de los
circuitos de señalización que, finalmente, dan lugar a la producción de
factores de crecimiento. Son importantes ciertos bucles de
retroalimentación negativa cuya función, normalmente, es la inhibición
de diferentes tipos de señales y, por tanto, garantizan la regulación
homeostática de los flujos de señalización intracelulares (Amit, et al.,
40
Introducción
2007; Cabrita & Christofori, 2008; Mosesson, Mills, & Yarden, 2008;
Wertz & Dixit, 2010). Defectos en estos mecanismos de
retroalimentación son capaces de aumentar las señales proliferativas.
Insensibilidad a las señales inhibitorias de crecimiento: la
quiescencia celular y homeostasis tisular se mantienen gracias a
múltiples señales antiproliferativas que bloquean el crecimiento. Las
células cancerosas deben evadir dichas señales para poder proliferar.
Muchas de estas señales dependen de las acciones de los genes
supresores de tumores. Los contactos célula-célula, formados en las
poblaciones celulares normales, sirven para suprimir la proliferación
celular. La inhibición por contacto es un mecanismo que garantiza la
homeostasis normal de los tejidos, pero se encuentra suprimida durante
la tumorigénesis.
Evasión de la apoptosis: la apoptosis es un mecanismo de muerte
celular programada que presentan las células normales. Este proceso se
activa cuando se produce daño celular. Las células cancerosas son
capaces de adquirir resistencia a la apoptosis a través de diferentes
mecanismos, como la acumulación de mutaciones inactivantes en
aquellos genes implicados en la activación de este proceso.
Potencial replicativo ilimitado: mientras que las células en cultivo
poseen un potencial replicativo limitado (Hayflick, 1997), la mayoría de
las células tumorales en un cultivo parecen estar inmortalizadas, es
decir, adquieren la capacidad de multiplicarse sin límite (Wright, Pereira-
Smith, & Shay, 1989). Las células normales están sometidas a una
progresiva erosión de la longitud de los telómeros (extremos de los
cromosomas), compuestos por múltiples repeticiones de
hexanucleótidos en tándem. El acortamiento progresivo de los telómeros
tras cada división celular puede generar aberraciones cromosómicas en
las sucesivas mitosis incompatibles con la vida celular. La telomerasa,
ADN polimerasa especializada en mantener la longitud de los telómeros,
está casi ausente en la células diferenciadas, pero se encuentra
41
Introducción
2007; Cabrita & Christofori, 2008; Mosesson, Mills, & Yarden, 2008;
Wertz & Dixit, 2010). Defectos en estos mecanismos de
retroalimentación son capaces de aumentar las señales proliferativas.
Insensibilidad a las señales inhibitorias de crecimiento: la
quiescencia celular y homeostasis tisular se mantienen gracias a
múltiples señales antiproliferativas que bloquean el crecimiento. Las
células cancerosas deben evadir dichas señales para poder proliferar.
Muchas de estas señales dependen de las acciones de los genes
supresores de tumores. Los contactos célula-célula, formados en las
poblaciones celulares normales, sirven para suprimir la proliferación
celular. La inhibición por contacto es un mecanismo que garantiza la
homeostasis normal de los tejidos, pero se encuentra suprimida durante
la tumorigénesis.
Evasión de la apoptosis: la apoptosis es un mecanismo de muerte
celular programada que presentan las células normales. Este proceso se
activa cuando se produce daño celular. Las células cancerosas son
capaces de adquirir resistencia a la apoptosis a través de diferentes
mecanismos, como la acumulación de mutaciones inactivantes en
aquellos genes implicados en la activación de este proceso.
Potencial replicativo ilimitado: mientras que las células en cultivo
poseen un potencial replicativo limitado (Hayflick, 1997), la mayoría de
las células tumorales en un cultivo parecen estar inmortalizadas, es
decir, adquieren la capacidad de multiplicarse sin límite (Wright, Pereira-
Smith, & Shay, 1989). Las células normales están sometidas a una
progresiva erosión de la longitud de los telómeros (extremos de los
cromosomas), compuestos por múltiples repeticiones de
hexanucleótidos en tándem. El acortamiento progresivo de los telómeros
tras cada división celular puede generar aberraciones cromosómicas en
las sucesivas mitosis incompatibles con la vida celular. La telomerasa,
ADN polimerasa especializada en mantener la longitud de los telómeros,
está casi ausente en la células diferenciadas, pero se encuentra
Introducción
expresada en la gran mayoría de las que requieren mayor capacidad
proliferativa, incluidas las células madre y las células cancerígenas. Las
células tumorales son capaces, por tanto, de conservar los telómeros, lo
que permite una multiplicación ilimitada de las células descendientes.
Neoangiogénesis: el proceso de formación de vasos sanguíneos
(angiogénesis) en células normales está estrictamente regulado y ocurre
de forma transitoria. Las células tumorales adquieren la habilidad de
generar nuevos vasos (neoangiogénesis) para conseguir aporte de
nutrientes y oxígeno, altamente demandado por dichas células que
tienen una elevada actividad metabólica y mitótica.
Invasión tisular y metástasis: las células cancerosas adquieren
capacidad de invadir los tejidos circundantes y colonizar nuevos tejidos a
distancia para formar nuevas colonias. El proceso de invasión y
metástasis sigue una secuencia de pasos diferenciados: invasión local,
intravasación de células cancerígenas en vasos sanguíneos y linfáticos
circundantes, tránsito de células cancerígenas a través de los sistemas
linfático y hematológico seguido de la salida de dichas células de la
lúmina de cada vaso al parénquima de tejidos distantes (extravasación),
formación de pequeños nódulos de células cancerígenas
(micrometástasis) y, finalmente, crecimiento de lesiones
micrometastásicas a tumores macroscópicos, este último paso llamado
“colonización”.
Inflamación: el microambiente de los tumores presenta un componente
inflamatorio que contribuye a la proliferación y supervivencia de las
células cancerosas, angiogénesis, metástasis, escape a la respuesta
inmune y una menor respuesta a hormonas y agentes
quimioterapéuticos. La inflamación ha sido considerada como un rasgo
común de los diferentes tipos de cáncer (Colotta, Allavena, Sica,
Garlanda, & Mantovani, 2009). Las células implicadas en la inflamación
pueden liberar compuestos (especies reactivas del oxígeno) que son
42
Introducción
mutagénicos para las células cancerígenas, acelerando su evolución
genética a través de los diferentes grados de malignidad.
Inestabilidad genómica y mutación: las células normales tienen
sistemas de conservación del genoma muy eficientes que detectan y
reparan defectos en el ADN. Gracias a estos sistemas, la probabilidad
de que se produzcan mutaciones espontáneas es muy baja. Sin
embargo, en las células cancerígenas con frecuencia se ve
incrementada esta probabilidad (Negrini, Gorgoulis, & Halazonetis, 2010;
Salk, Fox, & Loeb, 2010). Los genes más afectados por estas
mutaciones son aquellos cuyos productos están implicados en: detectar
daño en el ADN y activar la maquinaria de reparación, reparar
directamente el daño en el ADN e inactivar o interceptar moléculas
mutagénicas antes de que dañen el ADN. Estos genes, normalmente, se
comportan como genes supresores de tumores ya que sus funciones se
pierden durante la progresión tumoral.
Reprogramación del metabolismo energético: las células
cancerígenas pueden reprogramar su metabolismo energético y, por
ende, su producción energética. Las células tumorales presentan un
metabolismo anaeróbico, utilizando la glucolisis como fuente de energía
(efecto Warburg). Al aumentar la glicólisis, los intermediarios de la
misma se distribuyen hacia diferentes vías de biosíntesis dando lugar a
la formación de macromoléculas y orgánulos requeridos para formar
nuevas células.
Evasión del sistema inmune: el sistema inmune es capaz de
reconocer y eliminar células cancerígenas incipientes, pero estas células
son capaces de evitar la acción del sistema inmune mediante diferentes
procesos.
Existen grandes diferencias entre los diferentes tipos de tumores sólidos en
cuanto a su etipatogenia molecular, su evolución y pronóstico y, lógicamente,
su tratamiento. De la misma forma, existen grandes diferencias entre los
43
Introducción
mutagénicos para las células cancerígenas, acelerando su evolución
genética a través de los diferentes grados de malignidad.
Inestabilidad genómica y mutación: las células normales tienen
sistemas de conservación del genoma muy eficientes que detectan y
reparan defectos en el ADN. Gracias a estos sistemas, la probabilidad
de que se produzcan mutaciones espontáneas es muy baja. Sin
embargo, en las células cancerígenas con frecuencia se ve
incrementada esta probabilidad (Negrini, Gorgoulis, & Halazonetis, 2010;
Salk, Fox, & Loeb, 2010). Los genes más afectados por estas
mutaciones son aquellos cuyos productos están implicados en: detectar
daño en el ADN y activar la maquinaria de reparación, reparar
directamente el daño en el ADN e inactivar o interceptar moléculas
mutagénicas antes de que dañen el ADN. Estos genes, normalmente, se
comportan como genes supresores de tumores ya que sus funciones se
pierden durante la progresión tumoral.
Reprogramación del metabolismo energético: las células
cancerígenas pueden reprogramar su metabolismo energético y, por
ende, su producción energética. Las células tumorales presentan un
metabolismo anaeróbico, utilizando la glucolisis como fuente de energía
(efecto Warburg). Al aumentar la glicólisis, los intermediarios de la
misma se distribuyen hacia diferentes vías de biosíntesis dando lugar a
la formación de macromoléculas y orgánulos requeridos para formar
nuevas células.
Evasión del sistema inmune: el sistema inmune es capaz de
reconocer y eliminar células cancerígenas incipientes, pero estas células
son capaces de evitar la acción del sistema inmune mediante diferentes
procesos.
Existen grandes diferencias entre los diferentes tipos de tumores sólidos en
cuanto a su etipatogenia molecular, su evolución y pronóstico y, lógicamente,
su tratamiento. De la misma forma, existen grandes diferencias entre los
Introducción
tumores de un mismo tipo, de diferentes pacientes (De Palma & Hanahan,
2012). Esta gran variabilidad hace que la eficacia de los tratamientos contra el
cáncer no sea la esperada en muchos casos. Es necesario poder establecer
las causas funcionales que definen un tumor concreto para poder desarrollar
una medicina personalizada que permita mejorar la eficacia de los tratamientos
(Figura 1).
Figura 1. Enfoque terapéutico de las características del cáncer. Representación de las
diferentes características del cáncer y las posibles opciones terapéuticas dirigidas hacia cada
una de ellas (Hanahan D, 2011).
44
Introducción
1.2. SISTEMA NERVIOSO CENTRAL
El sistema nervioso central es el centro estructural y funcional del sistema
nervioso (SN) y está formado por el encéfalo y la médula espinal. Integra
piezas aferentes de información sensitiva, evalúa la información e inicia una
respuesta eferente. La sustancia que forma el sistema nervioso central (SNC),
llamada sustancia nerviosa, está integrada por diferentes tejidos: nervioso,
conectivo y vascular. Esta sustancia nerviosa en el SNC se distribuye bajo dos
formas diferentes: la sustancia gris, formada por los cuerpos neuronales y por
las terminaciones de fibras nerviosas procedentes de otros niveles, y la
sustancia blanca, formada por fibras nerviosas (fundamentalmente mielínicas),
células de la glía y capilares sanguíneos.
Las células del SN se pueden dividir en dos categorías: células
nerviosas (neuronas) y células de soporte llamadas neuroglía (glía). Las
neuronas están especilizadas en la señalización eléctrica, a diferencia de las
células de la glía que tienen otras funciones esenciales en el desarrollo del
cerebro adulto.
1.2.1. GLÍA
Significa literalmente “pegamento”. El número de células de la glía en el
SN humano adulto es aproximadamente de 900 billones, tres veces más
cantidad de células gliales que de neuronas. Las células gliales conservan su
capacidad de división celular durante toda su madurez y, aunque no participan
directamente en la señalización eléctrica, ayudan a establecer los contactos
sinápticos y a mantener la capacidad de señalización de las neuronas. Dentro
de las funciones de estas células se encuentran: mantener el medio iónico de
las células nerviosas, modular la velocidad de propagación de la señal
nerviosa, modular la acción sináptica mediante el control de la absorción de
neurotransmisores y ayudar a la recuperación de una lesión neural o prevenirla.
45
Introducción
1.2. SISTEMA NERVIOSO CENTRAL
El sistema nervioso central es el centro estructural y funcional del sistema
nervioso (SN) y está formado por el encéfalo y la médula espinal. Integra
piezas aferentes de información sensitiva, evalúa la información e inicia una
respuesta eferente. La sustancia que forma el sistema nervioso central (SNC),
llamada sustancia nerviosa, está integrada por diferentes tejidos: nervioso,
conectivo y vascular. Esta sustancia nerviosa en el SNC se distribuye bajo dos
formas diferentes: la sustancia gris, formada por los cuerpos neuronales y por
las terminaciones de fibras nerviosas procedentes de otros niveles, y la
sustancia blanca, formada por fibras nerviosas (fundamentalmente mielínicas),
células de la glía y capilares sanguíneos.
Las células del SN se pueden dividir en dos categorías: células
nerviosas (neuronas) y células de soporte llamadas neuroglía (glía). Las
neuronas están especilizadas en la señalización eléctrica, a diferencia de las
células de la glía que tienen otras funciones esenciales en el desarrollo del
cerebro adulto.
1.2.1. GLÍA
Significa literalmente “pegamento”. El número de células de la glía en el
SN humano adulto es aproximadamente de 900 billones, tres veces más
cantidad de células gliales que de neuronas. Las células gliales conservan su
capacidad de división celular durante toda su madurez y, aunque no participan
directamente en la señalización eléctrica, ayudan a establecer los contactos
sinápticos y a mantener la capacidad de señalización de las neuronas. Dentro
de las funciones de estas células se encuentran: mantener el medio iónico de
las células nerviosas, modular la velocidad de propagación de la señal
nerviosa, modular la acción sináptica mediante el control de la absorción de
neurotransmisores y ayudar a la recuperación de una lesión neural o prevenirla.
Introducción
Dentro de la glía existen tres tipos de células: astrocitos,
oligodendrocitos y células microgliales (Figura 2). Los astrocitos, como su
nombre indica, tienen forma de estrella. Están presentes de forma exclusiva en
el SNC y constituyen el tipo de glía más numeroso. Desempeñan múltiples
funciones importantes, como mantener un entorno químico adecuado para la
señalización neuronal. Captan la glucosa de la sangre y la convierten en ácido
láctico que llevan a las neuronas a las que se encuentran conectadas. Los
astrocitos forman vainas ceñidas en torno a los capilares sanguíneos del
encéfalo que contribuyen a crear la barrera hematoencefálica. Los
oligodendrocitos, que también están restringidos al SNC, forman una envoltura
rica en lípidos, llamada mielina, alrededor de algunos, pero no todos, los
axones. Las células microgliales son las más pequeñas y derivan de células
madre hematopoyéticas (aunque algunas pueden derivar directamente de las
células madre neurales). Estas células comparten muchas características con
los macrófagos y se encargan de eliminar los restos celulares de las zonas
lesionadas o de la renovación celular normal (Purves, 2004).
Figura 2. Mecanismos moleculares y celulares esenciales que guían la diferenciación neuronal y glial en el ectodermo neural (Purves, 2004).
46
Introducción
1.3. TUMORES GLIALES
Los gliomas son los tumores cerebrales más frecuentes e incluyen una gran
variedad de tipos histológicos y grados de malignidad. Proceden de células de
la glía y representan aproximadamente el 70% de los tumores cerebrales
primarios (Ohgaki, 2009; Riemenschneider, 2010).
1.3.1. CLASIFICACIÓN
Según el criterio de la OMS (Organización Mundial de la Salud) (D. N.
Louis, et al., 2007), la mayoría de los gliomas pueden ser clasificados en cuatro
grados de malignidad (I-IV). Esta clasificación es la siguiente:
Grado I: presentan un bajo potencial proliferativo y la posibilidad de cura
tras la resección quirúrgica.
Grado II: generalmente infiltrantes, presentan un bajo nivel de actividad
proliferativa y suelen recidivar.
Grado III: estas lesiones se caracterizan por núcleos atípicos y una
elevada actividad mitótica.
Grado IV: gliomas mitóticamente activos y propensos a necrosis con
una extensa capacidad infiltrante. Se asocian a una rápida evolución de
la enfermedad pre y postoperatoria.
Dependiendo de distintas características histológicas, los gliomas se
pueden clasificar de esta forma ("Gliomas del Encéfalo," 2008; Nikiforova &
Hamilton, 2011; Oliveros, 2008):
Tumores astrocíticos:
o Astrocitoma pilocítico (grado I) (AI): tumor bien delimitado y
demarcado del tejido adyacente, puede ser reseccionado.
47
Introducción
1.3. TUMORES GLIALES
Los gliomas son los tumores cerebrales más frecuentes e incluyen una gran
variedad de tipos histológicos y grados de malignidad. Proceden de células de
la glía y representan aproximadamente el 70% de los tumores cerebrales
primarios (Ohgaki, 2009; Riemenschneider, 2010).
1.3.1. CLASIFICACIÓN
Según el criterio de la OMS (Organización Mundial de la Salud) (D. N.
Louis, et al., 2007), la mayoría de los gliomas pueden ser clasificados en cuatro
grados de malignidad (I-IV). Esta clasificación es la siguiente:
Grado I: presentan un bajo potencial proliferativo y la posibilidad de cura
tras la resección quirúrgica.
Grado II: generalmente infiltrantes, presentan un bajo nivel de actividad
proliferativa y suelen recidivar.
Grado III: estas lesiones se caracterizan por núcleos atípicos y una
elevada actividad mitótica.
Grado IV: gliomas mitóticamente activos y propensos a necrosis con
una extensa capacidad infiltrante. Se asocian a una rápida evolución de
la enfermedad pre y postoperatoria.
Dependiendo de distintas características histológicas, los gliomas se
pueden clasificar de esta forma ("Gliomas del Encéfalo," 2008; Nikiforova &
Hamilton, 2011; Oliveros, 2008):
Tumores astrocíticos:
o Astrocitoma pilocítico (grado I) (AI): tumor bien delimitado y
demarcado del tejido adyacente, puede ser reseccionado.
Introducción
o Astrocitoma difuso (grado II) (AII): tumor con un alto grado de
diferenciación celular, crecimiento lento, infiltración difusa y atipia
citológica (Figura 3).
o Astrocitoma anaplásico (grado III) (AIII): astrocitoma difuso e
infiltrante y con un elevado potencial proliferativo. Presenta atipia,
anaplasia y actividad mitótica (Figura 3).
o Glioblastoma multiforme (grado IV) (GBM): tumor astrocítico de
mayor grado de malignidad, compuesto por células astrocitarias
neoplásicas poco diferenciadas. Muestran, además, proliferación
microvascular y/o necrosis (Figura 4).
Figura 3. Histología de los astrocitomas de grado II y III. (A) Aspecto histológico de un
astrocitoma difuso (Grado II). (B) Aspecto histológico de un astrocitoma anaplásico (Grado III),
presencia de gran cantidad de mitosis (Flecha)
(http://neuropathology-web.org/chapter7/chapter7bGliomas.html#astro).
Figura 4. Aspecto histológico de un Glioblastoma Multiforme con sus características como (A) anaplasia, (B) necrosis y células en pseudoempalizada y (C) proliferación microvascular.
(http://neuropathology-web.org/chapter7/chapter7bGliomas.html#astro).
A B
A B C
C
48
Introducción
Tumores Oligodendrogliales (OD): tumores derivados de células de la
oligodendroglía.
Tumores Oligoastrocíticos (OA): tumores compuestos por células
neoplásicas derivadas de la oligodendroglía y astrocitos.
Existe un consenso general de que los oligodendrogliomas tienen mejor
pronóstico que los astrocitomas de igual grado. Los astrocitomas con
componente oligodendroglial tienen mejor pronóstico que los astrocitomas
difusos del mismo grado.
Tumores ependimarios:
o Ependimomas (grado II): tumores cuyas células presentan
diferenciación en sentido ependimario (las células
ependimarias forman el revestimiento de los ventrículos
del encéfalo y del conducto ependimario de la médula espinal).
Pueden aparecer en cualquier localización a lo largo del sistema
ventricular y del canal medular.
Existen más tipos histológicos aparte de los descritos en este apartado. No
obstante, este trabajo de investigación se centra en los tumores astrocíticos
difusos, anaplásicos y glioblastomas multiformes (Tabla 1).
49
Introducción
Tumores Oligodendrogliales (OD): tumores derivados de células de la
oligodendroglía.
Tumores Oligoastrocíticos (OA): tumores compuestos por células
neoplásicas derivadas de la oligodendroglía y astrocitos.
Existe un consenso general de que los oligodendrogliomas tienen mejor
pronóstico que los astrocitomas de igual grado. Los astrocitomas con
componente oligodendroglial tienen mejor pronóstico que los astrocitomas
difusos del mismo grado.
Tumores ependimarios:
o Ependimomas (grado II): tumores cuyas células presentan
diferenciación en sentido ependimario (las células
ependimarias forman el revestimiento de los ventrículos
del encéfalo y del conducto ependimario de la médula espinal).
Pueden aparecer en cualquier localización a lo largo del sistema
ventricular y del canal medular.
Existen más tipos histológicos aparte de los descritos en este apartado. No
obstante, este trabajo de investigación se centra en los tumores astrocíticos
difusos, anaplásicos y glioblastomas multiformes (Tabla 1).
Introducción
Tabla 1. Clasificación histológica y por grados de los gliomas (D. N. Louis, et al., 2007)
1.3.2. ETIOLOGÍA El origen celular de los gliomas aún no está completamente esclarecido.
Los primeros datos sugieren que se originan a partir de células gliales normales
que han ido acumulando alteraciones genéticas y epigenéticas. Sin embargo,
datos más recientes indican que pueden surgir de células madre neurales.
Estas células tienen la capacidad de diferenciarse en neuronas y glía
(astrocitos y oligodendrocitos). Este proceso de neurogénesis ocurre en dos
principales regiones del cerebro adulto de mamíferos: en la SVZ (zona
subventricular de los ventrículos laterales) y en la SGZ (capa subgranular del
giro dentado del hipocampo). Cuando se desregula el proceso de
50
Introducción
neurogénesis, las células madre neurales pueden dar lugar a la formación de
ciertos tipos de tumores cerebrales (Batista, et al., 2014). Las células madre
neurales, además de la capacidad de diferenciarse, son capaces de
autorrenovarse, proliferar y migrar. Estas características son adquiridas por las
células madre cancerígenas mediante la acumulación de mutaciones a lo largo
del tiempo y, como resultado, esto da lugar a la iniciación tumoral, recurrencia y
metástasis. Existen evidencias de que las células madre cancerígenas, en este
caso de gliomas, pueden contribuir a la resistencia de estos tumores a los
tratamientos. En 2011, un estudio realizado por Gong y col (y colaboradores)
demostró que los fármacos más recientes (como bortezomib y erlotinib)
disminuían la fracción de células madre cancerígenas mientras que afectaban
mínimamente a las células madre neurales en líneas celulares de gliomas de
alto grado. Sin embargo, fármacos más antiguos (como temozolomida y
cisplatino), disminuían mayoritariamente la población de células madre
neurales y apenas afectaban a las células madre cancerígenas (Gong,
Schwartz, Linskey, & Bota, 2011). Es necesario identificar marcadores de
superficie específicos para aislar y caracterizar estas células madre
cancerígenas y, de este modo, establecer estrategias terapéuticas dirigidas
hacia este tipo de células para poder erradicar completamente el tumor
(Batista, et al., 2014; Jovcevska, Kocevar, & Komel, 2013; Pointer, Clark,
Zorniak, Alrfaei, & Kuo, 2014; P. Y. Wen & S. Kesari, 2008).
1.3.3. EPIDEMIOLOGÍA
Los países desarrollados presentan una mayor incidencia de gliomas
(Ohgaki & Kleihues, 2005). Diferentes estudios indican que la población
caucásica muestra una mayor incidencia que las poblaciones africana y
asiática. En adultos, los tumores cerebrales primarios ocupan el decimotercer
lugar en frecuencia de todos los cánceres. Los ratios de incidencia varían
significativamente en función del tipo histológico, edad al diagnóstico, género,
raza y país. La incidencia anual de estas neoplasias oscila entre 4.8 y 10.6 por
cien mil habitantes y el ratio de incidencia ajustado a la edad varía entre 4.67 y
5.73 por cien mil habitantes. Los astrocitomas anaplásicos y glioblastomas
aumentan su ratio de incidencia con la edad, apareciendo un pico entre los 75 y
51
Introducción
neurogénesis, las células madre neurales pueden dar lugar a la formación de
ciertos tipos de tumores cerebrales (Batista, et al., 2014). Las células madre
neurales, además de la capacidad de diferenciarse, son capaces de
autorrenovarse, proliferar y migrar. Estas características son adquiridas por las
células madre cancerígenas mediante la acumulación de mutaciones a lo largo
del tiempo y, como resultado, esto da lugar a la iniciación tumoral, recurrencia y
metástasis. Existen evidencias de que las células madre cancerígenas, en este
caso de gliomas, pueden contribuir a la resistencia de estos tumores a los
tratamientos. En 2011, un estudio realizado por Gong y col (y colaboradores)
demostró que los fármacos más recientes (como bortezomib y erlotinib)
disminuían la fracción de células madre cancerígenas mientras que afectaban
mínimamente a las células madre neurales en líneas celulares de gliomas de
alto grado. Sin embargo, fármacos más antiguos (como temozolomida y
cisplatino), disminuían mayoritariamente la población de células madre
neurales y apenas afectaban a las células madre cancerígenas (Gong,
Schwartz, Linskey, & Bota, 2011). Es necesario identificar marcadores de
superficie específicos para aislar y caracterizar estas células madre
cancerígenas y, de este modo, establecer estrategias terapéuticas dirigidas
hacia este tipo de células para poder erradicar completamente el tumor
(Batista, et al., 2014; Jovcevska, Kocevar, & Komel, 2013; Pointer, Clark,
Zorniak, Alrfaei, & Kuo, 2014; P. Y. Wen & S. Kesari, 2008).
1.3.3. EPIDEMIOLOGÍA
Los países desarrollados presentan una mayor incidencia de gliomas
(Ohgaki & Kleihues, 2005). Diferentes estudios indican que la población
caucásica muestra una mayor incidencia que las poblaciones africana y
asiática. En adultos, los tumores cerebrales primarios ocupan el decimotercer
lugar en frecuencia de todos los cánceres. Los ratios de incidencia varían
significativamente en función del tipo histológico, edad al diagnóstico, género,
raza y país. La incidencia anual de estas neoplasias oscila entre 4.8 y 10.6 por
cien mil habitantes y el ratio de incidencia ajustado a la edad varía entre 4.67 y
5.73 por cien mil habitantes. Los astrocitomas anaplásicos y glioblastomas
aumentan su ratio de incidencia con la edad, apareciendo un pico entre los 75 y
Introducción
84 años (Ostrom, et al., 2014). En España se calcula una incidencia de 8.73
por cien mil habitantes por año en varones y 5.41 en mujeres (AECC 2012).
1.3.4. FACTORES DE RIESGO 1.3.4.1. AMBIENTALES
Una serie de factores ambientales y estilos de vida se han relacionado con
un elevado riesgo de gliomas. Entre estos factores destaca la radiación
terapéutica (radiografías), inequívocamente asociada con un incremento del
riesgo de padecer gliomas. Varios estudios muestran un elevado riesgo de
desarrollo de tumores cerebrales en niños con leucemia linfoblástica aguda que
han recibido radiación profiláctica del SNC. No se ha demostrado que los
teléfonos móviles sean causantes de una mayor incidencia de los gliomas, ni
tampoco la ingesta de alcohol ni el hábito tabáquico. En cuanto a otros factores
como químicos, pesticidas y disolventes, aún no existe una asociación clara
entre dichos factores y el riesgo de gliomas (Omuro & DeAngelis, 2013;
Ostrom, et al., 2014).
1.3.4.2. GENÉTICOS
Síndromes como Turcot (causados por mutaciones en línea germinal en
MLH1(mutL homolog 1), MSH2 o MSH6 (mutS homolog 2 o 6)), y Li Fraumeni
(mutaciones en TP53 (tumor protein p53)) cursan frecuentemente con tumores
cerebrales (Ohgaki & Kleihues, 2005). A pesar de que numerosos síndromes
familiares de cáncer se asocian con un incremento del riesgo de padecer
gliomas, estos desórdenes sólo representan una pequeña proporción de la
incidencia de gliomas en adultos a nivel poblacional (Ostrom, et al., 2014).
Mediante análisis de segregación se ha observado que un modelo
poligénico explica mejor el patrón de incidencia de gliomas en adultos.
Diferentes estudios de secuenciación masiva de genomas han identificado
ocho variantes genéticas (SNPs, Single Nucleotide Polymosphism) comunes en
siete genes que aumentan el riesgo de padecer gliomas. Variantes en cuatro
52
Introducción
de estos genes (TERT, telomerase reverse transcriptase; RTEL1, regulator of
telomere elongation helicase 1; EGFR, epidermal growth factor receptor y
TP53) se asocian con un elevado riesgo de padecer cualquier tipo de glioma,
mientras que variantes en los otros tres genes (CDKN2B, cyclin-dependent
kinase inhibitor 2B; PHLDB1, pieckstrin homology-like domain y CCDC26,
coiled-coil domain containing 26) contribuyen sólo al desarrollo de grados
específicos (Rajaraman, et al., 2012).
1.3.5. DIAGNÓSTICO Y ESTADIFICACIÓN
La neuroimagen tiene un papel muy importante en el diagnóstico y
evaluación de la localización, extensión y actividad biológica del tumor antes,
durante y después del tratamiento (Ahmed, Oborski, Hwang, Lieberman, &
Mountz, 2014). La técnica de elección para el diagnóstico es la RMN
(Resonancia Magnética Nuclear), ya que posee una mayor sensibilidad y
permite distinguir entre grados histológicos, sin embargo, no puede diferenciar
entre la necrosis producida por la radiación y la reaparición del tumor tras el
tratamiento. En aquellos pacientes clínicamente inestables, la técnica
empleada es el TAC (tomografía axial computerizada), sin embargo, esta
técnica presenta una menor resolución. Otra de las técnicas utilizadas es el
PET (tomografía por emisión de positrones), que mide la actividad metabólica y
se basa en la detección de la captación de glucosa marcada (DFG, F-2-
deoxifluoroglucosa) que se introduce en el organismo por vía intravenosa. Esta
DFG es transportada activamente a través de la barrera hematoencefálica
hacia el interior de la células, donde se forma F-DFG (F-2-deoxifluoroglucosa-
6-fosfato) que impide su propio metabolismo. Como resultado, la distribución de
la F-DFG es un buen reflejo de la distribución del consumo de glucosa y la
utilización de la misma por las células en el cuerpo (Ahmed, et al., 2014). Las
células tumorales, al poseer un metabolismo acelerado, consumen más
cantidad de glucosa que las normales (www.aecc.es, 2012). Otra técnica de
neuroimagen es la espectroscopía de resonancia magnética que se basa en la
representación de diferentes metabolitos mediante patrones de picos cuyas
áreas representan las concentraciones correspondientes de cada uno de ellos.
53
Introducción
de estos genes (TERT, telomerase reverse transcriptase; RTEL1, regulator of
telomere elongation helicase 1; EGFR, epidermal growth factor receptor y
TP53) se asocian con un elevado riesgo de padecer cualquier tipo de glioma,
mientras que variantes en los otros tres genes (CDKN2B, cyclin-dependent
kinase inhibitor 2B; PHLDB1, pieckstrin homology-like domain y CCDC26,
coiled-coil domain containing 26) contribuyen sólo al desarrollo de grados
específicos (Rajaraman, et al., 2012).
1.3.5. DIAGNÓSTICO Y ESTADIFICACIÓN
La neuroimagen tiene un papel muy importante en el diagnóstico y
evaluación de la localización, extensión y actividad biológica del tumor antes,
durante y después del tratamiento (Ahmed, Oborski, Hwang, Lieberman, &
Mountz, 2014). La técnica de elección para el diagnóstico es la RMN
(Resonancia Magnética Nuclear), ya que posee una mayor sensibilidad y
permite distinguir entre grados histológicos, sin embargo, no puede diferenciar
entre la necrosis producida por la radiación y la reaparición del tumor tras el
tratamiento. En aquellos pacientes clínicamente inestables, la técnica
empleada es el TAC (tomografía axial computerizada), sin embargo, esta
técnica presenta una menor resolución. Otra de las técnicas utilizadas es el
PET (tomografía por emisión de positrones), que mide la actividad metabólica y
se basa en la detección de la captación de glucosa marcada (DFG, F-2-
deoxifluoroglucosa) que se introduce en el organismo por vía intravenosa. Esta
DFG es transportada activamente a través de la barrera hematoencefálica
hacia el interior de la células, donde se forma F-DFG (F-2-deoxifluoroglucosa-
6-fosfato) que impide su propio metabolismo. Como resultado, la distribución de
la F-DFG es un buen reflejo de la distribución del consumo de glucosa y la
utilización de la misma por las células en el cuerpo (Ahmed, et al., 2014). Las
células tumorales, al poseer un metabolismo acelerado, consumen más
cantidad de glucosa que las normales (www.aecc.es, 2012). Otra técnica de
neuroimagen es la espectroscopía de resonancia magnética que se basa en la
representación de diferentes metabolitos mediante patrones de picos cuyas
áreas representan las concentraciones correspondientes de cada uno de ellos.
Introducción
Los datos de los metabolitos del tumor se comparan con los datos de la zona
opuesta sana. Los metabolitos que más se estudian son: el lactato, producto de
la glicólisis anaeróbica; el N-acetilaspartato, representante de la viabilidad y
densidad neuronal; la colina, indicador de la rotación de las membranas y
proliferación celular y la creatina, indicadora del gasto de energía celular. El
incremento de los ratios colina/creatina, el aumento de la concentración de
lactato y la disminución de N-acetilaspartato, correlacionan con una progresión
del tumor.
Existen otras técnicas de neuroimagen menos utilizadas. Los diagnósticos
por imagen son siempre de sospecha y han de ser confirmados, en la medida
de lo posible, por el diagnóstico histopatológico a través de una biopsia que
permitirá su estadificación.
1.3.6. SUPERVIVENCIA Y TRATAMIENTO
En la mayoría de las áreas geográficas el ratio de mortalidad es similar al
ratio de incidencia. Algunos estudios indican que el ratio de mortalidad para
tumores del SN en el Norte de América, Europa del Este y Australia oscila,
aproximadamente, entre 4-7 por cada cien mil personas cada año en el caso de
hombres y entre 3-5 en el caso de mujeres (Parkin, Bray, Ferlay, & Pisani,
2005). En general, la supervivencia de los pacientes con gliomas es muy baja.
Los gliomas con un componente oligodendroglial tienen una mayor
supervivencia en comparación con los gliomas con un componente astrocítico
(Ostrom, et al., 2014). En el caso de los glioblastomas, sólo un 3.3% de los
pacientes sobrevive a los dos años tras el diagnóstico y el tiempo medio de
supervivencia se encuentra entre 9 y 12 meses (Ohgaki, 2009; Ohgaki, et al.,
2004)
Esta baja supervivencia se asocia al hecho de que no exista un tratamiento
eficaz. Siempre que sea posible, los pacientes con gliomas son sometidos a
exéresis completa de la lesión preservando la función neurológica. Si esto no
es posible, se opta por la máxima reducción del volumen tumoral con la mínima
morbilidad para el paciente. Actualmente, se están aplicando técnicas
54
Introducción
neuroquirúrgicas mínimamente invasivas como, por ejemplo, técnicas de
resección endoscópica. Estas técnicas facilitan una resección mayor de
aquellos tumores localizados en regiones poco accesibles. Además, se están
investigando técnicas neuroquirúrgicas para la liberación de fármacos a nivel
intratumoral (Ahmed, et al., 2014).
El tratamiento post-cirugía más utilizado, sobretodo en gliomas de alto
grado, es el protocolo de Stupp (Stupp & Weber, 2005), basado en RT
(radioterapia) más QT (quimioterapia) con TMZ (Temozolomida) concominante
y adyuvante. La TMZ es un agente alquilante que mata las células
cancerígenas mediante la formación de O6-mG (O6-metilguanina) en el ADN
(Jovcevska, et al., 2013). Generalmente, la dosis de RT es de 60 Grays (1
Gray= 1 Julio/Kg). Esta radiación se dirige hacia toda la masa tumoral más un
margen alrededor de la masa de entre 1 y 3 centímetros de tejido,
aparentemente, normal (Ahmed, et al., 2014).
Las nuevas terapias dirigidas actúan directamente sobre diferentes
características tumorales: vías moleculares alteradas, angiogénesis y
microambiente del tumor. Gracias a los recientes estudios sobre el genoma y
características moleculares de los gliomas, se han desarrollado nuevos
fármacos y se han iniciado numerosos ensayos clínicos. Sin embargo, dada la
gran heterogeneidad de estos tumores, sólo ha habido un éxito relativo en la
eficacia de dichos tratamientos (Polivka, Polivka, Rohan, Topolcan, & Ferda,
2012).
Las áreas de investigación sobre nuevas terapias dirigidas se clasifican en
(Ahmed, et al., 2014; Polivka, et al., 2012; Renault & Golgher, 2015):
Receptores de factores de crecimiento y sus correspondientes
inhibidores.
Inhibidores de vías de señalización intracelulares.
Inhibidores de la angiogénesis. Cabe destacar en este grupo el fármaco
Bevacizumab (anticuerpo contra el VEGF, vascular endotelial growth
55
Introducción
neuroquirúrgicas mínimamente invasivas como, por ejemplo, técnicas de
resección endoscópica. Estas técnicas facilitan una resección mayor de
aquellos tumores localizados en regiones poco accesibles. Además, se están
investigando técnicas neuroquirúrgicas para la liberación de fármacos a nivel
intratumoral (Ahmed, et al., 2014).
El tratamiento post-cirugía más utilizado, sobretodo en gliomas de alto
grado, es el protocolo de Stupp (Stupp & Weber, 2005), basado en RT
(radioterapia) más QT (quimioterapia) con TMZ (Temozolomida) concominante
y adyuvante. La TMZ es un agente alquilante que mata las células
cancerígenas mediante la formación de O6-mG (O6-metilguanina) en el ADN
(Jovcevska, et al., 2013). Generalmente, la dosis de RT es de 60 Grays (1
Gray= 1 Julio/Kg). Esta radiación se dirige hacia toda la masa tumoral más un
margen alrededor de la masa de entre 1 y 3 centímetros de tejido,
aparentemente, normal (Ahmed, et al., 2014).
Las nuevas terapias dirigidas actúan directamente sobre diferentes
características tumorales: vías moleculares alteradas, angiogénesis y
microambiente del tumor. Gracias a los recientes estudios sobre el genoma y
características moleculares de los gliomas, se han desarrollado nuevos
fármacos y se han iniciado numerosos ensayos clínicos. Sin embargo, dada la
gran heterogeneidad de estos tumores, sólo ha habido un éxito relativo en la
eficacia de dichos tratamientos (Polivka, Polivka, Rohan, Topolcan, & Ferda,
2012).
Las áreas de investigación sobre nuevas terapias dirigidas se clasifican en
(Ahmed, et al., 2014; Polivka, et al., 2012; Renault & Golgher, 2015):
Receptores de factores de crecimiento y sus correspondientes
inhibidores.
Inhibidores de vías de señalización intracelulares.
Inhibidores de la angiogénesis. Cabe destacar en este grupo el fármaco
Bevacizumab (anticuerpo contra el VEGF, vascular endotelial growth
Introducción
factor) que ha sido aprobrado por la FDA (Food and Drug Administration)
para el tratamiento de GBM.
Inmunoterapia y vacunas (con antígenos tumorales, células dendríticas,
células T específicas y péptidos). Como la vacuna Rindopepimut
(basada en péptidos) que se encuentra, actualmente, en un ensayo
clínico en fase III y que parece ser una terapia prometedora en el
tratamiento de los GBM. Dada la gran complejidad de los tumores cerebrales y su elevada tasa
de mortalidad, junto con la escasez de tratamientos de gran efectividad, es
necesario tanto la identificación de nuevos biomarcadores como un
esfuerzo cooperativo entre investigadores y clínicos para conseguir terapias
más eficaces (Kerrie L. McDonald 2011).
1.4. ALTERACIONES GENÉTICAS ASOCIADAS A GLIOMAS En los gliomas, tanto en la iniciación como en la progresión, pueden estar
involucradas múltiples alteraciones genéticas (Nikiforova & Hamilton, 2011) que
afectan a oncogenes, genes supresores de tumores y genes de reparación del
ADN. Estas alteraciones genéticas afectan a la regulación del ciclo celular,
proliferación, motilidad, neoangiogénesis y reconocimiento por el sistema
inmune.
Los GBM han sido clasificados en dos tipos: primarios (o de novo) y
secundarios. Los GBM primarios aparecen como tumores avanzados al
diagnóstico, representan entre el 90-95% de los GBM, los pacientes presentan
edades más avanzadas y peor pronóstico. Por el contrario, los GBM
secundarios presentan evidencias clínicas, radiológicas y/o histopatológicas de
una progresión maligna desde un tumor preexistente de bajo grado,
representan entre el 5-10% de los GBM, aparecen en pacientes más jóvenes y
tienen un mejor pronóstico (Parsons, et al., 2008; Renault & Golgher, 2015).
56
Introducción
Los GBM primarios muestran alteraciones genéticas (amplificación de
EGFR y mutaciones en PTEN, phosphatase and tensin homolog),
cromosómicas y epigenéticas complejas que implican a genes de vías celulares
importantes. Los AII, AIII, oligodendrogliomas y GBM secundarios portan,
frecuentemente, mutaciones en IDH1 e IDH2 (Isocitrate dehydrogenase 1 y 2).
Los gliomas astrocíticos difusos, en ocasiones, contienen mutaciones en TP53,
mientras que los tumores oligodendrogliales se caracterizan por codeleciones
en las regiones cromosómicas 1p/19q. La mayoría de los oligoastrocitomas
tienen ambas alteraciones (Figura 5).
Los cambios moleculares asociados con la progresión a glioma anaplásico
incluyen pérdidas en el brazo cromosómico 9p e inactivación de los genes
CDKN2A, CDKN2B y p14ARF (p14 ADP-ribosylation factor) en 9p21. La
progresión a GBM secundario se asocia a pérdidas en el brazo cromosómico
10q (LOH, loss of heterocygosity) y a pérdidas de expresión de DCC (netrin 1
receptor). La mayoría de los astrocitomas pilocíticos se caracterizan por
duplicación/fusión o mutaciones puntuales del gen BRAF (B-Raf proto-
oncogene, serine/threonine kinase) en 7q34. De entre todas, la alteración más
frecuente que aparece en GBM es la pérdida de heterocigosidad en 10q (Ware,
Berger, & Binder, 2003) (Figura 5).
57
Introducción
Los GBM primarios muestran alteraciones genéticas (amplificación de
EGFR y mutaciones en PTEN, phosphatase and tensin homolog),
cromosómicas y epigenéticas complejas que implican a genes de vías celulares
importantes. Los AII, AIII, oligodendrogliomas y GBM secundarios portan,
frecuentemente, mutaciones en IDH1 e IDH2 (Isocitrate dehydrogenase 1 y 2).
Los gliomas astrocíticos difusos, en ocasiones, contienen mutaciones en TP53,
mientras que los tumores oligodendrogliales se caracterizan por codeleciones
en las regiones cromosómicas 1p/19q. La mayoría de los oligoastrocitomas
tienen ambas alteraciones (Figura 5).
Los cambios moleculares asociados con la progresión a glioma anaplásico
incluyen pérdidas en el brazo cromosómico 9p e inactivación de los genes
CDKN2A, CDKN2B y p14ARF (p14 ADP-ribosylation factor) en 9p21. La
progresión a GBM secundario se asocia a pérdidas en el brazo cromosómico
10q (LOH, loss of heterocygosity) y a pérdidas de expresión de DCC (netrin 1
receptor). La mayoría de los astrocitomas pilocíticos se caracterizan por
duplicación/fusión o mutaciones puntuales del gen BRAF (B-Raf proto-
oncogene, serine/threonine kinase) en 7q34. De entre todas, la alteración más
frecuente que aparece en GBM es la pérdida de heterocigosidad en 10q (Ware,
Berger, & Binder, 2003) (Figura 5).
Introducción
Figura 5. Alteraciones moleculares en gliomas. Resumen de las alteraciones moleculares
más frecuentes en gliomas astrocíticos, oligodendrogliomas y oligoastrocitomas
(Riemenschneider, 2010).
Existen, además, varias vías que pueden estar alteradas en gliomas (Figura
6):
Vía EGFR/RAS/NF1/PTEN/PI3K: EGFR es un tipo de receptor tirosin-
quinasa que participa en la división celular, migración, adhesión,
diferenciación y apoptosis (Chakravarti, Dicker, & Mehta, 2004;
Mellinghoff, et al., 2005). La activación de los receptores de crecimiento
se produce por la unión de sus respectivos ligandos al dominio
extracelular, lo que da lugar al reclutamiento de PI3K
(phosphatidylinositol 3-kinase) a la membrana celular. PI3K fosforila al
PIP2 (phosphatidylinositol 4,5-biphosphate) a PIP3 (phosphatidylinositol
58
Introducción
3,4,5-triphsphate), lo que activa a AKT (v-akt murine thymoma viral
oncogene homolog) y mTOR (mechanistic target of rapamycin). Esto da
lugar a un aumento de la proliferación y un incremento de la
supervivencia mediante el bloqueo de la apoptosis. PTEN inhibe a PIP3
y, por tanto, se inhibe la proliferación celular. A su vez, el gen supresor
tumoral NF1 (neurofibromin 1) codifica la neurofibromina que funciona
principalmente como regulador negativo de RAS (rat sarcoma viral
oncogene homolog)(X. Li, et al., 2016). La amplificación de EGFR ocurre
en un 40% de los GBM primarios, mientras que es muy poco frecuente
en los GBM secundarios. Esta amplificación en ocasiones se asocia con
mutaciones en este gen, siendo la más frecuente la EGFRvIII (mutación
oncogénica resultado de una deleción entre los exones 2 y 7, que
ocasiona la pérdida de 801pb en pauta de lectura) que provoca una
activación constitutiva del receptor (Franco-Hernandez, Martinez-Glez, &
Rey, 2007).
PTEN está mutado en un 15-40% de los GBM primarios y esta
mutación es muy rara en los GBM secundarios. En general, esta vía
está alterada en un 88% de los GBM y en un porcentaje muy bajo de los
oligondendrogliomas anaplásicos (Ohgaki, 2009).
Vía TP53/MDM2/MDM4/P14ARF : TP53 codifica una proteína que juega
un papel importante en algunos procesos celulares como en el ciclo
celular, en la respuesta celular al daño del ADN, en la muerte celular y
en la diferenciación celular. En condiciones normales, p53 está
secuestrado por su represor MDM2 (proto-oncogene, E3 ubiquitin
protein ligase) que forma un complejo heterodimérico con MDM4 (p53
regulator) promoviendo la degradación de p53. Cuando la célula entra
en división, MDM2 libera a p53, lo que da lugar a la transcripción de
genes implicados en la reparación del ADN y/o apoptosis (Franco-
Hernandez, et al., 2007). P14ARF, cuya función está reprimida por p53,
inhibe la función de MDM2. Mutaciones en TP53 hacen que el material
genético dañado no se repare y, además, provocan un aumento de la
división celular y una disminución de la apoptosis. La función de
59
Introducción
3,4,5-triphsphate), lo que activa a AKT (v-akt murine thymoma viral
oncogene homolog) y mTOR (mechanistic target of rapamycin). Esto da
lugar a un aumento de la proliferación y un incremento de la
supervivencia mediante el bloqueo de la apoptosis. PTEN inhibe a PIP3
y, por tanto, se inhibe la proliferación celular. A su vez, el gen supresor
tumoral NF1 (neurofibromin 1) codifica la neurofibromina que funciona
principalmente como regulador negativo de RAS (rat sarcoma viral
oncogene homolog)(X. Li, et al., 2016). La amplificación de EGFR ocurre
en un 40% de los GBM primarios, mientras que es muy poco frecuente
en los GBM secundarios. Esta amplificación en ocasiones se asocia con
mutaciones en este gen, siendo la más frecuente la EGFRvIII (mutación
oncogénica resultado de una deleción entre los exones 2 y 7, que
ocasiona la pérdida de 801pb en pauta de lectura) que provoca una
activación constitutiva del receptor (Franco-Hernandez, Martinez-Glez, &
Rey, 2007).
PTEN está mutado en un 15-40% de los GBM primarios y esta
mutación es muy rara en los GBM secundarios. En general, esta vía
está alterada en un 88% de los GBM y en un porcentaje muy bajo de los
oligondendrogliomas anaplásicos (Ohgaki, 2009).
Vía TP53/MDM2/MDM4/P14ARF : TP53 codifica una proteína que juega
un papel importante en algunos procesos celulares como en el ciclo
celular, en la respuesta celular al daño del ADN, en la muerte celular y
en la diferenciación celular. En condiciones normales, p53 está
secuestrado por su represor MDM2 (proto-oncogene, E3 ubiquitin
protein ligase) que forma un complejo heterodimérico con MDM4 (p53
regulator) promoviendo la degradación de p53. Cuando la célula entra
en división, MDM2 libera a p53, lo que da lugar a la transcripción de
genes implicados en la reparación del ADN y/o apoptosis (Franco-
Hernandez, et al., 2007). P14ARF, cuya función está reprimida por p53,
inhibe la función de MDM2. Mutaciones en TP53 hacen que el material
genético dañado no se repare y, además, provocan un aumento de la
división celular y una disminución de la apoptosis. La función de
Introducción
p14ARF, por tanto, no será reprimida por p53 y esto desencadenará una
acumulación de MDM2 libre que, a su vez, secuestrará a p53 en niveles
superiores a los normales. Todo esto da como resultado una
acumulación de daños en el ADN. Al menos una alteración en esta vía
se observa en un 50% de los GBM primarios, en más de un 70% de los
GBM secundarios, en un 21% de los oligodendrogliomas y en un 50% de
los oligodendrogliomas anaplásicos (Ohgaki, 2009); Christopher J,
2009).
Vía P16INK4/RB1/CDK4: la proteína rb1 (retinoblastoma 1) está implicada
en la progresión de la fase G1 a la fase S del ciclo celular. Esta proteína
es fosforilada por el complejo CDK4/Ciclina D1, lo que provoca la
liberación del factor de transcripción E2F (transcription factor 1) que
activa la transcripción de genes involucrados en la transición de G1 a S
del ciclo celular. En cuanto a p16INK4 (CDKN2A), esta proteína se une a
CDK4 (cyclin-dependent kinase 4) e inhibe al complejo CDK4/Ciclina D1,
lo que da lugar a la inhibición de la transición de G1 a S. La deleción
homocigota de p16INK4, la amplificación de CDK4 y la pérdida de RB1
ocurren en un 50% de los GBM primarios, en un 40% de los GBM
secundarios, en un 4% de los oligodendrogliomas y en un 65% de los
oligodendrogliomas anaplásicos (Ohgaki, 2009).
60
Introducción
Figura 6. Principales vías de señalización implicadas en la patogénesis de los gliomas (Huse & Holland, 2010).
En base a la hipótesis de las células madre neurales como origen de las
células precursoras de los gliomas, existen una serie de vías de señalización
importantes en la biología de las células madre normales que, al perder la
regulación normal, pueden dar lugar a la iniciación tumoral, progresión y
metástasis. Algunas de estas vías implicadas en el desarrollo de tumores
cerebrales son:
Vía de señalización Notch: en las células madre de gliomas esta vía se
encuentra sobreexpresada dando lugar a patrones de autorrenovación
incontrolados y promoviendo la resistencia a los tratamientos
antitumorales (Teodorczyk & Schmidt, 2014) (Figura 7).
61
Introducción
Figura 6. Principales vías de señalización implicadas en la patogénesis de los gliomas (Huse & Holland, 2010).
En base a la hipótesis de las células madre neurales como origen de las
células precursoras de los gliomas, existen una serie de vías de señalización
importantes en la biología de las células madre normales que, al perder la
regulación normal, pueden dar lugar a la iniciación tumoral, progresión y
metástasis. Algunas de estas vías implicadas en el desarrollo de tumores
cerebrales son:
Vía de señalización Notch: en las células madre de gliomas esta vía se
encuentra sobreexpresada dando lugar a patrones de autorrenovación
incontrolados y promoviendo la resistencia a los tratamientos
antitumorales (Teodorczyk & Schmidt, 2014) (Figura 7).
Introducción
Figura 7. Visión simplificada de Notch en células madre neurales y desarrollo de gliomas
(Stockhausen, Kristoffersen, & Poulsen, 2010).
Vía de las BMPs (proteínas morfogenéticas óseas): estas proteínas
pertenecen a una familia de citoquinas que regulan la proliferación,
apoptosis y diferenciación de las células madre neurales (González-
Gómez, Anselmo, & Mira, 2014).
Vía Wnt/β-catenina: esta vía participa en la proliferación celular,
diferenciación y morfogénesis (Morris & Huang, 2016). La acumulación
de β-catenina, por una alteración de esta vía en GBM, da lugar a la
sobreexpresión de genes relacionados con la proliferación y esto se
asocia con un mal pronóstico.
Vía Shh (Sonic Hedgehog): está asociada con la neurogénesis adulta y
con el desarrollo tumoral, proliferación, tumorigénesis y metástasis
(Carpenter, et al., 2015; Matteo, et al., 2013). Tanto esta vía como la vía
Wnt/β-catenina se asocian con un aumento de la invasividad tumoral
62
Introducción
debida a una regulación positiva de la actividad de las metaloproteinasas
(Morris & Huang, 2016) (Figura 8).
Figura 8. Vías de señalización de Shh y Wnt/β-catenina alteradas en gliomas
(Huse & Holland, 2010).
Vía STAT3 (signal transducer and activator of transcription 3): está
implicada en el desarrollo de las células madre neurales y en la
formación de muchos tipos de tumores, incluyendo GBM (Swiatek-
Machado & Kaminska, 2013).
63
Introducción
debida a una regulación positiva de la actividad de las metaloproteinasas
(Morris & Huang, 2016) (Figura 8).
Figura 8. Vías de señalización de Shh y Wnt/β-catenina alteradas en gliomas
(Huse & Holland, 2010).
Vía STAT3 (signal transducer and activator of transcription 3): está
implicada en el desarrollo de las células madre neurales y en la
formación de muchos tipos de tumores, incluyendo GBM (Swiatek-
Machado & Kaminska, 2013).
Introducción
1.5. EPIGENÉTICA
El término “epigenética” fue propuesto en 1939 por Conrad Hal
Waddington, que lo definió como “la interacción causal entre los genes y sus
productos, de los cuales emerge el fenotipo final”. Por tanto, la epigenética son
aquellos mecanismos heredables que afectan a la expresión génica y que no
proceden de alteraciones en la secuencia de nucleótidos del ADN (Baylin,
2005).
Los eventos epigenéticos juegan, además, un papel importante en el
desarrollo y progresión del cáncer. Existen tres mecanismos básicos asociados
al fenómeno de la epigenética y que, por tanto, regulan la transcripción génica:
metilación del ADN, modificación de histonas y ARN (ácido ribonucleico) no
codificante.
1.5.1. METILACIÓN DEL ADN
La metilación del ADN se produce por la adición de un grupo metilo al
quinto átomo de carbono del anillo de citosina, creando la 5mC (5-
metilcitosina). Esta modificación covalente se lleva a cabo por un conjunto de
enzimas llamadas DNMTs (DNA methyltransferases) (Figura 9).
Figura 9. Metilación del ADN. Adición de un grupo metilo en el carbono 5 de la citosina por
acción de las DNMTs.
64
Introducción
Estas proteínas reconocen secuencias de dinucleótidos CpG (citosina-
guanina unidas por un fosfato) que se encuentran con mayor frecuencia en
regiones del ADN llamadas islas CpGs que, a su vez, se localizan en, o cerca de, secuencias promotoras de genes. En mamíferos, participan tres DNMTs: la
DNMT1 que se encarga de la metilación de mantenimiento, esto es, reconocer
hemimetilaciones (metilaciones en sólo en una hebra del ADN) y metilar la
hebra complementaria para poder mantener la metilación durante la división
celular y las DNMTs 3a y 3b que se encargan de la metilación de novo, metilan
genes concretos para silenciarlos en momentos determinados de la fisiología
celular (Taby & Issa, 2010).
La estructura de la cromatina cerca de las regiones promotoras de los
genes afecta a la metilación del ADN y a la actividad transcripcional. La
heterocromatina, condensada y transcripcionalmente inactiva, se encuentra
mayoritariamente metilada; mientras que la eucromatina se encuentra
generalmente no metilada independientemente del estado transcripcional del
gen. Las islas CpGs no metiladas presentan nucleosomas (unidades
funcionales de la cromatina formadas por un octámero de histonas y la cadena
de ADN alrededor de las mismas) con una configuración más abierta que
permite el acceso de factores de transcripción. Por el contrario, las islas CpGs
metiladas presentan nucleosomas más compactos que no permiten el acceso
de estos factores (Baylin, 2005) (Figura 10).
Figura 10. Silenciamiento epigenético. Esquema de algunos procesos moleculares que
ocurren en los promotores ricos en CpGs sometidos a silenciamiento epigenético en células
65
Introducción
Estas proteínas reconocen secuencias de dinucleótidos CpG (citosina-
guanina unidas por un fosfato) que se encuentran con mayor frecuencia en
regiones del ADN llamadas islas CpGs que, a su vez, se localizan en, o cerca de, secuencias promotoras de genes. En mamíferos, participan tres DNMTs: la
DNMT1 que se encarga de la metilación de mantenimiento, esto es, reconocer
hemimetilaciones (metilaciones en sólo en una hebra del ADN) y metilar la
hebra complementaria para poder mantener la metilación durante la división
celular y las DNMTs 3a y 3b que se encargan de la metilación de novo, metilan
genes concretos para silenciarlos en momentos determinados de la fisiología
celular (Taby & Issa, 2010).
La estructura de la cromatina cerca de las regiones promotoras de los
genes afecta a la metilación del ADN y a la actividad transcripcional. La
heterocromatina, condensada y transcripcionalmente inactiva, se encuentra
mayoritariamente metilada; mientras que la eucromatina se encuentra
generalmente no metilada independientemente del estado transcripcional del
gen. Las islas CpGs no metiladas presentan nucleosomas (unidades
funcionales de la cromatina formadas por un octámero de histonas y la cadena
de ADN alrededor de las mismas) con una configuración más abierta que
permite el acceso de factores de transcripción. Por el contrario, las islas CpGs
metiladas presentan nucleosomas más compactos que no permiten el acceso
de estos factores (Baylin, 2005) (Figura 10).
Figura 10. Silenciamiento epigenético. Esquema de algunos procesos moleculares que
ocurren en los promotores ricos en CpGs sometidos a silenciamiento epigenético en células
Introducción
cancerígenas. La imagen superior representa la estructura abierta de la cromatina de genes
transcripcionalmente activos con nucleosomas espaciados. En la imagen superior se observan
nucleosomas compactos y, por tanto, un silenciamiento epigenético. Los óvalos de colores
representan las diferentes proteínas que participan (factores de transcripción, histonas
acetiltransferasas, histonas deacetilasas, ADN metiltransferasas, etc). Los dinucleótidos CpG
aparecen en la imagen como círculos unidos al ADN (línea negra que envuelve a los
nucleosomas). Estos cícurlos pueden ser verdes si no están metilados, o rojos si lo están.
Se ha observado, además, otro proceso mediado por proteínas de la
familia TET (ten-eleven translocation family protein) que reconocen citosinas
metiladas y las oxidan a 5-hmC (5-hidroximetilcitosinas). No se conoce
totalmente el papel de estas 5-hmC, pero parecen estar involucradas en la
activación de la desmetilación del ADN y, por tanto, en la activación de
expresión génica (Malzkorn, Wolter, Riemenschneider, & Reifenberger, 2011).
1.5.2. MODIFICACIÓN DE HISTONAS
Las histonas (H2A, H2B, H3 y H4) asociadas como octámeros con el
ADN para formar el nucleosoma, pueden sufrir modificaciones post-
transcripcionales mediante diferentes procesos: acetilación, metilación,
fosforilación, ubiquitinación y otros. La combinación de todos estos procesos
tiene como resultado final la regulación de la expresión génica.
1.5.3. ARN NO CODIFICANTE
Análisis transcriptómicos recientes han revelado que más del 90% del
genoma humano se transcribe, y esta transcripción no se limita a regiones
codificantes de proteínas. La expresión de ARNs no codificantes parece estar
asociada con modificadores epigenéticos mediante la interacción directa o
mediante la regulación post-transcripcional de los mismos. Estos ARNs no
codificantes no sólo están implicados en la diferenciación celular y proliferación,
66
Introducción
sino que también tienen funciones oncogénicas o supresoras de tumores en
muchos tipos de cáncer (Kondo, Katsushima, Ohka, Natsume, & Shinjo, 2014).
1.6. MARCADORES MOLECULARES (BIOMARCADORES) EN GLIOMAS
El desarrollo de una medicina personalizada va a permitir una mejora en la
eficacia de los programas de tratamiento en los pacientes con cáncer. La
medicina personalizada se basa en biomarcadores que muestran sensibilidad y
especificidad para el diagnóstico, pronóstico y predicción de la respuesta a
terapias. Un marcador puede ser un patrón proteómico y genético, una proteína
o gen individual, una irregularidad cromosómica, un patrón epigenético, un
microARN anormal o un cambio en la imagen tomada por RMN, PET u otra
técnica de neuroimagen (Kerrie L. McDonald 2011). Dentro de los marcadores
moleculares cabe distinguir varios tipos (Riemenschneider, 2010):
Biomarcador diagnóstico: debe permitir una clasificación de los tumores
con utilidad clínica.
Biomarcador pronóstico: debe proporcionar información relevante sobre
la supervivencia libre de enfermedad y supervivencia global
independientemente del tratamiento recibido o, incluso, en ausencia de
tratamiento.
Biomarcador predictivo: debe proporcionar información importante sobre
la respuesta a un determinado tratamiento.
Además de las alteraciones genéticas descritas en el apartado anterior,
existen una serie de marcadores moleculares relevantes en gliomas.
1.6.1. TP53 y ki67
En los tumores astrocíticos, la mutación en TP53 está entre los eventos
más frecuentes y tempranos durante la transformación maligna. Las
mutaciones en este gen favorecen la tumorigénesis a través de la pérdida de la
67
Introducción
sino que también tienen funciones oncogénicas o supresoras de tumores en
muchos tipos de cáncer (Kondo, Katsushima, Ohka, Natsume, & Shinjo, 2014).
1.6. MARCADORES MOLECULARES (BIOMARCADORES) EN GLIOMAS
El desarrollo de una medicina personalizada va a permitir una mejora en la
eficacia de los programas de tratamiento en los pacientes con cáncer. La
medicina personalizada se basa en biomarcadores que muestran sensibilidad y
especificidad para el diagnóstico, pronóstico y predicción de la respuesta a
terapias. Un marcador puede ser un patrón proteómico y genético, una proteína
o gen individual, una irregularidad cromosómica, un patrón epigenético, un
microARN anormal o un cambio en la imagen tomada por RMN, PET u otra
técnica de neuroimagen (Kerrie L. McDonald 2011). Dentro de los marcadores
moleculares cabe distinguir varios tipos (Riemenschneider, 2010):
Biomarcador diagnóstico: debe permitir una clasificación de los tumores
con utilidad clínica.
Biomarcador pronóstico: debe proporcionar información relevante sobre
la supervivencia libre de enfermedad y supervivencia global
independientemente del tratamiento recibido o, incluso, en ausencia de
tratamiento.
Biomarcador predictivo: debe proporcionar información importante sobre
la respuesta a un determinado tratamiento.
Además de las alteraciones genéticas descritas en el apartado anterior,
existen una serie de marcadores moleculares relevantes en gliomas.
1.6.1. TP53 y ki67
En los tumores astrocíticos, la mutación en TP53 está entre los eventos
más frecuentes y tempranos durante la transformación maligna. Las
mutaciones en este gen favorecen la tumorigénesis a través de la pérdida de la
Introducción
capacidad de inducir la apoptosis (Sarkar, et al., 2005). Una de las técnicas
empleadas para determinar las mutaciones en TP53 en estos tumores es la
IHQ (inmunohistoquímica). El resultado negativo de esta técnica es indicativo
de p53 funcional, mientras que la detección por inmunotinción de la proteína
indica que p53 no es funcional y, por tanto, que se encuentra mutado. Esto se
debe a que dichas mutaciones anulan la función normal de p53 en el ciclo
celular, aumentando la estabilidad y, por tanto, la vida media de la molécula, lo
que provoca una acumulación de la misma (Royds & Iacopetta, 2006; Sarkar,
et al., 2005). Sin embargo, hay que tener en cuenta que no siempre un
resultado negativo por IHQ es indicativo de que no hay mutación, en algunos
casos puede existir una deleción del gen o una mutación diferente a la
mutación para la cual está diseñado el anticuerpo de la IHQ.
La acitividad proliferativa de los tumores puede ser evaluada por medio
de la IHQ de ki67 (MIB1, mindbomb E3 ubiquitin protein ligase 1). Burguer y
col. fueron los primeros en demostrar una asociación entre la inmunopositividad
de ki67 y el grado tumoral en muestras de astrocitomas (Burger, Shibata, &
Kleihues, 1986). La clasificación de la OMS de 2007 (D. Louis, et al., 2007)
incluye a ki67 como herramienta adicional para el tipificado histológico.
Varios estudios han demostrado una correlación entre el incremento de
expresión de ki67 y p53 y un peor pronóstico (Cunningham, et al., 1997; Jaros,
et al., 1992; Johannessen & Torp, 2006).
1.6.2. CODELECIÓN DE LOS BRAZOS CROMOSÓMICOS 1p/19q Una característica de los OD a nivel molecular es la codeleción de los
brazos cromosómicos 1p/19q (Kerrie L. McDonald 2011). Se observa en un 80-
90% de OD de grado II, en un 60% de OD de grado III, en un 30-50% de OA de
grado II, en un 20-30% de OA de grado III y en menos de un 10% de
astrocitomas (incluyendo GBM) (Riemenschneider, 2010).
68
Introducción
El hecho de que la pérdida combinada de 1p/19q en los gliomas es
específica de los OD, indica su utilidad como marcador diagnóstico (Aldape,
Burger, & Perry, 2007).
La translocación no recíproca t(1;19)(q10;p10), descrita por Jenkins y col
en 2006, explica el hecho de que la pérdida de ambos brazos cromosómicos
sea total en la mayoría de los casos (R. B. Jenkins, et al., 2006). Esta
translocación origina un cromosoma derivado con las regiones 1p/19q que se
pierde en la siguiente división celular y un cromosoma derivado con las
regiones 1q/19p que se conserva durante la replicación (G. Cairncross &
Jenkins, 2008; Franco-Hernandez, et al., 2009). Sin embargo, también se ha
observado una pérdida parcial del brazo 1p en algunos casos, preferentemente
en astrocitomas (Blesa, et al., 2009).
En 1998, Cairncross y col, fueron los primeros en demostrar que, tanto la
pérdida de 1p como la pérdida combinada de 1p y 19q, predice una mejor
respuesta a la QT con PCV (Procarbazine-Lomustine-Vincristine) y mayor
supervivencia en los pacientes con OD (J. G. Cairncross, et al., 1998). A partir
de este trabajo, se han realizado numerosos estudios y ensayos clínicos que
demuestran que la codeleción 1p/19q es un marcador pronóstico y predictivo
de respuesta, no sólo a PCV, si no a otros tipos de QT y RT (Gupta & Salunke,
2012; Nikiforova & Hamilton, 2011).
Las técnicas más empleadas para determinar esta alteración son: FISH
(Fluorescence in situ hybridization), LOH (loss of heterocygosity) y MLPA
(Multiplex Ligation-Dependent Probe Amplification) (Franco-Hernandez, et al.,
2009; Robert B. Jenkins, et al., 2006; J. Jeuken, Cornelissen, Boots-Sprenger,
Gijsen, & Wesseling, 2006).
1.6.3. MUTACIONES EN LOS GENES IDH1/IDH2
Los genes IDH1 e IDH2 codifican proteínas implicadas en la conversión
de citrato a α-KG (α-cetoglutarato) en el ciclo de Krebs. Estas proteínas se
clasifican en dos grupos: las que utilizan NAD(+) (nicotinamida adenina
69
Introducción
El hecho de que la pérdida combinada de 1p/19q en los gliomas es
específica de los OD, indica su utilidad como marcador diagnóstico (Aldape,
Burger, & Perry, 2007).
La translocación no recíproca t(1;19)(q10;p10), descrita por Jenkins y col
en 2006, explica el hecho de que la pérdida de ambos brazos cromosómicos
sea total en la mayoría de los casos (R. B. Jenkins, et al., 2006). Esta
translocación origina un cromosoma derivado con las regiones 1p/19q que se
pierde en la siguiente división celular y un cromosoma derivado con las
regiones 1q/19p que se conserva durante la replicación (G. Cairncross &
Jenkins, 2008; Franco-Hernandez, et al., 2009). Sin embargo, también se ha
observado una pérdida parcial del brazo 1p en algunos casos, preferentemente
en astrocitomas (Blesa, et al., 2009).
En 1998, Cairncross y col, fueron los primeros en demostrar que, tanto la
pérdida de 1p como la pérdida combinada de 1p y 19q, predice una mejor
respuesta a la QT con PCV (Procarbazine-Lomustine-Vincristine) y mayor
supervivencia en los pacientes con OD (J. G. Cairncross, et al., 1998). A partir
de este trabajo, se han realizado numerosos estudios y ensayos clínicos que
demuestran que la codeleción 1p/19q es un marcador pronóstico y predictivo
de respuesta, no sólo a PCV, si no a otros tipos de QT y RT (Gupta & Salunke,
2012; Nikiforova & Hamilton, 2011).
Las técnicas más empleadas para determinar esta alteración son: FISH
(Fluorescence in situ hybridization), LOH (loss of heterocygosity) y MLPA
(Multiplex Ligation-Dependent Probe Amplification) (Franco-Hernandez, et al.,
2009; Robert B. Jenkins, et al., 2006; J. Jeuken, Cornelissen, Boots-Sprenger,
Gijsen, & Wesseling, 2006).
1.6.3. MUTACIONES EN LOS GENES IDH1/IDH2
Los genes IDH1 e IDH2 codifican proteínas implicadas en la conversión
de citrato a α-KG (α-cetoglutarato) en el ciclo de Krebs. Estas proteínas se
clasifican en dos grupos: las que utilizan NAD(+) (nicotinamida adenina
Introducción
dinucleótido) como aceptor de electrones y las que utilizan NADP(+)
(nicotinamida adenina dinucleótido fosfato).
La proteína codificada por IDH1 es la isocitrato deshidrogenasa
dependiente de NADP(+) citosólica, mientras que la proteína codificada por
IDH2 es la isocitrato deshidrogenasa dependiente de NADP(+) mitocondrial.
Ambas proteínas están involucradas en diferentes procesos como la síntesis
lipídica, defensa celular contra el estrés oxidativo, respiración oxidativa y
transducción de señales.
En 2008, Parsons y col, identificaron una mutación en IDH1 mediante un
análisis genómico de GBM. Además observaron una asociación entre los GBM
que presentaban esta mutación y edad más joven de los pacientes, GBM
secundarios y mayor supervivencia (Parsons, et al., 2008). Posteriormente, se
descubrió la mutación en IDH2 (H. Yan, et al., 2009).
El gen IDH1, localizado en 2q33.3, es un gen de aproximadamente 19 kb
(kilobases) cuyo ARNm (ARN mensajero), con 10 exones, codifica una proteína
de 414 aminoácidos. La proteína activa es un homodímero que se localiza en el
citoplasma y en los peroxisomas. En el residuo 132 de la proteína, que
corresponde a una arginina (R132) altamente conservada en todas las
especies, se han descrito varias mutaciones que afectan a su función (Tabla 2).
De todas las mutaciones observadas, la más frecuente produce un cambio de
arginina a histidina en el residuo 132 (R132H) (Parsons, et al., 2008).
70
Introducción
Tabla 2. Mutaciones en IDH1. En la primera columna están indicados los cambios
nucleotídicos que generan el cambio de aminoácido en IDH1; en la segunda, los cambios de
aminoácido; en la tercera, el porcentaje de mutaciones de cada tipo respecto al total de
mutaciones descritas (Balss, et al., 2008).
Cambio nucleótido Cambio aminoácido N(%)
G395A R132H 92,7
C394T R132C 3,6
C394A R132S 1,8
C394G R132G 0,9
G395T R132L 0,5
C394G G395T R132V 0,5
El gen IDH2, localizado en 15q26.1, tiene un tamaño aproximado de
18Kb cuyo ARNm, con 11 exones, codifica una proteína de 452 aminoácidos.
La proteína activa es un homodímero que se localiza en las mitocondrias. En el
residuo 172, homólogo de la R132 de IDH1, también se han descrito varias
mutaciones que afectan a su función del mismo modo que en IDH1 (Tabla 3).
Tabla 3. Mutaciones en IDH2. En la primera columna están indicados los cambios
nucleotídicos que generan el cambio de aminoácido en IDH2; en la segunda, los cambios de
aminoácido; en la tercera, el porcentaje de mutaciones de cada tipo respecto al total de
mutaciones descritas.
(https://www.mycancergenome.org/content/disease/glioma/idh2/).
Cambio nucleótido Cambio aminoácido N (%)
G515A R172K 58.2
G515T R172M 19.1
A514T R172W 8.2
G516C/T R172S 3.6
A514G R172G 2.7
71
Introducción
Tabla 2. Mutaciones en IDH1. En la primera columna están indicados los cambios
nucleotídicos que generan el cambio de aminoácido en IDH1; en la segunda, los cambios de
aminoácido; en la tercera, el porcentaje de mutaciones de cada tipo respecto al total de
mutaciones descritas (Balss, et al., 2008).
Cambio nucleótido Cambio aminoácido N(%)
G395A R132H 92,7
C394T R132C 3,6
C394A R132S 1,8
C394G R132G 0,9
G395T R132L 0,5
C394G G395T R132V 0,5
El gen IDH2, localizado en 15q26.1, tiene un tamaño aproximado de
18Kb cuyo ARNm, con 11 exones, codifica una proteína de 452 aminoácidos.
La proteína activa es un homodímero que se localiza en las mitocondrias. En el
residuo 172, homólogo de la R132 de IDH1, también se han descrito varias
mutaciones que afectan a su función del mismo modo que en IDH1 (Tabla 3).
Tabla 3. Mutaciones en IDH2. En la primera columna están indicados los cambios
nucleotídicos que generan el cambio de aminoácido en IDH2; en la segunda, los cambios de
aminoácido; en la tercera, el porcentaje de mutaciones de cada tipo respecto al total de
mutaciones descritas.
(https://www.mycancergenome.org/content/disease/glioma/idh2/).
Cambio nucleótido Cambio aminoácido N (%)
G515A R172K 58.2
G515T R172M 19.1
A514T R172W 8.2
G516C/T R172S 3.6
A514G R172G 2.7
Introducción
Estas mutaciones llevan a la reducción de la afinidad de la enzima por el
isocitrato y el aumento de la afinidad por α-KG. Esto da lugar a la ganancia de
función en la actividad catalítica para producir el oncometabolito 2-HG (2-
hidroxiglutarato), en lugar de α-KG, cuyo exceso contribuye al desarrollo y
progresión maligna de los gliomas (Figura 11) (Dang, et al., 2009; Xu, et al.,
2011). En un primer momento se pensó que los genes IDH1/2 eran supresores
tumorales (Zhao, et al., 2009). El hecho de que esta mutación ocurra en un
residuo específico y sólo en un alelo (efecto dominante) y el descubrimiento de
la nueva función de producción de 2-HG (Dang, et al., 2009), hicieron que se
replantearan la hipótesis anterior y comenzaron a considerarse estos genes
como oncogenes.
Figura 11. Localización y función de las enzimas IDH1 e IDH2. Las enzimas IDH1 e IDH2
catalizan la conversión del isocitrato del ciclo de Krebs (o ciclo de los ácidos tricarboxílicos) en
α-KG. Cuando la enzima está mutada adquiere otra función nueva, la de convertir el α-KG en 2-
HG. La acumulación de este nuevo compuesto parece estar implicada en la tumorigénesis
(Prensner & Chinnaiyan, 2011).
72
Introducción
Las mutaciones en IDH1 se observan mayoritariamente en AII, AIII y en
GBM secundarios (50-93%). Las mutaciones en IDH2 son mucho menos
frecuentes. Ambas mutaciones son raras en GBM primarios. Entre un 70-80%
de los OD y OA de grado II y III presentan mutaciones en IDH1 (Appin & Brat,
2014; Nikiforova & Hamilton, 2011). Esto sugiere que las mutaciones en IDH no
ocurren durante la progresión tumoral, si no en las fases iniciales de la
tumorigénesis y que podrían producirse en las células gliales precursoras de
astrocitos y oligodendrocitos (Ichimura, 2012; Ichimura, et al., 2009).
En 2009, Yan y col. observaron que los pacientes con mutaciones en
IDH tenían una mayor supervivencia en comparación con aquellos pacientes
con IDH normal (Figura 12) (H. Yan, et al., 2009).
Figura 12. Supervivencia en gliomas de alto grado con y sin mutaciones en IDH1 e IDH2.
La imagen muestra las gráficas de supervivencia de pacientes con GBM y AIII con y sin
mutación en los genes IDH. En ambos tipos de glioma se observa un aumento significativo de
la supervivencia media cuando los genes están mutados (en GBM se duplica y en AIII se
triplica) (H. Yan, et al., 2009).
Se han realizado numerosos estudios que han corroborado el papel
como marcador pronóstico de las mutaciones en IDH (Christensen, et al., 2011;
Hartmann, et al., 2011; Houillier, et al., 2010; Sanson, et al., 2009; von
Deimling, Korshunov, & Hartmann, 2011). Las mutaciones en IDH1/2 no se
73
Introducción
Las mutaciones en IDH1 se observan mayoritariamente en AII, AIII y en
GBM secundarios (50-93%). Las mutaciones en IDH2 son mucho menos
frecuentes. Ambas mutaciones son raras en GBM primarios. Entre un 70-80%
de los OD y OA de grado II y III presentan mutaciones en IDH1 (Appin & Brat,
2014; Nikiforova & Hamilton, 2011). Esto sugiere que las mutaciones en IDH no
ocurren durante la progresión tumoral, si no en las fases iniciales de la
tumorigénesis y que podrían producirse en las células gliales precursoras de
astrocitos y oligodendrocitos (Ichimura, 2012; Ichimura, et al., 2009).
En 2009, Yan y col. observaron que los pacientes con mutaciones en
IDH tenían una mayor supervivencia en comparación con aquellos pacientes
con IDH normal (Figura 12) (H. Yan, et al., 2009).
Figura 12. Supervivencia en gliomas de alto grado con y sin mutaciones en IDH1 e IDH2.
La imagen muestra las gráficas de supervivencia de pacientes con GBM y AIII con y sin
mutación en los genes IDH. En ambos tipos de glioma se observa un aumento significativo de
la supervivencia media cuando los genes están mutados (en GBM se duplica y en AIII se
triplica) (H. Yan, et al., 2009).
Se han realizado numerosos estudios que han corroborado el papel
como marcador pronóstico de las mutaciones en IDH (Christensen, et al., 2011;
Hartmann, et al., 2011; Houillier, et al., 2010; Sanson, et al., 2009; von
Deimling, Korshunov, & Hartmann, 2011). Las mutaciones en IDH1/2 no se
Introducción
encuentran en condiciones no neoplásicas que pueden imitar histológicamente
a los gliomas (gliosis reactiva, infecciones virales, etc), lo que permite el
diagnóstico diferencial con estas lesiones (Nikiforova & Hamilton, 2011).
Además, el estado mutacional de IDH1/2 puede ayudar a diferenciar entre
GBM primarios y GBM secundarios (Gupta & Salunke, 2012).
El papel temprano de las mutaciones en IDH en la transformación
neoplásica ha llevado al desarrollo de inhibidores específicos de IDH mutado
(Rohle, et al., 2013). IDH podría, por tanto, asumir un papel adicional como
biomarcador predictivo (Haynes, Camelo-Piragua, & Kurian, 2014).
La secuenciación Sanger es el método de detección de estas
mutaciones más comúnmente utilizado. Otra estrategia es la pirosecuenciación,
que tiene más sensibilidad que la secuenciación. Una técnica más nueva es la
amplificación por PCR (Polymerase Chain Reaction) a tiempo real y análisis de
la curva de fusión. A través de la IHQ también es posible detectar la mutación
R132H de IDH1 mediante un anticuerpo monoclonal específico que presenta
una sensibilidad y especificidad del 100% (Capper, Zentgraf, Balss, Hartmann,
& von Deimling, 2009; Y. Kato, et al., 2009; Nikiforova & Hamilton, 2011). La
IHQ puede ser usada como parte del examen histopatológico de rutina y es
particularmente útil para identificar el margen tumoral y, de esta forma, poder
estimar la extensión de la invasión (Ichimura, 2012).
Por último, también es posible detectar el oncometabolito 2-HG mediante
resonancia magnética espectroscópica del cerebro (Pope, et al., 2012) (Choi, et
al., 2012).
1.6.4. METILACIÓN DEL GEN MGMT
El gen MGMT (O6-Methylguanine-DNA Methyltransferase), localizado en
la región cromosómica 10q26, se expande en 300Kb mientras que el ARNm es
poco mayor que 1Kb. Este gen codifica la proteína agt (O6-alkylguanine-
alkyltransferase) (Figura 13). La proteína tiene como principal función la
eliminación de grupos alquilo de la posición O6 de la guanina en el ADN y es
74
Introducción
expresada constitutivamente en todas la células del organismo, aunque con
diferentes niveles en función del tejido. Aunque elimina grupos alquilo en
general, elimina preferentemente la metilguanina por ser el grupo alquilo de
menor tamaño.
Figura 13. Representación esquemática de la estructura lineal del ARNm del gen MGMT (en azul) y de la proteína agt (en verde). El ARNm, de 1265 pb, está formado por 5 exones.
La proteína, de 238 aminoácidos, muestra (en una región ampliada) el sitio activo (formado por
5 aminoácidos representados por los bloques negros, entre los que se encuentra la cisteína
aceptora del grupo alquilo que se elimina del ADN) y la región de unión al ADN (formada por 15
aminoácidos).
Lawley y Brookes fueron los pioneros en los años 60 en los estudios que
mostraron que los agentes alquilantes están implicados en la etiología del
cáncer (Brookes & Lawley, 1960). Durante las décadas siguientes se llevaron a
cabo varios estudios que demostraron un efecto carcinogénico y mutagénico de
la O6mG (Goth & Rajewsky, 1974; Kleihues & Margison, 1974; Loechler, Green,
& Essigmann, 1984; Loveless, 1969).
La actividad de la proteína codificada por el gen MGMT fue descubierta
por Foote y col en 1980 (Foote, Mitra, & Pal, 1980). Unos años más tarde se
descubrió, primero en la proteína homóloga en Escherichia Coli (Demple, et al.,
1985) y posteriormente en la proteína humana (Tano, Shiota, Collier, Foote, &
Mitra, 1990), que la eliminación de los grupos alquilo se lleva a cabo mediante
la transferencia de los mismos a una cisteína interna de la propia proteína.
75
Introducción
expresada constitutivamente en todas la células del organismo, aunque con
diferentes niveles en función del tejido. Aunque elimina grupos alquilo en
general, elimina preferentemente la metilguanina por ser el grupo alquilo de
menor tamaño.
Figura 13. Representación esquemática de la estructura lineal del ARNm del gen MGMT (en azul) y de la proteína agt (en verde). El ARNm, de 1265 pb, está formado por 5 exones.
La proteína, de 238 aminoácidos, muestra (en una región ampliada) el sitio activo (formado por
5 aminoácidos representados por los bloques negros, entre los que se encuentra la cisteína
aceptora del grupo alquilo que se elimina del ADN) y la región de unión al ADN (formada por 15
aminoácidos).
Lawley y Brookes fueron los pioneros en los años 60 en los estudios que
mostraron que los agentes alquilantes están implicados en la etiología del
cáncer (Brookes & Lawley, 1960). Durante las décadas siguientes se llevaron a
cabo varios estudios que demostraron un efecto carcinogénico y mutagénico de
la O6mG (Goth & Rajewsky, 1974; Kleihues & Margison, 1974; Loechler, Green,
& Essigmann, 1984; Loveless, 1969).
La actividad de la proteína codificada por el gen MGMT fue descubierta
por Foote y col en 1980 (Foote, Mitra, & Pal, 1980). Unos años más tarde se
descubrió, primero en la proteína homóloga en Escherichia Coli (Demple, et al.,
1985) y posteriormente en la proteína humana (Tano, Shiota, Collier, Foote, &
Mitra, 1990), que la eliminación de los grupos alquilo se lleva a cabo mediante
la transferencia de los mismos a una cisteína interna de la propia proteína.
Introducción
La expresión de MGMT protege a las células del efecto tóxico y
carcinogénico de los agentes alquilantes. La pérdida de expresión de MGMT
está frecuentemente asociada a silenciamiento transcripcional del gen MGMT
por metilación de islas CpG del promotor (Costello, Futscher, Kroes, & Pieper,
1994; Qian & Brent, 1997; von Wronski & Brent, 1994). Esta alteración se ha
descrito en varias neoplasias (Esteller et al, 1999) y se ha postulado que la
frecuencia de hipermetilación en la región promotora de MGMT se encuentra
entre el 35-73% en GBM, entre un 50-84% en AIII y entre un 43-93% en AII
(von Deimling, et al., 2011).
Como se ha comentado anteriormente, la TMZ es un fármaco alquilante
que se usa en QT y la expresión de MGMT es un factor clave que confiere
resistencia a este tipo de fármacos. Esto ocurre porque la TMZ actúa dañando
el ADN mediante la incorporación de residuos alquilo, mientras que el MGMT
revierte este proceso (Figura 14). Las células tumorales que expresan MGMT
muestran resistencia a este tipo de fármacos (Pegg, 1990). Hegi y col (Hegi, et
al., 2005) demuestran en su estudio que pacientes cuyos tumores no
mostraban expresión de MGMT por metilación del promotor tenían una mayor
supervivencia tras el tratamiento combinado de TMZ y RT. Otros estudios han
corroborado estas conclusiones (Esteller, et al., 2000; Esteller & Herman, 2004;
Ohgaki & Kleihues, 2009; Riemenschneider, 2010)Kerrie L. McDonald 2011).
Figura 14. Mecanismo de reparación de MGMT. La TMZ actúa dañando el ADN mediante la
incorporación de residuos alquilo en la posición O6 de la guanina. El gen MGMT revierte la
76
Introducción
formación de aductos en dicha posición ya que transfiere los residuos alquilo de forma
irreversible a una cisteína interna de su centro activo. Una vez que la proteína ha realizado su
función queda inactiva y es marcada por ubiquitinación para ser degradada por el complejo del
proteasoma (Martinez, 2012).
Existe, sin embargo, controversia sobre el valor pronóstico de este
biomarcador. Mientras que algunos estudios demuestran que la metilación de
MGMT en GBM por sí sola es un factor de buen pronóstico (Hegi, et al., 2005;
Mellai, et al., 2012; Nikiforova & Hamilton, 2011), Esteller y col no apoyan dicha
hipótesis (Esteller, et al., 2000; Esteller & Herman, 2004). Además, en algunos
casos que no presentaban metilación en MGMT también se ha observado una
prolongación en la supervivencia, lo que indica que existen otros factores que
confieren un pronóstico favorable (D. Krex, et al., 2007; Murat, et al., 2008;
Rivera, et al., 2010).
Otro enfoque del tratamiento en estos pacientes se basa en la
disminución de los niveles de MGMT (Fan, et al., 2013; Quinn, et al., 2005;
Quinn, et al., 2002). En un estudio realizado por Ryu y col (Ryu, et al., 2012)
tratan líneas celulares tumorales con VPA (valproic acid), fármaco
anticancerígeno cuya función es la inhibición de las histonas deacetilasas que
son encargadas de la remodelación de la cromatina, y TMZ. Este tratamiento
combinado, tanto in vitro como in vivo en ratones, tiene efectos anticancerosos
en células resistentes a TMZ a través de la regulación de la expresión del gen
MGMT.
A la hora de detectar la metilación de MGMT se emplean diferentes
técnicas como la MS-PCR (Methylation-specific PCR) o la SQ-MSP
(Semiquantitative-specific PCR), ambas técnicas son específicamente
recomendadas para tejido FPPE (Formalin-fixed, paraffin-embedded). Otro
método utilizado es la pirosecuanciación, en un estudio realizado por Karayan-
Tapon y col (Karayan-Tapon, et al., 2010) determinan que esta técnica tiene un
mejor valor predictivo cuando la comparan con otras metodologías. La técnica
MS-MLPA (Methylation-specific MLPA) da información semicuantitativa del
porcentaje de metilación del ADN, por tanto, es otra técnica que establece la
77
Introducción
formación de aductos en dicha posición ya que transfiere los residuos alquilo de forma
irreversible a una cisteína interna de su centro activo. Una vez que la proteína ha realizado su
función queda inactiva y es marcada por ubiquitinación para ser degradada por el complejo del
proteasoma (Martinez, 2012).
Existe, sin embargo, controversia sobre el valor pronóstico de este
biomarcador. Mientras que algunos estudios demuestran que la metilación de
MGMT en GBM por sí sola es un factor de buen pronóstico (Hegi, et al., 2005;
Mellai, et al., 2012; Nikiforova & Hamilton, 2011), Esteller y col no apoyan dicha
hipótesis (Esteller, et al., 2000; Esteller & Herman, 2004). Además, en algunos
casos que no presentaban metilación en MGMT también se ha observado una
prolongación en la supervivencia, lo que indica que existen otros factores que
confieren un pronóstico favorable (D. Krex, et al., 2007; Murat, et al., 2008;
Rivera, et al., 2010).
Otro enfoque del tratamiento en estos pacientes se basa en la
disminución de los niveles de MGMT (Fan, et al., 2013; Quinn, et al., 2005;
Quinn, et al., 2002). En un estudio realizado por Ryu y col (Ryu, et al., 2012)
tratan líneas celulares tumorales con VPA (valproic acid), fármaco
anticancerígeno cuya función es la inhibición de las histonas deacetilasas que
son encargadas de la remodelación de la cromatina, y TMZ. Este tratamiento
combinado, tanto in vitro como in vivo en ratones, tiene efectos anticancerosos
en células resistentes a TMZ a través de la regulación de la expresión del gen
MGMT.
A la hora de detectar la metilación de MGMT se emplean diferentes
técnicas como la MS-PCR (Methylation-specific PCR) o la SQ-MSP
(Semiquantitative-specific PCR), ambas técnicas son específicamente
recomendadas para tejido FPPE (Formalin-fixed, paraffin-embedded). Otro
método utilizado es la pirosecuanciación, en un estudio realizado por Karayan-
Tapon y col (Karayan-Tapon, et al., 2010) determinan que esta técnica tiene un
mejor valor predictivo cuando la comparan con otras metodologías. La técnica
MS-MLPA (Methylation-specific MLPA) da información semicuantitativa del
porcentaje de metilación del ADN, por tanto, es otra técnica que establece la
Introducción
metilación de MGMT (J. W. Jeuken, et al., 2007; C.-K. Park, et al., 2011;
Riemenschneider, 2010).
A pesar de que existe una cierta asociación entre la metilación de MGMT
y una disminución de la expresión, esta asociación no es absoluta (Everhard, et
al., 2009). Algunos estudios en gliomas muestran que no existe correlación
entre la metilación del promotor de MGMT y la expresión de proteína detectada
por IHQ (Cao, et al., 2009; Hawkins, et al., 2009; Mellai, et al., 2009; Preusser,
et al., 2008). Malley y col (Malley, et al., 2011) llevaron a cabo un estudio en el
que delimitan dos regiones en el promotor de MGMT según los niveles de
metilación de cada sitio CpG: la DMR1 (Differentially Methylated Region 1) y la
DMR2 (Differentially Methylated Region 2). Ambas eran las regiones que mejor
correlacionaban con la expresión. DMR2 siempre aparecía metilada en las
líneas celulares tumorales de GBM cuando DMR1 también lo estaba. Los
resultados de este estudio indican que algunos sitios CpG en DMR2 juegan un
papel crítico en el control de la transcripción de MGMT. Por tanto, la región
DMR2 es un objetivo importante a la hora de establecer la metilación de MGMT
(Figura 15).
Figura 15. Representación de las regiones DMR1 y DMR2 y el nivel de metilación (%) de cada sitio CpG analizado (Malley, et al., 2011).
No todos los pacientes con metilación en MGMT responden igual al
tratamiento con TMZ, además, algunos pacientes cuyos tumores no están
78
Introducción
metilados en MGMT experimentan un sorprendente curso favorable de la
enfermedad. Esto podría ser explicado por las relaciones discordantes entre la
metilación y el patrón de expresión del ARNm, aunque estos mecanismos no
están claros. Se ha hipotetizado que la combinación de baja expresión y no
metilación del gen podría ser resultado de la desestabilización del transcrito y/o
factores de represión de la transcripción, como la regulación de miARN
(microARN) o modificación de histonas (Thon, Kreth, & Kreth, 2013).
1.6.5. FENOTIPO HIPERMETILADOR EN ISLAS CpG EN GLIOMAS
La metilación de los promotores de genes supresores de tumor es un
fenómeno frecuente en todos los tipos de cáncer (Esteller, 2008; Taby & Issa,
2010). El ADN puede estar metilado en la posición 5’ de las citosinas,
frecuentemente en los dinucleótidos citosina-guanina. Las islas CpG se
caracterizan por contener una gran cantidad de sitios CG. Estas islas CpG se
localizan en regiones cortas del ADN en más de la mitad de las regiones
promotoras de los genes humanos (Doi, et al., 2009; Malzkorn, et al., 2011; Y.
Wang & Leung, 2004). Cuando los tumores muestran un aumento global en la
metilación del ADN en estas islas CpG, se dicen que presentan fenotipo
metilador o CIMP (CpG Island Methylator Phenotype) (Noushmehr, et al.,
2010). La hipermetilación en islas CpG es un evento epigenético común en
algunos cánceres humanos (Cecener, et al., 2012). En el cáncer colorrectal, los
marcadores para definir el fenotipo metilador están bien establecidos (Toyota,
et al., 1999), mientras que en los gliomas no hay nada claro ni definitivo, de
momento, si bien diferentes estudios han propuesto diferentes perfiles de
marcadores mostrando potenciales utilidades como marcadores diagnósticos,
pronósticos y de predicción de respuesta a tratamientos.
Varios métodos se emplean para la detección de la metilación en genes
(Malzkorn, et al., 2011). Entre ellos se encuentra el método basado en el
tratamiento del ADN con bisulfito de sodio que convierte las citosinas no
metiladas en uracilos, mientras que las citosinas metiladas permanecen
inalteradas. El ADN modificado se analiza, posteriormente, mediante diferentes
técnicas como la MS-PCR (Herman, Graff, Myohanen, Nelkin, & Baylin, 1996),
79
Introducción
metilados en MGMT experimentan un sorprendente curso favorable de la
enfermedad. Esto podría ser explicado por las relaciones discordantes entre la
metilación y el patrón de expresión del ARNm, aunque estos mecanismos no
están claros. Se ha hipotetizado que la combinación de baja expresión y no
metilación del gen podría ser resultado de la desestabilización del transcrito y/o
factores de represión de la transcripción, como la regulación de miARN
(microARN) o modificación de histonas (Thon, Kreth, & Kreth, 2013).
1.6.5. FENOTIPO HIPERMETILADOR EN ISLAS CpG EN GLIOMAS
La metilación de los promotores de genes supresores de tumor es un
fenómeno frecuente en todos los tipos de cáncer (Esteller, 2008; Taby & Issa,
2010). El ADN puede estar metilado en la posición 5’ de las citosinas,
frecuentemente en los dinucleótidos citosina-guanina. Las islas CpG se
caracterizan por contener una gran cantidad de sitios CG. Estas islas CpG se
localizan en regiones cortas del ADN en más de la mitad de las regiones
promotoras de los genes humanos (Doi, et al., 2009; Malzkorn, et al., 2011; Y.
Wang & Leung, 2004). Cuando los tumores muestran un aumento global en la
metilación del ADN en estas islas CpG, se dicen que presentan fenotipo
metilador o CIMP (CpG Island Methylator Phenotype) (Noushmehr, et al.,
2010). La hipermetilación en islas CpG es un evento epigenético común en
algunos cánceres humanos (Cecener, et al., 2012). En el cáncer colorrectal, los
marcadores para definir el fenotipo metilador están bien establecidos (Toyota,
et al., 1999), mientras que en los gliomas no hay nada claro ni definitivo, de
momento, si bien diferentes estudios han propuesto diferentes perfiles de
marcadores mostrando potenciales utilidades como marcadores diagnósticos,
pronósticos y de predicción de respuesta a tratamientos.
Varios métodos se emplean para la detección de la metilación en genes
(Malzkorn, et al., 2011). Entre ellos se encuentra el método basado en el
tratamiento del ADN con bisulfito de sodio que convierte las citosinas no
metiladas en uracilos, mientras que las citosinas metiladas permanecen
inalteradas. El ADN modificado se analiza, posteriormente, mediante diferentes
técnicas como la MS-PCR (Herman, Graff, Myohanen, Nelkin, & Baylin, 1996),
Introducción
la PCR a tiempo real basada en la detección fluorescente (MethylLight) (Eads,
et al., 2000), el análisis de restricción con bisulfito combinado (COBRA) (Xiong
& Laird, 1997), la secuenciación o la pirosecuenciación (Frommer, et al., 1992)
y el ensayo EpiTYPER (Agena Bioscience’s DNA methylation analysis
technology) que utiliza la espectofotometría de masas MALDI-TOF (Matrix-
assisted laser desorption/ionization Time Of Flight). Por último, en este estudio
se emplea la técnica MS-MLPA que se describe con más detalle
posteriormente (Apartado de Material y Métodos).
El fenotipo CIMP en gliomas se ha definido en base a análisis a gran
escala, en los que se ha determinado el estado de metilación de miles de
regiones CpG para dividir estos tumores en dos grupos: lo que presentan un
estado de hipermetilación global (CIMP positivos) y los que no (CIMP
negativos) (Laffaire, et al., 2011; Mur, et al., 2015; Noushmehr, et al., 2010;
Turcan, et al., 2012). Los gliomas CIMP positivos presentan una mayor
supervivencia. Además, el fenotipo CIMP no sólo correlaciona con la
supervivencia, también con la metilación de MGMT, con la codeleción de
1p/19q y con las mutaciones en el gen IDH1. El fenotipo CIMP es un factor
pronóstico de supervivencia global fuerte (M. J. van den Bent, et al., 2011). En
gliomas, este fenotipo parece estar correlacionado con mutaciones en el gen
TP53. Los gliomas CIMP positivos suelen ser astrocitomas de grado II y III, y
estos subtipos histológicos presentan un gran porcentaje de mutaciones en
TP53 (Collins, 2004; Noushmehr, et al., 2010). El fenotipo CIMP se ha asociado
con un incremento en la expresión de las DNMTs (Etoh, et al., 2004). Como
resultado, algunos genes involucrados en la iniciación y/o progresión tumoral
están metilados en los tumores CIMP positivos (Teodoridis, Strathdee, &
Brown, 2004; Teodoridis, Strathdee, Plumb, & Brown, 2004). Existe una fuerte
asociación entre el fenotipo CIMP y la metilación en MGMT, lo que sugiere que
dicha alteración epigenética en la región promotora del gen MGMT forma parte
de un perfil más general de metilación del genoma que determina un pronóstico
favorable (M. J. van den Bent, et al., 2011).
Otro estudio identifica dos grupos de gliomas de acuerdo a su perfil de
metilación. Por un lado, un grupo de GBM primarios y, por otro lado, un grupo
80
Introducción
de gliomas de bajo grado y GBM secundarios. Se describe que el perfil de
metilación de los gliomas se mantenía estable a lo largo de la evolución del
tumor. Estudiaron, además, la correlación entre el perfil de metilación y el perfil
de expresión génica. A partir de estos resultados identificaron una serie de
genes que presentan un papel importante en la gliomagénesis (Laffaire, et al.,
2011). Tanto en este estudio como en el estudio realizado por Turcan y col
(Turcan, et al., 2012) demuestran que el fenotipo G-CIMP (CIMP en gliomas)
se asocia a mutaciones en IDH1 y a un mejor pronóstico. Turcan y col
introducen las mutaciones en IDH1 en cultivos primarios de astrocitos humanos
y esto altera específicamente las histonas, induce hipermetilación extensa del
ADN y remodela el metiloma de una forma que refleja los cambios observados
en los gliomas de bajo grado G-CIMP positivos, sugiriendo que las mutaciones
en IDH1 están implicadas en el desarrollo del fenotipo CIMP en gliomas.
Aunque también se ha descrito que no todos los tumores con mutaciones en
IDH1 eran CIMP positivos, lo que indica que las mutaciones en IDH1 no son
determinante exclusivo de este fenotipo (M. J. van den Bent, et al., 2011).
Como se ha comentado anteriormente, IDH1 mutado cataliza la reducción de α-
KG a 2-HG. Este oncometabolito puede afectar a la expresión génica mediante
diferentes mecanismos (Hughes, et al., 2013) (Figura 9):
Mediante la inhibición competitiva de las dioxigenasas dependientes de
α-KG y, por tanto, alterando los niveles de metilación de las histonas.
Mediante la inhibición de las hidroxilasas 5-mC de la familia TET por
competitividad directa con el α-KG, resultando en la acumulación de
5mC que alterará los niveles de expresión de un gran número de genes.
Mediante un mecanismo que altera la expresión de los HIF (Hypoxia-
inducible factor).
La hipermetilación de las islas CpG en la regiones promotoras puede causar
silenciamiento transcripcional de genes supresores de tumores y otros genes
(Baylin, 2008; Rodriguez-Paredes & Esteller, 2011). Sin embargo, no siempre
se produce una disminución de la expresión del gen cuando se encuentra
hipermetilado (Houshdaran, et al., 2010; Noushmehr, et al., 2010; Pike, et al.,
81
Introducción
de gliomas de bajo grado y GBM secundarios. Se describe que el perfil de
metilación de los gliomas se mantenía estable a lo largo de la evolución del
tumor. Estudiaron, además, la correlación entre el perfil de metilación y el perfil
de expresión génica. A partir de estos resultados identificaron una serie de
genes que presentan un papel importante en la gliomagénesis (Laffaire, et al.,
2011). Tanto en este estudio como en el estudio realizado por Turcan y col
(Turcan, et al., 2012) demuestran que el fenotipo G-CIMP (CIMP en gliomas)
se asocia a mutaciones en IDH1 y a un mejor pronóstico. Turcan y col
introducen las mutaciones en IDH1 en cultivos primarios de astrocitos humanos
y esto altera específicamente las histonas, induce hipermetilación extensa del
ADN y remodela el metiloma de una forma que refleja los cambios observados
en los gliomas de bajo grado G-CIMP positivos, sugiriendo que las mutaciones
en IDH1 están implicadas en el desarrollo del fenotipo CIMP en gliomas.
Aunque también se ha descrito que no todos los tumores con mutaciones en
IDH1 eran CIMP positivos, lo que indica que las mutaciones en IDH1 no son
determinante exclusivo de este fenotipo (M. J. van den Bent, et al., 2011).
Como se ha comentado anteriormente, IDH1 mutado cataliza la reducción de α-
KG a 2-HG. Este oncometabolito puede afectar a la expresión génica mediante
diferentes mecanismos (Hughes, et al., 2013) (Figura 9):
Mediante la inhibición competitiva de las dioxigenasas dependientes de
α-KG y, por tanto, alterando los niveles de metilación de las histonas.
Mediante la inhibición de las hidroxilasas 5-mC de la familia TET por
competitividad directa con el α-KG, resultando en la acumulación de
5mC que alterará los niveles de expresión de un gran número de genes.
Mediante un mecanismo que altera la expresión de los HIF (Hypoxia-
inducible factor).
La hipermetilación de las islas CpG en la regiones promotoras puede causar
silenciamiento transcripcional de genes supresores de tumores y otros genes
(Baylin, 2008; Rodriguez-Paredes & Esteller, 2011). Sin embargo, no siempre
se produce una disminución de la expresión del gen cuando se encuentra
hipermetilado (Houshdaran, et al., 2010; Noushmehr, et al., 2010; Pike, et al.,
Introducción
2008). La falta de una relación inversa entre la hipermetilación del promotor y la
expresión génica para muchos genes, puede ser atribuida a varios factores
incluyendo la falta de factores de transcripción adecuados para algunos genes
no metilados y el uso de promotores alternativos para algunos genes con
promotores metilados. En algunos casos como en CDKN2A se ha descrito que
el silenciamiento de la expresión génica por metilación es debido a la
metilación de citosinas específicas y críticas, que pueden no ser
necesariamente interrogadas en el análisis de la metilación, más que la
metilación de amplias regiones. La epigenética, por tanto, controla el potencial
de expresión antes que el estado de expresión (Noushmehr, et al., 2010).
1.6.5.1. SOCS1
El gen SOCS1 (suppressor of cytokine signaling 1) está altamente
conservado en muchas especies. Se localiza en el cromosoma 16p13 y
contiene dos exones que se transcriben en 1215 nucleótidos de ARNm que
codifican una proteína de 211 aminoácidos (Yandava, Pillari, & Drazen, 1999).
SOCS1 codifica un miembro de la familia SSI (STAT-induced STAT inhibitor),
también conocido como supresor de la señalización por citoquinas (Figura 16).
Los miembros de la familia SSI son reguladores negativos de la señalización de
citoquinas inducida por citoquinas. La proteína codificada por este gen funciona
aguas abajo de los receptores de citoquinas y participa en un bucle de
retroalimentación negativa para atenuar la señalización de las citoquinas (Sasi,
Sharma, & Mokbel, 2014; J. Zhang, Li, Yu, Wang, & Ren, 2012).
Figura 16. Estructura del gen SOCS1. Presenta un SH2 (Src homology 2), una caja SOCS C-
terminal y una región N-terminal de longitud variable. En esta última región existe una zona de
82
Introducción
12 aminoácidos denominada región inhibidora kinasa (Mallette, Calabrese, Ilangumaran, &
Ferbeyre, 2010).
Las citoquinas se unen a su receptor y lo activan, de manera que la
proteína jak (janus kinase) fosforila el receptor creando un sitio de unión para
las STATs. A continuación, JAK fosforila a las STAT5 (signal transducer and
activator of transcription 5) causando su liberación del receptor, lo que permite
la dimerización y traslocación al núcleo para activar la transcripción de genes
específicos que incluyen miembros de la familia SOCS. El gen SOCS1 inhibe la
señalización por citoquinas mediante cuatro posibles mecanismos: 1)
bloqueando el reclutamiento de las STATs al receptor de citoquinas a través
del enmascaramiento de los sitios de unión de STAT al receptor, 2) reclutando
proteínas para la degradación proteosomal vía ubiquitinación, 3) uniéndose a
las JAKs e inhibiendo sus quinasas o 4) reclutando a las JAKs para su
degradación vía proteosoma (Inagaki-Ohara, Kondo, Ito, & Yoshimura, 2013;
Sasi, et al., 2014) (Figura 17, izquierda). Sin embargo, la activación aberrante
de STAT5 provocada por las kinasas de fusión oncogénicas, como TEL
(telomere elongation)-JAK2, pueden resultar en niveles sostenidos de SOCS1
que pueden activar a la proteína p53 mediante la formación de un complejo con
ATM (ataxia telangiectasia mutated) y p53 (Figura 17, derecha).
83
Introducción
12 aminoácidos denominada región inhibidora kinasa (Mallette, Calabrese, Ilangumaran, &
Ferbeyre, 2010).
Las citoquinas se unen a su receptor y lo activan, de manera que la
proteína jak (janus kinase) fosforila el receptor creando un sitio de unión para
las STATs. A continuación, JAK fosforila a las STAT5 (signal transducer and
activator of transcription 5) causando su liberación del receptor, lo que permite
la dimerización y traslocación al núcleo para activar la transcripción de genes
específicos que incluyen miembros de la familia SOCS. El gen SOCS1 inhibe la
señalización por citoquinas mediante cuatro posibles mecanismos: 1)
bloqueando el reclutamiento de las STATs al receptor de citoquinas a través
del enmascaramiento de los sitios de unión de STAT al receptor, 2) reclutando
proteínas para la degradación proteosomal vía ubiquitinación, 3) uniéndose a
las JAKs e inhibiendo sus quinasas o 4) reclutando a las JAKs para su
degradación vía proteosoma (Inagaki-Ohara, Kondo, Ito, & Yoshimura, 2013;
Sasi, et al., 2014) (Figura 17, izquierda). Sin embargo, la activación aberrante
de STAT5 provocada por las kinasas de fusión oncogénicas, como TEL
(telomere elongation)-JAK2, pueden resultar en niveles sostenidos de SOCS1
que pueden activar a la proteína p53 mediante la formación de un complejo con
ATM (ataxia telangiectasia mutated) y p53 (Figura 17, derecha).
Introducción
Figura 17. Vía de señalización de SOCS1 (Mallette, et al., 2010).
SOCS1 se asocia a diferentes tipos de cánceres (Sasi, et al., 2014), sin
embargo, no existen apenas estudios sobre este gen en gliomas (Zhou, et al.,
2007).
1.8. CITOMEGALOVIRUS HUMANO Y GLIOMAS
En los gliomas, como en la mayoría de los cánceres, están involucradas
una serie de alteraciones genéticas de origen intrínseco y ambiental. En la
última década se ha aumentado el conocimiento sobre las alteraciones
genéticas y vías de señalización implicadas en estos tumores (Patrick Y. Wen
& Santosh Kesari, 2008), pero, como se ha comentado anteriormente, los
factores etiológicos aún no están claros.
Un factor que ha llamado la atención en los últimos años es la infección
por HCMV (Citomegalovirus humano) y su asociación con este tipo de tumores.
84
Introducción
Sin embargo, el papel etiológico de este virus en la génesis de los gliomas está
generando una gran controversia.
Existen varios cánceres de origen viral. La oncogénesis viral humana
tiene características comunes: los oncovirus son necesarios pero no suficientes
para el desarrollo del cáncer, los cánceres de origen viral ocurren mucho
tiempo después de la infección viral aguda y el sistema inmune puede jugar un
papel destructor o protector ya que algunos cánceres de origen viral aumentan
en casos de pacientes inmunosuprimidos o con inflamación crónica (Mesri,
Feitelson, & Munger, 2014). En los últimos años ha habido una mayor
evidencia de que los genes víricos son uno de los principales elementos
reguladores de la metilación del ADN, modificación de histonas, alteraciones a
nivel de ARNm y condensación de la cromatina en los cánceres asociados a
virus. La infección por virus (especialmente virus de ADN y retrovirus) puede
causar la inserción de la secuencia de ADN viral en el genoma del hospedador
y esto, a menudo, desencadena un mecanismo de defensa del huésped, en
particular, la maquinaria de metilación del ADN para silenciar la expresión
génica viral (H. P. Li, Leu, & Chang, 2005; Vedham & Verma, 2015). Por tanto,
las oncoproteínas de los virus tumorales humanos interactúan con la
maquinaria epigenética celular, alterando el epigenoma de la célula huésped y
reprogramando el patrón de expresión génica (Kaneda, Matsusaka, Sakai, &
Funata, 2014; Minarovits, Demcsak, Banati, & Niller, 2016).
El HCMV es un virus de doble cadena de ADN perteneciente a la familia
Herpesviridae con, aproximadamente, un tamaño de genoma de 230kb, unos
200 genes que codifican proteínas, algunos ARNs no codificantes y unos 14
miARNs (Boeckh & Geballe, 2011; Dey, Ahmed, & Lesniak, 2015; Mocarski &
Kemble, 1996). Este virus es extremadamente prevalente en la población
mundial, afectando al 50-90% de la misma (Cobbs, 2011; Dey, et al., 2015).
Tras la primera infección, el sistema inmune del hospedador es incapaz de
eliminar el virus, lo que da lugar a una infección latente que puede persistir a lo
largo de toda la vida del hospedador y puede ser reactivada en cualquier
momento. En estado latente, el HCMV reside en la células del linaje mieloide y
la activación inmune y diferenciación de estas células en macrófagos parece
85
Introducción
Sin embargo, el papel etiológico de este virus en la génesis de los gliomas está
generando una gran controversia.
Existen varios cánceres de origen viral. La oncogénesis viral humana
tiene características comunes: los oncovirus son necesarios pero no suficientes
para el desarrollo del cáncer, los cánceres de origen viral ocurren mucho
tiempo después de la infección viral aguda y el sistema inmune puede jugar un
papel destructor o protector ya que algunos cánceres de origen viral aumentan
en casos de pacientes inmunosuprimidos o con inflamación crónica (Mesri,
Feitelson, & Munger, 2014). En los últimos años ha habido una mayor
evidencia de que los genes víricos son uno de los principales elementos
reguladores de la metilación del ADN, modificación de histonas, alteraciones a
nivel de ARNm y condensación de la cromatina en los cánceres asociados a
virus. La infección por virus (especialmente virus de ADN y retrovirus) puede
causar la inserción de la secuencia de ADN viral en el genoma del hospedador
y esto, a menudo, desencadena un mecanismo de defensa del huésped, en
particular, la maquinaria de metilación del ADN para silenciar la expresión
génica viral (H. P. Li, Leu, & Chang, 2005; Vedham & Verma, 2015). Por tanto,
las oncoproteínas de los virus tumorales humanos interactúan con la
maquinaria epigenética celular, alterando el epigenoma de la célula huésped y
reprogramando el patrón de expresión génica (Kaneda, Matsusaka, Sakai, &
Funata, 2014; Minarovits, Demcsak, Banati, & Niller, 2016).
El HCMV es un virus de doble cadena de ADN perteneciente a la familia
Herpesviridae con, aproximadamente, un tamaño de genoma de 230kb, unos
200 genes que codifican proteínas, algunos ARNs no codificantes y unos 14
miARNs (Boeckh & Geballe, 2011; Dey, Ahmed, & Lesniak, 2015; Mocarski &
Kemble, 1996). Este virus es extremadamente prevalente en la población
mundial, afectando al 50-90% de la misma (Cobbs, 2011; Dey, et al., 2015).
Tras la primera infección, el sistema inmune del hospedador es incapaz de
eliminar el virus, lo que da lugar a una infección latente que puede persistir a lo
largo de toda la vida del hospedador y puede ser reactivada en cualquier
momento. En estado latente, el HCMV reside en la células del linaje mieloide y
la activación inmune y diferenciación de estas células en macrófagos parece
Introducción
ser necesaria para la reactivación y replicación viral (Soderberg-Naucler,
2006a, 2006b) (Figura 18).
.
Figura 18. Estructura del HCMV.
(https://scienceforscientists.wordpress.com/tag/cytomegalovirus-cmv/, 2012)
Cobbs y col fueron los primeros en informar sobre la presencia de HCMV
en gliomas (Cobbs, et al., 2002). A partir de este estudio, varios grupos
(Bhattacharjee, Renzette, & Kowalik, 2012; Libard, et al., 2014; Mitchell, et al.,
2008; Rahbar, et al., 2012; Scheurer, Bondy, Aldape, Albrecht, & El-Zein, 2008)
han conseguido detectar ADN y proteínas de HCMV en muestras de gliomas
mediante diferentes técnicas (IHQ, ISH (in situ hybridization), PCR, qPCR
(quantitative PCR)) en, aproximadamente, la misma proporción que Cobbs (90-
100%). Otros grupos han sido capaces también de detectar el HCMV en
muestras de gliomas, pero en una proporción más baja, entre un 12-70% (Ding,
Han, Wang, Guo, & Wu, 2014; Fonseca, et al., 2012; Lucas, Bao, Bruggeman,
Dunham, & Specht, 2011; Sabatier, et al., 2005). Por último, existen estudios
que no han sido capaces de detectar la presencia de ADN y proteínas de este
virus en gliomas (Baumgarten, et al., 2014; Lau, et al., 2004; Poltermann, et al.,
2006; Solomon, Ramkissoon, Milner, & Folkerth, 2014; K.-W. Tang, Hellstrand,
& Larsson, 2015; Yamashita, et al., 2014). Por tanto, no está claro el papel de
este virus en la génesis de los gliomas, ni siquiera se sabe con certeza si está
realmente presente en todos los gliomas o no.
HIPÓTESIS Y OBJETIVOS
HIPÓTESIS Y OBJETIVOS
Hipótesis y objetivos
51
Hipótesis
Determinadas alteraciones genético-moleculares en tumores cerebrales
tienen un valor clínico en el diagnóstico, pronóstico y/o predicción de respuesta
al tratamiento, por lo que su identificación puede constituir una importante
herramienta en el manejo clínico de estos tumores.
Objetivos El objetivo principal del presente trabajo es la determinación del valor
diagnóstico, pronóstico y predictivo de respuesta de marcadores moleculares
como la hipermetilación del promotor del gen MGMT, las mutaciones en los
genes IDH1 e IDH2 y el fenotipo hipermetilador en tumores gliales, así como la
búsqueda de nuevos posibles biomarcadores que permitan mejorar el
conocimiento y manejo clínico de estos tumores.
Los objetivos específicos son:
Determinar el patrón de hipermetilación del promotor del gen MGMT y
evaluar el valor pronóstico y predictivo de respuesta a la quimioterapia
con temozolomida (TMZ) en gliomas.
Analizar el fenotipo hipermetilador en islas CpG en gliomas. Estudiar la
asociación de estos marcadores con las variables clínicas y moleculares.
Estudiar el valor de las mutaciones en los genes IDH1 e IDH2 en el
diagnóstico diferencial entre gliomas de bajo y alto grado, así como su
valor pronóstico.
Analizar el potencial diagnóstico y pronóstico de la sobrexpresión de la
proteína p53 mutada y el índice de proliferación celular ki67 en tumores
gliales.
Determinar el papel de la infección por HCMV en la carcinogénesis de
los gliomas y su asociación con la hipermetilación genómica en islas
CpG.
Determinar si la relación conjunta de los diferentes marcadores
moleculares definen un subgrupo de tumores gliales de mejor pronóstico
y estudiar la asociación entre los marcadores moleculares y con las
variables clínicas.
89
Hipótesis y objetivos
51
Hipótesis
Determinadas alteraciones genético-moleculares en tumores cerebrales
tienen un valor clínico en el diagnóstico, pronóstico y/o predicción de respuesta
al tratamiento, por lo que su identificación puede constituir una importante
herramienta en el manejo clínico de estos tumores.
Objetivos El objetivo principal del presente trabajo es la determinación del valor
diagnóstico, pronóstico y predictivo de respuesta de marcadores moleculares
como la hipermetilación del promotor del gen MGMT, las mutaciones en los
genes IDH1 e IDH2 y el fenotipo hipermetilador en tumores gliales, así como la
búsqueda de nuevos posibles biomarcadores que permitan mejorar el
conocimiento y manejo clínico de estos tumores.
Los objetivos específicos son:
Determinar el patrón de hipermetilación del promotor del gen MGMT y
evaluar el valor pronóstico y predictivo de respuesta a la quimioterapia
con temozolomida (TMZ) en gliomas.
Analizar el fenotipo hipermetilador en islas CpG en gliomas. Estudiar la
asociación de estos marcadores con las variables clínicas y moleculares.
Estudiar el valor de las mutaciones en los genes IDH1 e IDH2 en el
diagnóstico diferencial entre gliomas de bajo y alto grado, así como su
valor pronóstico.
Analizar el potencial diagnóstico y pronóstico de la sobrexpresión de la
proteína p53 mutada y el índice de proliferación celular ki67 en tumores
gliales.
Determinar el papel de la infección por HCMV en la carcinogénesis de
los gliomas y su asociación con la hipermetilación genómica en islas
CpG.
Determinar si la relación conjunta de los diferentes marcadores
moleculares definen un subgrupo de tumores gliales de mejor pronóstico
y estudiar la asociación entre los marcadores moleculares y con las
variables clínicas.
90
Hipótesis y objetivos
52
Describir las funciones moleculares alteradas en los tumores gliales a
través de estudios de transcriptómica.
MATERIAL Y MÉTODOS
Hipótesis y objetivos
52
Describir las funciones moleculares alteradas en los tumores gliales a
través de estudios de transcriptómica.
MATERIAL Y MÉTODOS
Material y métodos
55
3. MATERIAL Y MÉTODOS
3.1. PACIENTES Y MUESTRAS BIOLÓGICAS
El estudio se realizó en una serie retrospectiva de tumores astrocíticos
diagnosticados entre 2000 y 2013 en el HGUA (Hospital General Universitario
de Alicante) y el HGUE (Hospital General Universitario de Elche). Las muestras
fueron obtenidas del Biobanco del HGUE y del Biobanco del HGUA. Los
estudios realizados han sido revisados y evaluados por las Comisiones de
Investigación y los Comités de Ética de Investigación Clínica de los Hospitales
de Elche y Alicante en el contexto de los proyectos financiados que se
relacionan al principio del presente trabajo. Las variables de filiación, clínicas y
patológicas consideradas fueron: edad, sexo, tipo histológico, estadío o grado
tumoral, tratamiento, situación actual y supervivencia. Los tumores fueron
clasificados, atendiendo a los criterios revisados de la OMS de 2007 (Louis DN,
2007) en AII, AIII y GBM. El estudio incluyó un total de 124 muestras de 118
pacientes del HGUA y un total de 111 muestras de 101 pacientes del HGUE
(total: 235 muestras). En base a la clasificación histopatológica, 28 fueron AII,
28 AIII y 179 GBM. El intervalo de edades de los pacientes fue de los 4 a los 81
años y la mediana 55 años. Del total de muestras, 137 fueron hombres y 98
mujeres. Estos datos se resumen en la Tabla 4.
Tabla 4. Descripción de las muestras.
Variables Frecuencias n % Sexo
Hombre 137 58.30 Mujer 98 41.70
Edad (años) Mediana 55
Ratio 4-81 Grado tumoral
II 28 11.91 III 28 11.91 IV 179 76.17
93
Material y métodos
55
3. MATERIAL Y MÉTODOS
3.1. PACIENTES Y MUESTRAS BIOLÓGICAS
El estudio se realizó en una serie retrospectiva de tumores astrocíticos
diagnosticados entre 2000 y 2013 en el HGUA (Hospital General Universitario
de Alicante) y el HGUE (Hospital General Universitario de Elche). Las muestras
fueron obtenidas del Biobanco del HGUE y del Biobanco del HGUA. Los
estudios realizados han sido revisados y evaluados por las Comisiones de
Investigación y los Comités de Ética de Investigación Clínica de los Hospitales
de Elche y Alicante en el contexto de los proyectos financiados que se
relacionan al principio del presente trabajo. Las variables de filiación, clínicas y
patológicas consideradas fueron: edad, sexo, tipo histológico, estadío o grado
tumoral, tratamiento, situación actual y supervivencia. Los tumores fueron
clasificados, atendiendo a los criterios revisados de la OMS de 2007 (Louis DN,
2007) en AII, AIII y GBM. El estudio incluyó un total de 124 muestras de 118
pacientes del HGUA y un total de 111 muestras de 101 pacientes del HGUE
(total: 235 muestras). En base a la clasificación histopatológica, 28 fueron AII,
28 AIII y 179 GBM. El intervalo de edades de los pacientes fue de los 4 a los 81
años y la mediana 55 años. Del total de muestras, 137 fueron hombres y 98
mujeres. Estos datos se resumen en la Tabla 4.
Tabla 4. Descripción de las muestras.
Variables Frecuencias n % Sexo
Hombre 137 58.30 Mujer 98 41.70
Edad (años) Mediana 55
Ratio 4-81 Grado tumoral
II 28 11.91 III 28 11.91 IV 179 76.17
94
Material y métodos
56
3.2. PROCESAMIENTO DE LAS MUESTRAS
La mayoría de las muestras tumorales, en concreto 212, fueron
obtenidas a partir de tejidos FPPE y las 28 muestras restantes, fueron
obtenidas a partir de tejidos congelados incluidos en medio OCT (Optimal
Cutting Temperature).
Las secciones cortadas de los bloques de parafina fueron
desparafinizadas mediante disolución de la parafina en aceite mineral (Sigma
Aldrich) a 95ºC. Tras la eliminación de la parafina, el tejido fue incubado con
proteinasa K (proteasa de amplio espectro que degrada las proteínas de las
membranas celulares provocando la lisis celular) a 56ºC durante 16 horas y, en
caso necesario, se volvió a incubar a 56ºC, tras la adición de más proteinasa K,
hasta la total digestión del tejido.
En el caso del procesamiento de las muestras obtenidas de tejido
congelado, éste se llevo a cabo de dos formas diferentes. En aquellas
muestras que contenían sólo tejido tumoral se realizaron entre cuatro y cinco
cortes de 10 micras de cada uno y se colocaron en tubos eppendorf, mientras
que en aquellas muestras de tejido tumoral que, además, presentaban zonas
de tejido normal, necrosis, etc. se realizaron los mismos cortes pero se
colocaron en portaobjetos para la posterior microdisección manual, utilizando
una sección contigua teñida con hematoxilina-eosina como guía, con bisturí en
un criostato (a -20ºC). Una vez aislados los fragmentos del tejido de interés, se
colocaron en tubos eppendorf.
3.2.1. EXTRACIÓN DE ADN Tras el procesamiento de las muestras se llevó a cabo la extracción y
purificación del ADN. Se usaron dos kits de extracción manual de ADN
diferentes. Para las muestras procedentes de tejidos fijados e incluidos en
parafina se usó el kit QIAamp DNA Investigator (Qiagen), que permite la
obtención de ADN de elevada pureza y con un buen rendimiento a partir de
Material y métodos
57
muestras con poco tejido o que suelen dar bajos rendimientos al utilizar
métodos convencionales de extracción de ADN. El kit optimiza la extracción
gracias a un carrier de ARN transferente que favorece la precipitación del ADN
y a unas columnas con membrana de sílice que retienen el ADN precipitado
favoreciendo su purificación (QIAamp MinElute Columns). Para las muestras
procedentes de tejido congelado se usó el kit Forensic DNA (D3591-02
OMEGA bio-tek). Ambos protocolos se describen detalladamente en el Anexo I.
La concentración de ADN de cada muestra se cuantificó por
espectrofotometría utilizando el NanoDrop 1000 Spectrophotometer (Thermo
Scientific). Este instrumento calcula la concentración de ADN (en ng/μL) a partir
de un volumen mínimo de muestra (2μL) mediante la determinación de la
absorbancia de la muestra a 260nm (nanometros) (longitud de onda específica
de absorción de los ácidos nucleicos). Además, ofrece un ratio de la
absorbancia a 260nm frente a la absorbancia a 280nm que determina la pureza
del ADN. La longitud de onda a 280nm es específica de la absorción de
posibles contaminantes del ADN como las proteínas. Un ratio 260/280
comprendido entre 1,8 y 2 denota una buena pureza del ADN. El ADN de las
muestras se mantuvo a 4ºC durante el tiempo en el que iba a ser utilizado para
las distintas determinaciones y posteriormente se almacenó a -20ºC.
3.2.2. EXTRACCIÓN DE ARN
Se extrajo ARN de las muestras procedentes de tejido congelado. Para
ello, se usó el kit RNAqueous®-Micro Total RNA Isolation Kit (Ambion) que se
utiliza para el aislamiento de ARN de muestras con pocas células mediante una
desnaturalización basada en sales caotrópicas y una tecnología de separación
basada en filtros de fibra de vidrio.
Debido a la facilidad para degradarse que tienen estas moléculas por
acción de las enzimas ARNasas presentes de manera estable en el ambiente,
es necesario mantener unas condiciones óptimas y controladas durante el
95
Material y métodos
56
3.2. PROCESAMIENTO DE LAS MUESTRAS
La mayoría de las muestras tumorales, en concreto 212, fueron
obtenidas a partir de tejidos FPPE y las 28 muestras restantes, fueron
obtenidas a partir de tejidos congelados incluidos en medio OCT (Optimal
Cutting Temperature).
Las secciones cortadas de los bloques de parafina fueron
desparafinizadas mediante disolución de la parafina en aceite mineral (Sigma
Aldrich) a 95ºC. Tras la eliminación de la parafina, el tejido fue incubado con
proteinasa K (proteasa de amplio espectro que degrada las proteínas de las
membranas celulares provocando la lisis celular) a 56ºC durante 16 horas y, en
caso necesario, se volvió a incubar a 56ºC, tras la adición de más proteinasa K,
hasta la total digestión del tejido.
En el caso del procesamiento de las muestras obtenidas de tejido
congelado, éste se llevo a cabo de dos formas diferentes. En aquellas
muestras que contenían sólo tejido tumoral se realizaron entre cuatro y cinco
cortes de 10 micras de cada uno y se colocaron en tubos eppendorf, mientras
que en aquellas muestras de tejido tumoral que, además, presentaban zonas
de tejido normal, necrosis, etc. se realizaron los mismos cortes pero se
colocaron en portaobjetos para la posterior microdisección manual, utilizando
una sección contigua teñida con hematoxilina-eosina como guía, con bisturí en
un criostato (a -20ºC). Una vez aislados los fragmentos del tejido de interés, se
colocaron en tubos eppendorf.
3.2.1. EXTRACIÓN DE ADN Tras el procesamiento de las muestras se llevó a cabo la extracción y
purificación del ADN. Se usaron dos kits de extracción manual de ADN
diferentes. Para las muestras procedentes de tejidos fijados e incluidos en
parafina se usó el kit QIAamp DNA Investigator (Qiagen), que permite la
obtención de ADN de elevada pureza y con un buen rendimiento a partir de
Material y métodos
57
muestras con poco tejido o que suelen dar bajos rendimientos al utilizar
métodos convencionales de extracción de ADN. El kit optimiza la extracción
gracias a un carrier de ARN transferente que favorece la precipitación del ADN
y a unas columnas con membrana de sílice que retienen el ADN precipitado
favoreciendo su purificación (QIAamp MinElute Columns). Para las muestras
procedentes de tejido congelado se usó el kit Forensic DNA (D3591-02
OMEGA bio-tek). Ambos protocolos se describen detalladamente en el Anexo I.
La concentración de ADN de cada muestra se cuantificó por
espectrofotometría utilizando el NanoDrop 1000 Spectrophotometer (Thermo
Scientific). Este instrumento calcula la concentración de ADN (en ng/μL) a partir
de un volumen mínimo de muestra (2μL) mediante la determinación de la
absorbancia de la muestra a 260nm (nanometros) (longitud de onda específica
de absorción de los ácidos nucleicos). Además, ofrece un ratio de la
absorbancia a 260nm frente a la absorbancia a 280nm que determina la pureza
del ADN. La longitud de onda a 280nm es específica de la absorción de
posibles contaminantes del ADN como las proteínas. Un ratio 260/280
comprendido entre 1,8 y 2 denota una buena pureza del ADN. El ADN de las
muestras se mantuvo a 4ºC durante el tiempo en el que iba a ser utilizado para
las distintas determinaciones y posteriormente se almacenó a -20ºC.
3.2.2. EXTRACCIÓN DE ARN
Se extrajo ARN de las muestras procedentes de tejido congelado. Para
ello, se usó el kit RNAqueous®-Micro Total RNA Isolation Kit (Ambion) que se
utiliza para el aislamiento de ARN de muestras con pocas células mediante una
desnaturalización basada en sales caotrópicas y una tecnología de separación
basada en filtros de fibra de vidrio.
Debido a la facilidad para degradarse que tienen estas moléculas por
acción de las enzimas ARNasas presentes de manera estable en el ambiente,
es necesario mantener unas condiciones óptimas y controladas durante el
96
Material y métodos
58
proceso de extracción de las mismas. Para ello, todo el material utilizado y la
bancada de trabajo fueron esterilizados y se usó una mascarilla durante todo el
proceso. El protocolo detallado se describe en el Anexo I.
Las muestras se mantuvieron en hielo durante la cuantificación para
evitar la degradación del ARN. Una vez cuantificadas, se guardaron a -80ºC.
3.3. ANÁLISIS DE DELECIONES EN LOS BRAZOS CROMOSÓMICOS 1p/19q
Este análisis se realizó mediante la técnica MLPA, que permite la
detección simultánea de pequeños cambios en el número de copias de varias
secuencias. Mediante un único experimento, basado en una PCR
semicuantitativa, pueden interrogarse hasta 40-50 regiones diferentes del
genoma. Las secuencias detectadas son pequeñas (de unos 60 nucleótidos)
permitiendo el análisis de ADN fragmentado. Esto es posible gracias al diseño
específico de las sondas de MLPA, que corresponden a secuencias únicas (no
repetidas) del genoma humano y que contienen varias regiones características.
Cada sonda consta de: dos oligonucleótidos (de unos 40-50 nucleótidos) que
hibridan de forma consecutiva en la región complementaria correspondiente del
ADN de la muestra y que posteriormente se unirán por acción de una enzima
específica (ADN-ligasa) formando una cadena única que pueda ser amplificada
por PCR; cada uno de estos oligonucleótidos tiene una región no
complementaria al ADN de la muestra que servirá como cebador universal para
amplificar simultáneamente todas las regiones analizadas; por último, uno de
los dos oligonucleótidos contiene además una secuencia stuffer cuyo tamaño
es diferente para cada sonda. La secuencia stuffer permite dar a cada sonda
un tamaño conocido para su identificación en el patrón de picos resultante de la
separación por electroforesis capilar, como se explica más adelante. Las
sondas tienen un tamaño total comprendido entre 120 y 500 nucleótidos.
Material y métodos
59
Para determinar si las muestras con diagnóstico de astrocitoma tenían
deleciones en los brazos cromosómicos 1p y/o 19q, se utilizó el kit SALSA
MLPA kit P088 B1 Oligodendroglioma (MRC-Holland). Este kit contiene 43
sondas, 15 de las cuales son sondas control. Estas sondas control
corresponden a regiones no alteradas del genoma. Las restantes sondas están
distribuidas a lo largo de los cromosomas 1 y 19: 15 sondas en 1p, 3 en 1q, 2
en 19p y 8 en 19q. La localización de cada una de las sondas del kit en estos
cromosomas está especificada en el Anexo II.
En cada experimento de MLPA se incluyeron dos controles: ADN de dos
tejidos normales incluidos en parafina. El proceso se llevó a cabo siguiendo las
instrucciones del fabricante, con alguna pequeña modificación. Este protocolo
se describe en detalle en el Anexo III.
El producto de la PCR fue separado mediante electroforesis capilar (ABI-
PRISM 3100 Avant, Applied Biosystems). El análisis de los datos de la
separación electroforética se llevó a cabo mediante el software GeneScan
(Applied Biosystems) y plantillas de hojas de cálculo en formato Microsoft®
Excel facilitadas por el fabricante del kit. En estas plantillas se calcula un ratio
para cada sonda: dicho ratio resulta del cociente entre la altura del pico
normalizada de cada sonda de la muestra y la altura del pico normalizada de la
sonda correspondiente del control. La altura normalizada de cada pico
corresponde al promedio de los cocientes entre la altura del pico en cuestión y
la altura de cada una de las sondas control. Esta normalización se lleva a cabo
para compensar las posibles diferencias en la eficiencia de la PCR de las
distintas sondas.
A partir del ratio muestra/control de cada sonda se puede determinar si la
muestra tumoral tiene alteraciones genéticas (deleciones) en una región
concreta: la muestra se considera normal si todas las sondas tienen un ratio
comprendido entre 0,7 y 1,4. Valores por debajo de 0.7 indican una deleción y
valores por encima de 1.4 indican una amplificación (Anexo III).
97
Material y métodos
58
proceso de extracción de las mismas. Para ello, todo el material utilizado y la
bancada de trabajo fueron esterilizados y se usó una mascarilla durante todo el
proceso. El protocolo detallado se describe en el Anexo I.
Las muestras se mantuvieron en hielo durante la cuantificación para
evitar la degradación del ARN. Una vez cuantificadas, se guardaron a -80ºC.
3.3. ANÁLISIS DE DELECIONES EN LOS BRAZOS CROMOSÓMICOS 1p/19q
Este análisis se realizó mediante la técnica MLPA, que permite la
detección simultánea de pequeños cambios en el número de copias de varias
secuencias. Mediante un único experimento, basado en una PCR
semicuantitativa, pueden interrogarse hasta 40-50 regiones diferentes del
genoma. Las secuencias detectadas son pequeñas (de unos 60 nucleótidos)
permitiendo el análisis de ADN fragmentado. Esto es posible gracias al diseño
específico de las sondas de MLPA, que corresponden a secuencias únicas (no
repetidas) del genoma humano y que contienen varias regiones características.
Cada sonda consta de: dos oligonucleótidos (de unos 40-50 nucleótidos) que
hibridan de forma consecutiva en la región complementaria correspondiente del
ADN de la muestra y que posteriormente se unirán por acción de una enzima
específica (ADN-ligasa) formando una cadena única que pueda ser amplificada
por PCR; cada uno de estos oligonucleótidos tiene una región no
complementaria al ADN de la muestra que servirá como cebador universal para
amplificar simultáneamente todas las regiones analizadas; por último, uno de
los dos oligonucleótidos contiene además una secuencia stuffer cuyo tamaño
es diferente para cada sonda. La secuencia stuffer permite dar a cada sonda
un tamaño conocido para su identificación en el patrón de picos resultante de la
separación por electroforesis capilar, como se explica más adelante. Las
sondas tienen un tamaño total comprendido entre 120 y 500 nucleótidos.
Material y métodos
59
Para determinar si las muestras con diagnóstico de astrocitoma tenían
deleciones en los brazos cromosómicos 1p y/o 19q, se utilizó el kit SALSA
MLPA kit P088 B1 Oligodendroglioma (MRC-Holland). Este kit contiene 43
sondas, 15 de las cuales son sondas control. Estas sondas control
corresponden a regiones no alteradas del genoma. Las restantes sondas están
distribuidas a lo largo de los cromosomas 1 y 19: 15 sondas en 1p, 3 en 1q, 2
en 19p y 8 en 19q. La localización de cada una de las sondas del kit en estos
cromosomas está especificada en el Anexo II.
En cada experimento de MLPA se incluyeron dos controles: ADN de dos
tejidos normales incluidos en parafina. El proceso se llevó a cabo siguiendo las
instrucciones del fabricante, con alguna pequeña modificación. Este protocolo
se describe en detalle en el Anexo III.
El producto de la PCR fue separado mediante electroforesis capilar (ABI-
PRISM 3100 Avant, Applied Biosystems). El análisis de los datos de la
separación electroforética se llevó a cabo mediante el software GeneScan
(Applied Biosystems) y plantillas de hojas de cálculo en formato Microsoft®
Excel facilitadas por el fabricante del kit. En estas plantillas se calcula un ratio
para cada sonda: dicho ratio resulta del cociente entre la altura del pico
normalizada de cada sonda de la muestra y la altura del pico normalizada de la
sonda correspondiente del control. La altura normalizada de cada pico
corresponde al promedio de los cocientes entre la altura del pico en cuestión y
la altura de cada una de las sondas control. Esta normalización se lleva a cabo
para compensar las posibles diferencias en la eficiencia de la PCR de las
distintas sondas.
A partir del ratio muestra/control de cada sonda se puede determinar si la
muestra tumoral tiene alteraciones genéticas (deleciones) en una región
concreta: la muestra se considera normal si todas las sondas tienen un ratio
comprendido entre 0,7 y 1,4. Valores por debajo de 0.7 indican una deleción y
valores por encima de 1.4 indican una amplificación (Anexo III).
98
Material y métodos
60
Además de los picos correspondientes a la amplificación de cada una de
las sondas, en cada producto de PCR pueden observarse nueve fragmentos
control: cuatro fragmentos (fragmentos Q) que indican la cantidad de ADN (a
64-70-76-82 nucleótidos), tres que indican la eficiencia de la desnaturalización
(fragmentos D, a 88-92-96 nt), un fragmento específico del cromosoma X a los
100nt y otro específico del cromosoma Y a los 105nt. Para una buena fiabilidad
del resultado del MLPA, la altura de los fragmentos Q debe ser lo más pequeña
posible y, en cualquier caso, no debe superar la mitad de la altura de los
fragmentos D (Figura 19).
Figura 19. Patrón de picos de un MLPA tras la separación de fragmentos por electroforesis capilar. El eje vertical indica la altura de los picos y el horizontal el tamaño de
los fragmentos (en nucleótidos). Señalados con flechas rojas se observan los picos
correspondientes a los fragmentos Q, indicadores de la cantidad de ADN; en verde, los
fragmentos D, indicadores de la eficiencia de desnaturalización; en negro, el fragmento del
cromosoma X; y en naranja, el fragmento del cromosoma Y.
Este protocolo se llevó a cabo exclusivamente para descartar o incluir
aquellas muestras cuyo diagnóstico era dudoso, en concreto para diferenciar
entre astrocitomas y oligodendrogliomas y descartar estos últimos.
Material y métodos
61
3.4. ANÁLISIS DEL ESTADO DE HIPERMETILACIÓN DEL GEN MGMT
Para la determinación del estado de metilación del promotor del gen
MGMT se empleó la técnica MS-MLPA, variante de la técnica explicada en el
apartado anterior. Esta determinación se llevó a cabo en 227 muestras de la
serie para el estudio de MGMT como posible marcador pronóstico y predictivo
de respuesta al tratamiento. Frente a la MS-PCR, más ampliamente utilizada
para la detección de regiones metiladas, el MS-MLPA presenta varias ventajas
por las cuales se decidió emplear esta técnica:
1. Permite detectar el estado de metilación en varias islas CpG
simultáneamente.
2. No está basada en la conversión de citosinas no metiladas en uracilo
mediante el tratamiento con bisulfito (Técnica MSP).
3. Puede analizarse ADN de bajo peso molecular debido al pequeño
tamaño de las sondas empleadas (50-60 pb).
4. Requiere pequeñas cantidades de ADN (100ng).
5. Además del estado de metilación, permite detectar alteraciones en el
número de copias de los loci analizados (deleciones, duplicaciones).
6. Es semicuantitativa. Permite detectar distintos porcentajes de
metilación, que vienen determinados por el ratio de cada sonda (J.
W. Jeuken, et al., 2007). En este aspecto, podría hacerse la
determinación por MS-PCR a tiempo real, pero esta técnica sigue
requiriendo la conversión con bisulfito. Además, a la hora de elegir un
control interno hay que tener en cuenta que el gen elegido puede
estar alterado en gliomas. Este problema también se evita con el MS-
MLPA, ya que el ratio de metilación se calcula comparando la
cantidad total de ADN de la muestra no digerida con la cantidad de
ADN presente después de la digestión de la muestra, que sólo
contiene fragmentos no metilados.
99
Material y métodos
60
Además de los picos correspondientes a la amplificación de cada una de
las sondas, en cada producto de PCR pueden observarse nueve fragmentos
control: cuatro fragmentos (fragmentos Q) que indican la cantidad de ADN (a
64-70-76-82 nucleótidos), tres que indican la eficiencia de la desnaturalización
(fragmentos D, a 88-92-96 nt), un fragmento específico del cromosoma X a los
100nt y otro específico del cromosoma Y a los 105nt. Para una buena fiabilidad
del resultado del MLPA, la altura de los fragmentos Q debe ser lo más pequeña
posible y, en cualquier caso, no debe superar la mitad de la altura de los
fragmentos D (Figura 19).
Figura 19. Patrón de picos de un MLPA tras la separación de fragmentos por electroforesis capilar. El eje vertical indica la altura de los picos y el horizontal el tamaño de
los fragmentos (en nucleótidos). Señalados con flechas rojas se observan los picos
correspondientes a los fragmentos Q, indicadores de la cantidad de ADN; en verde, los
fragmentos D, indicadores de la eficiencia de desnaturalización; en negro, el fragmento del
cromosoma X; y en naranja, el fragmento del cromosoma Y.
Este protocolo se llevó a cabo exclusivamente para descartar o incluir
aquellas muestras cuyo diagnóstico era dudoso, en concreto para diferenciar
entre astrocitomas y oligodendrogliomas y descartar estos últimos.
Material y métodos
61
3.4. ANÁLISIS DEL ESTADO DE HIPERMETILACIÓN DEL GEN MGMT
Para la determinación del estado de metilación del promotor del gen
MGMT se empleó la técnica MS-MLPA, variante de la técnica explicada en el
apartado anterior. Esta determinación se llevó a cabo en 227 muestras de la
serie para el estudio de MGMT como posible marcador pronóstico y predictivo
de respuesta al tratamiento. Frente a la MS-PCR, más ampliamente utilizada
para la detección de regiones metiladas, el MS-MLPA presenta varias ventajas
por las cuales se decidió emplear esta técnica:
1. Permite detectar el estado de metilación en varias islas CpG
simultáneamente.
2. No está basada en la conversión de citosinas no metiladas en uracilo
mediante el tratamiento con bisulfito (Técnica MSP).
3. Puede analizarse ADN de bajo peso molecular debido al pequeño
tamaño de las sondas empleadas (50-60 pb).
4. Requiere pequeñas cantidades de ADN (100ng).
5. Además del estado de metilación, permite detectar alteraciones en el
número de copias de los loci analizados (deleciones, duplicaciones).
6. Es semicuantitativa. Permite detectar distintos porcentajes de
metilación, que vienen determinados por el ratio de cada sonda (J.
W. Jeuken, et al., 2007). En este aspecto, podría hacerse la
determinación por MS-PCR a tiempo real, pero esta técnica sigue
requiriendo la conversión con bisulfito. Además, a la hora de elegir un
control interno hay que tener en cuenta que el gen elegido puede
estar alterado en gliomas. Este problema también se evita con el MS-
MLPA, ya que el ratio de metilación se calcula comparando la
cantidad total de ADN de la muestra no digerida con la cantidad de
ADN presente después de la digestión de la muestra, que sólo
contiene fragmentos no metilados.
100
Material y métodos
62
Estas características hacen del MS-MLPA una técnica apta para la
determinación del estado de metilación del promotor de MGMT en este estudio,
dada la baja cantidad y escasa calidad del ADN extraído de tejidos de archivo
histológico fijados en parafina. Este tipo de muestras dificulta la obtención de
ADN de buena calidad. Para estudios moleculares, además de la
fragmentación del ADN asociada al proceso de inclusión de los tejidos en
bloques de parafina, también se ha de tener en cuenta la antigüedad de las
muestras procesadas. En cuanto a las muestras procedentes de tejido
congelado, se analizaron también mediante esta técnica a pesar de que la
calidad del ADN en este caso era superior.
Para la determinación se empleó el kit SALSA MLPA kit ME011 B1
Mismatch Repair genes (MRC-Holland) que contiene 38 sondas, 16 de las
cuales (sondas control) no tienen punto de corte para la enzima de restricción
sensible a metilación HhaI (reconoce la secuencia GCGC). Las restantes 22
sondas sí tienen esta secuencia y son digeridas por la enzima de restricción
sólo cuando la secuencia de reconocimiento no está metilada. De entre éstas,
6 corresponden a distintas zonas de la región 5’ del gen MGMT. Tomando
como referencia el TSS (Transcription start site), la distribución de las sondas
es la siguiente: sonda 1 de -409 a -334, sonda 2 de -294 a -241, sonda 3 de -
41 a +10, sonda 4 de +205 a +259, sonda 5 de +286 a +339 y sonda 6 de +517
a +568 (Figura 20).
Material y métodos
63
Figura 20. Secuencia del promotor de MGMT e islas CpGs. La zona subrayada corresponde
a la isla CpG completa, en amarillo el sitio de inicio de la transcripción, en verde el exón 1 y los
recuadros rojos corresponden a las zonas de reconocimiento de la enzima HhaI.
El fundamento de la técnica es el mismo que el MLPA explicado en el
apartado anterior, con una pequeña modificación en el paso previo a la PCR
(Figura 21). El protocolo detallado se explica en el Anexo IV.
101
Material y métodos
62
Estas características hacen del MS-MLPA una técnica apta para la
determinación del estado de metilación del promotor de MGMT en este estudio,
dada la baja cantidad y escasa calidad del ADN extraído de tejidos de archivo
histológico fijados en parafina. Este tipo de muestras dificulta la obtención de
ADN de buena calidad. Para estudios moleculares, además de la
fragmentación del ADN asociada al proceso de inclusión de los tejidos en
bloques de parafina, también se ha de tener en cuenta la antigüedad de las
muestras procesadas. En cuanto a las muestras procedentes de tejido
congelado, se analizaron también mediante esta técnica a pesar de que la
calidad del ADN en este caso era superior.
Para la determinación se empleó el kit SALSA MLPA kit ME011 B1
Mismatch Repair genes (MRC-Holland) que contiene 38 sondas, 16 de las
cuales (sondas control) no tienen punto de corte para la enzima de restricción
sensible a metilación HhaI (reconoce la secuencia GCGC). Las restantes 22
sondas sí tienen esta secuencia y son digeridas por la enzima de restricción
sólo cuando la secuencia de reconocimiento no está metilada. De entre éstas,
6 corresponden a distintas zonas de la región 5’ del gen MGMT. Tomando
como referencia el TSS (Transcription start site), la distribución de las sondas
es la siguiente: sonda 1 de -409 a -334, sonda 2 de -294 a -241, sonda 3 de -
41 a +10, sonda 4 de +205 a +259, sonda 5 de +286 a +339 y sonda 6 de +517
a +568 (Figura 20).
Material y métodos
63
Figura 20. Secuencia del promotor de MGMT e islas CpGs. La zona subrayada corresponde
a la isla CpG completa, en amarillo el sitio de inicio de la transcripción, en verde el exón 1 y los
recuadros rojos corresponden a las zonas de reconocimiento de la enzima HhaI.
El fundamento de la técnica es el mismo que el MLPA explicado en el
apartado anterior, con una pequeña modificación en el paso previo a la PCR
(Figura 21). El protocolo detallado se explica en el Anexo IV.
102
Material y métodos
64
Figura 21. Esquema del MS-MLPA. El proceso de MS-MLPA comienza con la
desnaturalización de la muestra y la hibridación de las sondas. Tras la hibridación se procede a
la ligación de los dos oligonucleótidos de cada sonda y la digestión con la enzima de restricción
sensible a metilación HhaI. Si para una región concreta la muestra no está metilada, la enzima
cortará por su secuencia diana y no habrá amplificación de la sonda correspondiente. Pero si la
muestra está metilada la enzima no reconoce su secuencia diana y no digiere la muestra, por
lo que sí habrá amplificación de las sondas correspondientes a regiones metiladas. Después de
la PCR se separan los fragmentos por electroforesis capilar.
Los productos de PCR se separaron por electroforesis capilar de igual
modo que en el apartado anterior. También se utilizaron plantillas de hojas de
cálculo Microsoft Excel para interpretar los resultados de la electroforesis
(GeneScan software). En este caso, los ratios son el resultado del cociente
Material y métodos
65
entre la altura normalizada de cada pico de la muestra digerida y la altura
normalizada de su pico correspondiente del control no digerido.
El ratio establecido para discriminar entre el estado metilado y no
metilado de cada sonda se estableció en 0.25 según lo descrito por Jeuken y
col (J. W. Jeuken, et al., 2007) por lo cual, tomando este ratio como punto de
corte, la determinación de la metilación mediante MS-MLPA y MS-PCR en la
misma serie de casos coincidía. Siguiendo las indicaciones del fabricante del kit
(MRC-Holland), se descartaron del análisis la cuarta y sexta sondas (la cuarta
porque por lo general nunca aparece metilada y la sexta porque aparece
metilada en la mayoría de las muestras). Por tanto, el análisis se centró en las
restantes 4 sondas, 2 en el promotor y 2 en el intrón 1. Para determinar el
estado global de metilación de cada muestra teniendo en cuenta todas las
sondas de MGMT, se siguieron los siguientes criterios (Tabla 5):
Tabla 5: Criterios para determinar el estado de metilación de MGMT (J. W. Jeuken, et al.,
2007) (Anexo V).
Metilado
3 sondas tienen un ratio superior a 0.25
1 sonda tiene un ratio superior a 0.4 y al menos otra sonda con un ratio superior a 0.25
1 única sonda tiene un ratio superior a 0.7
Parcialmente Metilado
1 ó 2 sondas con un ratio ligeramente superior a 0.25
1 sonda con un ratio entre 0.4 y 0.6
No Metilado
Todas las sondas tienen un ratio inferior a 0.25
103
Material y métodos
64
Figura 21. Esquema del MS-MLPA. El proceso de MS-MLPA comienza con la
desnaturalización de la muestra y la hibridación de las sondas. Tras la hibridación se procede a
la ligación de los dos oligonucleótidos de cada sonda y la digestión con la enzima de restricción
sensible a metilación HhaI. Si para una región concreta la muestra no está metilada, la enzima
cortará por su secuencia diana y no habrá amplificación de la sonda correspondiente. Pero si la
muestra está metilada la enzima no reconoce su secuencia diana y no digiere la muestra, por
lo que sí habrá amplificación de las sondas correspondientes a regiones metiladas. Después de
la PCR se separan los fragmentos por electroforesis capilar.
Los productos de PCR se separaron por electroforesis capilar de igual
modo que en el apartado anterior. También se utilizaron plantillas de hojas de
cálculo Microsoft Excel para interpretar los resultados de la electroforesis
(GeneScan software). En este caso, los ratios son el resultado del cociente
Material y métodos
65
entre la altura normalizada de cada pico de la muestra digerida y la altura
normalizada de su pico correspondiente del control no digerido.
El ratio establecido para discriminar entre el estado metilado y no
metilado de cada sonda se estableció en 0.25 según lo descrito por Jeuken y
col (J. W. Jeuken, et al., 2007) por lo cual, tomando este ratio como punto de
corte, la determinación de la metilación mediante MS-MLPA y MS-PCR en la
misma serie de casos coincidía. Siguiendo las indicaciones del fabricante del kit
(MRC-Holland), se descartaron del análisis la cuarta y sexta sondas (la cuarta
porque por lo general nunca aparece metilada y la sexta porque aparece
metilada en la mayoría de las muestras). Por tanto, el análisis se centró en las
restantes 4 sondas, 2 en el promotor y 2 en el intrón 1. Para determinar el
estado global de metilación de cada muestra teniendo en cuenta todas las
sondas de MGMT, se siguieron los siguientes criterios (Tabla 5):
Tabla 5: Criterios para determinar el estado de metilación de MGMT (J. W. Jeuken, et al.,
2007) (Anexo V).
Metilado
3 sondas tienen un ratio superior a 0.25
1 sonda tiene un ratio superior a 0.4 y al menos otra sonda con un ratio superior a 0.25
1 única sonda tiene un ratio superior a 0.7
Parcialmente Metilado
1 ó 2 sondas con un ratio ligeramente superior a 0.25
1 sonda con un ratio entre 0.4 y 0.6
No Metilado
Todas las sondas tienen un ratio inferior a 0.25
104
Material y métodos
66
3.5. ANÁLISIS DEL FENOTIPO HIPERMETILADOR EN GLIOMAS El análisis del fenotipo hipermetilador de los gliomas se llevó a cabo
mediante la técnica MS-MLPA. Se utilizó el kit SALSA MLPA KIT ME042-B1
CIMP (MRC-Holland) que contiene 44 sondas, 12 de las cuales (sondas
control) no tienen punto de corte para la enzima de restricción sensible a
metilación HhaI (reconoce la secuencia GCGC, cortando entre la CG centrales
y cuando la C no está metilada). Las otras 31 sondas sí tienen esta secuencia y
son digeridas por la enzima de restricción sólo cuando la secuencia de
reconocimiento no está metilada. Las 31 sondas MS-MLPA detectan la
metilación de las regiones promotoras de 8 genes diferentes: CACNA1G
(calcium channel voltage-dependent T type alpha 1G subunit), CDKN2A,
CRABP1 (cellular retinoic acid binding protein 1), IGF2 (insulin like growth
factor 2), MLH1, NEUROG1 (neurogenin 1), RUNX3 (run related transcription
factor 3) y SOCS1. Estas regiones promotoras no están metiladas en el ADN
derivado de sangre de individuos sanos, pero se ha demostrado que están
frecuentemente metiladas en tumores CIMP. La sonda que falta detecta la
mutación V600E en BRAF. Este kit contiene los 8 marcadores que definen el
fenotipo CIMP en cáncer colorrectal.
Cada reacción de MS-MLPA genera dos muestras para análisis por
electroforesis capilar: una muestra no digerida de referencia y una muestra
digerida para detectar la metilación. El protocolo detallado, al igual que el de
MGMT, se describe en el Anexo IV. La única diferencia radica en la sonda
añadida al primer mástermix de hibridación.
Los productos de PCR se separaron por electroforesis capilar de igual
modo que en los apartados anteriores. También se utilizaron plantillas de hojas
de cálculo Microsoft Excel para interpretar los resultados de la electroforesis
(GeneScan software). En este caso, como en el caso de la metilación de
MGMT, los ratios son el resultado del cociente entre la altura normalizada de
cada pico de la muestra digerida y la altura normalizada de su pico
correspondiente del control no digerido (Figura 22 y 23).
Material y métodos
67
Figura 22. Patrón de electroforesis capilar de una muestra de ADN control humano
masculino de, aproximadamente, 50ng digerido y analizado con el kit SALSA MLPA KIT
ME042-B1 CIMP para determinar el estado de metilación.
Figura 23. Patrón de electroforesis capilar de una muestra de ADN control humano
masculino de, aproximadamente, 50ng no digerido y analizado con el kit SALSA MLPA KIT
ME042-B1 CIMP para cuantificar el estado de metilación.
La determinación del estado de metilación de cada uno de los genes del
panel de CIMP se basa en el comportamiento de las diferentes sondas para
cada gen, siguiendo los siguientes criterios:
105
Material y métodos
66
3.5. ANÁLISIS DEL FENOTIPO HIPERMETILADOR EN GLIOMAS El análisis del fenotipo hipermetilador de los gliomas se llevó a cabo
mediante la técnica MS-MLPA. Se utilizó el kit SALSA MLPA KIT ME042-B1
CIMP (MRC-Holland) que contiene 44 sondas, 12 de las cuales (sondas
control) no tienen punto de corte para la enzima de restricción sensible a
metilación HhaI (reconoce la secuencia GCGC, cortando entre la CG centrales
y cuando la C no está metilada). Las otras 31 sondas sí tienen esta secuencia y
son digeridas por la enzima de restricción sólo cuando la secuencia de
reconocimiento no está metilada. Las 31 sondas MS-MLPA detectan la
metilación de las regiones promotoras de 8 genes diferentes: CACNA1G
(calcium channel voltage-dependent T type alpha 1G subunit), CDKN2A,
CRABP1 (cellular retinoic acid binding protein 1), IGF2 (insulin like growth
factor 2), MLH1, NEUROG1 (neurogenin 1), RUNX3 (run related transcription
factor 3) y SOCS1. Estas regiones promotoras no están metiladas en el ADN
derivado de sangre de individuos sanos, pero se ha demostrado que están
frecuentemente metiladas en tumores CIMP. La sonda que falta detecta la
mutación V600E en BRAF. Este kit contiene los 8 marcadores que definen el
fenotipo CIMP en cáncer colorrectal.
Cada reacción de MS-MLPA genera dos muestras para análisis por
electroforesis capilar: una muestra no digerida de referencia y una muestra
digerida para detectar la metilación. El protocolo detallado, al igual que el de
MGMT, se describe en el Anexo IV. La única diferencia radica en la sonda
añadida al primer mástermix de hibridación.
Los productos de PCR se separaron por electroforesis capilar de igual
modo que en los apartados anteriores. También se utilizaron plantillas de hojas
de cálculo Microsoft Excel para interpretar los resultados de la electroforesis
(GeneScan software). En este caso, como en el caso de la metilación de
MGMT, los ratios son el resultado del cociente entre la altura normalizada de
cada pico de la muestra digerida y la altura normalizada de su pico
correspondiente del control no digerido (Figura 22 y 23).
Material y métodos
67
Figura 22. Patrón de electroforesis capilar de una muestra de ADN control humano
masculino de, aproximadamente, 50ng digerido y analizado con el kit SALSA MLPA KIT
ME042-B1 CIMP para determinar el estado de metilación.
Figura 23. Patrón de electroforesis capilar de una muestra de ADN control humano
masculino de, aproximadamente, 50ng no digerido y analizado con el kit SALSA MLPA KIT
ME042-B1 CIMP para cuantificar el estado de metilación.
La determinación del estado de metilación de cada uno de los genes del
panel de CIMP se basa en el comportamiento de las diferentes sondas para
cada gen, siguiendo los siguientes criterios:
106
Material y métodos
68
Metilado: 3 sondas tienen un ratio superior a 0.25, 1 sonda tiene un ratio
superior a 0.4 y al menos otra sonda con un ratio superior a 0.25, 1
única sonda tiene un ratio superior a 0.7.
Parcialmente Metilado: 1 ó 2 sondas con un ratio ligeramente superior
a 0.25, 1 sonda con un ratio entre 0.4 y 0.6.
No Metilado: todas las sondas tienen un ratio inferior a 0.25.
La metilación global se basa en el número de genes metilados con
respecto al total de los genes interrogados por el kit de MS-MLPA, en este caso
un total de ocho genes. Aquellas muestras que presentan cinco o más genes
metilados en base a los criterios anteriores, se consideran CIMP positivas
(Anexo VI).
3.6. ANÁLISIS DE IDH1 E IDH2 POR SECUENCIACIÓN DIRECTA
Tanto para el gen IDH1 como para IDH2 se amplificó mediante la PCR el
exón 4, que codifica para la región del dominio catalítico que contiene el codón
en el que se han descrito las mutaciones somáticas (R132 para IDH1 y R172
para IDH2). Para ello se utilizaron los cebadores descritos por Martin van den
Bent (Martin J. van den Bent, et al., 2010) (Tabla 6). Los reactivos de la PCR y
el programa de temperaturas se describen en las tablas 7 y 8.
Tabla 6. Cebadores para IDH1 e IDH2.
IDH1 forward CTCCTGATGAGAAGAGGGTTG
IDH1 reverse TGGAAATTTCTGGGCCATG
IDH2 forward TGGAACTATCCGGAACATCC
IDH2 reverse AGTCTGTGGCCTTGTACTGC
Materiales y métodos
69
Tabla 7. Reactivos para la PCR de IDH1 e IDH2.
REACTIVOS PCR IDH1/IDH2
Type-it ……………………………7.5µL
Glicerol (50%)……………………2.4µL
H2O……………………………….1.85µL
Primers 20pm (F+R)…………….1.25µL
ADN……………………………….2µL
Volumen total………………….....15µL
Tabla 8. Programa de temperaturas PCR IDH1/IDH2.
El producto de PCR se purificó con el reactivo Exosap-it (usb-Affymetrix)
para eliminar los reactivos sobrantes de la reacción de PCR (dNTP,
deoxinucleósidos trifosfato) y cebadores no utilizados.
Un total de 1.5µL del producto de PCR purificado se utilizaron como
ADN molde para la reacción de secuencia usando el BigDye® Terminator
Sequencing kit V3.1 (Applied Biosystems). Para mejorar la especificidad de
esta reacción se diseñó un cebador interno en un único sentido para IDH1 y
5 min a 95ºC 1 ciclo
30 seg a 95ºC
45 seg a 57ºC (IDH1)
45 seg a 56ºC (IDH2)
45ºC a 72ºC
10 min a 72ºC 1 ciclo
∞ a 10ºC 1 ciclo
40 ciclos
107
Material y métodos
68
Metilado: 3 sondas tienen un ratio superior a 0.25, 1 sonda tiene un ratio
superior a 0.4 y al menos otra sonda con un ratio superior a 0.25, 1
única sonda tiene un ratio superior a 0.7.
Parcialmente Metilado: 1 ó 2 sondas con un ratio ligeramente superior
a 0.25, 1 sonda con un ratio entre 0.4 y 0.6.
No Metilado: todas las sondas tienen un ratio inferior a 0.25.
La metilación global se basa en el número de genes metilados con
respecto al total de los genes interrogados por el kit de MS-MLPA, en este caso
un total de ocho genes. Aquellas muestras que presentan cinco o más genes
metilados en base a los criterios anteriores, se consideran CIMP positivas
(Anexo VI).
3.6. ANÁLISIS DE IDH1 E IDH2 POR SECUENCIACIÓN DIRECTA
Tanto para el gen IDH1 como para IDH2 se amplificó mediante la PCR el
exón 4, que codifica para la región del dominio catalítico que contiene el codón
en el que se han descrito las mutaciones somáticas (R132 para IDH1 y R172
para IDH2). Para ello se utilizaron los cebadores descritos por Martin van den
Bent (Martin J. van den Bent, et al., 2010) (Tabla 6). Los reactivos de la PCR y
el programa de temperaturas se describen en las tablas 7 y 8.
Tabla 6. Cebadores para IDH1 e IDH2.
IDH1 forward CTCCTGATGAGAAGAGGGTTG
IDH1 reverse TGGAAATTTCTGGGCCATG
IDH2 forward TGGAACTATCCGGAACATCC
IDH2 reverse AGTCTGTGGCCTTGTACTGC
Materiales y métodos
69
Tabla 7. Reactivos para la PCR de IDH1 e IDH2.
REACTIVOS PCR IDH1/IDH2
Type-it ……………………………7.5µL
Glicerol (50%)……………………2.4µL
H2O……………………………….1.85µL
Primers 20pm (F+R)…………….1.25µL
ADN……………………………….2µL
Volumen total………………….....15µL
Tabla 8. Programa de temperaturas PCR IDH1/IDH2.
El producto de PCR se purificó con el reactivo Exosap-it (usb-Affymetrix)
para eliminar los reactivos sobrantes de la reacción de PCR (dNTP,
deoxinucleósidos trifosfato) y cebadores no utilizados.
Un total de 1.5µL del producto de PCR purificado se utilizaron como
ADN molde para la reacción de secuencia usando el BigDye® Terminator
Sequencing kit V3.1 (Applied Biosystems). Para mejorar la especificidad de
esta reacción se diseñó un cebador interno en un único sentido para IDH1 y
5 min a 95ºC 1 ciclo
30 seg a 95ºC
45 seg a 57ºC (IDH1)
45 seg a 56ºC (IDH2)
45ºC a 72ºC
10 min a 72ºC 1 ciclo
∞ a 10ºC 1 ciclo
40 ciclos
108
Materiales y métodos
70
otro para IDH2. Los cebadores internos de secuenciación se diseñaron con el
programa informático Primer3 V 0.4.0 y fueron los siguientes (Tabla 9):
Tabla 9. Cebadores internos de secuenciación para IDH1 e IDH2.
IDH1-sec GAAATATTCTGGGTGGCACG
IDH2-sec AGCCCATCATCTGCAAAAAC
Los productos de las reacciones de secuencia se purificaron por
centrifugación en columnas DTR Gel Filtration Cartridges (EdgeBio) según las
instrucciones del fabricante. Una vez purificadas, las secuencias se resolvieron
mediante electroforesis capilar en un secuenciador automático (ABI-PRISM
3100 Avant, Applied Biosystems) y se visualizaron mediante el programa
Sequencing Analysis V 5.4 (Applied Biosystems). El límite de detección de una
mutación somática por secuenciación está en torno al 10%. Si el número de
alelos mutados está por debajo de ese límite, puede no detectarse, por lo que
se asume la posibilidad de falsos negativos.
3.7. RETROTRANSCRIPCIÓN-PCR CUANTITATIVA A TIEMPO REAL (RT-qPCR)
La RT-qPCR (qPCR con transcriptasa reversa) se realiza mediante dos
procesos consecutivos. En primer lugar se realiza una retro-transcripción, o
transcripción reversa, a partir de ARN de las muestras para sintetizar ADNc
(ADN complementario), por acción de la enzima retrotranscriptasa. Este ADNc
se utiliza como material de partida para el segundo proceso: la qPCR en tiempo
real, que mide la liberación de fluorescencia en la amplificación por PCR, de
modo que es posible determinar la concentración inicial de ácido nucleico. Para
llevar a cabo esta detección se utiliza un fragmento de ADN (en este caso
sondas TaqMan) complementario a la región del ADN que se quiere amplificar.
Material y métodos
71
Esta sonda lleva adherida una molécula fluorescente en el extremo 5’ y otra
molécula que inhibe esta fluorescencia ("quencher") en el extremo 3’. Cuando
la secuencia diana está presente, la sonda hibrida y se escinde por la actividad
5’ nucleasa de la Taq ADN polimerasa durante la extensión. De tal forma que,
cuando la sonda es desplazada de su sitio, la molécula fluorescente se libera
de la acción del "quencher" y emite fluorescencia al ser iluminada con una luz
de determinada longitud de onda. La cantidad de la fluorescencia emitida
durante cada ciclo de PCR será exponencialmente proporcional a la cantidad
de ADN que se está amplificando (Figura 24).
Figura 24. Esquema del funcionamiento de las sondas TaqMan en la qPCR.
La qPCR (Figura 25) se centra en la fase exponencial, fase no saturada
de la reacción, que proporciona los datos más precisos y exactos para la
cuantificación. Durante la esta fase se calculan dos parámetros:
109
Materiales y métodos
70
otro para IDH2. Los cebadores internos de secuenciación se diseñaron con el
programa informático Primer3 V 0.4.0 y fueron los siguientes (Tabla 9):
Tabla 9. Cebadores internos de secuenciación para IDH1 e IDH2.
IDH1-sec GAAATATTCTGGGTGGCACG
IDH2-sec AGCCCATCATCTGCAAAAAC
Los productos de las reacciones de secuencia se purificaron por
centrifugación en columnas DTR Gel Filtration Cartridges (EdgeBio) según las
instrucciones del fabricante. Una vez purificadas, las secuencias se resolvieron
mediante electroforesis capilar en un secuenciador automático (ABI-PRISM
3100 Avant, Applied Biosystems) y se visualizaron mediante el programa
Sequencing Analysis V 5.4 (Applied Biosystems). El límite de detección de una
mutación somática por secuenciación está en torno al 10%. Si el número de
alelos mutados está por debajo de ese límite, puede no detectarse, por lo que
se asume la posibilidad de falsos negativos.
3.7. RETROTRANSCRIPCIÓN-PCR CUANTITATIVA A TIEMPO REAL (RT-qPCR)
La RT-qPCR (qPCR con transcriptasa reversa) se realiza mediante dos
procesos consecutivos. En primer lugar se realiza una retro-transcripción, o
transcripción reversa, a partir de ARN de las muestras para sintetizar ADNc
(ADN complementario), por acción de la enzima retrotranscriptasa. Este ADNc
se utiliza como material de partida para el segundo proceso: la qPCR en tiempo
real, que mide la liberación de fluorescencia en la amplificación por PCR, de
modo que es posible determinar la concentración inicial de ácido nucleico. Para
llevar a cabo esta detección se utiliza un fragmento de ADN (en este caso
sondas TaqMan) complementario a la región del ADN que se quiere amplificar.
Material y métodos
71
Esta sonda lleva adherida una molécula fluorescente en el extremo 5’ y otra
molécula que inhibe esta fluorescencia ("quencher") en el extremo 3’. Cuando
la secuencia diana está presente, la sonda hibrida y se escinde por la actividad
5’ nucleasa de la Taq ADN polimerasa durante la extensión. De tal forma que,
cuando la sonda es desplazada de su sitio, la molécula fluorescente se libera
de la acción del "quencher" y emite fluorescencia al ser iluminada con una luz
de determinada longitud de onda. La cantidad de la fluorescencia emitida
durante cada ciclo de PCR será exponencialmente proporcional a la cantidad
de ADN que se está amplificando (Figura 24).
Figura 24. Esquema del funcionamiento de las sondas TaqMan en la qPCR.
La qPCR (Figura 25) se centra en la fase exponencial, fase no saturada
de la reacción, que proporciona los datos más precisos y exactos para la
cuantificación. Durante la esta fase se calculan dos parámetros:
110
Material y métodos
72
Umbral (threshold): nivel de detección en el que una reacción alcanza
una intensidad fluorescente por encima del ruido de fondo (background).
Ct (Ciclo umbral): ciclo de la PCR en el que la muestra alcanza el
umbral. Es inversamente proporcional al número de copias de ADNc de
la muestra, por lo que a mayor concentración de ADNc, menor Ct y, por
lo tanto, mayor expresión del gen de interés.
Figura 25. Curva tipo de una reacción cuantitativa a tiempo real. En la imagen están
representadas las diferentes fases: línea basal, fase exponencial, fase lineal y meseta. Se
observa, además, el Ct.
3.7.1. DETECCIÓN DE CMV 3.7.1.1. qPCR Para la detección de CMV se utilizó el kit RealStar CMV PCR Kit 1.2
(Altona Diagnostics GmbM). Se trata de un test diagnóstico in vitro, basado en
la tecnología de la PCR a tiempo real, para la detección y cuantificación de
Fase exponencial Fase lineal
Meseta
Material y métodos
73
ADN específico de CMV en humanos. El test utiliza la reacción de PCR para la
amplificación de secuencias específicas y sondas específicas de interés para la
detección y amplificación de ADN. La sonda específica para ADN de CMV está
marcada con el fluoróforo FAM, y la sonda específica para el control interno
está marcada con fluoróforo JOE.
El kit está formado por:
Dos reactivos Máster (Máster A y Máster B), que contienen todos los
componentes para que sea posible la amplificación y detección, por
PCR, del ADN específico de CMV y el control interno.
Un ADN control interno.
Cuatro estándares de cuantificación, que contienen concentraciones
específicas de CMV para generar una curva estándar, y de esta forma
poder determinar la concentración de CMV en la muestra (Tabla 10).
Agua de calidad para PCR.
Tabla 10. Estándares de cuantificación. Los cuatro estándares y sus
correspondientes concentraciones de CMV.
Estándares de cuantificación Concentración [IU/µL] QS1 1.00E+04
QS2 1.00E+03
QS3 1.00E+02
QS4 1.00E+01
El protocolo (Tablas 11 y 12) llevado a cabo se describe en el Anexo VII.
111
Material y métodos
72
Umbral (threshold): nivel de detección en el que una reacción alcanza
una intensidad fluorescente por encima del ruido de fondo (background).
Ct (Ciclo umbral): ciclo de la PCR en el que la muestra alcanza el
umbral. Es inversamente proporcional al número de copias de ADNc de
la muestra, por lo que a mayor concentración de ADNc, menor Ct y, por
lo tanto, mayor expresión del gen de interés.
Figura 25. Curva tipo de una reacción cuantitativa a tiempo real. En la imagen están
representadas las diferentes fases: línea basal, fase exponencial, fase lineal y meseta. Se
observa, además, el Ct.
3.7.1. DETECCIÓN DE CMV 3.7.1.1. qPCR Para la detección de CMV se utilizó el kit RealStar CMV PCR Kit 1.2
(Altona Diagnostics GmbM). Se trata de un test diagnóstico in vitro, basado en
la tecnología de la PCR a tiempo real, para la detección y cuantificación de
Fase exponencial Fase lineal
Meseta
Material y métodos
73
ADN específico de CMV en humanos. El test utiliza la reacción de PCR para la
amplificación de secuencias específicas y sondas específicas de interés para la
detección y amplificación de ADN. La sonda específica para ADN de CMV está
marcada con el fluoróforo FAM, y la sonda específica para el control interno
está marcada con fluoróforo JOE.
El kit está formado por:
Dos reactivos Máster (Máster A y Máster B), que contienen todos los
componentes para que sea posible la amplificación y detección, por
PCR, del ADN específico de CMV y el control interno.
Un ADN control interno.
Cuatro estándares de cuantificación, que contienen concentraciones
específicas de CMV para generar una curva estándar, y de esta forma
poder determinar la concentración de CMV en la muestra (Tabla 10).
Agua de calidad para PCR.
Tabla 10. Estándares de cuantificación. Los cuatro estándares y sus
correspondientes concentraciones de CMV.
Estándares de cuantificación Concentración [IU/µL] QS1 1.00E+04
QS2 1.00E+03
QS3 1.00E+02
QS4 1.00E+01
El protocolo (Tablas 11 y 12) llevado a cabo se describe en el Anexo VII.
112
Material y métodos
74
Tabla 11. Mix de reacción para la PCR.
Tabla 12. Condiciones de la qPCR para la detección de CMV.
2 min a 95ºC 1 ciclo
5 seg a 95ºC
30 seg a 60ºC
10 seg a 72ºC
30 seg a 40ºC 1 ciclo
Las muestras se analizaron por duplicado. Se usó una curva estandar de
seis puntos (Coeficiente de correlación de Pearson >0.99) para interpolar la
carga viral de HCMV de 10 a 10000 copias por célula.
3.7.1.2. Nested PCR
Se usó una segunda técnica, Nested PCR, para detectar HCMV en un
subconjunto de las muestras anteriores con el fin de corroborar los resultados
obtenidos mediante RT-qPCR. El proceso de pre-amplificación se llevó a cabo
Número de reacciones 1
Máster A 2.5µL
Máster B 5µL
Control Interno 0.5µL
Volumen Máster Mix 8µL
45 ciclos
Material y métodos
75
en un espacio de trabajo aislado, en una cabina de flujo vertical tratada con luz
UV para evitar contaminaciones y falsos positivos. Se analizaron con este
método 2 muestras incluídas en parafina y 28 muestras de tejido congelado. El
esquema de la Nested PCR seguido fue el descrito previamente por
Bhattacharjee y col (Bhattacharjee, et al., 2012) (Anexo VIII).
3.7.2. DETERMINACIÓN DEL NIVEL DE EXPRESIÓN GÉNICA DE SOCS1 Y MGMT POR RT-qPCR 3.7.2.1. Retrotranscripción
Para la retrotranscripción se utilizó el TaqMan Reverse Transcription kit
de Applied Biosystems.
1. Preparar Máster Mix de retrotranscripción (volumen final por muestra de
ARN: 25µL). Se aconseja añadir la enzima retrotranscriptasa en último lugar y,
mientras, se mantiene en frío en un termobloque (Tabla 13).
Tabla 13. Reactivos y sus correspondientes volúmenes para la PCR de retrotranscripción.
Reactivos para la retrotranscripción
10X Reverse Transcription Buffer………………………………………5µL
25X dNTPs………………………………………………….....................2µL
10X Random Primers………………………………………...................5µL
MultiScribeTM Reverse Transcriptase MMLV (50U/µL)…..................2.5µL
Oligo dT………………………………………………………..................2.5µL
Inhibidor de RNasa…………………………………………...................2.5µL
H2O libre de nucleasa……………………………………......................5.5µL
Volumen total por reacción………………………………....................25µL
2. Añadir 250ng ARN/reacción. Las muestras de ARN de partida tienen
concentración conocida, por lo que se calcula el V (volumen) necesario para
113
Material y métodos
74
Tabla 11. Mix de reacción para la PCR.
Tabla 12. Condiciones de la qPCR para la detección de CMV.
2 min a 95ºC 1 ciclo
5 seg a 95ºC
30 seg a 60ºC
10 seg a 72ºC
30 seg a 40ºC 1 ciclo
Las muestras se analizaron por duplicado. Se usó una curva estandar de
seis puntos (Coeficiente de correlación de Pearson >0.99) para interpolar la
carga viral de HCMV de 10 a 10000 copias por célula.
3.7.1.2. Nested PCR
Se usó una segunda técnica, Nested PCR, para detectar HCMV en un
subconjunto de las muestras anteriores con el fin de corroborar los resultados
obtenidos mediante RT-qPCR. El proceso de pre-amplificación se llevó a cabo
Número de reacciones 1
Máster A 2.5µL
Máster B 5µL
Control Interno 0.5µL
Volumen Máster Mix 8µL
45 ciclos
Material y métodos
75
en un espacio de trabajo aislado, en una cabina de flujo vertical tratada con luz
UV para evitar contaminaciones y falsos positivos. Se analizaron con este
método 2 muestras incluídas en parafina y 28 muestras de tejido congelado. El
esquema de la Nested PCR seguido fue el descrito previamente por
Bhattacharjee y col (Bhattacharjee, et al., 2012) (Anexo VIII).
3.7.2. DETERMINACIÓN DEL NIVEL DE EXPRESIÓN GÉNICA DE SOCS1 Y MGMT POR RT-qPCR 3.7.2.1. Retrotranscripción
Para la retrotranscripción se utilizó el TaqMan Reverse Transcription kit
de Applied Biosystems.
1. Preparar Máster Mix de retrotranscripción (volumen final por muestra de
ARN: 25µL). Se aconseja añadir la enzima retrotranscriptasa en último lugar y,
mientras, se mantiene en frío en un termobloque (Tabla 13).
Tabla 13. Reactivos y sus correspondientes volúmenes para la PCR de retrotranscripción.
Reactivos para la retrotranscripción
10X Reverse Transcription Buffer………………………………………5µL
25X dNTPs………………………………………………….....................2µL
10X Random Primers………………………………………...................5µL
MultiScribeTM Reverse Transcriptase MMLV (50U/µL)…..................2.5µL
Oligo dT………………………………………………………..................2.5µL
Inhibidor de RNasa…………………………………………...................2.5µL
H2O libre de nucleasa……………………………………......................5.5µL
Volumen total por reacción………………………………....................25µL
2. Añadir 250ng ARN/reacción. Las muestras de ARN de partida tienen
concentración conocida, por lo que se calcula el V (volumen) necesario para
114
Material y métodos
76
obtener los 250ng en un volumen final de 25µL (si es necesario, se añade agua
destilada hasta alcanzar dicho volumen).
VARN (µL) = 250ng/[ARN]0 (ng/µL)
VH2O = 25µL - VARN (µL)
3. Añadir y mezclar con la pipeta 25µl de Máster Mix a cada una de las
muestras, siendo 50µL el volumen total por reacción.
4. Dar un pulso a los tubos y colocarlos en el termociclador con el programa
siguiente (Figura 26):
Figura 26. Condiciones de la PCR para la retrotranscripción.
3.7.2.2. PCR cuantitativa a tiempo real
1. Programar el termociclador para realizar la qPCR (Applied Biosystems
7300 Real-Time PCR System) y crear una plantilla. El gen GAPDH
(Glyceraldehyde 3-phosphate dehydrogenase) es un “housekeeping
gene” o gen de expresión constitutiva, que sirve como control positivo
para poder cuantificar la expresión relativa de los genes SOCS1 y
MGMT. El NTC (Non Template Control) es el control negativo y no
contiene ADNc, sino agua.
2. Preparar 3 Máster Mix de PCR (Tabla 14), uno para cada gen: SOCS1,
MGMT, GAPDH.
∞
Material y métodos
77
Tabla 14. Volúmenes para la preparación de los Máster Mixes de PCR.
Reactivo Volumen (µL)
TaqMan®Universal PCR Master Mix 2X 7.5
TaqMan®Gene Expressión Assay 20X (SOCS1, MGMT,
GAPDH)
0.75
H2O destilada 2.75
ADNc muestra 4
Total por reacción 15
3. Añadir 11 µl Máster Mix/ pocillo en la placa.
4. Añadir 4 µl ADNc de cada muestra en el pocillo correspondiente según
el esquema de la placa (Figura 27).
5. Adherir el papel óptico en la superficie de la placa para evitar la
evaporación de las muestras y prevenir su posible contaminación.
6. Dar un pulso de centrífuga a la placa e introducirla en el termociclador.
Figura 27. Esquema de placa para la PCR cuantitativa a tiempo real. Cada muestra por
triplicado para cada uno de los genes.
115
Material y métodos
76
obtener los 250ng en un volumen final de 25µL (si es necesario, se añade agua
destilada hasta alcanzar dicho volumen).
VARN (µL) = 250ng/[ARN]0 (ng/µL)
VH2O = 25µL - VARN (µL)
3. Añadir y mezclar con la pipeta 25µl de Máster Mix a cada una de las
muestras, siendo 50µL el volumen total por reacción.
4. Dar un pulso a los tubos y colocarlos en el termociclador con el programa
siguiente (Figura 26):
Figura 26. Condiciones de la PCR para la retrotranscripción.
3.7.2.2. PCR cuantitativa a tiempo real
1. Programar el termociclador para realizar la qPCR (Applied Biosystems
7300 Real-Time PCR System) y crear una plantilla. El gen GAPDH
(Glyceraldehyde 3-phosphate dehydrogenase) es un “housekeeping
gene” o gen de expresión constitutiva, que sirve como control positivo
para poder cuantificar la expresión relativa de los genes SOCS1 y
MGMT. El NTC (Non Template Control) es el control negativo y no
contiene ADNc, sino agua.
2. Preparar 3 Máster Mix de PCR (Tabla 14), uno para cada gen: SOCS1,
MGMT, GAPDH.
∞
Material y métodos
77
Tabla 14. Volúmenes para la preparación de los Máster Mixes de PCR.
Reactivo Volumen (µL)
TaqMan®Universal PCR Master Mix 2X 7.5
TaqMan®Gene Expressión Assay 20X (SOCS1, MGMT,
GAPDH)
0.75
H2O destilada 2.75
ADNc muestra 4
Total por reacción 15
3. Añadir 11 µl Máster Mix/ pocillo en la placa.
4. Añadir 4 µl ADNc de cada muestra en el pocillo correspondiente según
el esquema de la placa (Figura 27).
5. Adherir el papel óptico en la superficie de la placa para evitar la
evaporación de las muestras y prevenir su posible contaminación.
6. Dar un pulso de centrífuga a la placa e introducirla en el termociclador.
Figura 27. Esquema de placa para la PCR cuantitativa a tiempo real. Cada muestra por
triplicado para cada uno de los genes.
116
Material y métodos
78
Para analizar los resultados de expresión extraídos de la RT-qPCR se
elaboró una hoja de cálculo predefinida en la cual se calculó el cociente entre la
expresión relativa de cada una de las muestras tumorales con respecto a la
expresión relativa del control sano (Fórmula 1), así como la desviación
estándar para cada conjunto de determinaciones por triplicado de Ct (réplicas
técnicas).
Fórmula 1. Ratio entre la expresión del tejido tumoral con respecto al tejido normal
sano. Se calcula para cada una de las muestras que componen la serie.
Se consideró que las muestras que presentaron valores de expresión por
debajo de 1.3 o por encima de 0.7, la expresión era prácticamente igual a la del
tejido normal (±30% de margen que incluye la variabilidad experimental) y no
se espera que haya una repercusión a nivel funcional.
3.8. ESTUDIO INMUNOHISTOQUÍMICO DE idh1, ki67, p53 Y HCMV
La detección de la expresión a nivel de proteínas se realizó por IHQ
sobre secciones de TMA (Tissue microarray) en el Servicio de Anatomía
Patológica del HGUA y del HGUE. Los TMAs se construyeron con inclusión de
2 cilindros de tejido tumoral por caso (cilindros de 1mm, un total 80 cilindros por
bloque) utilizando un dispositivo manual adecuado para ello (MTA-1, manual
tissue arrayer, Beecher Instruments). Los TMAs permiten estudiar de forma
simultánea todos los casos, minimizando el número de secciones y el coste en
reactivos y proporcionando una reacción inmunohistoquímica uniforme a todos
los casos incluidos en el TMA. Las técnicas inmunohistoquímicas se realizan
sobre cortes de los TMAs, de forma automatizada con equipo Techmate-500,
Material y métodos
79
con sistema de visualización de alta sensibilidad Envision® (DakoCytomation).
La valoración inmunohistoquímica se realizó por visualización al microscopio
óptico de forma independiente por dos patólogos.
idh1: se consideran positivos los casos con tinción
nuclear/citoplasmática de las células tumorales. Se consideran
negativos los casos que no muestren tinción.
ki67: se determina el porcentaje de células tumorales con tinción
nuclear.
p53: se determina el porcentaje de células tumorales con tinción nuclear.
HCMV: se utiliza el anticuerpo monoclonal Anti-CMV clones
CCH2/DDG9 (prediluído de DAKO) que se corresponde con las
proteínas p52 y p76 del HCMV.
3.9. MICROARRAY DE EXPRESIÓN
3.9.1. AMPLIFICACIÓN DEL ARN, MARCAJE E HIBRIDACIÓN A MICROARRAYS AGILENT
Esta parte se realizó en la empresa Bioarray S.L. (www.bioarray.es). La
calidad del ARN se evaluó usando TapeStation (Agilent Technologies). La
concentración del ARN y la incorporación del colorante se midieron usando un
espectrofotómetro UV-VIS (Nanodrop 1000, Agilent Technologies, Wilmington,
DE, USA). La hibridación al Microarray de Expresión Génica Custom 8x15K (ID
048848, Agilent Technologies) (genes analizados en el enlace
https://mynotebook.labarchives.com/share/Araceli/MjIuMXwxOTg1OTEvMTcvV
HJlZU5vZGUvODIwNTEwNjczfDU2LjE) se llevó a cabo siguiendo el protocolo
de dos colores del fabricante (Two-Color Microarray-Based Gene Expression
Analysis v.6.5, Agilent Technologies) y los colorantes de intercambio (Cy3 y
Cy5) se realizaron para el ARN amplificado a partir de cada muestra. Los chips
de Microarray se lavaron e, inmediatamente, se escanearon utilizando un DNA
Microarray Scanner (Modelo G2505C, Agilent Technologies).
117
Material y métodos
78
Para analizar los resultados de expresión extraídos de la RT-qPCR se
elaboró una hoja de cálculo predefinida en la cual se calculó el cociente entre la
expresión relativa de cada una de las muestras tumorales con respecto a la
expresión relativa del control sano (Fórmula 1), así como la desviación
estándar para cada conjunto de determinaciones por triplicado de Ct (réplicas
técnicas).
Fórmula 1. Ratio entre la expresión del tejido tumoral con respecto al tejido normal
sano. Se calcula para cada una de las muestras que componen la serie.
Se consideró que las muestras que presentaron valores de expresión por
debajo de 1.3 o por encima de 0.7, la expresión era prácticamente igual a la del
tejido normal (±30% de margen que incluye la variabilidad experimental) y no
se espera que haya una repercusión a nivel funcional.
3.8. ESTUDIO INMUNOHISTOQUÍMICO DE idh1, ki67, p53 Y HCMV
La detección de la expresión a nivel de proteínas se realizó por IHQ
sobre secciones de TMA (Tissue microarray) en el Servicio de Anatomía
Patológica del HGUA y del HGUE. Los TMAs se construyeron con inclusión de
2 cilindros de tejido tumoral por caso (cilindros de 1mm, un total 80 cilindros por
bloque) utilizando un dispositivo manual adecuado para ello (MTA-1, manual
tissue arrayer, Beecher Instruments). Los TMAs permiten estudiar de forma
simultánea todos los casos, minimizando el número de secciones y el coste en
reactivos y proporcionando una reacción inmunohistoquímica uniforme a todos
los casos incluidos en el TMA. Las técnicas inmunohistoquímicas se realizan
sobre cortes de los TMAs, de forma automatizada con equipo Techmate-500,
Material y métodos
79
con sistema de visualización de alta sensibilidad Envision® (DakoCytomation).
La valoración inmunohistoquímica se realizó por visualización al microscopio
óptico de forma independiente por dos patólogos.
idh1: se consideran positivos los casos con tinción
nuclear/citoplasmática de las células tumorales. Se consideran
negativos los casos que no muestren tinción.
ki67: se determina el porcentaje de células tumorales con tinción
nuclear.
p53: se determina el porcentaje de células tumorales con tinción nuclear.
HCMV: se utiliza el anticuerpo monoclonal Anti-CMV clones
CCH2/DDG9 (prediluído de DAKO) que se corresponde con las
proteínas p52 y p76 del HCMV.
3.9. MICROARRAY DE EXPRESIÓN
3.9.1. AMPLIFICACIÓN DEL ARN, MARCAJE E HIBRIDACIÓN A MICROARRAYS AGILENT
Esta parte se realizó en la empresa Bioarray S.L. (www.bioarray.es). La
calidad del ARN se evaluó usando TapeStation (Agilent Technologies). La
concentración del ARN y la incorporación del colorante se midieron usando un
espectrofotómetro UV-VIS (Nanodrop 1000, Agilent Technologies, Wilmington,
DE, USA). La hibridación al Microarray de Expresión Génica Custom 8x15K (ID
048848, Agilent Technologies) (genes analizados en el enlace
https://mynotebook.labarchives.com/share/Araceli/MjIuMXwxOTg1OTEvMTcvV
HJlZU5vZGUvODIwNTEwNjczfDU2LjE) se llevó a cabo siguiendo el protocolo
de dos colores del fabricante (Two-Color Microarray-Based Gene Expression
Analysis v.6.5, Agilent Technologies) y los colorantes de intercambio (Cy3 y
Cy5) se realizaron para el ARN amplificado a partir de cada muestra. Los chips
de Microarray se lavaron e, inmediatamente, se escanearon utilizando un DNA
Microarray Scanner (Modelo G2505C, Agilent Technologies).
118
Material y métodos
80
3.9.2. ANÁLISIS BIOINFORMÁTICO DE EXPRESIÓN GÉNICA
El análisis bioinformático se llevó a cabo con la ayuda del Dr. Eduardo
Larriba. La extracción de datos de las características del Microarray se realizó
utilizando el Feature Extraction Software (v.10.7) disponible en Agilent, usando
las variables predeterminadas. Las características atípicas en los arrays fueron
marcadas con el mismo paquete de software. El análisis de datos se llevó a
cabo utilizando la caja de herramientas para R Bioconductor
(www.bioconductor.org). El preprocesamiento de datos y el análisis de
expresión diferencial se realizaron utilizando el paquete de R/Bioconductor
Limma y se utilizaron las últimas anotaciones de genes disponibles RefSeq.
Las intensidades brutas de las características fueron corregidas utilizando un
algoritmo de corrección Normex Background. Dentro del array, la normalización
se realizó utilizando una regresión polinómica ponderada implementada en el
paquete de R/Bioconductor LOESS. Para la normalización entre arrays se
utilizó una normalización Aquantil. La expresión de cada gen se determinó
como el logaritmo en base 2 de la relación entre el valor obtenido de cada
condición relativa y el valor de cada condición control. Un gen se considera
diferencialmente expresado si muestra un p-valor ajustado menor que 0.05 por
test paramétrico. Estos análisis de enriquecimiento se realizaron utilizando el
web-tool DAVID bioinformatics Resources 6.7 (Huang da, Sherman, &
Lempicki, 2009a), siguiendo el protocolo publicado en Nature Protocols (Huang
da, Sherman, & Lempicki, 2009b). Estos análisis de enriquecimiento se basan,
en primer lugar, en utilizar la anotación funcional (asignación de términos
funcionales obtenidos de diferentes sistemas de anotación funcional, como por
ejemplo la anotación Gene Ontology) de los genes expresados
diferencialmente. En segundo lugar, las anotaciones presentes en los genes
expresados se contrastaron con las anotaciones de todos los genes presentes
en nuestra micromatriz de ADN y se observó estadísticamente qué funciones
se encontraban sobre o infra representadas (términos enriquecidos).
Material y métodos
81
3.10. ANÁLISIS ESTADÍSTICO
Toda la información sobre las variables incluidas en el estudio fue
introducida en una base de datos creada a tal efecto. En primer lugar se
realizó un análisis descriptivo de los casos incluidos en el estudio. El análisis
de las variables cualitativas se realizó mediante el cálculo de la frecuencia
relativa en porcentajes, y el de las cuantitativas, calculando la mediana. Los
datos obtenidos se analizaron mediante diferentes test estadísticos para
valorar su significación estadística. Las variables cuantitativas fueron
dicotomizadas usando el percentil 75 de cada una como punto de corte. Para
el contraste de las hipótesis planteadas se utilizó una p≤0.05. La comparación
de las variables cualitativas se realizó mediante análisis univariante con tablas
de contingencia cuyo valor estadístico se estimó mediante la prueba chi-
cuadrado, y en los casos en los que la n fue menor de 5 se utilizó el Test de
Fisher. Se calculó el Odds Ratio (OR) y el Intervalo de Confianza al 95% (IC
95%).
La supervivencia global fue analizada mediante curvas Kaplan-Meier y
se realizó un análisis multivariante con Regresión de Cox.
Todos los análisis estadísticos se llevaron a cabo con el programa R-
Commander.
119
Material y métodos
80
3.9.2. ANÁLISIS BIOINFORMÁTICO DE EXPRESIÓN GÉNICA
El análisis bioinformático se llevó a cabo con la ayuda del Dr. Eduardo
Larriba. La extracción de datos de las características del Microarray se realizó
utilizando el Feature Extraction Software (v.10.7) disponible en Agilent, usando
las variables predeterminadas. Las características atípicas en los arrays fueron
marcadas con el mismo paquete de software. El análisis de datos se llevó a
cabo utilizando la caja de herramientas para R Bioconductor
(www.bioconductor.org). El preprocesamiento de datos y el análisis de
expresión diferencial se realizaron utilizando el paquete de R/Bioconductor
Limma y se utilizaron las últimas anotaciones de genes disponibles RefSeq.
Las intensidades brutas de las características fueron corregidas utilizando un
algoritmo de corrección Normex Background. Dentro del array, la normalización
se realizó utilizando una regresión polinómica ponderada implementada en el
paquete de R/Bioconductor LOESS. Para la normalización entre arrays se
utilizó una normalización Aquantil. La expresión de cada gen se determinó
como el logaritmo en base 2 de la relación entre el valor obtenido de cada
condición relativa y el valor de cada condición control. Un gen se considera
diferencialmente expresado si muestra un p-valor ajustado menor que 0.05 por
test paramétrico. Estos análisis de enriquecimiento se realizaron utilizando el
web-tool DAVID bioinformatics Resources 6.7 (Huang da, Sherman, &
Lempicki, 2009a), siguiendo el protocolo publicado en Nature Protocols (Huang
da, Sherman, & Lempicki, 2009b). Estos análisis de enriquecimiento se basan,
en primer lugar, en utilizar la anotación funcional (asignación de términos
funcionales obtenidos de diferentes sistemas de anotación funcional, como por
ejemplo la anotación Gene Ontology) de los genes expresados
diferencialmente. En segundo lugar, las anotaciones presentes en los genes
expresados se contrastaron con las anotaciones de todos los genes presentes
en nuestra micromatriz de ADN y se observó estadísticamente qué funciones
se encontraban sobre o infra representadas (términos enriquecidos).
Material y métodos
81
3.10. ANÁLISIS ESTADÍSTICO
Toda la información sobre las variables incluidas en el estudio fue
introducida en una base de datos creada a tal efecto. En primer lugar se
realizó un análisis descriptivo de los casos incluidos en el estudio. El análisis
de las variables cualitativas se realizó mediante el cálculo de la frecuencia
relativa en porcentajes, y el de las cuantitativas, calculando la mediana. Los
datos obtenidos se analizaron mediante diferentes test estadísticos para
valorar su significación estadística. Las variables cuantitativas fueron
dicotomizadas usando el percentil 75 de cada una como punto de corte. Para
el contraste de las hipótesis planteadas se utilizó una p≤0.05. La comparación
de las variables cualitativas se realizó mediante análisis univariante con tablas
de contingencia cuyo valor estadístico se estimó mediante la prueba chi-
cuadrado, y en los casos en los que la n fue menor de 5 se utilizó el Test de
Fisher. Se calculó el Odds Ratio (OR) y el Intervalo de Confianza al 95% (IC
95%).
La supervivencia global fue analizada mediante curvas Kaplan-Meier y
se realizó un análisis multivariante con Regresión de Cox.
Todos los análisis estadísticos se llevaron a cabo con el programa R-
Commander.
RESULTADOS
RESULTADOS
Resultados
4. RESULTADOS 4.1. CARACTERIZACIÓN DE LOS PRINCIPALES MARCADORES
MOLECULARES EN GLIOMAS
4.1.1. ANÁLISIS DE LA METILACIÓN DEL PROMOTOR DEL GEN MGMT Y SU ASOCIACIÓN CON LAS VARIABLES CLÍNICAS
La determinación del estado de metilación del promotor de MGMT
realizada mediante MS-MLPA mostró que los tumores astrocíticos están
frecuentemente metilados. En total se analizaron 227 muestras de las 235
totales (96.59%).
Para determinar el estado global de metilación de cada muestra en
metilado, parcialmente metilado y no metilado, se siguieron los criterios
descritos en el Materiales y Métodos (Tabla 5).
Del total de muestras analizadas, el 60.35% presentaron metilación en
MGMT (137 de 227). Los resultados de la metilación por grado tumoral se
resumen en la siguiente tabla (Tabla 15).
Tabla 15. Porcentajes de metilación de MGMT. Tasa de metilación de los distintos tipos de
tumores incluidos en el estudio.
Grado tumoral MGMT metilado MGMT no metilado
AII (n= 25) 84% (n= 21) 16% (n= 4)
AIII (n= 26)
GBM (n= 176)
61.5% (n= 16)
56.8% (n= 100)
38.5% (n= 10)
43.2% (n= 76)
Tras el análisis global de la metilación se realizó un análisis más
detallado de cada sonda individualmente con el fin de determinar si alguna
región del promotor estaba preferentemente metilada. Descartando las sondas
número 4 y 6, como se explicó en el apartado de Materiales y Métodos, se
123
Resultados
4. RESULTADOS 4.1. CARACTERIZACIÓN DE LOS PRINCIPALES MARCADORES
MOLECULARES EN GLIOMAS
4.1.1. ANÁLISIS DE LA METILACIÓN DEL PROMOTOR DEL GEN MGMT Y SU ASOCIACIÓN CON LAS VARIABLES CLÍNICAS
La determinación del estado de metilación del promotor de MGMT
realizada mediante MS-MLPA mostró que los tumores astrocíticos están
frecuentemente metilados. En total se analizaron 227 muestras de las 235
totales (96.59%).
Para determinar el estado global de metilación de cada muestra en
metilado, parcialmente metilado y no metilado, se siguieron los criterios
descritos en el Materiales y Métodos (Tabla 5).
Del total de muestras analizadas, el 60.35% presentaron metilación en
MGMT (137 de 227). Los resultados de la metilación por grado tumoral se
resumen en la siguiente tabla (Tabla 15).
Tabla 15. Porcentajes de metilación de MGMT. Tasa de metilación de los distintos tipos de
tumores incluidos en el estudio.
Grado tumoral MGMT metilado MGMT no metilado
AII (n= 25) 84% (n= 21) 16% (n= 4)
AIII (n= 26)
GBM (n= 176)
61.5% (n= 16)
56.8% (n= 100)
38.5% (n= 10)
43.2% (n= 76)
Tras el análisis global de la metilación se realizó un análisis más
detallado de cada sonda individualmente con el fin de determinar si alguna
región del promotor estaba preferentemente metilada. Descartando las sondas
número 4 y 6, como se explicó en el apartado de Materiales y Métodos, se
124
Resultados
realizó un agrupamiento de los patrones de metilación de todos los casos y se
calculó la frecuencia de metilación de cada sonda (Figura 28). Los resultados
mostraron una mayor frecuencia de metilación de las sondas 5 y 1, localizadas
en el promotor y en el primer intrón, respectivamente, seguidas por la sonda 3,
localizada en el intrón 1. La sonda 2 del promotor se encontró metilada en
menor medida.
Figura 28. Patrones de metilación de las distintas sondas de MS-MLPA para MGMT. Los recuadros rojos corresponden a las sondas metiladas y los recuadros
blancos a las sondas no metiladas. En el eje vertical, el número de casos que
Resultados
presentan el patrón de metilación de cada línea horizontal. En el eje horizontal el
número de casos que presentan al menos la sonda correspondiente metilada.
En resumen, los tumores astrocíticos de esta serie mostraron un elevado
porcentaje de metilación del promotor del gen MGMT, siendo los tumores de
bajo grado los que presentaron mayor porcentaje de metilación (Tabla 15). Se
observó una asociación entre dicha metilación y el grado histológico del tumor
(p-valor 0.029). No se observó ninguna asociación con los marcadores clínicos
de sexo y edad (p-valor 0.439, 0.528, respectivamente).
Como se ha descrito en otros estudios, la metilación en MGMT se asocia
a una mayor supervivencia, es decir, es un factor de buen pronóstico. La curva
de supervivencia Kaplan-Meier de esta serie mostró que la diferencia de
supervivencia era estadísticamente significativa, con un p-valor de 0.004
(Figura 29).
Figura 29. Curva de supervivencia Kaplan-Meier de la metilación de MGMT en las muestras analizadas en el estudio. Línea negra: MGMT metilado; línea roja: MGMT no
metilado.
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
MGMT metilado MGMT no metilado
p-valor 0.004
125
Resultados
realizó un agrupamiento de los patrones de metilación de todos los casos y se
calculó la frecuencia de metilación de cada sonda (Figura 28). Los resultados
mostraron una mayor frecuencia de metilación de las sondas 5 y 1, localizadas
en el promotor y en el primer intrón, respectivamente, seguidas por la sonda 3,
localizada en el intrón 1. La sonda 2 del promotor se encontró metilada en
menor medida.
Figura 28. Patrones de metilación de las distintas sondas de MS-MLPA para MGMT. Los recuadros rojos corresponden a las sondas metiladas y los recuadros
blancos a las sondas no metiladas. En el eje vertical, el número de casos que
Resultados
presentan el patrón de metilación de cada línea horizontal. En el eje horizontal el
número de casos que presentan al menos la sonda correspondiente metilada.
En resumen, los tumores astrocíticos de esta serie mostraron un elevado
porcentaje de metilación del promotor del gen MGMT, siendo los tumores de
bajo grado los que presentaron mayor porcentaje de metilación (Tabla 15). Se
observó una asociación entre dicha metilación y el grado histológico del tumor
(p-valor 0.029). No se observó ninguna asociación con los marcadores clínicos
de sexo y edad (p-valor 0.439, 0.528, respectivamente).
Como se ha descrito en otros estudios, la metilación en MGMT se asocia
a una mayor supervivencia, es decir, es un factor de buen pronóstico. La curva
de supervivencia Kaplan-Meier de esta serie mostró que la diferencia de
supervivencia era estadísticamente significativa, con un p-valor de 0.004
(Figura 29).
Figura 29. Curva de supervivencia Kaplan-Meier de la metilación de MGMT en las muestras analizadas en el estudio. Línea negra: MGMT metilado; línea roja: MGMT no
metilado.
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
MGMT metilado MGMT no metilado
p-valor 0.004
126
Resultados
Teniendo en cuenta sólo los casos que recibieron tratamiento antitumoral
(n= 139, 61.23%), se observó que los casos metilados para MGMT que
recibieron tratamiento antitumoral (TMZ) (n= 79, 56.83%) presentaban una
mayor supervivencia que los casos tratados no metilados (p<0.000), es decir,
se trata de un marcador predictivo de respuesta al tratamiento (Figura 30).
Figura 30. Curva de supervivencia Kaplan-Meier de la metilación de MGMT en las muestras tratadas. Línea negra: MGMT metilado; línea roja: MGMT no metilado.
4.1.2. ANÁLISIS DE LAS CODELECIONES 1p/19q
La determinación de la codeleción 1p/19q mediante la técnica MLPA se
realizó sólo en aquellas muestras en las que el diagnóstico histológico no
estuviera totalmente claro, con el fin de identificar oligodendrogliomas. El total
de muestras analizadas fue de 37, de estas, el 64.86% no presentaron deleción
(24 de 37), el 10.81% presentó deleción parcial de 1p (4 de 37) y el 18.92%
presentó codelecion de 1p/19q (7 de 37). De estas últimas 7 muestras, se
descartaron 2 por ser oligodendrogliomas (2 de 37, 5.4%). Por último, las 2
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
MGMT metilado MGMT no metilado
p-valor <0.000
Resultados
muestras restantes dieron resultados no valorables (2 de 37, 5.4%). Los
resultados se detallan en la siguiente tabla (Tabla 16):
Tabla 16. Frecuencias de deleciones en 1p/19q. La tabla recoge las frecuencias de
deleción parcial, codeleción y no deleción de 1p/19q en las muestras analizadas en base al
grado tumoral.
Grado tumoral No deleción Deleción 1p Codeleción 1p/19q
AII (n= 20) 75% (15/20) 10% (2/20) 10% (2/20)
AIII (n= 15)
Oligos (n= 2)
60% (9/15)
0
13.3% (2/15)
0
20% (3/15)
100% (2/2)*
*Se descartaron los dos oligodendrogliomas de la serie al confirmarse el diagnóstico histológico
mediante este análisis.
4.1.3. ANÁLISIS DE 8 MARCADORES EPIGENÉTICOS EN GLIOMAS (G-CIMP): CACNA1G, CDKN2A, CRABP1, IGF2, MLH1, NEUROG1, RUNX3 Y SOCS1
Siguiendo los criterios descritos en Material y Métodos, al menos cinco de
los ocho genes analizados mostraron hipermetilación, los resultados del CIMP
según el grado tumoral fueron: 38.5% (10/26) tumores G-CIMP positivos en AII,
44% (11/25) en AIII y 22.3% (35/157) en GBM. Es decir, de las 208 muestras
de gliomas analizadas en el estudio, 56 presentaron un fenotipo hipermetilador
de islas CpG, esto es, un 26.9% de muestras CIMP positivas (Tabla 17).
127
Resultados
Teniendo en cuenta sólo los casos que recibieron tratamiento antitumoral
(n= 139, 61.23%), se observó que los casos metilados para MGMT que
recibieron tratamiento antitumoral (TMZ) (n= 79, 56.83%) presentaban una
mayor supervivencia que los casos tratados no metilados (p<0.000), es decir,
se trata de un marcador predictivo de respuesta al tratamiento (Figura 30).
Figura 30. Curva de supervivencia Kaplan-Meier de la metilación de MGMT en las muestras tratadas. Línea negra: MGMT metilado; línea roja: MGMT no metilado.
4.1.2. ANÁLISIS DE LAS CODELECIONES 1p/19q
La determinación de la codeleción 1p/19q mediante la técnica MLPA se
realizó sólo en aquellas muestras en las que el diagnóstico histológico no
estuviera totalmente claro, con el fin de identificar oligodendrogliomas. El total
de muestras analizadas fue de 37, de estas, el 64.86% no presentaron deleción
(24 de 37), el 10.81% presentó deleción parcial de 1p (4 de 37) y el 18.92%
presentó codelecion de 1p/19q (7 de 37). De estas últimas 7 muestras, se
descartaron 2 por ser oligodendrogliomas (2 de 37, 5.4%). Por último, las 2
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
MGMT metilado MGMT no metilado
p-valor <0.000
Resultados
muestras restantes dieron resultados no valorables (2 de 37, 5.4%). Los
resultados se detallan en la siguiente tabla (Tabla 16):
Tabla 16. Frecuencias de deleciones en 1p/19q. La tabla recoge las frecuencias de
deleción parcial, codeleción y no deleción de 1p/19q en las muestras analizadas en base al
grado tumoral.
Grado tumoral No deleción Deleción 1p Codeleción 1p/19q
AII (n= 20) 75% (15/20) 10% (2/20) 10% (2/20)
AIII (n= 15)
Oligos (n= 2)
60% (9/15)
0
13.3% (2/15)
0
20% (3/15)
100% (2/2)*
*Se descartaron los dos oligodendrogliomas de la serie al confirmarse el diagnóstico histológico
mediante este análisis.
4.1.3. ANÁLISIS DE 8 MARCADORES EPIGENÉTICOS EN GLIOMAS (G-CIMP): CACNA1G, CDKN2A, CRABP1, IGF2, MLH1, NEUROG1, RUNX3 Y SOCS1
Siguiendo los criterios descritos en Material y Métodos, al menos cinco de
los ocho genes analizados mostraron hipermetilación, los resultados del CIMP
según el grado tumoral fueron: 38.5% (10/26) tumores G-CIMP positivos en AII,
44% (11/25) en AIII y 22.3% (35/157) en GBM. Es decir, de las 208 muestras
de gliomas analizadas en el estudio, 56 presentaron un fenotipo hipermetilador
de islas CpG, esto es, un 26.9% de muestras CIMP positivas (Tabla 17).
128
Resultados
Tabla 17. Porcentajes de muestras CIMP+ (CIMP positivas) en base al grado tumoral.
Grado tumoral AII AIII GBM TOTAL
% CIMP + 38.5% (10/26) 44% (11/25) 22.3% (35/157) 26.9% (56/208)
A continuación, se muestra el porcentaje de metilación de cada uno de los
genes que componen el panel analizado con respecto al grado tumoral de las
diferentes muestras. Para cada uno de los genes se ha calculado el p-valor con
respecto al grado tumoral y, como se observa, SOCS1, NEUROG1 y CDKN2A
presentan un resultado estadísticamente significativo (Tabla 18).
Concretamente, la metilación de SOCS1 y CDKN2A se asoció a estadíos más
tempranos, mientras que una mayor metilación de NEUROG1 se observó en
tumores más avanzados.
Tabla 18. Porcentajes de tumores metilados de cada uno de los genes del panel CIMP
según el grado tumoral y el p-valor.
PORCENTAJES DE METILACIÓN
RUNX3 CACNA1G IGF2 MLH1 NEUROG CRABP SOCS1 CDKN2A
AII
(n= 26) 58.33 20.83 50 12.5 83.33 50 76.92 41.67
AIII
(n= 25) 82.14 28.57 53.57 10.71 96.43 53.57 44 35.71
GBM
(n= 157) 75.79 19.74 46.49 9.55 95.54 43.95 32.48 21.65
p-valor 0.116 0.573 0.768 0.902 0.049 0.587 <0.000 0.050
Resultados
Se observó una asociación estadísticamente significativa entre el G-CIMP
y el grado histológico (p-valor 0.028) (Tabla 17). Con respecto a la
supervivencia, también se observó una diferencia estadísticamente significativa
entre los casos con fenotipo hipermetilador positivo y los casos negativos,
siendo este fenotipo un biomarcador de buen pronóstico (p-valor 0.021) (Figura
31).
Figura 31. Curva de supervivencia Kaplan-Meier del G-CIMP en las muestras analizadas en el estudio. Línea roja: CIMP positivo; línea negra: CIMP negativo.
4.1.4. ANÁLISIS DE SOCS1
La determinación del fenotipo hipermetilador de las muestras mediante la
técnica MS-MLPA mostró que sólo uno de los marcadores moleculares
analizados (RUNX3, CACNA1G, IGF2, MLH1, NEUROG1, CRABP1, SOCS1,
CDKN2A) se asociaba con la metilación en MGMT, las mutaciones en IDH1,
con la edad y con el grado tumoral. Este marcador molecular fue SOCS1.
Profundizando en los resultados de CIMP del apartado anterior, se
observaron hasta siete patrones de metilación diferentes en SOCS1 (n= 208).
De estas muestras, 126 no mostraron metilación (60.6%) y 82 sí (39.4%).
Además, el análisis mostró siete patrones de metilación diferentes que se
CIMP positivo
CIMP negativo
p-valor 0.021
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
129
Resultados
Tabla 17. Porcentajes de muestras CIMP+ (CIMP positivas) en base al grado tumoral.
Grado tumoral AII AIII GBM TOTAL
% CIMP + 38.5% (10/26) 44% (11/25) 22.3% (35/157) 26.9% (56/208)
A continuación, se muestra el porcentaje de metilación de cada uno de los
genes que componen el panel analizado con respecto al grado tumoral de las
diferentes muestras. Para cada uno de los genes se ha calculado el p-valor con
respecto al grado tumoral y, como se observa, SOCS1, NEUROG1 y CDKN2A
presentan un resultado estadísticamente significativo (Tabla 18).
Concretamente, la metilación de SOCS1 y CDKN2A se asoció a estadíos más
tempranos, mientras que una mayor metilación de NEUROG1 se observó en
tumores más avanzados.
Tabla 18. Porcentajes de tumores metilados de cada uno de los genes del panel CIMP
según el grado tumoral y el p-valor.
PORCENTAJES DE METILACIÓN
RUNX3 CACNA1G IGF2 MLH1 NEUROG CRABP SOCS1 CDKN2A
AII
(n= 26) 58.33 20.83 50 12.5 83.33 50 76.92 41.67
AIII
(n= 25) 82.14 28.57 53.57 10.71 96.43 53.57 44 35.71
GBM
(n= 157) 75.79 19.74 46.49 9.55 95.54 43.95 32.48 21.65
p-valor 0.116 0.573 0.768 0.902 0.049 0.587 <0.000 0.050
Resultados
Se observó una asociación estadísticamente significativa entre el G-CIMP
y el grado histológico (p-valor 0.028) (Tabla 17). Con respecto a la
supervivencia, también se observó una diferencia estadísticamente significativa
entre los casos con fenotipo hipermetilador positivo y los casos negativos,
siendo este fenotipo un biomarcador de buen pronóstico (p-valor 0.021) (Figura
31).
Figura 31. Curva de supervivencia Kaplan-Meier del G-CIMP en las muestras analizadas en el estudio. Línea roja: CIMP positivo; línea negra: CIMP negativo.
4.1.4. ANÁLISIS DE SOCS1
La determinación del fenotipo hipermetilador de las muestras mediante la
técnica MS-MLPA mostró que sólo uno de los marcadores moleculares
analizados (RUNX3, CACNA1G, IGF2, MLH1, NEUROG1, CRABP1, SOCS1,
CDKN2A) se asociaba con la metilación en MGMT, las mutaciones en IDH1,
con la edad y con el grado tumoral. Este marcador molecular fue SOCS1.
Profundizando en los resultados de CIMP del apartado anterior, se
observaron hasta siete patrones de metilación diferentes en SOCS1 (n= 208).
De estas muestras, 126 no mostraron metilación (60.6%) y 82 sí (39.4%).
Además, el análisis mostró siete patrones de metilación diferentes que se
CIMP positivo
CIMP negativo
p-valor 0.021
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
130
Resultados
describen en la Figura 32. 39 casos mostraron metilación en la primera sonda
(154pb), 67 casos mostraron metilación en la segunda sonda (239pb), 10 casos
mostraron metilación en la tercera sonda (300pb) y 13 casos mostraron
metilación en la cuarta sonda (399pb). Los AII presentaron un 76.92% (20/26)
de metilación en SOCS1, los AIII un 44% (11/25) y los GBM un 32.48%
(51/157) (Tabla 19).
Tabla 19. Porcentajes de metilación de SOCS1 según el grado tumoral de las muestras.
Grado tumoral AII AIII GBM TOTAL
% Metilación SOCS1
76.9% (20/26)
44% (11/25)
32.5% (51/157)
39.4% (82/208)
Figura 32. Patrones de metilación de SOCS1. Los recuadros rojos corresponden a las
sondas metiladas y los recuadros blancos a las sondas no metiladas. En el eje vertical, el
número de casos que presentan el patrón de metilación de cada línea horizontal. En el eje
horizontal el número de casos que presentan al menos la sonda correspondiente metilada.
Resultados
En el caso de la metilación de SOCS1, también se observó una
asociación con el grado tumoral y con la edad (p-valor <0.000 en ambos casos)
(Tabla 19 y 20). En general, el porcentaje de metilación en los diferentes
grados tumorales fue elevado, sobre todo en los AII (Tabla 19). El Tto no se
asoció con este marcador (p-valor 0.590).
Tabla 20. Tabla de contingencia para la metilación de SOCS1 y la edad.
≤ Mediana > Mediana p-valor
SOCS1 metilado (n= 82) 69.5% (n= 57) 30.5% (n= 25)
<0.000 SOCS1 no metilado (n= 127) 33.8% (n= 43) 64.6% (n= 82)
La curva de supervivencia Kaplan-Meier reveló que la metilación de este
gen tiene un valor pronóstico en estos tumores, con p-valor estadísticamente
significativo <0.000 (Figura 33).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
SOCS1 metilado
SOCS1 no metilado
p-valor 3.04e-06
Resultados
En el caso de la metilación de SOCS1, también se observó una
asociación con el grado tumoral y con la edad (p-valor <0.000 en ambos casos)
(Tabla 19 y 20). En general, el porcentaje de metilación en los diferentes
grados tumorales fue elevado, sobre todo en los AII (Tabla 19). El Tto no se
asoció con este marcador (p-valor 0.590).
Tabla 20. Tabla de contingencia para la metilación de SOCS1 y la edad.
≤ Mediana > Mediana p-valor
SOCS1 metilado (n= 82) 69.5% (n= 57) 30.5% (n= 25)
<0.000 SOCS1 no metilado (n= 127) 33.8% (n= 43) 64.6% (n= 82)
La curva de supervivencia Kaplan-Meier reveló que la metilación de este
gen tiene un valor pronóstico en estos tumores, con p-valor estadísticamente
significativo <0.000 (Figura 33).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
SOCS1 metilado
SOCS1 no metilado
p-valor 3.04e-06
131
Resultados
describen en la Figura 32. 39 casos mostraron metilación en la primera sonda
(154pb), 67 casos mostraron metilación en la segunda sonda (239pb), 10 casos
mostraron metilación en la tercera sonda (300pb) y 13 casos mostraron
metilación en la cuarta sonda (399pb). Los AII presentaron un 76.92% (20/26)
de metilación en SOCS1, los AIII un 44% (11/25) y los GBM un 32.48%
(51/157) (Tabla 19).
Tabla 19. Porcentajes de metilación de SOCS1 según el grado tumoral de las muestras.
Grado tumoral AII AIII GBM TOTAL
% Metilación SOCS1
76.9% (20/26)
44% (11/25)
32.5% (51/157)
39.4% (82/208)
Figura 32. Patrones de metilación de SOCS1. Los recuadros rojos corresponden a las
sondas metiladas y los recuadros blancos a las sondas no metiladas. En el eje vertical, el
número de casos que presentan el patrón de metilación de cada línea horizontal. En el eje
horizontal el número de casos que presentan al menos la sonda correspondiente metilada.
Resultados
En el caso de la metilación de SOCS1, también se observó una
asociación con el grado tumoral y con la edad (p-valor <0.000 en ambos casos)
(Tabla 19 y 20). En general, el porcentaje de metilación en los diferentes
grados tumorales fue elevado, sobre todo en los AII (Tabla 19). El Tto no se
asoció con este marcador (p-valor 0.590).
Tabla 20. Tabla de contingencia para la metilación de SOCS1 y la edad.
≤ Mediana > Mediana p-valor
SOCS1 metilado (n= 82) 69.5% (n= 57) 30.5% (n= 25)
<0.000 SOCS1 no metilado (n= 127) 33.8% (n= 43) 64.6% (n= 82)
La curva de supervivencia Kaplan-Meier reveló que la metilación de este
gen tiene un valor pronóstico en estos tumores, con p-valor estadísticamente
significativo <0.000 (Figura 33).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
SOCS1 metilado
SOCS1 no metilado
p-valor 3.04e-06
Resultados
En el caso de la metilación de SOCS1, también se observó una
asociación con el grado tumoral y con la edad (p-valor <0.000 en ambos casos)
(Tabla 19 y 20). En general, el porcentaje de metilación en los diferentes
grados tumorales fue elevado, sobre todo en los AII (Tabla 19). El Tto no se
asoció con este marcador (p-valor 0.590).
Tabla 20. Tabla de contingencia para la metilación de SOCS1 y la edad.
≤ Mediana > Mediana p-valor
SOCS1 metilado (n= 82) 69.5% (n= 57) 30.5% (n= 25)
<0.000 SOCS1 no metilado (n= 127) 33.8% (n= 43) 64.6% (n= 82)
La curva de supervivencia Kaplan-Meier reveló que la metilación de este
gen tiene un valor pronóstico en estos tumores, con p-valor estadísticamente
significativo <0.000 (Figura 33).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
SOCS1 metilado
SOCS1 no metilado
p-valor 3.04e-06
132
Resultados
Figura 33. Curva de supervivencia Kaplan-Meier de la metilación en SOCS1 en las muestras analizadas en el estudio. Línea roja: SOCS1 metilado; línea negra: SOCS1 no
metilado.
4.1.5. ANÁLISIS DE LA EXPRESIÓN GÉNICA DE SOCS1 Y MGMT
Se realizó un análisis de expresión génica mediante RT-qPCR en una
serie de muestras para realizar una posterior comparación con el estado de
metilación de las mismas. Se seleccionaron 13 muestras de tejido congelado
de la serie total diagnosticadas como GBM y un pool de tejido normal. Esta
selección se hizo en base a la calidad y cantidad de las muestras.
4.1.5.1 PCR CUANTITATIVA A TIEMPO REAL A continuación, se muestran las gráficas con los valores de expresión
para cada uno de los dos genes analizados (Figuras 34 y 35). Los niveles de
expresión se muestran normalizados con respecto al tejido normal, que es el
mismo para todas las muestras, y al que se asignó el valor de 1.
p-valor <0.000
Resultados
Figura 34. Expresión de MGMT de las muestras tumorales normalizada con respecto al control. (Línea horizontal roja, valor 1). En el eje Y se observan los valores de expresión y en
el eje X cada una de las muestras analizadas.
Figura 35. Expresión de SOCS1 de las muestras tumorales normalizada con respecto al control. En el eje Y se observan los valores de expresión y en el eje X cada una de las
muestras analizadas.
Resultados
Figura 33. Curva de supervivencia Kaplan-Meier de la metilación en SOCS1 en las muestras analizadas en el estudio. Línea roja: SOCS1 metilado; línea negra: SOCS1 no
metilado.
4.1.5. ANÁLISIS DE LA EXPRESIÓN GÉNICA DE SOCS1 Y MGMT
Se realizó un análisis de expresión génica mediante RT-qPCR en una
serie de muestras para realizar una posterior comparación con el estado de
metilación de las mismas. Se seleccionaron 13 muestras de tejido congelado
de la serie total diagnosticadas como GBM y un pool de tejido normal. Esta
selección se hizo en base a la calidad y cantidad de las muestras.
4.1.5.1 PCR CUANTITATIVA A TIEMPO REAL A continuación, se muestran las gráficas con los valores de expresión
para cada uno de los dos genes analizados (Figuras 34 y 35). Los niveles de
expresión se muestran normalizados con respecto al tejido normal, que es el
mismo para todas las muestras, y al que se asignó el valor de 1.
p-valor <0.000
Resultados
En el caso de la metilación de SOCS1, también se observó una
asociación con el grado tumoral y con la edad (p-valor <0.000 en ambos casos)
(Tabla 19 y 20). En general, el porcentaje de metilación en los diferentes
grados tumorales fue elevado, sobre todo en los AII (Tabla 19). El Tto no se
asoció con este marcador (p-valor 0.590).
Tabla 20. Tabla de contingencia para la metilación de SOCS1 y la edad.
≤ Mediana > Mediana p-valor
SOCS1 metilado (n= 82) 69.5% (n= 57) 30.5% (n= 25)
<0.000 SOCS1 no metilado (n= 127) 33.8% (n= 43) 64.6% (n= 82)
La curva de supervivencia Kaplan-Meier reveló que la metilación de este
gen tiene un valor pronóstico en estos tumores, con p-valor estadísticamente
significativo <0.000 (Figura 33).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
SOCS1 metilado
SOCS1 no metilado
p-valor 3.04e-06
Resultados
Figura 33. Curva de supervivencia Kaplan-Meier de la metilación en SOCS1 en las muestras analizadas en el estudio. Línea roja: SOCS1 metilado; línea negra: SOCS1 no
metilado.
4.1.5. ANÁLISIS DE LA EXPRESIÓN GÉNICA DE SOCS1 Y MGMT
Se realizó un análisis de expresión génica mediante RT-qPCR en una
serie de muestras para realizar una posterior comparación con el estado de
metilación de las mismas. Se seleccionaron 13 muestras de tejido congelado
de la serie total diagnosticadas como GBM y un pool de tejido normal. Esta
selección se hizo en base a la calidad y cantidad de las muestras.
4.1.5.1 PCR CUANTITATIVA A TIEMPO REAL A continuación, se muestran las gráficas con los valores de expresión
para cada uno de los dos genes analizados (Figuras 34 y 35). Los niveles de
expresión se muestran normalizados con respecto al tejido normal, que es el
mismo para todas las muestras, y al que se asignó el valor de 1.
p-valor <0.000
133
Resultados
Figura 33. Curva de supervivencia Kaplan-Meier de la metilación en SOCS1 en las muestras analizadas en el estudio. Línea roja: SOCS1 metilado; línea negra: SOCS1 no
metilado.
4.1.5. ANÁLISIS DE LA EXPRESIÓN GÉNICA DE SOCS1 Y MGMT
Se realizó un análisis de expresión génica mediante RT-qPCR en una
serie de muestras para realizar una posterior comparación con el estado de
metilación de las mismas. Se seleccionaron 13 muestras de tejido congelado
de la serie total diagnosticadas como GBM y un pool de tejido normal. Esta
selección se hizo en base a la calidad y cantidad de las muestras.
4.1.5.1 PCR CUANTITATIVA A TIEMPO REAL A continuación, se muestran las gráficas con los valores de expresión
para cada uno de los dos genes analizados (Figuras 34 y 35). Los niveles de
expresión se muestran normalizados con respecto al tejido normal, que es el
mismo para todas las muestras, y al que se asignó el valor de 1.
p-valor <0.000
Resultados
Figura 34. Expresión de MGMT de las muestras tumorales normalizada con respecto al control. (Línea horizontal roja, valor 1). En el eje Y se observan los valores de expresión y en
el eje X cada una de las muestras analizadas.
Figura 35. Expresión de SOCS1 de las muestras tumorales normalizada con respecto al control. En el eje Y se observan los valores de expresión y en el eje X cada una de las
muestras analizadas.
Resultados
Figura 33. Curva de supervivencia Kaplan-Meier de la metilación en SOCS1 en las muestras analizadas en el estudio. Línea roja: SOCS1 metilado; línea negra: SOCS1 no
metilado.
4.1.5. ANÁLISIS DE LA EXPRESIÓN GÉNICA DE SOCS1 Y MGMT
Se realizó un análisis de expresión génica mediante RT-qPCR en una
serie de muestras para realizar una posterior comparación con el estado de
metilación de las mismas. Se seleccionaron 13 muestras de tejido congelado
de la serie total diagnosticadas como GBM y un pool de tejido normal. Esta
selección se hizo en base a la calidad y cantidad de las muestras.
4.1.5.1 PCR CUANTITATIVA A TIEMPO REAL A continuación, se muestran las gráficas con los valores de expresión
para cada uno de los dos genes analizados (Figuras 34 y 35). Los niveles de
expresión se muestran normalizados con respecto al tejido normal, que es el
mismo para todas las muestras, y al que se asignó el valor de 1.
p-valor <0.000
Resultados
En el caso de la metilación de SOCS1, también se observó una
asociación con el grado tumoral y con la edad (p-valor <0.000 en ambos casos)
(Tabla 19 y 20). En general, el porcentaje de metilación en los diferentes
grados tumorales fue elevado, sobre todo en los AII (Tabla 19). El Tto no se
asoció con este marcador (p-valor 0.590).
Tabla 20. Tabla de contingencia para la metilación de SOCS1 y la edad.
≤ Mediana > Mediana p-valor
SOCS1 metilado (n= 82) 69.5% (n= 57) 30.5% (n= 25)
<0.000 SOCS1 no metilado (n= 127) 33.8% (n= 43) 64.6% (n= 82)
La curva de supervivencia Kaplan-Meier reveló que la metilación de este
gen tiene un valor pronóstico en estos tumores, con p-valor estadísticamente
significativo <0.000 (Figura 33).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
SOCS1 metilado
SOCS1 no metilado
p-valor 3.04e-06
Resultados
Figura 33. Curva de supervivencia Kaplan-Meier de la metilación en SOCS1 en las muestras analizadas en el estudio. Línea roja: SOCS1 metilado; línea negra: SOCS1 no
metilado.
4.1.5. ANÁLISIS DE LA EXPRESIÓN GÉNICA DE SOCS1 Y MGMT
Se realizó un análisis de expresión génica mediante RT-qPCR en una
serie de muestras para realizar una posterior comparación con el estado de
metilación de las mismas. Se seleccionaron 13 muestras de tejido congelado
de la serie total diagnosticadas como GBM y un pool de tejido normal. Esta
selección se hizo en base a la calidad y cantidad de las muestras.
4.1.5.1 PCR CUANTITATIVA A TIEMPO REAL A continuación, se muestran las gráficas con los valores de expresión
para cada uno de los dos genes analizados (Figuras 34 y 35). Los niveles de
expresión se muestran normalizados con respecto al tejido normal, que es el
mismo para todas las muestras, y al que se asignó el valor de 1.
p-valor <0.000
134
Resultados
En el caso de MGMT la mayoría de las muestras presentaron valores de
expresión más bajos que el tejido normal, tres se mantuvieron dentro de los
niveles normales de expresión y una presentó sobreexpresión del gen. Por el
contrario, los valores de expresión de SOCS1 en las muestras tumorales
presentaron valores muy por encima.
4.1.5.2. ANÁLISIS DE LA ASOCIACIÓN ENTRE METILACIÓN Y EXPRESIÓN DE SOCS1 Y MGMT
Una vez obtenidos los datos, se llevó a cabo una comparación entre el
estado de metilación y la expresión, tanto de MGMT como de SOCS1, en cada
una de las muestras analizadas en el apartado anterior (Tabla 21).
Tabla 21. Resumen de la metilación y expresión de MGMT y SOCS1 de las muestras de gliomas analizadas. En rojo los valores de expresión relativa normalizada sobreexpresados,
en azul los infraexpresados y en negro los que presentaban expresión igual a la del tejido
normal.
Muestra Grado Metilación MGMT Sondas MGMT
Metilación SOCS1
Sondas SOCS1
Expresión relativa normalizada
5 2 4 3 1 6 3 1 2 4 MGMT SOCS1 1 GBM Metilado No Metilado 6,868 6746,858 2 GBM No Metilado No Metilado 0,346 3956,475 3 AIII Metilado Metilado 0,098 55,908 4 GBM Metilado No Metilado 0,039 88,340 5 GBM No Metilado No Metilado 0,113 13,548 6 GBM Parcialm. Metilado No Metilado 0,073 33,128 7 GBM No Metilado No Metilado 0,936 181,648 8 GBM No Metilado No Metilado 1.133 144,507 9 AIII Metilado No Metilado 0,724 106,891
10 GBM Metilado No Metilado 0,541 1136,199 11 AII Metilado No Metilado 0,613 91,773 12 GBM No Metilado No Metilado 0,124 82,424 13 GBM Parcialm. Metilado No Metilado 0,697 403,102
Resultados
Como se observa en la tabla anterior, 6 muestras cumplieron lo esperado
para MGMT, es decir, estaban metiladas y la expresión fue menor (6/13,
46.15%), 1 muestra estaba metilada y dos no metiladas y la expresión fue igual
a la del tejido normal, 3 muestras no metiladas y con expresión disminuída y 1
muestra metilada y con la expresión aumentada. En cuanto a la correlación
entre la metilación y la expresión en SOCS1, en este caso todas las muestras
estuvieron sobreexpresadas, incluso la muestra metilada para este gen. Todas
dieron valores de expresión muy por encima del tejido normal.
Las variables cuantitativas (expresión relativa normalizada de MGMT y
SOCS1) se dicotomizaron para transformarlas en cualitativas (igual o mayor
expresión que el tejido normal y menor expresión). En el caso de la metilación-
expresión de MGMT, el análisis estadístico por Test de Fisher no dió un
resultado estadísticamente significativo (p-valor= 1, IC 95%= 0.025-10.812,
OR= 0.528), lo que quiere decir que no se observa una asociación entre
hipermetilación del promotor y pérdida de expresión a nivel de ARN. En cuanto
a SOCS1, al estar sobreexpresado en todas las muestras, no se pudo realizar
el análisis estadístico.
4.1.6. ANÁLISIS DE LAS MUTACIONES EN LOS GENES IDH1 E IDH2 Y SU ASOCIACIÓN CON LAS VARIABLES CLÍNICAS
La secuenciación directa de las mutaciones puntuales en los puntos
calientes (Hotspot) de IDH1 e IDH2 reveló que en los tumores analizados
ocurren con frecuencia mutaciones en IDH1 pero rara vez en IDH2.
Globalmente, se encontraron 45 muestras mutadas en las 235 muestras
analizadas (19.1%), de las cuales 43 se detectaron en IDH1 (95.56%) y
solamente 2 en IDH2 (4.44%). De las mutaciones descritas en estos dos genes
(Tablas 2 y 3), se detectaron tres tipos en IDH1 (CGT>CAT, Arg132His;
CGT>GGT, Arg132Gly y CGT>CTT, Arg132Leu) y un solo tipo en IDH2
(AGG>AGT, Arg172Ser) (Tabla 22).
135
Resultados
En el caso de MGMT la mayoría de las muestras presentaron valores de
expresión más bajos que el tejido normal, tres se mantuvieron dentro de los
niveles normales de expresión y una presentó sobreexpresión del gen. Por el
contrario, los valores de expresión de SOCS1 en las muestras tumorales
presentaron valores muy por encima.
4.1.5.2. ANÁLISIS DE LA ASOCIACIÓN ENTRE METILACIÓN Y EXPRESIÓN DE SOCS1 Y MGMT
Una vez obtenidos los datos, se llevó a cabo una comparación entre el
estado de metilación y la expresión, tanto de MGMT como de SOCS1, en cada
una de las muestras analizadas en el apartado anterior (Tabla 21).
Tabla 21. Resumen de la metilación y expresión de MGMT y SOCS1 de las muestras de gliomas analizadas. En rojo los valores de expresión relativa normalizada sobreexpresados,
en azul los infraexpresados y en negro los que presentaban expresión igual a la del tejido
normal.
Muestra Grado Metilación MGMT Sondas MGMT
Metilación SOCS1
Sondas SOCS1
Expresión relativa normalizada
5 2 4 3 1 6 3 1 2 4 MGMT SOCS1 1 GBM Metilado No Metilado 6,868 6746,858 2 GBM No Metilado No Metilado 0,346 3956,475 3 AIII Metilado Metilado 0,098 55,908 4 GBM Metilado No Metilado 0,039 88,340 5 GBM No Metilado No Metilado 0,113 13,548 6 GBM Parcialm. Metilado No Metilado 0,073 33,128 7 GBM No Metilado No Metilado 0,936 181,648 8 GBM No Metilado No Metilado 1.133 144,507 9 AIII Metilado No Metilado 0,724 106,891
10 GBM Metilado No Metilado 0,541 1136,199 11 AII Metilado No Metilado 0,613 91,773 12 GBM No Metilado No Metilado 0,124 82,424 13 GBM Parcialm. Metilado No Metilado 0,697 403,102
Resultados
Como se observa en la tabla anterior, 6 muestras cumplieron lo esperado
para MGMT, es decir, estaban metiladas y la expresión fue menor (6/13,
46.15%), 1 muestra estaba metilada y dos no metiladas y la expresión fue igual
a la del tejido normal, 3 muestras no metiladas y con expresión disminuída y 1
muestra metilada y con la expresión aumentada. En cuanto a la correlación
entre la metilación y la expresión en SOCS1, en este caso todas las muestras
estuvieron sobreexpresadas, incluso la muestra metilada para este gen. Todas
dieron valores de expresión muy por encima del tejido normal.
Las variables cuantitativas (expresión relativa normalizada de MGMT y
SOCS1) se dicotomizaron para transformarlas en cualitativas (igual o mayor
expresión que el tejido normal y menor expresión). En el caso de la metilación-
expresión de MGMT, el análisis estadístico por Test de Fisher no dió un
resultado estadísticamente significativo (p-valor= 1, IC 95%= 0.025-10.812,
OR= 0.528), lo que quiere decir que no se observa una asociación entre
hipermetilación del promotor y pérdida de expresión a nivel de ARN. En cuanto
a SOCS1, al estar sobreexpresado en todas las muestras, no se pudo realizar
el análisis estadístico.
4.1.6. ANÁLISIS DE LAS MUTACIONES EN LOS GENES IDH1 E IDH2 Y SU ASOCIACIÓN CON LAS VARIABLES CLÍNICAS
La secuenciación directa de las mutaciones puntuales en los puntos
calientes (Hotspot) de IDH1 e IDH2 reveló que en los tumores analizados
ocurren con frecuencia mutaciones en IDH1 pero rara vez en IDH2.
Globalmente, se encontraron 45 muestras mutadas en las 235 muestras
analizadas (19.1%), de las cuales 43 se detectaron en IDH1 (95.56%) y
solamente 2 en IDH2 (4.44%). De las mutaciones descritas en estos dos genes
(Tablas 2 y 3), se detectaron tres tipos en IDH1 (CGT>CAT, Arg132His;
CGT>GGT, Arg132Gly y CGT>CTT, Arg132Leu) y un solo tipo en IDH2
(AGG>AGT, Arg172Ser) (Tabla 22).
136
Resultados
Tabla 22. Mutaciones en los genes IDH. La tabla muestra las distintas mutaciones
encontradas en los genes IDH1 e IDH2 en los tumores analizados. Arg (Arginina), Ser (Serina),
His (Histidina), Gly (Glicina), Leu (Leucina).
AII AIII GBM
IDH1
CGT>CAT (Arg132His) 18 8 13
CGT>GGT (Arg132Gly)
CGT>CTT (Arg132Leu)
1
0
1
1
0
1
IDH2
AGG>AGT (Arg172Ser) 0 0 2
Atendiendo a la clasificación de los tumores, las frecuencias de las
mutaciones fueron las siguientes: 75% (21 de 28) en los AII, 28.6% (8 de 28)
en los AIII, 8.9% (16 de 179) en los GBM (Tabla 23).
Tabla 23. Porcentajes de mutación de IDH. La tabla recoge las frecuencias de mutación en
IDH de los distintos tipos de tumores incluidos en el estudio.
Grado tumoral IDH mutado IDH no mutado
AII (n= 28) 75% (n= 21) 25% (n= 7)
AIII (n= 28)
GBM (n= 179)
28.6% (n= 8)
8.9% (n= 16)
71.4% (n= 20)
91.1% (n= 163)
Por último, para la determinación de las mutaciones en IDH mediante IHQ
se consideraron positivos los casos con tinción nuclear/citoplasmática de las
células tumorales y negativos los casos que no presentaron dicha tinción. Se
analizaron mediante esta técnica 223 muestras, de las cuales 44 presentaron
Resultados
inmunotinción positiva (44/223, 19.7%). Al igual que en el análisis de este gen
por secuenciación directa, el mayor porcentaje de casos mutados se
corresponde con los AII (15/26, 57.7%), seguido de los AIII (6/26, 23.1%) y, por
último, de los GBM (23/171, 13.4%).
La secuenciación de IDH demostró una fuerte asociación con el grado
histológico (p-valor <0.000), el mayor porcentaje de mutaciones se da en los
AII y va disminuyendo conforme aumenta el grado tumoral (Tabla 23). Además,
se observó una asociación con la edad. A mayor edad del paciente, menos
porcentaje de mutaciones en dicho gen (p-valor <0.000, IC (Intervalo de
confianza) 95% 8.003-280.906; OR (Odds Ratio) 32.297). Por último, se
observó una asociación entre este marcador y el Tto (Tratamiento), dicha
variable abarca cuatro posibilidades: Qx (Cirugía) + RT y/o QT, sólo Qx, biopsia
+ RT y/o QT o sólo biopsia (p-valor 0.025) (Tablas 24 y 25).
Tabla 24. Tabla de contingencia para mutaciones en IDH y la edad.
≤ Mediana > Mediana p-valor
IDH mutado (n= 45) 95.5% (n= 43) 4.4% (n= 2) <0.000
IDH wt (n= 190) 39.3% (n= 75) 59.7% (n= 114)
Tabla 25. Tabla de contingencia para mutaciones en IDH y Tto.
Qx + RT y/o QT Sólo Qx Biopsia + RT
y/o QT Sólo Biopsia p-valor
IDH mutado (n= 45)
42.2% (n= 19)
8.9% (n= 4)
11.1% (n= 5)
2.2% (n= 1)
0.025 IDH wt (n= 190)
37.2% (n= 71)
1.6% (n= 3)
23% (n= 44)
4.2% (n= 8)
En cuanto a la IHQ de IDH (n= 223), como era de esperar, también se
asocia con la edad y el diagnóstico (p-valor 0.000 y <0.000, respectivamente).
137
Resultados
Tabla 22. Mutaciones en los genes IDH. La tabla muestra las distintas mutaciones
encontradas en los genes IDH1 e IDH2 en los tumores analizados. Arg (Arginina), Ser (Serina),
His (Histidina), Gly (Glicina), Leu (Leucina).
AII AIII GBM
IDH1
CGT>CAT (Arg132His) 18 8 13
CGT>GGT (Arg132Gly)
CGT>CTT (Arg132Leu)
1
0
1
1
0
1
IDH2
AGG>AGT (Arg172Ser) 0 0 2
Atendiendo a la clasificación de los tumores, las frecuencias de las
mutaciones fueron las siguientes: 75% (21 de 28) en los AII, 28.6% (8 de 28)
en los AIII, 8.9% (16 de 179) en los GBM (Tabla 23).
Tabla 23. Porcentajes de mutación de IDH. La tabla recoge las frecuencias de mutación en
IDH de los distintos tipos de tumores incluidos en el estudio.
Grado tumoral IDH mutado IDH no mutado
AII (n= 28) 75% (n= 21) 25% (n= 7)
AIII (n= 28)
GBM (n= 179)
28.6% (n= 8)
8.9% (n= 16)
71.4% (n= 20)
91.1% (n= 163)
Por último, para la determinación de las mutaciones en IDH mediante IHQ
se consideraron positivos los casos con tinción nuclear/citoplasmática de las
células tumorales y negativos los casos que no presentaron dicha tinción. Se
analizaron mediante esta técnica 223 muestras, de las cuales 44 presentaron
Resultados
inmunotinción positiva (44/223, 19.7%). Al igual que en el análisis de este gen
por secuenciación directa, el mayor porcentaje de casos mutados se
corresponde con los AII (15/26, 57.7%), seguido de los AIII (6/26, 23.1%) y, por
último, de los GBM (23/171, 13.4%).
La secuenciación de IDH demostró una fuerte asociación con el grado
histológico (p-valor <0.000), el mayor porcentaje de mutaciones se da en los
AII y va disminuyendo conforme aumenta el grado tumoral (Tabla 23). Además,
se observó una asociación con la edad. A mayor edad del paciente, menos
porcentaje de mutaciones en dicho gen (p-valor <0.000, IC (Intervalo de
confianza) 95% 8.003-280.906; OR (Odds Ratio) 32.297). Por último, se
observó una asociación entre este marcador y el Tto (Tratamiento), dicha
variable abarca cuatro posibilidades: Qx (Cirugía) + RT y/o QT, sólo Qx, biopsia
+ RT y/o QT o sólo biopsia (p-valor 0.025) (Tablas 24 y 25).
Tabla 24. Tabla de contingencia para mutaciones en IDH y la edad.
≤ Mediana > Mediana p-valor
IDH mutado (n= 45) 95.5% (n= 43) 4.4% (n= 2) <0.000
IDH wt (n= 190) 39.3% (n= 75) 59.7% (n= 114)
Tabla 25. Tabla de contingencia para mutaciones en IDH y Tto.
Qx + RT y/o QT Sólo Qx Biopsia + RT
y/o QT Sólo Biopsia p-valor
IDH mutado (n= 45)
42.2% (n= 19)
8.9% (n= 4)
11.1% (n= 5)
2.2% (n= 1)
0.025 IDH wt (n= 190)
37.2% (n= 71)
1.6% (n= 3)
23% (n= 44)
4.2% (n= 8)
En cuanto a la IHQ de IDH (n= 223), como era de esperar, también se
asocia con la edad y el diagnóstico (p-valor 0.000 y <0.000, respectivamente).
138
Resultados
Sin embargo, se pierde la asociación con la Tto (p-valor 0.242) y aparece una
nueva asociación con el sexo (p-valor 0.045). Por último, se observó una
asociación muy significativa entre las dos técnicas empleadas para detectar las
mutaciones en IDH: la secuenciación directa y la IHQ (p-valor <0.000) (Tabla
26).
Tabla 26. Tabla de contingencia para mutaciones en IDH por secuenciación directa y por
IHQ.
IHQ
IDH mut IDH no mut p-valor
Secuenciación directa
IDH mut 62.79% (n= 27)
37.21% (n= 16)
<0.000 IDH no mut 9.44%
(n= 17) 90.55% (n= 163)
El valor pronóstico de este biomarcador, al igual que MGMT, está bien
establecido. Tras el análisis de supervivencia se observó una diferencia
estadísticamente significativa entre las curvas en esta serie de tumores (p-valor
<0.000) (Figura 36). Además, se realizó un análisis de supervivencia
estableciendo cuatro grupos, en base a la edad y al estado mutacional de IDH.
Los grupos fueron los siguientes:
1: IDH mutado y edad ≤ mediana
2: IDH mutado y edad > mediana
3: IDH no mutado y edad ≤ mediana
4: IDH no mutado y edad > mediana
Los resultados de este análisis se observan en la Figura 37 (p=0).
Resultados
Figura 36. Curva de supervivencia Kaplan-Meier de las mutaciones en IDH en las muestras analizadas en el estudio. Línea negra: IDH mutado; línea roja: IDH no mutado.
Figura 37. Curva de supervivencia Kaplan-Meier de los cuatro grupos establecidos en base a las mutaciones en IDH y la edad. Línea negra: IDH mutado y edad igual o menor que
la mediana; línea roja: IDH mutado y edad mayor que la mediana; línea verde: IDH no mutado y
edad menor o igual que la mediana; línea azul: IDH no mutado y edad mayor que la mediana.
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
IDH mutado IDH no mutado
p-valor 5.37e-09
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
IDH mutado y edad ≤ mediana
IDH mutado y edad > mediana
IDH no mutado y edad ≤ mediana
IDH no mutado y edad > mediana
p-valor 0
p-valor <0.000
139
Resultados
Sin embargo, se pierde la asociación con la Tto (p-valor 0.242) y aparece una
nueva asociación con el sexo (p-valor 0.045). Por último, se observó una
asociación muy significativa entre las dos técnicas empleadas para detectar las
mutaciones en IDH: la secuenciación directa y la IHQ (p-valor <0.000) (Tabla
26).
Tabla 26. Tabla de contingencia para mutaciones en IDH por secuenciación directa y por
IHQ.
IHQ
IDH mut IDH no mut p-valor
Secuenciación directa
IDH mut 62.79% (n= 27)
37.21% (n= 16)
<0.000 IDH no mut 9.44%
(n= 17) 90.55% (n= 163)
El valor pronóstico de este biomarcador, al igual que MGMT, está bien
establecido. Tras el análisis de supervivencia se observó una diferencia
estadísticamente significativa entre las curvas en esta serie de tumores (p-valor
<0.000) (Figura 36). Además, se realizó un análisis de supervivencia
estableciendo cuatro grupos, en base a la edad y al estado mutacional de IDH.
Los grupos fueron los siguientes:
1: IDH mutado y edad ≤ mediana
2: IDH mutado y edad > mediana
3: IDH no mutado y edad ≤ mediana
4: IDH no mutado y edad > mediana
Los resultados de este análisis se observan en la Figura 37 (p=0).
Resultados
Figura 36. Curva de supervivencia Kaplan-Meier de las mutaciones en IDH en las muestras analizadas en el estudio. Línea negra: IDH mutado; línea roja: IDH no mutado.
Figura 37. Curva de supervivencia Kaplan-Meier de los cuatro grupos establecidos en base a las mutaciones en IDH y la edad. Línea negra: IDH mutado y edad igual o menor que
la mediana; línea roja: IDH mutado y edad mayor que la mediana; línea verde: IDH no mutado y
edad menor o igual que la mediana; línea azul: IDH no mutado y edad mayor que la mediana.
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
IDH mutado IDH no mutado
p-valor 5.37e-09
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
IDH mutado y edad ≤ mediana
IDH mutado y edad > mediana
IDH no mutado y edad ≤ mediana
IDH no mutado y edad > mediana
p-valor 0
p-valor <0.000
140
Resultados
4.1.7. ANÁLISIS POR IHQ DE ki67 y p53. Tanto para ki67 como para p53, el índice de marcaje por IHQ se calculó
como porcentaje de núcleos marcados por 1000 células (Arshad, Ahmad, &
Hasan, 2010). En ambos casos se establecieron varios puntos de corte para
determinar la positividad o negatividad de las muestras y, de esta forma,
encontrar el porcentaje más restrictivo y que mostrara una mejor correlación
con el resto de marcadores y valores clínicos. Los puntos de corte para ki67
fueron un 3%, un 10% y un 20%. En el caso de p53 fueron un 10% y un 50%.
Los porcentajes por debajo del punto de corte serían negativos y por encima
positivos. En el caso de p53, un porcentaje por encima del punto de corte
indicaría que la muestra presenta mutación en dicho gen. Del total de muestras
de la serie, 221 fueron analizadas para ki67 (94.04%) y 222 para p53 (94.47%).
Los resultados para cada uno de los puntos de corte se resumen en la tabla 27.
Tabla 27. Frecuencia de muestras positivas y negativas para ki67 y p53. Positividad y
negatividad determinada en base a diferentes puntos de corte (al 3, 10 y 20% para ki67 y al 10
y 50% para p53).
ki67 ≤3% >3% ≤10% >10% ≤20% >20%
n (%)
AII 19 (76) 6 (24) 23 (92) 2 (8) 24 (96) 1 (4)
AIII 18 (66.67) 9 (33.33) 24 (88.89) 3 (11.11) 26 (96.29) 1 (3.7)
GBM 75 (44.38) 94 (55.62) 126 (74.56) 43 (25.44) 151 (89.35) 18 (10.65)
Total 112 (50.7) 109 (49.3) 173 (78.3) 48 (21.7) 201 (91) 20 (9)
p-valor 0.003 0.05 0.326
Resultados
Como se ha comentado anteriormente, se establecieron diferentes puntos
de corte, tanto en ki67 como en p53, para determinar la positividad o
negatividad de las muestras. En el caso de ki67, se observó una asociación
entre ki67 al 3% con el grado tumoral (p-valor 0.003). y con el Tto (p-valor
0.015). En cuanto a p53, se observó una asociación entre p53 al 10% con el
grado tumoral (p-valor 0.021) y con la edad (p-valor 0.018).
Por otro lado, la comparación de ambos marcadores entre sí demostró
una serie de asociaciones (Tabla 28 y 29):
Tabla 28. Correlación de Spearman para las variables cuantitativas Ki67 y p53.
p-valor Rho
ki67 p53 0.002 0.208*
*El valor de rho indica una posible asociación directa entre ambas variables, sin embargo (y a
pesar de que el p-valor es estadísticamente significativo) es un valor muy cercano a cero y, por
tanto, no se puede confirmar que exista dicha asociación.
p53 ≤10% >10% ≤50% >50%
n (%)
AII 8 (32) 17 (68) 20 (80) 5 (20%)
AIII 10 (71.43) 4 (28.57) 11 (78.57) 3 (7.14)
GBM 85 (50) 85 (50) 123 (72.35) 47 (27.65)
Total 112 (50.4) 110 (49.5) 164 (73.9) 58 (26.19)
p-valor 0.021 0.637
141
Resultados
4.1.7. ANÁLISIS POR IHQ DE ki67 y p53. Tanto para ki67 como para p53, el índice de marcaje por IHQ se calculó
como porcentaje de núcleos marcados por 1000 células (Arshad, Ahmad, &
Hasan, 2010). En ambos casos se establecieron varios puntos de corte para
determinar la positividad o negatividad de las muestras y, de esta forma,
encontrar el porcentaje más restrictivo y que mostrara una mejor correlación
con el resto de marcadores y valores clínicos. Los puntos de corte para ki67
fueron un 3%, un 10% y un 20%. En el caso de p53 fueron un 10% y un 50%.
Los porcentajes por debajo del punto de corte serían negativos y por encima
positivos. En el caso de p53, un porcentaje por encima del punto de corte
indicaría que la muestra presenta mutación en dicho gen. Del total de muestras
de la serie, 221 fueron analizadas para ki67 (94.04%) y 222 para p53 (94.47%).
Los resultados para cada uno de los puntos de corte se resumen en la tabla 27.
Tabla 27. Frecuencia de muestras positivas y negativas para ki67 y p53. Positividad y
negatividad determinada en base a diferentes puntos de corte (al 3, 10 y 20% para ki67 y al 10
y 50% para p53).
ki67 ≤3% >3% ≤10% >10% ≤20% >20%
n (%)
AII 19 (76) 6 (24) 23 (92) 2 (8) 24 (96) 1 (4)
AIII 18 (66.67) 9 (33.33) 24 (88.89) 3 (11.11) 26 (96.29) 1 (3.7)
GBM 75 (44.38) 94 (55.62) 126 (74.56) 43 (25.44) 151 (89.35) 18 (10.65)
Total 112 (50.7) 109 (49.3) 173 (78.3) 48 (21.7) 201 (91) 20 (9)
p-valor 0.003 0.05 0.326
Resultados
Como se ha comentado anteriormente, se establecieron diferentes puntos
de corte, tanto en ki67 como en p53, para determinar la positividad o
negatividad de las muestras. En el caso de ki67, se observó una asociación
entre ki67 al 3% con el grado tumoral (p-valor 0.003). y con el Tto (p-valor
0.015). En cuanto a p53, se observó una asociación entre p53 al 10% con el
grado tumoral (p-valor 0.021) y con la edad (p-valor 0.018).
Por otro lado, la comparación de ambos marcadores entre sí demostró
una serie de asociaciones (Tabla 28 y 29):
Tabla 28. Correlación de Spearman para las variables cuantitativas Ki67 y p53.
p-valor Rho
ki67 p53 0.002 0.208*
*El valor de rho indica una posible asociación directa entre ambas variables, sin embargo (y a
pesar de que el p-valor es estadísticamente significativo) es un valor muy cercano a cero y, por
tanto, no se puede confirmar que exista dicha asociación.
p53 ≤10% >10% ≤50% >50%
n (%)
AII 8 (32) 17 (68) 20 (80) 5 (20%)
AIII 10 (71.43) 4 (28.57) 11 (78.57) 3 (7.14)
GBM 85 (50) 85 (50) 123 (72.35) 47 (27.65)
Total 112 (50.4) 110 (49.5) 164 (73.9) 58 (26.19)
p-valor 0.021 0.637
142
Resultados
Tabla 29. Asociación entre las variables cualitativas ki67 y p53 mediante le prueba de Chi
cuadrado.
ki67 p53 p-valor
3% 50% 0.024
10% 50% 0.045
20% 50% 0.011
Ni p53 al 10% ni p53 al 50% se asociaron con la supervivencia (p-valor
0.557 y 0.905, respectivamente). Sin embargo, ki67 sí mostró tener un valor
pronóstico (Tabla 30):
Tabla 30. Resultado del análisis de supervivencia por Kaplan-Meier para ki67.
ki67 p-valor
3% 0.044
10% 0.025
20% 0.040
Por otro lado, la asociación entre las mutaciones en TP53 y las
mutaciones en IDH en esta serie sólo mostraron una cierta tendencia hacia la
significación estadística (p-valor= 0.053).
4.2. VARIABLES CLÍNICAS
Además de las asociaciones descritas anteriormente, se observaron
relaciones estadísticamente significativas entre variables clínicas. Por un lado,
Resultados
el grado tumoral correlaciona con la edad de los pacientes (p-valor <0.000), es
decir, a mayor edad de los pacientes mayor grado del tumor (Tabla 31).
Tabla 31. Tabla de contingencia para las variables grado tumoral y edad.
AII AIII GBM p-valor
Mediana n % n % n %
<0.000 ≤ 55 26 92.8 15 53.6 77 43.2
> 55 2 7.1 13 46.4 101 56.7
El tratamiento de elección viene determinado por el estadío del tumor, por
lo que, el grado tumoral también correlacionó con el Tto (p-valor 0.001) (Tabla
32).
Tabla 32. Tabla de contingencia para las variables grado tumoral y Tto.
Qx + RT y/o QT Sólo Qx Biopsia + RT
y/o QT Sólo Biopsia p-valor
AII (n=13) 38.5% (n= 5) 30.8% (n= 4) 23.1% (n= 3) 7.7% (n= 1)
0.001 AIII (n= 20) 45% (n= 9) 10% (n= 2) 45% (n= 9) 0% (n= 0)
GBM (n= 121) 62% (n= 75) 0.8% (n= 1) 30.6% (n= 37) 6.6% (n= 8)
En cuanto al valor pronóstico de estas variables clínicas, el grado
tumoral mostró una asociación con la supervivencia (p-valor <0.000), al igual
que la edad (p-valor= 0) y el tto (p-valor= 0), siendo el grado tumoral II, la edad
por debajo de la mediana y la cirugía las variables con mayor supervivencia
(Figura 38).
143
Resultados
Tabla 29. Asociación entre las variables cualitativas ki67 y p53 mediante le prueba de Chi
cuadrado.
ki67 p53 p-valor
3% 50% 0.024
10% 50% 0.045
20% 50% 0.011
Ni p53 al 10% ni p53 al 50% se asociaron con la supervivencia (p-valor
0.557 y 0.905, respectivamente). Sin embargo, ki67 sí mostró tener un valor
pronóstico (Tabla 30):
Tabla 30. Resultado del análisis de supervivencia por Kaplan-Meier para ki67.
ki67 p-valor
3% 0.044
10% 0.025
20% 0.040
Por otro lado, la asociación entre las mutaciones en TP53 y las
mutaciones en IDH en esta serie sólo mostraron una cierta tendencia hacia la
significación estadística (p-valor= 0.053).
4.2. VARIABLES CLÍNICAS
Además de las asociaciones descritas anteriormente, se observaron
relaciones estadísticamente significativas entre variables clínicas. Por un lado,
Resultados
el grado tumoral correlaciona con la edad de los pacientes (p-valor <0.000), es
decir, a mayor edad de los pacientes mayor grado del tumor (Tabla 31).
Tabla 31. Tabla de contingencia para las variables grado tumoral y edad.
AII AIII GBM p-valor
Mediana n % n % n %
<0.000 ≤ 55 26 92.8 15 53.6 77 43.2
> 55 2 7.1 13 46.4 101 56.7
El tratamiento de elección viene determinado por el estadío del tumor, por
lo que, el grado tumoral también correlacionó con el Tto (p-valor 0.001) (Tabla
32).
Tabla 32. Tabla de contingencia para las variables grado tumoral y Tto.
Qx + RT y/o QT Sólo Qx Biopsia + RT
y/o QT Sólo Biopsia p-valor
AII (n=13) 38.5% (n= 5) 30.8% (n= 4) 23.1% (n= 3) 7.7% (n= 1)
0.001 AIII (n= 20) 45% (n= 9) 10% (n= 2) 45% (n= 9) 0% (n= 0)
GBM (n= 121) 62% (n= 75) 0.8% (n= 1) 30.6% (n= 37) 6.6% (n= 8)
En cuanto al valor pronóstico de estas variables clínicas, el grado
tumoral mostró una asociación con la supervivencia (p-valor <0.000), al igual
que la edad (p-valor= 0) y el tto (p-valor= 0), siendo el grado tumoral II, la edad
por debajo de la mediana y la cirugía las variables con mayor supervivencia
(Figura 38).
144
Resultados
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
AII
p-valor <0.000
AIII
GBM
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
Edad ≤ 55 años
p-valor 0
Edad >55 años
A
B
Resultados
Figura 38. Curvas de Kaplan-Meier para las distintas variables clínicas. (A) Línea negra:
AII; línea roja: AIII; línea verde: GBM. (B) Línea negra: edad igual o por debajo de la mediana;
línea roja: edad por encima de la mediana. (C) Línea negra: QX + RT y/o QT; línea roja: sólo
Qx; línea verde: biopsia + RT y/o QT; línea azul: sólo biopsia.
4.3. ASOCIACIÓN ENTRE MARCADORES MOLECULARES 4.3.1. Mutaciones en IDH y metilación de MGMT
Casi todas las muestras analizadas que presentaban mutación en IDH se
encontraban metiladas para MGMT (95.24%), mientras que las muestras con
IDH no mutado presentaban metilación en MGMT (52.43%) o no (47.57%).
Como era de esperar, el análisis combinado de ambas alteraciones mostró una
fuerte asociación estadísticamente significativa (p-valor <0.000, IC 95% 4.438-
157.878, OR 17.993) (Tabla 33).
Qx + RT y/o QT QT
p-valor 0
Sólo Qx
Biopsia + RT y/o QT
Sólo biopsia
C
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
145
Resultados
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
AII
p-valor <0.000
AIII
GBM
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
Edad ≤ 55 años
p-valor 0
Edad >55 años
A
B
Resultados
Figura 38. Curvas de Kaplan-Meier para las distintas variables clínicas. (A) Línea negra:
AII; línea roja: AIII; línea verde: GBM. (B) Línea negra: edad igual o por debajo de la mediana;
línea roja: edad por encima de la mediana. (C) Línea negra: QX + RT y/o QT; línea roja: sólo
Qx; línea verde: biopsia + RT y/o QT; línea azul: sólo biopsia.
4.3. ASOCIACIÓN ENTRE MARCADORES MOLECULARES 4.3.1. Mutaciones en IDH y metilación de MGMT
Casi todas las muestras analizadas que presentaban mutación en IDH se
encontraban metiladas para MGMT (95.24%), mientras que las muestras con
IDH no mutado presentaban metilación en MGMT (52.43%) o no (47.57%).
Como era de esperar, el análisis combinado de ambas alteraciones mostró una
fuerte asociación estadísticamente significativa (p-valor <0.000, IC 95% 4.438-
157.878, OR 17.993) (Tabla 33).
Qx + RT y/o QT QT
p-valor 0
Sólo Qx
Biopsia + RT y/o QT
Sólo biopsia
C
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
146
Resultados
Tabla 33. Tabla de contingencia para las variables moleculares metilación en MGMT y
mutaciones en IDH.
MGMT metilado
MGMT no metilado p-valor IC 95% OR
IDH mutado 95.24% (n= 40)
4.76% (n= 2) <0.000 4.438-157.878 17.993
IDH no mutado 52.43% (n= 97)
47.57% (n= 88)
4.3.2. Mutaciones en IDH y G-CIMP
El biomarcador IDH mutado también presentó asociación con el G-CIMP
(p-valor 0.013). De las muestras con mutación en IDH, 21 fueron CIMP
negativas y 16 CIMP positivas. Por otro lado, de las muestras con IDH sin
mutación, 132 fueron CIMP negativas y 40 CIMP positivas (Tabla 34).
Tabla 34. Tabla de contingencia para las variables moleculares CIMP y mutaciones en
IDH.
CIMP negativo CIMP positivo p-valor
IDH mutado 56.76% (n= 21) 43.24% (n= 16) 0.013
IDH no mutado 76.61% (n= 131) 23.39% (n= 40)
4.3.3. Mutaciones en IDH, metilación de MGMT y metilación de SOCS1
La metilación en SOCS1 no sólo se encontró asociada con el grado
tumoral y la edad, si no que también se observó una asociación con las
mutaciones en IDH (p-valor <0.000, IC 95% 0.006-0.119, OR 0.035) y con la
metilación de MGMT (p-valor 0.021). Las mutaciones en IDH se asociaron a la
metilación de SOCS1 en un 91.89%, ya que sólo un 8.11% de las muestras con
mutación en IDH no presentaban metilación en SOCS1. El 61.50% de los
Resultados
casos no presentaron ni mutaciones en IDH ni metilación en SOCS1. El
45.24% de las muestras presentaron tanto metilación en MGMT como
metilación en SOCS1 mientras que sólo el 28.95% estaban metiladas para
SOCS1 cuando MGMT no presentaba metilación. Estos resultados se resumen
en la siguiente tabla (Tabla 35):
Tabla 35. Tabla de contingencia para las variables moleculares metilación en SOCS1 y mutaciones en IDH.
SOCS1 metilado SOCS1 no metilado p-valor
IDH mutado 91.89% (n=34) 8.11% (n= 3) <0.000
IDH no wt 28.07% (n= 48) 71.93% (n= 123)
MGMT metilado 45.24% (n=57) 54.76% (n=69) 0.021
MGMT no metilado 28.95% (n=22) 71.05% (n=54)
4.3.4. Metilación de SOCS1 y G-CIMP
Por último, se observó una correlación entre la metilación de SOCS1 y el
fenotipo G-CIMP (p-valor <0.000). Esta asociación era de esperar, ya que
SOCS1 forma parte del panel de genes del CIMP, por lo que se consideró sólo
la variable metilación en SOCS1 en el análisis multivariante que se realizó
posteriormente (Tabla 36).
Tabla 36. Tabla de contingencia para las variables moleculares metilación en SOCS1 y
CIMP.
SOCS1 metilado SOCS1 no metilado p-valor
G-CIMP positivo 85.71% (n= 48) 14.81% (n= 8) <0.000
G-CIMP negativo 23.37% (n= 34) 77.63% (n= 118)
147
Resultados
Tabla 33. Tabla de contingencia para las variables moleculares metilación en MGMT y
mutaciones en IDH.
MGMT metilado
MGMT no metilado p-valor IC 95% OR
IDH mutado 95.24% (n= 40)
4.76% (n= 2) <0.000 4.438-157.878 17.993
IDH no mutado 52.43% (n= 97)
47.57% (n= 88)
4.3.2. Mutaciones en IDH y G-CIMP
El biomarcador IDH mutado también presentó asociación con el G-CIMP
(p-valor 0.013). De las muestras con mutación en IDH, 21 fueron CIMP
negativas y 16 CIMP positivas. Por otro lado, de las muestras con IDH sin
mutación, 132 fueron CIMP negativas y 40 CIMP positivas (Tabla 34).
Tabla 34. Tabla de contingencia para las variables moleculares CIMP y mutaciones en
IDH.
CIMP negativo CIMP positivo p-valor
IDH mutado 56.76% (n= 21) 43.24% (n= 16) 0.013
IDH no mutado 76.61% (n= 131) 23.39% (n= 40)
4.3.3. Mutaciones en IDH, metilación de MGMT y metilación de SOCS1
La metilación en SOCS1 no sólo se encontró asociada con el grado
tumoral y la edad, si no que también se observó una asociación con las
mutaciones en IDH (p-valor <0.000, IC 95% 0.006-0.119, OR 0.035) y con la
metilación de MGMT (p-valor 0.021). Las mutaciones en IDH se asociaron a la
metilación de SOCS1 en un 91.89%, ya que sólo un 8.11% de las muestras con
mutación en IDH no presentaban metilación en SOCS1. El 61.50% de los
Resultados
casos no presentaron ni mutaciones en IDH ni metilación en SOCS1. El
45.24% de las muestras presentaron tanto metilación en MGMT como
metilación en SOCS1 mientras que sólo el 28.95% estaban metiladas para
SOCS1 cuando MGMT no presentaba metilación. Estos resultados se resumen
en la siguiente tabla (Tabla 35):
Tabla 35. Tabla de contingencia para las variables moleculares metilación en SOCS1 y mutaciones en IDH.
SOCS1 metilado SOCS1 no metilado p-valor
IDH mutado 91.89% (n=34) 8.11% (n= 3) <0.000
IDH no wt 28.07% (n= 48) 71.93% (n= 123)
MGMT metilado 45.24% (n=57) 54.76% (n=69) 0.021
MGMT no metilado 28.95% (n=22) 71.05% (n=54)
4.3.4. Metilación de SOCS1 y G-CIMP
Por último, se observó una correlación entre la metilación de SOCS1 y el
fenotipo G-CIMP (p-valor <0.000). Esta asociación era de esperar, ya que
SOCS1 forma parte del panel de genes del CIMP, por lo que se consideró sólo
la variable metilación en SOCS1 en el análisis multivariante que se realizó
posteriormente (Tabla 36).
Tabla 36. Tabla de contingencia para las variables moleculares metilación en SOCS1 y
CIMP.
SOCS1 metilado SOCS1 no metilado p-valor
G-CIMP positivo 85.71% (n= 48) 14.81% (n= 8) <0.000
G-CIMP negativo 23.37% (n= 34) 77.63% (n= 118)
148
Resultados
4.4. ANÁLISIS MULTIVARIANTE POR REGRESIÓN DE COX
Teniendo en cuenta las variables moleculares y clínicas que fueron
estadísticamente significativas en el análisis univariante por Kaplan-Meier, se
realizó un análisis multivariante por Regresión de Cox. Las variables mutación
en IDH, grado tumoral, edad y Tto resultaron ser factores pronósticos
independientes en el análisis multivariante, siendo la edad la variable con una
mayor significancia estadística (p-valor <0.000). Se repitió el análisis
eliminando la variable Tto, ya que no se disponía de esa información en
muchas de las muestras de la serie. Todos estos resultados se resumen en la
Tabla 37.
Tabla 37. Análisis multivariante por Regresión de Cox. Variables independientes, con
respecto a la supervivencia.
Análisis Multivariante
Variables p-valor IC 95%
Edad* 0.000 1.693-3.813
Tto* 0.001 1.148-1.648
Mutaciones IDH* 0.006 1.252-3.728
Grado tumoral* 0.044 1.009-1.944
Edad* 0.000 1.709-3.367
Grado tumoral* 0.015 1.063-1.726
Mutaciones IDH* 0.012 1.136-2.795
Posteriormente, se realizó un nuevo análisis multivariante teniendo en
cuenta aquellas variables, tanto clínicas como moleculares, que se asociaban a
la metilación de SOCS1. Fueron cuatro dichas variables: mutaciones en IDH,
metilación en MGMT, grado tumoral y edad. Sólo mantuvieron la razón de
Resultados
variables independientes las dos variables clínicas (grado tumoral y edad) y las
mutaciones en IDH (Tabla 38).
Tabla 38. Análisis multivariante por Regresión de Cox. Variables independientes, con
respecto a la metilación de SOCS1.
Análisis Multivariante
Variables p-valor IC 95%
Edad* 0.000 1.723-3.459
Grado tumoral* 0.040 1.013-1.722
Mutaciones IDH* 0.043 1.017-2.734
Tras estos análisis, lo que se observa es que la edad es la variable
independiente que ejerce una mayor influencia y que presenta un mayor poder
estadístico. En base a ello, se dividieron las muestras en dos grupos: el grupo
de los pacientes con una edad igual o por debajo de la mediana, y el grupo de
los pacientes con una edad por encima. En cada grupo se realizó un análisis
multivariante (en base a la supervivencia y sin tener en cuenta la variable Tto.),
de forma que no se tuvo en cuenta la variable edad en dicho análisis. Los
resultados de este último análisis se resumen en la siguiente tabla (Tabla 39):
Tabla 39. Análisis multivariante por Regresión de Cox. Variables independientes en cada
grupo de edad con respecto a la supervivencia.
Análisis multivariante
Edad Variables p-valor IC 95%
≤ Mediana Grado tumoral 0.004 1.413-5.916
Mutaciones IDH 0.126* 0.854-3.588
> Mediana Ninguna
*Existe una cierta tendencia a que esta variable pudiera ser independiente
149
Resultados
4.4. ANÁLISIS MULTIVARIANTE POR REGRESIÓN DE COX
Teniendo en cuenta las variables moleculares y clínicas que fueron
estadísticamente significativas en el análisis univariante por Kaplan-Meier, se
realizó un análisis multivariante por Regresión de Cox. Las variables mutación
en IDH, grado tumoral, edad y Tto resultaron ser factores pronósticos
independientes en el análisis multivariante, siendo la edad la variable con una
mayor significancia estadística (p-valor <0.000). Se repitió el análisis
eliminando la variable Tto, ya que no se disponía de esa información en
muchas de las muestras de la serie. Todos estos resultados se resumen en la
Tabla 37.
Tabla 37. Análisis multivariante por Regresión de Cox. Variables independientes, con
respecto a la supervivencia.
Análisis Multivariante
Variables p-valor IC 95%
Edad* 0.000 1.693-3.813
Tto* 0.001 1.148-1.648
Mutaciones IDH* 0.006 1.252-3.728
Grado tumoral* 0.044 1.009-1.944
Edad* 0.000 1.709-3.367
Grado tumoral* 0.015 1.063-1.726
Mutaciones IDH* 0.012 1.136-2.795
Posteriormente, se realizó un nuevo análisis multivariante teniendo en
cuenta aquellas variables, tanto clínicas como moleculares, que se asociaban a
la metilación de SOCS1. Fueron cuatro dichas variables: mutaciones en IDH,
metilación en MGMT, grado tumoral y edad. Sólo mantuvieron la razón de
Resultados
variables independientes las dos variables clínicas (grado tumoral y edad) y las
mutaciones en IDH (Tabla 38).
Tabla 38. Análisis multivariante por Regresión de Cox. Variables independientes, con
respecto a la metilación de SOCS1.
Análisis Multivariante
Variables p-valor IC 95%
Edad* 0.000 1.723-3.459
Grado tumoral* 0.040 1.013-1.722
Mutaciones IDH* 0.043 1.017-2.734
Tras estos análisis, lo que se observa es que la edad es la variable
independiente que ejerce una mayor influencia y que presenta un mayor poder
estadístico. En base a ello, se dividieron las muestras en dos grupos: el grupo
de los pacientes con una edad igual o por debajo de la mediana, y el grupo de
los pacientes con una edad por encima. En cada grupo se realizó un análisis
multivariante (en base a la supervivencia y sin tener en cuenta la variable Tto.),
de forma que no se tuvo en cuenta la variable edad en dicho análisis. Los
resultados de este último análisis se resumen en la siguiente tabla (Tabla 39):
Tabla 39. Análisis multivariante por Regresión de Cox. Variables independientes en cada
grupo de edad con respecto a la supervivencia.
Análisis multivariante
Edad Variables p-valor IC 95%
≤ Mediana Grado tumoral 0.004 1.413-5.916
Mutaciones IDH 0.126* 0.854-3.588
> Mediana Ninguna
*Existe una cierta tendencia a que esta variable pudiera ser independiente
150
Resultados
4.5. DETECCIÓN DE CITOMEGALOVIRUS HUMANO EN TUMORES GLIALES
4.5.1. ANÁLISIS POR PCR CUANTITATIVA A TIEMPO REAL
El análisis por PCR cuantitativa a tiempo real para detectar HCMV se
realizó en 122 de las muestras de la serie (94 muestras embebidas en parafina
y 28 muestras de tejido congelado) (Tabla 40). Inesperadamente no se detectó
ADN de HCMV en 119 muestras de esta serie de gliomas. Tres casos (2 AIII y
1 GBM) mostraron un bajo número de copias virales (<10) (3/122, 2.46%)
(Tabla 41). La precisión analítica requeridos para caracterizar el test
cuantitativo (veracidad, precisión y límite de detección) estaba asegurado por la
metodología empleada, ya que se utilizó un kit cuantitativo con validación para
uso diagnóstico.
Tabla 40. Características de los pacientes cuyas muestras fueron analizadas para HCMV.
Min (Mínimo), Max (Máximo)
Variables Frecuencias
Género Hombre 72 59.02% Mujer 50 40.98%
Edad (años) Media 54 Min-Max 4-81 Grado II 16 13.11% III 19 15.57% IV 87 71.31%
4.5.2. ANÁLISIS POR NESTED-PCR EN CASOS SELECCIONADOS
De las muestras analizadas por RT-PCR, se seleccionaron 30 para su
análisis por la metodología utilizada en el reciente artículo de Bhattacharjee y
Resultados
col. (Bhattacharjee, et al., 2012). Ninguna de estas muestras fue positiva para
HCMV (Tabla 41).
4.5.3. INMUNOHISTOQUÍMICA
Por último, de esta serie de muestras se analizaron 110 (85 muestras
embebidas en parafina y 25 muestras de tejido congelado) por IHQ. En este
caso tampoco se encontró ninguna muestra positiva para HCMV (Tabla 41).
Tabla 41. Resultados de las diferentes técnicas empleadas para la detección de HCMV.
Técnicas Muestras totales Positivas Negativas
RT-PCR 122 3* 119
Nested PCR 30 0 30
IHQ 110 0 110
* Menos de 10 copias del virus por célula.
4.6. GLIOBLASTOMAS DE LARGA SUPERVIVENCIA
De 177 GBM de la serie (de dos de los GBM del total de la serie, 179, no
se tenía el dato de la supervivencia), 29 (16.38%) presentaron una
supervivencia por encima de lo normal (supervivencia media de 73.2 meses en
esta serie), en comparación con la supervivencia media de este tipo de tumores
(12.2 meses en esta serie). El punto de corte para definir los dos grupos de
GBM se estableció en 36 meses (Dietmar Krex, et al., 2007). Las característas
clínicas y moleculares de cada uno de los dos grupos, así como el resultado de
las asociaciones con dichos factores se resume en la tabla 42.
151
Resultados
4.5. DETECCIÓN DE CITOMEGALOVIRUS HUMANO EN TUMORES GLIALES
4.5.1. ANÁLISIS POR PCR CUANTITATIVA A TIEMPO REAL
El análisis por PCR cuantitativa a tiempo real para detectar HCMV se
realizó en 122 de las muestras de la serie (94 muestras embebidas en parafina
y 28 muestras de tejido congelado) (Tabla 40). Inesperadamente no se detectó
ADN de HCMV en 119 muestras de esta serie de gliomas. Tres casos (2 AIII y
1 GBM) mostraron un bajo número de copias virales (<10) (3/122, 2.46%)
(Tabla 41). La precisión analítica requeridos para caracterizar el test
cuantitativo (veracidad, precisión y límite de detección) estaba asegurado por la
metodología empleada, ya que se utilizó un kit cuantitativo con validación para
uso diagnóstico.
Tabla 40. Características de los pacientes cuyas muestras fueron analizadas para HCMV.
Min (Mínimo), Max (Máximo)
Variables Frecuencias
Género Hombre 72 59.02% Mujer 50 40.98%
Edad (años) Media 54 Min-Max 4-81 Grado II 16 13.11% III 19 15.57% IV 87 71.31%
4.5.2. ANÁLISIS POR NESTED-PCR EN CASOS SELECCIONADOS
De las muestras analizadas por RT-PCR, se seleccionaron 30 para su
análisis por la metodología utilizada en el reciente artículo de Bhattacharjee y
Resultados
col. (Bhattacharjee, et al., 2012). Ninguna de estas muestras fue positiva para
HCMV (Tabla 41).
4.5.3. INMUNOHISTOQUÍMICA
Por último, de esta serie de muestras se analizaron 110 (85 muestras
embebidas en parafina y 25 muestras de tejido congelado) por IHQ. En este
caso tampoco se encontró ninguna muestra positiva para HCMV (Tabla 41).
Tabla 41. Resultados de las diferentes técnicas empleadas para la detección de HCMV.
Técnicas Muestras totales Positivas Negativas
RT-PCR 122 3* 119
Nested PCR 30 0 30
IHQ 110 0 110
* Menos de 10 copias del virus por célula.
4.6. GLIOBLASTOMAS DE LARGA SUPERVIVENCIA
De 177 GBM de la serie (de dos de los GBM del total de la serie, 179, no
se tenía el dato de la supervivencia), 29 (16.38%) presentaron una
supervivencia por encima de lo normal (supervivencia media de 73.2 meses en
esta serie), en comparación con la supervivencia media de este tipo de tumores
(12.2 meses en esta serie). El punto de corte para definir los dos grupos de
GBM se estableció en 36 meses (Dietmar Krex, et al., 2007). Las característas
clínicas y moleculares de cada uno de los dos grupos, así como el resultado de
las asociaciones con dichos factores se resume en la tabla 42.
152
Resultados
Tabla 42. Características clínicas y moleculares de los GBM de supervivencia normal y de larga supervivencia. P-valor del test X2.
Supervivencia normal Supervivencia larga p-valor n % n % 148 83.62 29 16.38 Edad ≤ Mediana 55 37.16 21 72.41 <0.000 > Mediana 93 62.84 8 27.59 IDH Mutado 5 3.38 11 37.93 <0.000 No mutado 143 96.62 18 62.07 MGMT Metilado 78 52.70 20 71.43 0.078 No metilado 68 45.94 8 28.57 SOCS1 Metilado 38 28.78 13 56.52 0.009 No metilado 94 71.21 10 43.48
Sin tener en cuenta la variable metilación en MGMT por no ser
estadísticamente significativa (p=0.078), se llevaron a cabo una serie de
análisis de supervivencia por Kaplan-Meier en base a diferentes perfiles
moleculares en los GBM de larga supervivencia. Estos perfiles se establecieron
en base a la combinación de una, dos o tres variables:
Perfil A (edad): p-valor=0.358
Perfil B (mutaciones en IDH): p-valor=0.053
Perfil C (metilación en SOCS1): p-valor=0.065
Perfil D (edad y mutaciones en IDH): p-valor=0.053
Perfil E (edad y metilación en SOCS1): p-valor=0.03
Perfil F (mutaciones en IDH y metilación en SOCS1): p-valor=0.053
Perfil G (mutaciones en IDH, metilación en SOCS1 y edad): p-valor=0.053
Resultados
Como se observa, el perfil con un valor estadísticamente significativo fue
el formado por la combinación de la edad y la metilación en SOCS1 (p=0.03).
Esto es, la supervivencia fue mayor en los pacientes con GBM (largos
supervivientes) que presentaron metilación en SOCS1 y edad igual o por
debajo de la mediana (Figura 39):
Figura 39. Curvas de Kaplan-Meier para el perfil E de los GBM largos supervivientes: Línea negra: metilación en SOCS1 y edad igual o por debajo de la mediana. Línea roja: resto
de combinaciones.
4.7. CLASIFICACIÓN CLINICOPATOLÓGICA Y MOLECULAR DE GLIOMAS. PERFILES MOLECULARES
Se llevaron a cabo varios análisis de supervivencia en base a diferentes
perfiles moleculares y al grado tumoral. En primer lugar, teniendo en cuenta la
metilación de MGMT, se observa una mayor supervivencia en los casos
metilados, siendo los AII los de mejor pronóstico (p-valor <0.000) (Figura 40).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
Perfil.EMetilación SOCS1 y edad<=medianaOtras combinaciones
p-valor=0.03
153
Resultados
Tabla 42. Características clínicas y moleculares de los GBM de supervivencia normal y de larga supervivencia. P-valor del test X2.
Supervivencia normal Supervivencia larga p-valor n % n % 148 83.62 29 16.38 Edad ≤ Mediana 55 37.16 21 72.41 <0.000 > Mediana 93 62.84 8 27.59 IDH Mutado 5 3.38 11 37.93 <0.000 No mutado 143 96.62 18 62.07 MGMT Metilado 78 52.70 20 71.43 0.078 No metilado 68 45.94 8 28.57 SOCS1 Metilado 38 28.78 13 56.52 0.009 No metilado 94 71.21 10 43.48
Sin tener en cuenta la variable metilación en MGMT por no ser
estadísticamente significativa (p=0.078), se llevaron a cabo una serie de
análisis de supervivencia por Kaplan-Meier en base a diferentes perfiles
moleculares en los GBM de larga supervivencia. Estos perfiles se establecieron
en base a la combinación de una, dos o tres variables:
Perfil A (edad): p-valor=0.358
Perfil B (mutaciones en IDH): p-valor=0.053
Perfil C (metilación en SOCS1): p-valor=0.065
Perfil D (edad y mutaciones en IDH): p-valor=0.053
Perfil E (edad y metilación en SOCS1): p-valor=0.03
Perfil F (mutaciones en IDH y metilación en SOCS1): p-valor=0.053
Perfil G (mutaciones en IDH, metilación en SOCS1 y edad): p-valor=0.053
Resultados
Como se observa, el perfil con un valor estadísticamente significativo fue
el formado por la combinación de la edad y la metilación en SOCS1 (p=0.03).
Esto es, la supervivencia fue mayor en los pacientes con GBM (largos
supervivientes) que presentaron metilación en SOCS1 y edad igual o por
debajo de la mediana (Figura 39):
Figura 39. Curvas de Kaplan-Meier para el perfil E de los GBM largos supervivientes: Línea negra: metilación en SOCS1 y edad igual o por debajo de la mediana. Línea roja: resto
de combinaciones.
4.7. CLASIFICACIÓN CLINICOPATOLÓGICA Y MOLECULAR DE GLIOMAS. PERFILES MOLECULARES
Se llevaron a cabo varios análisis de supervivencia en base a diferentes
perfiles moleculares y al grado tumoral. En primer lugar, teniendo en cuenta la
metilación de MGMT, se observa una mayor supervivencia en los casos
metilados, siendo los AII los de mejor pronóstico (p-valor <0.000) (Figura 40).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
Perfil.EMetilación SOCS1 y edad<=medianaOtras combinaciones
p-valor=0.03
154
Resultados
Figura 40. Curvas de Kaplan-Meier para la metilación de MGMT en base a los diferentes grados tumorales. Línea negra: AII y MGMT metilado; AIII y MGMT metilado; línea verde:
GBM y MGMT metilado; línea azul: AII y MGMT no metilado; línea azul claro: AIII y MGMT no
metilado; línea lila: GBM y MGMT no metilado.
En cuanto a las mutaciones en IDH, se observa que los AIII mutados son
los que presentan una mayor supervivencia y los GBM y AII no mutados los de
peor pronóstico (p-valor <0.000) (Figura 41).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
AII y MGMT metilado
p-valor <0.000
AIII y MGMT metilado
GBM y MGMT metilado
AII y MGMT no metilado
AIII y MGMT no metilado
GBM y MGMT no metilado
Resultados
Figura 41. Curvas de Kaplan-Meier para las mutaciones en IDH en base a los diferentes grados histológicos. Línea negra: AII e IDH mutado; AIII e IDH mutado; línea verde: GBM e
IDH mutado; línea azul: AII e IDH no mutado; línea azul claro: AIII e IDH no mutado; línea lila:
GBM e IDH no mutado.
Se repitió el análisis agrupando los AII y AIII como bajo grado. En este
caso, se observa que los bajo grado mutados son los de mayor supervivencia
(p-valor <0.000) (Figura 42).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
AII e IDH mutado
AIII e IDH mutado
GBM e IDH mutado
AII e IDH no mutado AIII e IDH no mutado
GBM e IDH no mutado
p-valor <0.000
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
GBM e IDH mutado
AII y AIII e IDH mutado
AII y AIII e IDH no mutado
GBM e IDH no mutado
p-valor <0.000
Resultados
Figura 41. Curvas de Kaplan-Meier para las mutaciones en IDH en base a los diferentes grados histológicos. Línea negra: AII e IDH mutado; AIII e IDH mutado; línea verde: GBM e
IDH mutado; línea azul: AII e IDH no mutado; línea azul claro: AIII e IDH no mutado; línea lila:
GBM e IDH no mutado.
Se repitió el análisis agrupando los AII y AIII como bajo grado. En este
caso, se observa que los bajo grado mutados son los de mayor supervivencia
(p-valor <0.000) (Figura 42).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
AII e IDH mutado
AIII e IDH mutado
GBM e IDH mutado
AII e IDH no mutado AIII e IDH no mutado
GBM e IDH no mutado
p-valor <0.000
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
GBM e IDH mutado
AII y AIII e IDH mutado
AII y AIII e IDH no mutado
GBM e IDH no mutado
p-valor <0.000
Resultados
Figura 41. Curvas de Kaplan-Meier para las mutaciones en IDH en base a los diferentes grados histológicos. Línea negra: AII e IDH mutado; AIII e IDH mutado; línea verde: GBM e
IDH mutado; línea azul: AII e IDH no mutado; línea azul claro: AIII e IDH no mutado; línea lila:
GBM e IDH no mutado.
Se repitió el análisis agrupando los AII y AIII como bajo grado. En este
caso, se observa que los bajo grado mutados son los de mayor supervivencia
(p-valor <0.000) (Figura 42).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
AII e IDH mutado
AIII e IDH mutado
GBM e IDH mutado
AII e IDH no mutado AIII e IDH no mutado
GBM e IDH no mutado
p-valor <0.000
0 50 100 1500.
00.
20.
40.
60.
81.
0
GBM e IDH mutado
AII y AIII e IDH mutado
AII y AIII e IDH no mutado
GBM e IDH no mutado
p-valor <0.000
155
Resultados
Figura 40. Curvas de Kaplan-Meier para la metilación de MGMT en base a los diferentes grados tumorales. Línea negra: AII y MGMT metilado; AIII y MGMT metilado; línea verde:
GBM y MGMT metilado; línea azul: AII y MGMT no metilado; línea azul claro: AIII y MGMT no
metilado; línea lila: GBM y MGMT no metilado.
En cuanto a las mutaciones en IDH, se observa que los AIII mutados son
los que presentan una mayor supervivencia y los GBM y AII no mutados los de
peor pronóstico (p-valor <0.000) (Figura 41).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
AII y MGMT metilado
p-valor <0.000
AIII y MGMT metilado
GBM y MGMT metilado
AII y MGMT no metilado
AIII y MGMT no metilado
GBM y MGMT no metilado
Resultados
Figura 41. Curvas de Kaplan-Meier para las mutaciones en IDH en base a los diferentes grados histológicos. Línea negra: AII e IDH mutado; AIII e IDH mutado; línea verde: GBM e
IDH mutado; línea azul: AII e IDH no mutado; línea azul claro: AIII e IDH no mutado; línea lila:
GBM e IDH no mutado.
Se repitió el análisis agrupando los AII y AIII como bajo grado. En este
caso, se observa que los bajo grado mutados son los de mayor supervivencia
(p-valor <0.000) (Figura 42).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
AII e IDH mutado
AIII e IDH mutado
GBM e IDH mutado
AII e IDH no mutado AIII e IDH no mutado
GBM e IDH no mutado
p-valor <0.000
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
GBM e IDH mutado
AII y AIII e IDH mutado
AII y AIII e IDH no mutado
GBM e IDH no mutado
p-valor <0.000
Resultados
Figura 41. Curvas de Kaplan-Meier para las mutaciones en IDH en base a los diferentes grados histológicos. Línea negra: AII e IDH mutado; AIII e IDH mutado; línea verde: GBM e
IDH mutado; línea azul: AII e IDH no mutado; línea azul claro: AIII e IDH no mutado; línea lila:
GBM e IDH no mutado.
Se repitió el análisis agrupando los AII y AIII como bajo grado. En este
caso, se observa que los bajo grado mutados son los de mayor supervivencia
(p-valor <0.000) (Figura 42).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
AII e IDH mutado
AIII e IDH mutado
GBM e IDH mutado
AII e IDH no mutado AIII e IDH no mutado
GBM e IDH no mutado
p-valor <0.000
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
GBM e IDH mutado
AII y AIII e IDH mutado
AII y AIII e IDH no mutado
GBM e IDH no mutado
p-valor <0.000
Resultados
Figura 41. Curvas de Kaplan-Meier para las mutaciones en IDH en base a los diferentes grados histológicos. Línea negra: AII e IDH mutado; AIII e IDH mutado; línea verde: GBM e
IDH mutado; línea azul: AII e IDH no mutado; línea azul claro: AIII e IDH no mutado; línea lila:
GBM e IDH no mutado.
Se repitió el análisis agrupando los AII y AIII como bajo grado. En este
caso, se observa que los bajo grado mutados son los de mayor supervivencia
(p-valor <0.000) (Figura 42).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
AII e IDH mutado
AIII e IDH mutado
GBM e IDH mutado
AII e IDH no mutado AIII e IDH no mutado
GBM e IDH no mutado
p-valor <0.000
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
GBM e IDH mutado
AII y AIII e IDH mutado
AII y AIII e IDH no mutado
GBM e IDH no mutado
p-valor <0.000
156
Resultados
Figura 42. Curvas de Kaplan-Meier para las mutaciones en IDH agrupando los AII y AIII. Línea negra: AII y AIII e IDH mutado; línea roja: GBM e IDH mutado; línea verde: AII y AIII e
IDH no mutado; línea azul: GBM e IDH no mutado.
Al tener en cuenta las mutaciones en IDH y en TP53, se observa una
asociación estadísticamente significativa, tanto con el corte de TP53 en el 10%
como en el 50% (p-valor <0.000 en ambos casos) (Figura 43). Los perfiles
establecidos son:
IDH mutado y TP53 mutado
IDH mutado y TP53 no mutado
IDH no mutado
Las muestras con IDH mutado y TP53 no mutado presentaron la mayor
supervivencia.
Figura 43. Curvas de Kaplan-Meier para los diferentes perfiles en base a las mutaciones en IDH y TP53. En la imagen de la izquierda el punto de corte para p53 es de un 10% y en la imagen de
la derecha es de un 50%. Línea negra: IDH y TP53 mutados; línea roja: IDH mutado y TP53
no mutado; línea verde: IDH no mutado.
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
IDH y TP53 mutados
IDH mutado y TP53 no mutado
IDH no mutado
p-valor <0.000
IDH y TP53 mutados
IDH mutado y TP53 no mutado
IDH no mutado
p-valor <0.000
Resultados
Por otro lado, si se agrupan las mutaciones en IDH y el índice de
proliferación ki67 (bajo ≤ 10%, moderado 11-29%, alto ≥ 30%), también se
observa una asociación estadísticamente significativa (p-valor <0.000) (Figura
44). En este caso, se establecieron cinco perfiles:
IDH mutado y ki67 bajo y/o moderado
IDH mutado y ki67 alto
IDH no mutado y ki67 bajo
IDH no mutado y ki67 moderado
IDH no mutado y ki67 alto
En este caso, el perfil que mostró mejor pronóstico fue el de IDH mutado
y ki67 bajo y/o moderado.
Figura 44. Curvas de Kaplan-Meier para los diferentes perfiles en base a las mutaciones en IDH y ki67. Línea negra: IDH mutado y ki67 bajo y/o moderado; línea roja: IDH mutado y
ki67 alto; línea verde: IDH no mutado y ki67 bajo; línea azul: IDH no mutado y ki67 moderado;
línea azul claro: IDH no mutado y ki67 alto.
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
IDH mutado y ki67 alto
IDH mutado y ki67 bajo/moderado
IDH no mutado y ki67 bajo
IDH no mutado y ki67 moderado
IDH no mutado y ki67 alto
p-valor <0.000
157
Resultados
Figura 42. Curvas de Kaplan-Meier para las mutaciones en IDH agrupando los AII y AIII. Línea negra: AII y AIII e IDH mutado; línea roja: GBM e IDH mutado; línea verde: AII y AIII e
IDH no mutado; línea azul: GBM e IDH no mutado.
Al tener en cuenta las mutaciones en IDH y en TP53, se observa una
asociación estadísticamente significativa, tanto con el corte de TP53 en el 10%
como en el 50% (p-valor <0.000 en ambos casos) (Figura 43). Los perfiles
establecidos son:
IDH mutado y TP53 mutado
IDH mutado y TP53 no mutado
IDH no mutado
Las muestras con IDH mutado y TP53 no mutado presentaron la mayor
supervivencia.
Figura 43. Curvas de Kaplan-Meier para los diferentes perfiles en base a las mutaciones en IDH y TP53. En la imagen de la izquierda el punto de corte para p53 es de un 10% y en la imagen de
la derecha es de un 50%. Línea negra: IDH y TP53 mutados; línea roja: IDH mutado y TP53
no mutado; línea verde: IDH no mutado.
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
IDH y TP53 mutados
IDH mutado y TP53 no mutado
IDH no mutado
p-valor <0.000
IDH y TP53 mutados
IDH mutado y TP53 no mutado
IDH no mutado
p-valor <0.000
Resultados
Por otro lado, si se agrupan las mutaciones en IDH y el índice de
proliferación ki67 (bajo ≤ 10%, moderado 11-29%, alto ≥ 30%), también se
observa una asociación estadísticamente significativa (p-valor <0.000) (Figura
44). En este caso, se establecieron cinco perfiles:
IDH mutado y ki67 bajo y/o moderado
IDH mutado y ki67 alto
IDH no mutado y ki67 bajo
IDH no mutado y ki67 moderado
IDH no mutado y ki67 alto
En este caso, el perfil que mostró mejor pronóstico fue el de IDH mutado
y ki67 bajo y/o moderado.
Figura 44. Curvas de Kaplan-Meier para los diferentes perfiles en base a las mutaciones en IDH y ki67. Línea negra: IDH mutado y ki67 bajo y/o moderado; línea roja: IDH mutado y
ki67 alto; línea verde: IDH no mutado y ki67 bajo; línea azul: IDH no mutado y ki67 moderado;
línea azul claro: IDH no mutado y ki67 alto.
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
IDH mutado y ki67 alto
IDH mutado y ki67 bajo/moderado
IDH no mutado y ki67 bajo
IDH no mutado y ki67 moderado
IDH no mutado y ki67 alto
p-valor <0.000
158
Resultados
En base a los marcadores IDH, MGMT y SOCS1, se crearon 8 perfiles
(Tabla 43).
Tabla 43. Perfiles basados en tres marcadores moleculares. Mutaciones en IDH, metilación
en SOCS1 y metilación en MGMT.
Perfil IDH SOCS1 MGMT
1 Mutado Metilado Metilado
2 No Mutado Metilado Metilado
3 Mutado No Metilado Metilado
4 No Mutado No Metilado Metilado
5 Mutado Metilado No Metilado
6 No Mutado Metilado No Metilado
7 Mutado No Metilado No Metilado
8 No Mutado No Metilado No Metilado
Al analizar las supervivencias con respecto a estos perfiles, se observó
una asociación estadísticamente significativa (p-valor <0.000). En esta serie,
ninguna de las muestras presentó el perfil 5 ni 7, por lo que no aparecen en la
gráfica de las curvas de supervivencia. Como se observa en la gráfica, el perfil
1 correspondiente a IDH mutado y MGMT y SOCS1 metilados, fue el que tuvo
el mejor valor pronóstico con una diferencia significativa con respecto a los
otros perfiles (Figura 45).
Resultados
Figura 45. Curvas de Kaplan-Meier para los diferentes perfiles en base a las mutaciones en IDH, metilación en MGMT y metilación en SOCS1. Perfiles descritos en la tabla 40.
Por último, se combinaron los ocho perfiles anteriores con las variables
moleculares TP53 y ki67. De esta combinación resultaron treinta y dos perfiles,
de los cuales trece se descartaron debido a la falta de muestras que se
correspondieran con dichos perfiles. Los diferentes perfiles obtenidos se
describen en el Anexo IX. El análisis por Kaplan-Meier de los restantes perfiles
resultó ser estadísticamente significativo (p-valor <0.000) (Figura no mostrada).
Debido a la gran cantidad de curvas, se procedió a simplificar la gráfica.
Para ello se descartaron aquellos perfiles cuya cantidad de muestras fuera
baja. El resultado fue el siguiente (p-valor <0.000) (Figura 46):
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
Perfil 1
Perfil 2
Perfil 3 Perfil 4
Perfil 8
Perfil 6
p-valor <0.000
159
Resultados
En base a los marcadores IDH, MGMT y SOCS1, se crearon 8 perfiles
(Tabla 43).
Tabla 43. Perfiles basados en tres marcadores moleculares. Mutaciones en IDH, metilación
en SOCS1 y metilación en MGMT.
Perfil IDH SOCS1 MGMT
1 Mutado Metilado Metilado
2 No Mutado Metilado Metilado
3 Mutado No Metilado Metilado
4 No Mutado No Metilado Metilado
5 Mutado Metilado No Metilado
6 No Mutado Metilado No Metilado
7 Mutado No Metilado No Metilado
8 No Mutado No Metilado No Metilado
Al analizar las supervivencias con respecto a estos perfiles, se observó
una asociación estadísticamente significativa (p-valor <0.000). En esta serie,
ninguna de las muestras presentó el perfil 5 ni 7, por lo que no aparecen en la
gráfica de las curvas de supervivencia. Como se observa en la gráfica, el perfil
1 correspondiente a IDH mutado y MGMT y SOCS1 metilados, fue el que tuvo
el mejor valor pronóstico con una diferencia significativa con respecto a los
otros perfiles (Figura 45).
Resultados
Figura 45. Curvas de Kaplan-Meier para los diferentes perfiles en base a las mutaciones en IDH, metilación en MGMT y metilación en SOCS1. Perfiles descritos en la tabla 40.
Por último, se combinaron los ocho perfiles anteriores con las variables
moleculares TP53 y ki67. De esta combinación resultaron treinta y dos perfiles,
de los cuales trece se descartaron debido a la falta de muestras que se
correspondieran con dichos perfiles. Los diferentes perfiles obtenidos se
describen en el Anexo IX. El análisis por Kaplan-Meier de los restantes perfiles
resultó ser estadísticamente significativo (p-valor <0.000) (Figura no mostrada).
Debido a la gran cantidad de curvas, se procedió a simplificar la gráfica.
Para ello se descartaron aquellos perfiles cuya cantidad de muestras fuera
baja. El resultado fue el siguiente (p-valor <0.000) (Figura 46):
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
Perfil 1
Perfil 2
Perfil 3 Perfil 4
Perfil 8
Perfil 6
p-valor <0.000
160
Resultados
Figura 46. Curvas de Kaplan-Meier para los diferentes perfiles en base a las mutaciones en IDH, metilación en MGMT, metilación en SOCS1, mutaciones en TP53 e índice de proliferación ki67. Los diferentes perfiles se describen en el Anexo XII.
Como se observa en la gráfica anterior, los perfiles 1 y 3 (descritos en el
Anexo X) presentan una mayor supervivencia con respecto al resto de perfiles.
Para observar más claramente esta diferencia, se establecieron sólo dos
grupos, por un lado los casos que presentaron MGMT metilado, SOCS1
metilad, IDH mutado, TP53 mutado o no mutado y ki67 bajo (que se
corresponden a los perfiles 1 y 3 del análisis anterior) y, por otro lado, el resto
de casos. Se observó una clara diferencia estadísticamente significativa entre
ambos grupos (p-valor <0.000) (Figura 47).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
Perfil 1
Perfil 3
Perfil 7
Perfil 13
Perfil 15
Perfil 31
Perfil 29
Perfil 23
p-valor <0.000
Resultados
Figura 47. Curvas de supervivencia Kaplan-Meier en base a los cinco marcadores. 1:
MGMT metilado, SOCS1 metilado e IDH mutado, independientemente de TP53 y ki67; 2: resto
de combinaciones.
Por tanto, de este último análisis se establece que los tumores con IDH
mutado, MGMT metilado, SOCS1 metilado y un índice de proliferación (ki67)
bajo son los que van a tener un mejor pronóstico. Por el contrario, los que
presentan IDH no mutado, MGMT y SOCS1 no metilados (independientemente
del estado de TP53 y ki67, ya que en esta serie no se dispone de muestras que
se correspondan con todos los perfiles posibles), son los que tienen una
supervivencia más baja. Puesto que en el análisis realizado en los GBM de
larga supervivencia se observó que el perfil correspondiente a los casos con
metilación en SOCS1 y edad igual o por debajo de la mediana predecía un
mejor pronóstico (p=0.03), se deicidió realizar el mismo análisis con todas las
muestras del presente trabajo (en este caso 206 muestras, ya que el análisis
de la metilación en SOCS1 no se realizó en toda la serie). Se observó una clara
diferencia estadísticamente significativa (p<0.000) entre ambos grupos (Figura
48):
MGMT y SOCS1 metilados e IDH mutado
p-valor 2.79e-07
Otras combinaciones
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
p-valor <0.000
161
Resultados
Figura 46. Curvas de Kaplan-Meier para los diferentes perfiles en base a las mutaciones en IDH, metilación en MGMT, metilación en SOCS1, mutaciones en TP53 e índice de proliferación ki67. Los diferentes perfiles se describen en el Anexo XII.
Como se observa en la gráfica anterior, los perfiles 1 y 3 (descritos en el
Anexo X) presentan una mayor supervivencia con respecto al resto de perfiles.
Para observar más claramente esta diferencia, se establecieron sólo dos
grupos, por un lado los casos que presentaron MGMT metilado, SOCS1
metilad, IDH mutado, TP53 mutado o no mutado y ki67 bajo (que se
corresponden a los perfiles 1 y 3 del análisis anterior) y, por otro lado, el resto
de casos. Se observó una clara diferencia estadísticamente significativa entre
ambos grupos (p-valor <0.000) (Figura 47).
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
Perfil 1
Perfil 3
Perfil 7
Perfil 13
Perfil 15
Perfil 31
Perfil 29
Perfil 23
p-valor <0.000
Resultados
Figura 47. Curvas de supervivencia Kaplan-Meier en base a los cinco marcadores. 1:
MGMT metilado, SOCS1 metilado e IDH mutado, independientemente de TP53 y ki67; 2: resto
de combinaciones.
Por tanto, de este último análisis se establece que los tumores con IDH
mutado, MGMT metilado, SOCS1 metilado y un índice de proliferación (ki67)
bajo son los que van a tener un mejor pronóstico. Por el contrario, los que
presentan IDH no mutado, MGMT y SOCS1 no metilados (independientemente
del estado de TP53 y ki67, ya que en esta serie no se dispone de muestras que
se correspondan con todos los perfiles posibles), son los que tienen una
supervivencia más baja. Puesto que en el análisis realizado en los GBM de
larga supervivencia se observó que el perfil correspondiente a los casos con
metilación en SOCS1 y edad igual o por debajo de la mediana predecía un
mejor pronóstico (p=0.03), se deicidió realizar el mismo análisis con todas las
muestras del presente trabajo (en este caso 206 muestras, ya que el análisis
de la metilación en SOCS1 no se realizó en toda la serie). Se observó una clara
diferencia estadísticamente significativa (p<0.000) entre ambos grupos (Figura
48):
MGMT y SOCS1 metilados e IDH mutado
p-valor 2.79e-07
Otras combinaciones
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
p-valor <0.000
162
Resultados
Figura 48. Curvas de supervivencia Kaplan-Meier en base a la metilación de SOCS1 y la edad. Línea negra:SOCS1 metilado y edad ≤ mediana. Línea roja: otras combinaciones.
4.8. ESTUDIO DE EXPRESIÓN GÉNICA A GRAN ESCALA EN GLIOMAS. MICROARRAY DE EXPRESIÓN
Se analizaron 9 muestras (8 pacientes) de tejido congelado de GBM
pertenecientes a la serie analizada en este trabajo (Tabla 44). De estas
muestras, 7 eran tumores de pacientes no tratados con QT y/o RT y 2 eran
tumores de pacientes tratados previamente con QT y RT. Esto permitió,
además de comparar los tumores con respecto al tejido normal, comparar el
tumor de un mismo paciente no tratado y tratado posteriormente.
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
Edad<=mediana y SOCS1 metiladoOtras combinaciones
p-valor <0.000
Resultados
Tabla 44. Características clinicopatológicas de las 9 muestras de GBM de los 8 pacientes incluídos en el análisis de expresión.
Variables Frecuencias
n % Género
Hombre 4 50 Mujer 4 50
Edad (años) Mediana 59 Mín-Máx 41-81
Tratamiento No tratados 7 77.78
Tratados 2 22.22
El análisis de expresión génica se llevó a cabo mediante micromatrices de
ADN (microarrays) en las 9 muestras de GBM y un pool de tejido cerebral
normal de cinco individuos sanos. Se utilizaron los valores de cambio de
expresión (FC, Fold Change) obtenidos del contraste de cada paciente frente al
control de ARN de tejido cerebral normal. El número medio de genes con
aumento de expresión en el tumor con respecto al tejido normal fue de 1435,
mientras que el número medio de genes infraexpresados en el tumor con
respecto al tejido normal fue de 1790, esto es, una media de 3225 genes
diferencialmente expresados en el tumor (Pacientes vs Control, Tabla 45).
163
Resultados
Figura 48. Curvas de supervivencia Kaplan-Meier en base a la metilación de SOCS1 y la edad. Línea negra:SOCS1 metilado y edad ≤ mediana. Línea roja: otras combinaciones.
4.8. ESTUDIO DE EXPRESIÓN GÉNICA A GRAN ESCALA EN GLIOMAS. MICROARRAY DE EXPRESIÓN
Se analizaron 9 muestras (8 pacientes) de tejido congelado de GBM
pertenecientes a la serie analizada en este trabajo (Tabla 44). De estas
muestras, 7 eran tumores de pacientes no tratados con QT y/o RT y 2 eran
tumores de pacientes tratados previamente con QT y RT. Esto permitió,
además de comparar los tumores con respecto al tejido normal, comparar el
tumor de un mismo paciente no tratado y tratado posteriormente.
0 50 100 150
0.0
0.2
0.4
0.6
0.8
1.0
Edad<=mediana y SOCS1 metiladoOtras combinaciones
p-valor <0.000
Resultados
Tabla 44. Características clinicopatológicas de las 9 muestras de GBM de los 8 pacientes incluídos en el análisis de expresión.
Variables Frecuencias
n % Género
Hombre 4 50 Mujer 4 50
Edad (años) Mediana 59 Mín-Máx 41-81
Tratamiento No tratados 7 77.78
Tratados 2 22.22
El análisis de expresión génica se llevó a cabo mediante micromatrices de
ADN (microarrays) en las 9 muestras de GBM y un pool de tejido cerebral
normal de cinco individuos sanos. Se utilizaron los valores de cambio de
expresión (FC, Fold Change) obtenidos del contraste de cada paciente frente al
control de ARN de tejido cerebral normal. El número medio de genes con
aumento de expresión en el tumor con respecto al tejido normal fue de 1435,
mientras que el número medio de genes infraexpresados en el tumor con
respecto al tejido normal fue de 1790, esto es, una media de 3225 genes
diferencialmente expresados en el tumor (Pacientes vs Control, Tabla 45).
164
Resultados
Tabla 45. Resultados del análsis del microarray de 13K sondas. DEGs: differential
expression genes.
A partir de estos resultados se estableció un panel de 26 genes que
mostraron una expresión diferencial en los GBM con respecto al control de
tejido cerebral normal (Figuras 49 y 50). Para los diferentes contrastes
realizados, los datos normalizados se ajustaron a un modelo lineal con Limma
(Linear Models for Microarray) Bioconductor a fin de extraer los genes con
expresión diferencial significativa. Para cada contraste se construyó una matriz
de datos de la que se obtuvo un listado de genes con expresión diferencial con
un p-valor ajustado inferior a 0,01 (99% de confianza estadística) y una tasa de
cambio de logFC (Fold Change) >1 ó <1. En un futuro, estos genes se
someterán a validación por qPCR para su posterior estudio como potenciales
nuevos marcadores con valor diagnóstico, pronóstico y predictivo de respuesta.
Tipo de análisis Comparación Up Down Total DEGs % of Array
Pacientes vs control
P10.3459 vs Control 1363 2028 3391 26,77 P10.4307 vsControl 1337 1732 3069 24,23 P10.5423 vs Control 1685 1915 3600 28,42 P10.6815 vs Control 1379 1733 3112 24,57
P10.7411 vs Control 1070 1340 2410 19,02 P11.3496 vs Control 1412 1661 3073 24,26 P11.8030 vs Control 1801 2122 3923 30,97 Todos vs control 1047 1514 2561 20,22
Efecto del tratamiento P10.3459 vs P10.6635 552 628 1180 9,31
P10-6635-P10-4438 vs Control 932 1486 2418 19,09
No tratados vs tratados 36 88 124 0,98
Resultados
Figura 49. Diagramas de Venn realizado con Venny 2.0. Análisis de los genes expresados
diferencialmente según diferentes contrastes. PvsC: pacientes versus control; TvsC: tumores
con tratamiento versus control
(http://bioinfogp.cnb.csic.es/tools/venny/index.html).
165
Resultados
Tabla 45. Resultados del análsis del microarray de 13K sondas. DEGs: differential
expression genes.
A partir de estos resultados se estableció un panel de 26 genes que
mostraron una expresión diferencial en los GBM con respecto al control de
tejido cerebral normal (Figuras 49 y 50). Para los diferentes contrastes
realizados, los datos normalizados se ajustaron a un modelo lineal con Limma
(Linear Models for Microarray) Bioconductor a fin de extraer los genes con
expresión diferencial significativa. Para cada contraste se construyó una matriz
de datos de la que se obtuvo un listado de genes con expresión diferencial con
un p-valor ajustado inferior a 0,01 (99% de confianza estadística) y una tasa de
cambio de logFC (Fold Change) >1 ó <1. En un futuro, estos genes se
someterán a validación por qPCR para su posterior estudio como potenciales
nuevos marcadores con valor diagnóstico, pronóstico y predictivo de respuesta.
Tipo de análisis Comparación Up Down Total DEGs % of Array
Pacientes vs control
P10.3459 vs Control 1363 2028 3391 26,77 P10.4307 vsControl 1337 1732 3069 24,23 P10.5423 vs Control 1685 1915 3600 28,42 P10.6815 vs Control 1379 1733 3112 24,57
P10.7411 vs Control 1070 1340 2410 19,02 P11.3496 vs Control 1412 1661 3073 24,26 P11.8030 vs Control 1801 2122 3923 30,97 Todos vs control 1047 1514 2561 20,22
Efecto del tratamiento P10.3459 vs P10.6635 552 628 1180 9,31
P10-6635-P10-4438 vs Control 932 1486 2418 19,09
No tratados vs tratados 36 88 124 0,98
Resultados
Figura 49. Diagramas de Venn realizado con Venny 2.0. Análisis de los genes expresados
diferencialmente según diferentes contrastes. PvsC: pacientes versus control; TvsC: tumores
con tratamiento versus control
(http://bioinfogp.cnb.csic.es/tools/venny/index.html).
166
Resultados
Figura 50. Mapa de expresión de los 26 genes que mostraron diferencias en los distintos análisis. La intensidad de color indica los valores de log2 Fold Change (veces que cambia) de
cada gen. El mapa de expresión se ha realizado con el software Multiexperiment Viewer
(http://www.tm4.org/mev.html).
El nombre y función de cada uno de estos 26 genes (www.uniprot.org)
diferencialmente expresados se resume en la siguiente tabla (Tabla 46):
Resultados
Tabla 46. Tabla resumen de los 26 genes diferencialmente expresados en GBM.
Símbolo Número acceso Nombre del gen Función Molecular FC
HJURP NM_018410 Holliday Junction Recognition Protein Chaperona: ciclo celular, formación cromatina 8,84
HIST1H1B NM_005322 Histone Cluster 1 H1b Formación cromatina, regulación transcripción 8,99
CENPF NM_016343.3 Centromere protein F Función cinetocoro y segregación cromosómica
14,52
COL4A2 NM_001846.2 Collagen alpha-2(IV) chain Formación matriz extracelular, angiogénesis
14,95
UBE2C NM_007019 Ubiquitin-conjugating enzyme E2C Ubiquitinación 20,58
BIRC5 NM_001168 Baculoviral IAP repeat-containing protein 5 Promover proliferación celular y prevenir apoptosis 26,61
HIST2H3A/ 2H3C
NM_001005464/ NM_021059 Histone cluster 2, H3a/H3c Regulación, replicación, reparación
ADN 26,62
MT1X NM_005952 Metallothionein-1X Apoptosis, transporte proteínas 27,00 AMH NM_000479 Muellerian-inhibiting factor Factor de crecimiento 2,19
KIAA1683 NM_025249 Uncharacterized protein 2,32
GRB10 NM_005311 Growth factor receptor-bound protein 10 Proteína de adaptación, modula el
acoplamiento de receptores quinasa. Apoptosis
2,32
CA9 NM_001216 Carbonic anhydrase 9 Hidratación reversible del hidróxido de carbono 2,36
CA12 NM_001218 Carbonic anhydrase 12 Hidratación reversible del hidróxido de carbono 2,69
DNAH9 NM_001372 DNAH9 protein Actividad ATPasa 2,91
ACP5 NM_001611 Tartrate-resistant acid phosphatase type 5 Defosforilación sialoproteica OPN 3,00
CNGA3 NM_001298 Cyclic nucleotide-gated cation channel alpha-3 Receptor ionotrópico 3,30
TRIB3 NM_021158 Tribbles homolog 3 Bloqueo akt. Apoptosis 3,33
IGFBP5 NM_000599 Insulin-like growth factor-binding protein 5 Proteína unión al IGF que prolonga su vida media 3,34
FAM129A XM_011509140 Family With Sequence Similarity 129 A Regula la fosforilación de proteínas involucradas en la regulación de la
traducción 5,78
GDF15 NM_004864 Growth/differentiation factor 15 Actividad citoquina. Regulación inflamación y apoptosis 7,36
OGDHL NM_018245 2-oxoglutarate dehydrogenase-like, mitochondrial Oxidorreductasa 12,59
GPR158 XM_166110 Probable G-protein coupled receptor 158 Actividad receptora acoplada a proteína G. Regulación: visión,
memoria etc -9,90
UCHL1 NM_004181 Ubiquitin carboxyl-terminal hydrolase isozyme L1 Proteína ubiquitina hidrolasa -5,38
SPOCK1 NM_004598 Testican-1 Interacción célula-célula, matriz- -6,69
167
Resultados
Figura 50. Mapa de expresión de los 26 genes que mostraron diferencias en los distintos análisis. La intensidad de color indica los valores de log2 Fold Change (veces que cambia) de
cada gen. El mapa de expresión se ha realizado con el software Multiexperiment Viewer
(http://www.tm4.org/mev.html).
El nombre y función de cada uno de estos 26 genes (www.uniprot.org)
diferencialmente expresados se resume en la siguiente tabla (Tabla 46):
Resultados
Tabla 46. Tabla resumen de los 26 genes diferencialmente expresados en GBM.
Símbolo Número acceso Nombre del gen Función Molecular FC
HJURP NM_018410 Holliday Junction Recognition Protein Chaperona: ciclo celular, formación cromatina 8,84
HIST1H1B NM_005322 Histone Cluster 1 H1b Formación cromatina, regulación transcripción 8,99
CENPF NM_016343.3 Centromere protein F Función cinetocoro y segregación cromosómica
14,52
COL4A2 NM_001846.2 Collagen alpha-2(IV) chain Formación matriz extracelular, angiogénesis
14,95
UBE2C NM_007019 Ubiquitin-conjugating enzyme E2C Ubiquitinación 20,58
BIRC5 NM_001168 Baculoviral IAP repeat-containing protein 5 Promover proliferación celular y prevenir apoptosis 26,61
HIST2H3A/ 2H3C
NM_001005464/ NM_021059 Histone cluster 2, H3a/H3c Regulación, replicación, reparación
ADN 26,62
MT1X NM_005952 Metallothionein-1X Apoptosis, transporte proteínas 27,00 AMH NM_000479 Muellerian-inhibiting factor Factor de crecimiento 2,19
KIAA1683 NM_025249 Uncharacterized protein 2,32
GRB10 NM_005311 Growth factor receptor-bound protein 10 Proteína de adaptación, modula el
acoplamiento de receptores quinasa. Apoptosis
2,32
CA9 NM_001216 Carbonic anhydrase 9 Hidratación reversible del hidróxido de carbono 2,36
CA12 NM_001218 Carbonic anhydrase 12 Hidratación reversible del hidróxido de carbono 2,69
DNAH9 NM_001372 DNAH9 protein Actividad ATPasa 2,91
ACP5 NM_001611 Tartrate-resistant acid phosphatase type 5 Defosforilación sialoproteica OPN 3,00
CNGA3 NM_001298 Cyclic nucleotide-gated cation channel alpha-3 Receptor ionotrópico 3,30
TRIB3 NM_021158 Tribbles homolog 3 Bloqueo akt. Apoptosis 3,33
IGFBP5 NM_000599 Insulin-like growth factor-binding protein 5 Proteína unión al IGF que prolonga su vida media 3,34
FAM129A XM_011509140 Family With Sequence Similarity 129 A Regula la fosforilación de proteínas involucradas en la regulación de la
traducción 5,78
GDF15 NM_004864 Growth/differentiation factor 15 Actividad citoquina. Regulación inflamación y apoptosis 7,36
OGDHL NM_018245 2-oxoglutarate dehydrogenase-like, mitochondrial Oxidorreductasa 12,59
GPR158 XM_166110 Probable G-protein coupled receptor 158 Actividad receptora acoplada a proteína G. Regulación: visión,
memoria etc -9,90
UCHL1 NM_004181 Ubiquitin carboxyl-terminal hydrolase isozyme L1 Proteína ubiquitina hidrolasa -5,38
SPOCK1 NM_004598 Testican-1 Interacción célula-célula, matriz- -6,69
168
Resultados
4.8.1. FUNCIONES DIFERENCIALMENTE EXPRESADAS
Los genes que presentaron expresión diferencial en el microarray de
GBM se anotaron funcionalmente mediante un procedimiento bioinformático.
Se les sometió a un análisis de enriquecimiento mediante Gene Ontology
(http://geneontology.org/), genes presentes en la base de datos de OMIM
(http://www.ncbi.nlm.nih.gov/omim) y rutas presentes en la enciclopedia de
genes y genomas de Kyoto, KEGG (http://www.genome.jp/kegg/).
El análisis de los perfiles de expresión génica de la comparación entre
las muestras y el control mostró 27 rutas KEEG diferencialmente expresadas
(Tabla 47).
Tabla 47. Rutas KEEG diferencialmente expresadas.
Término p-valor Fold Enrichment hsa04610:Complemento y cascadas de coagulación 0,0006 2,06 hsa05332:Enfermedad de injerto contra huésped 0,0042 2,06 hsa03030:Replicación del ADN 0,0042 2,06 hsa04672:Red inmune intestinal para la producción de IgA 0,0042 2,06 hsa05320:Enfermedad tiroidea autoinmune 0,0080 2,06 hsa05330:Rechazo de aloinjertos 0,0080 2,06 hsa05310:Asma 0,0524 2,06 hsa04330:Vía de señalización de Notch 0,0524 2,06 hsa03420:Reparación por escisión de nucleótidos 0,0950 2,06 hsa04623:Vía de detección de ADN citosólico 0,0152 2,06 hsa05222:Cáncer de pulmón de células pequeñas 0,0002 1,95 hsa04630:Vía de señalización de JAK-STAT 0,0080 1,90 hsa04060:Interacción receptor de citoquina-citoquina 0,0000 1,84 hsa05322:Lupus eritematoso sistémico 0,0002 1,81 hsa04512:Interacción receptor-ECM 0,0001 1,78 hsa00240:Metabolismo de las pirimidinas 0,0124 1,78 hsa04612:Procesamiento y presentación de antígenos 0,0062 1,73 hsa04640:Linaje celular hematopoyético 0,0581 1,71
célula
LPGAT1 NM_014873 Lysophosphatidylglycerol acyltransferase 1 Acetiltransferasa específica de lisofosfatidilglicerol -4,57
Resultados
hsa04110:Ciclo celular 0,0001 1,71 hsa05416:Miocarditis viral 0,0104 1,71 hsa04670:Migración transendotelial de leucocitos 0,0026 1,66 hsa04115:Vía de señalización de p53 0,0222 1,62 hsa04510:Adhesión focal 0,0002 1,54 hsa04620:Vía de señalización del receptor de tipo Toll 0,0540 1,46 hsa04650:Citotoxicidad mediada por células asesinas naturales 0,0597 1,42 hsa04514:Moléculas de adhesión celular (CAMs) 0,0651 1,40 hsa05200:Vías en cáncer 0,0135 1,32
Por otro lado, el análisis de enriquecimiento mediante Gene Ontology dió
lugar a una serie de funciones diferencialmente expresadas en los tumores con
respecto al tejido normal. Tras el filtrado (mediante la selección de los genes
cuyos valores de FC estuvieran por encima de 7, en el caso de los
sobreexpresados, y por debajo de -7, en el caso de los infraexpresados) se
obtuvieron 33 funciones sobreexpresadas y 38 funciones infraexpresadas.
Dentro de las funciones diferencialmente sobreexpresadas, la mayoría se
relacionaron con el ciclo celular, angiogénesis, respuesta inmune e inflamatoria
y regulación positiva de procesos biosintéticos y de proliferación (Tabla 48). En
el caso de las funciones diferencialmente infraexpresadas, se relacionaron con
la actividad de canales iónicos, transporte de iones y procesos de
neurotransmisión y sinapsis (Tabla 49).
Tabla 48. Funciones diferencialmente sobreexpresadas en base a la anotación funcional de GO.
ANOTACIÓN FUNCIONAL GO
Desarrollo de vasos sanguíneos GO:0001568 Ciclo celular GO:0007049 Fase del ciclo celular GO:0022403 Proceso del ciclo celular GO:0022402 Parte cromosómica GO:0044427 Cromosoma GO:0005694 Respuesta de defensa GO:0006952 Unión al ADN GO:0003677 Proceso de ADN metabólico GO:0006259 Matriz extracelular GO:0031012 Parte de la región extracelular GO:0044421
169
Resultados
4.8.1. FUNCIONES DIFERENCIALMENTE EXPRESADAS
Los genes que presentaron expresión diferencial en el microarray de
GBM se anotaron funcionalmente mediante un procedimiento bioinformático.
Se les sometió a un análisis de enriquecimiento mediante Gene Ontology
(http://geneontology.org/), genes presentes en la base de datos de OMIM
(http://www.ncbi.nlm.nih.gov/omim) y rutas presentes en la enciclopedia de
genes y genomas de Kyoto, KEGG (http://www.genome.jp/kegg/).
El análisis de los perfiles de expresión génica de la comparación entre
las muestras y el control mostró 27 rutas KEEG diferencialmente expresadas
(Tabla 47).
Tabla 47. Rutas KEEG diferencialmente expresadas.
Término p-valor Fold Enrichment hsa04610:Complemento y cascadas de coagulación 0,0006 2,06 hsa05332:Enfermedad de injerto contra huésped 0,0042 2,06 hsa03030:Replicación del ADN 0,0042 2,06 hsa04672:Red inmune intestinal para la producción de IgA 0,0042 2,06 hsa05320:Enfermedad tiroidea autoinmune 0,0080 2,06 hsa05330:Rechazo de aloinjertos 0,0080 2,06 hsa05310:Asma 0,0524 2,06 hsa04330:Vía de señalización de Notch 0,0524 2,06 hsa03420:Reparación por escisión de nucleótidos 0,0950 2,06 hsa04623:Vía de detección de ADN citosólico 0,0152 2,06 hsa05222:Cáncer de pulmón de células pequeñas 0,0002 1,95 hsa04630:Vía de señalización de JAK-STAT 0,0080 1,90 hsa04060:Interacción receptor de citoquina-citoquina 0,0000 1,84 hsa05322:Lupus eritematoso sistémico 0,0002 1,81 hsa04512:Interacción receptor-ECM 0,0001 1,78 hsa00240:Metabolismo de las pirimidinas 0,0124 1,78 hsa04612:Procesamiento y presentación de antígenos 0,0062 1,73 hsa04640:Linaje celular hematopoyético 0,0581 1,71
célula
LPGAT1 NM_014873 Lysophosphatidylglycerol acyltransferase 1 Acetiltransferasa específica de lisofosfatidilglicerol -4,57
Resultados
hsa04110:Ciclo celular 0,0001 1,71 hsa05416:Miocarditis viral 0,0104 1,71 hsa04670:Migración transendotelial de leucocitos 0,0026 1,66 hsa04115:Vía de señalización de p53 0,0222 1,62 hsa04510:Adhesión focal 0,0002 1,54 hsa04620:Vía de señalización del receptor de tipo Toll 0,0540 1,46 hsa04650:Citotoxicidad mediada por células asesinas naturales 0,0597 1,42 hsa04514:Moléculas de adhesión celular (CAMs) 0,0651 1,40 hsa05200:Vías en cáncer 0,0135 1,32
Por otro lado, el análisis de enriquecimiento mediante Gene Ontology dió
lugar a una serie de funciones diferencialmente expresadas en los tumores con
respecto al tejido normal. Tras el filtrado (mediante la selección de los genes
cuyos valores de FC estuvieran por encima de 7, en el caso de los
sobreexpresados, y por debajo de -7, en el caso de los infraexpresados) se
obtuvieron 33 funciones sobreexpresadas y 38 funciones infraexpresadas.
Dentro de las funciones diferencialmente sobreexpresadas, la mayoría se
relacionaron con el ciclo celular, angiogénesis, respuesta inmune e inflamatoria
y regulación positiva de procesos biosintéticos y de proliferación (Tabla 48). En
el caso de las funciones diferencialmente infraexpresadas, se relacionaron con
la actividad de canales iónicos, transporte de iones y procesos de
neurotransmisión y sinapsis (Tabla 49).
Tabla 48. Funciones diferencialmente sobreexpresadas en base a la anotación funcional de GO.
ANOTACIÓN FUNCIONAL GO
Desarrollo de vasos sanguíneos GO:0001568 Ciclo celular GO:0007049 Fase del ciclo celular GO:0022403 Proceso del ciclo celular GO:0022402 Parte cromosómica GO:0044427 Cromosoma GO:0005694 Respuesta de defensa GO:0006952 Unión al ADN GO:0003677 Proceso de ADN metabólico GO:0006259 Matriz extracelular GO:0031012 Parte de la región extracelular GO:0044421
170
Resultados
Respuesta inmune GO:0006955 Respuesta inflamatoria GO:0006954 Orgánulos del lumen intracelular GO:0070013 Lumen adjunto a la membrana GO:0031974 Ciclo celular mitótico GO:0000278 Ciclo celular mitótico de la fase M GO:0000087 División nuclear GO:0000280 Lumen Nuclear GO:0031981 Nucleoplasma GO:0005654 Orgánulo del lumen GO:0043233 Regulación positiva de procesos biosintéticos GO:0009891 Regulación positiva de la proliferación celular GO:0008284 Regulación positiva de procesos biosintéticos celulares GO:0031328 Regulación positiva de procesos del sistema inmune GO:0002684 Regulación positiva de procesos biosintéticos de macromoléculas GO:0010557 Regulación positiva de procesos metabólicos del ARN GO:0051254 Matriz extracelular proteínica GO:0005578 Regulación del ciclo celular GO:0051726 Respuesta a heridas GO:0009611 Secuencia específica de ADN GO:0043565 Actividad de factores de transcripción GO:0003700 Desarrollo de la vasculatura GO:0001944
Tabla 49. Funciones diferencialmente infraexpresadas en base a la anotación funcional de GO.
ANOTACIÓN FUNCIONAL GO Unión a iones metálicos alcalinos GO:0031420 Actividad canales de calcio GO:0005262 Transporte iónico de calcio GO:0006816 Transporte catiónico GO:0006812 Actividad del canal GO:0015267 Vesícula recubierta de clatrina GO:0030136 Vesícula recubierta GO:0030135 Actividad del canal iónico dependiente de ligando extracelular GO:0005230 Actividad dependiente del canal GO:0022836 Generación de señal involucrada en la señalización célula-célula GO:0003001 Actividad de canal iónico GO:0005216 Complejo de canal iónico GO:0034702 Transporte iónico GO:0006811 Actividad del canal dependiente de ligando GO:0022834 Actividad del canal iónico dependiente de ligando GO:0015276 Transporte de iones metálicos GO:003001
Resultados
Transporte de cationes inorgánicos monovalentes GO:0015672 Actividad receptores de la neurotransmisión GO:0030594 Unión del neurotransmisor GO:0042165 Secreción del neurotransmisor GO:0007269 Actividad transporte pasivo transmembrana GO:0022803 Membrana postsináptica GO:0045211 Actividad canales de potasio GO:0005267 Complejo de canal de potasio GO:0034705 Unión de iones potasio GO:0030955 Regulación de los niveles de neurotransmisor GO:0001505 Unión de iones sodio GO:0031402 Transporte de iones sodio GO:0006814 Actividad del canal específico de sustrato GO:0022838 Parte sináptica GO:0044456 Transmisión sináptica GO:0007268 Vesícula sináptica GO:0008021 Transmisión del impulso nervioso GO:0019226 Actividad del canal catiónico dependiente de voltaje GO:0022843 Actividad del canal dependiente de voltaje GO:0022832 Actividad del canal iónico dependiente de voltaje GO:0005244 Actividad del canal de potasio dependiente de voltaje GO:0005249 Complejo del canal de potasio dependiente de voltaje GO:0008076
Los resultados obtenidos del análisis de enriquecimiento se visualizaron
utilizando el plugin Enrichment Map de Cytoscape (http://www.cytoscape.org/).
La representación de las funciones sobre o infra expresadas se realizó
generando nodos (donde se representa el término funcional enriquecido)
conectados por líneas que representan la relación entre los diferentes términos
funcionales. Estas redes permiten estudiar de una forma gráfica y global las
relaciones funcionales de los diferentes genes expresados diferencialmente, de
manera que permiten identificar grupos de genes implicados en la biología de
esta enfermedad. La Figura 51 representa las funciones diferencialmente
expresadas tras el enriquecimiento con la web-tool DAVID bioinformatics
Resources 6.7.
171
Resultados
Respuesta inmune GO:0006955 Respuesta inflamatoria GO:0006954 Orgánulos del lumen intracelular GO:0070013 Lumen adjunto a la membrana GO:0031974 Ciclo celular mitótico GO:0000278 Ciclo celular mitótico de la fase M GO:0000087 División nuclear GO:0000280 Lumen Nuclear GO:0031981 Nucleoplasma GO:0005654 Orgánulo del lumen GO:0043233 Regulación positiva de procesos biosintéticos GO:0009891 Regulación positiva de la proliferación celular GO:0008284 Regulación positiva de procesos biosintéticos celulares GO:0031328 Regulación positiva de procesos del sistema inmune GO:0002684 Regulación positiva de procesos biosintéticos de macromoléculas GO:0010557 Regulación positiva de procesos metabólicos del ARN GO:0051254 Matriz extracelular proteínica GO:0005578 Regulación del ciclo celular GO:0051726 Respuesta a heridas GO:0009611 Secuencia específica de ADN GO:0043565 Actividad de factores de transcripción GO:0003700 Desarrollo de la vasculatura GO:0001944
Tabla 49. Funciones diferencialmente infraexpresadas en base a la anotación funcional de GO.
ANOTACIÓN FUNCIONAL GO Unión a iones metálicos alcalinos GO:0031420 Actividad canales de calcio GO:0005262 Transporte iónico de calcio GO:0006816 Transporte catiónico GO:0006812 Actividad del canal GO:0015267 Vesícula recubierta de clatrina GO:0030136 Vesícula recubierta GO:0030135 Actividad del canal iónico dependiente de ligando extracelular GO:0005230 Actividad dependiente del canal GO:0022836 Generación de señal involucrada en la señalización célula-célula GO:0003001 Actividad de canal iónico GO:0005216 Complejo de canal iónico GO:0034702 Transporte iónico GO:0006811 Actividad del canal dependiente de ligando GO:0022834 Actividad del canal iónico dependiente de ligando GO:0015276 Transporte de iones metálicos GO:003001
Resultados
Transporte de cationes inorgánicos monovalentes GO:0015672 Actividad receptores de la neurotransmisión GO:0030594 Unión del neurotransmisor GO:0042165 Secreción del neurotransmisor GO:0007269 Actividad transporte pasivo transmembrana GO:0022803 Membrana postsináptica GO:0045211 Actividad canales de potasio GO:0005267 Complejo de canal de potasio GO:0034705 Unión de iones potasio GO:0030955 Regulación de los niveles de neurotransmisor GO:0001505 Unión de iones sodio GO:0031402 Transporte de iones sodio GO:0006814 Actividad del canal específico de sustrato GO:0022838 Parte sináptica GO:0044456 Transmisión sináptica GO:0007268 Vesícula sináptica GO:0008021 Transmisión del impulso nervioso GO:0019226 Actividad del canal catiónico dependiente de voltaje GO:0022843 Actividad del canal dependiente de voltaje GO:0022832 Actividad del canal iónico dependiente de voltaje GO:0005244 Actividad del canal de potasio dependiente de voltaje GO:0005249 Complejo del canal de potasio dependiente de voltaje GO:0008076
Los resultados obtenidos del análisis de enriquecimiento se visualizaron
utilizando el plugin Enrichment Map de Cytoscape (http://www.cytoscape.org/).
La representación de las funciones sobre o infra expresadas se realizó
generando nodos (donde se representa el término funcional enriquecido)
conectados por líneas que representan la relación entre los diferentes términos
funcionales. Estas redes permiten estudiar de una forma gráfica y global las
relaciones funcionales de los diferentes genes expresados diferencialmente, de
manera que permiten identificar grupos de genes implicados en la biología de
esta enfermedad. La Figura 51 representa las funciones diferencialmente
expresadas tras el enriquecimiento con la web-tool DAVID bioinformatics
Resources 6.7.
172
Resultados
A
B
C
Resultados
C
B
A
173
Resultados
A
B
C
Resultados
173C
B
A
174
Resultados
Figura 51. Funciones diferencialmente expresadas tras el análisis con DAVID bioinformatics Resources 6.7. En verde las funciones sobreexpresadas y en azul las
infraexpresadas. Las regiones seleccionadas se amplían en las siguientes figuras (A,B,C,D,E).
Una vez seleccionados los nodos más importantes de las redes
obtenidas tras el análisis con DAVID, se obtuvieron los genes diferencialmente
expresados en cada una de las funciones. Tras el filtrado, se seleccionaron 23
E
D
Resultados
genes diferencialmente sobreexpresados y 19 genes diferencialmente
infraexpresados. Los valores de FC de cada uno de dichos genes, así como las
funciones asociadas a cada uno se detallan en el Anexo X. Además, se
construyó una red de proteínas de los genes seleccionados mediante un
software online (http://string-db.org/) (Figura 52).
Figura 52. Red de proteínas para los genes relacionados con los GBM de esta serie.
175
Resultados
Figura 51. Funciones diferencialmente expresadas tras el análisis con DAVID bioinformatics Resources 6.7. En verde las funciones sobreexpresadas y en azul las
infraexpresadas. Las regiones seleccionadas se amplían en las siguientes figuras (A,B,C,D,E).
Una vez seleccionados los nodos más importantes de las redes
obtenidas tras el análisis con DAVID, se obtuvieron los genes diferencialmente
expresados en cada una de las funciones. Tras el filtrado, se seleccionaron 23
E
D
Resultados
genes diferencialmente sobreexpresados y 19 genes diferencialmente
infraexpresados. Los valores de FC de cada uno de dichos genes, así como las
funciones asociadas a cada uno se detallan en el Anexo X. Además, se
construyó una red de proteínas de los genes seleccionados mediante un
software online (http://string-db.org/) (Figura 52).
Figura 52. Red de proteínas para los genes relacionados con los GBM de esta serie.
176
Resultados
Dentro del conjunto de genes sobreexpresados, las funciones
específicas asociadas a los mismos incluyen la promoción de la angiogénesis y
proliferación celular (TNFRSF12A,BIRC5), aceptar y catalizar la unión
covalente de la ubiquitina así como promover la anafase del ciclo celular
(UBE2C), mediar la síntesis de ADN translesión (MAD2L2), regular reacciones
inflamatorias (PTX3), participar en la tumorigénesis mediante la regulación de
la apoptosis (NTN1) e inducir la permeabilidad de los vasos sanguíneos
(VEGF), entre otras.
Por otro lado, las funciones específicas de los genes diferencialmente
infraexpresados tienen relación con los canales de potasio, sodio y calcio
(KCNK1, HCN1, KCNC2, RYR2), mantenimiento de la transmisión sináptica en
las neuronas GABAérgicas (KCNC2), liberación de neurotransmisores (RYR2,
CACNA1B, SYT1, SYT4), sostenimiento de la activación de CaMKII, que se
encuentra involucrada en cascadas de señalización celular y es necesaria para
la activación de las células T citotóxicas (CAMK2A), acidificación de los
compartimentos celulares (ATP6V1G2), inhibición del impulso nervioso y
reducción de la excitabilidad neuronal (GABRG2, GABRA1), procesos de
exocitosis de vesículas presinápticas (SNAP25) y neurogénesis (PACSIN1,
MAL), entre otras.
Resultados
Dentro del conjunto de genes sobreexpresados, las funciones
específicas asociadas a los mismos incluyen la promoción de la angiogénesis y
proliferación celular (TNFRSF12A,BIRC5), aceptar y catalizar la unión
covalente de la ubiquitina así como promover la anafase del ciclo celular
(UBE2C), mediar la síntesis de ADN translesión (MAD2L2), regular reacciones
inflamatorias (PTX3), participar en la tumorigénesis mediante la regulación de
la apoptosis (NTN1) e inducir la permeabilidad de los vasos sanguíneos
(VEGF), entre otras.
Por otro lado, las funciones específicas de los genes diferencialmente
infraexpresados tienen relación con los canales de potasio, sodio y calcio
(KCNK1, HCN1, KCNC2, RYR2), mantenimiento de la transmisión sináptica en
las neuronas GABAérgicas (KCNC2), liberación de neurotransmisores (RYR2,
CACNA1B, SYT1, SYT4), sostenimiento de la activación de CaMKII, que se
encuentra involucrada en cascadas de señalización celular y es necesaria para
la activación de las células T citotóxicas (CAMK2A), acidificación de los
compartimentos celulares (ATP6V1G2), inhibición del impulso nervioso y
reducción de la excitabilidad neuronal (GABRG2, GABRA1), procesos de
exocitosis de vesículas presinápticas (SNAP25) y neurogénesis (PACSIN1,
MAL), entre otras.
DISCUSIÓN
179
Discusión
Cada vez adquiere más importancia la búsqueda de biomarcadores en el
manejo de las enfermedades, como el cáncer. Estos biomarcadores son
importantes, puesto que facilitan el diagnóstico y permiten predecir el
pronóstico y respuesta al tratamiento de cada tipo de tumor.
5.1. BIOMARCADORES EN GLIOMAS
La regulación epigenética de la expresión génica, mediante la metilación
del ADN y modificación de histonas, está frecuentemente alterada en los
cánceres humanos, incluyendo a los gliomas (Malzkorn, et al., 2011). La
hipermetilación de las islas CpG en la regiones promotoras puede causar
silenciamiento transcripcional de genes supresores de tumores y otros genes
(Rodriguez-Paredes & Esteller, 2011). Las diferentes metodologías utilizadas
para el estudio de la metilación producen la variabilidad observada en los
resultados de los diferentes trabajos. Frente a la MS-PCR, más ampliamente
utilizada para la detección de regiones metiladas, el MS-MLPA presenta varias
ventajas (descritas anteriormente) por las cuales se decidió emplear esta
técnica en nuestra serie (Riemenschneider, 2010). Dada la baja cantidad y
calidad del ADN extraído de los tejidos de archivo histológico fijados e incluidos
en parafina y con un tiempo de almacenamiento en un rango de 3 a 9 años, la
técnica de MS-MLPA fue la opción más adecuada en este trabajo para la
determinación de la metilación de forma semicuantitativa en estos tumores.
Tras el análisis de la metilación de MGMT en esta serie, se observó un
60.35% de metilación en dicho gen (137 de 227). Además, este marcador se
asoció al grado tumoral (p= 0.029) observándose una disminución del
porcentaje de metilación al aumentar el grado histológico. Estos valores están
dentro de los observados por otros grupos de investigación y revisados por von
Deimling y col (von Deimling, et al., 2011) y Nikiforova en 2011 (Nikiforova &
Hamilton, 2011) para cada uno de los grados tumorales y son similares a los
obtenidos en otros estudios (Tabla 50).
180
Discusión
Tabla 50. Valores de metilación de MGMT según el grado histológico en diferentes estudios y revisiones.
Grado tumoral (% metilación MGMT)
Estudio AII AIII GBM
Von Deimling 2011 43-93 50-84 35-73
Nikiforova 2011 40-50 50 40-60
Cankovik 2007 33 38 44
Esteller 2000 - 39 41
Hegi 2005 - - 44.7
Jeuken 2007 - 75 55
Presente estudio 84 61.5 56.8
Las diferencias en los porcentajes pueden ser debidas a las distintas
técnicas empleadas y a las diferentes secuencias diana analizadas. Como se
ha explicado anteriormente, de las sondas empleadas se descartaron dos por
recomendación del fabricante (la sonda 4 y la 6). De las cuatros sondas
informativas empleadas para el análisis, la sonda 5 presentó el mayor
porcentaje de metilación (68.6%), seguida de la sonda 1 (64.2%), de la sonda 3
(59.1%) y, por último, de la sonda 2 (43%).
Qian y col (Qian & Brent, 1997) determinaron el estado de metilación de
cada una de las CpG del gen desde la posición -249 a la +259, tomando como
referencia el inicio de la transcripción. Descubrieron dos regiones o puntos
calientes con elevada frecuencia de metilación (hot-spots). El hot-spot1 en la
región de -249 a -103 y el hot-spot2 en la región de +107 a +196. El primer hot-
spot corresponde con la DMR1 de Malley y col (CpG 25-50), mientras que el
segundo hot-spot coincide con la DMR2 (CpG 73-90) (Malley, et al., 2011). Al
comparar los resultados de este trabajo con los dos estudios mencionados, se
observa que las cuatro sondas se corresponden con las regiones
frecuentemente metiladas descritas, siendo la sonda 5 y 1 las más metiladas y
181
Discusión
Tabla 50. Valores de metilación de MGMT según el grado histológico en diferentes estudios y revisiones.
Grado tumoral (% metilación MGMT)
Estudio AII AIII GBM
Von Deimling 2011 43-93 50-84 35-73
Nikiforova 2011 40-50 50 40-60
Cankovik 2007 33 38 44
Esteller 2000 - 39 41
Hegi 2005 - - 44.7
Jeuken 2007 - 75 55
Presente estudio 84 61.5 56.8
Las diferencias en los porcentajes pueden ser debidas a las distintas
técnicas empleadas y a las diferentes secuencias diana analizadas. Como se
ha explicado anteriormente, de las sondas empleadas se descartaron dos por
recomendación del fabricante (la sonda 4 y la 6). De las cuatros sondas
informativas empleadas para el análisis, la sonda 5 presentó el mayor
porcentaje de metilación (68.6%), seguida de la sonda 1 (64.2%), de la sonda 3
(59.1%) y, por último, de la sonda 2 (43%).
Qian y col (Qian & Brent, 1997) determinaron el estado de metilación de
cada una de las CpG del gen desde la posición -249 a la +259, tomando como
referencia el inicio de la transcripción. Descubrieron dos regiones o puntos
calientes con elevada frecuencia de metilación (hot-spots). El hot-spot1 en la
región de -249 a -103 y el hot-spot2 en la región de +107 a +196. El primer hot-
spot corresponde con la DMR1 de Malley y col (CpG 25-50), mientras que el
segundo hot-spot coincide con la DMR2 (CpG 73-90) (Malley, et al., 2011). Al
comparar los resultados de este trabajo con los dos estudios mencionados, se
observa que las cuatro sondas se corresponden con las regiones
frecuentemente metiladas descritas, siendo la sonda 5 y 1 las más metiladas y
Discusión
diseñadas, concordantemente, en las zonas con mayor frecuencia de
metilación (Anexo XI).
Los estudios de Qian y Malley se llevaron a cabo con el propósito de
determinar si la metilación del ADN daba lugar a silenciamiento génico y, por
tanto, a una disminución de la expresión. En estos casos, las regiones más
frecuentemente metiladas no eran las que más se correlacionaron con la
expresión. Más estudios se han realizado con este fin, no existiendo hasta
ahora una asociación completa entre metilación y expresión. Por un lado, por
ejemplo, varios grupos han establecido que la pérdida de expresión de MGMT
se asocia frecuentemente con el silenciamiento transcripcional mediante la
metilación de sus islas CpGs (Brell, et al., 2005; Esteller, et al., 2000; Hegi, et
al., 2005; Kamiryo, et al., 2004; Nakamura, Watanabe, Yonekawa, Kleihues, &
Ohgaki, 2001; Paz, et al., 2004; Riemenschneider, 2010). Por otro lado,
muchos otros grupos han observado que esta correlación no siempre existe
(Cao, et al., 2009; Hawkins, et al., 2009; Mellai, et al., 2009; Preusser, et al.,
2008). En el presente trabajo, sólo en el 46.15% de las muestras correlacionó
la metilación con la expresión. Por tanto, no se ha podido establecer una
asociación estadísticamente significativa entre ambos fenómenos (p-valor= 1).
Esto podría ser debido a que el silenciamiento transcripcional de este gen está
influenciado por la metilación en otras regiones no necesariamente cercanas al
sitio de inicio de la transcripción ni incluídas en el promotor (Everhard, et al.,
2009; Noushmehr, et al., 2010). Se ha hipotetizado que en aquellos casos en
los que se observa una disminución de la expresión combinada con la no
metilación del promotor podría ser resultado de la desestabilización del
transcrito y/o factores de represión de la transcripción, como la regulación de
miARN o modificación de histonas (Thon, et al., 2013). Un estudio llevado a
cabo por Danam y col (Danam, Howell, Brent, & Harris, 2005) puso de
manifiesto que el silenciamiento mediado por metilación parece estar asociado
con la reducción de histonas acetiladas unidas a la región del promotor. El
complejo multiproteico de histonas unidas al ADN metilado resulta en una
cromatina cerrada y condensada que da lugar a la inactivación transcripcional
de MGMT.
182
Discusión
En cualquier caso, la metilación de MGMT es un biomarcador predictivo
de respuesta al tratamiento (Esteller, et al., 2000; Esteller & Herman, 2004;
Hegi, et al., 2005; Kerrie L. McDonald, 2011; Ohgaki & Kleihues, 2009).
Pacientes tratados con radioterapia y temozolomida y cuyos tumores presentan
metilación en MGMT, sobreviven más que aquellos que no tienen metilado este
gen (Riemenschneider, 2010). Resultados similares se han obtenido del
presente trabajo, de los pacientes tratados sobreviven más los que presentan
metilado este gen (p-valor <0.000). No sólo eso, si no que, independientemente
del tratamiento, la metilación de MGMT es un biomarcador de buen pronóstico
(p-valor= 0.004). Esto confirma los resultados de otros estudios (Hegi, et al.,
2005; Mellai, et al., 2012; Nikiforova & Hamilton, 2011), aunque existe cierta
controversia ya que otros grupos (Brabender, et al., 2003; Hayashi, et al., 2002;
Kohya, et al., 2002), como el de Esteller y col (Esteller, et al., 2000; Esteller &
Herman, 2004) no llegaron a la misma conclusión, de hecho, consideraron que
la metilación de este gen por sí sola era un marcador de mal pronóstico,
argumentando que, probablemente, los pacientes con silenciamiento
epigenético de MGMT acumulan más mutaciones en genes como TP53 y
KRAS (Kristen rat sarcoma viral oncogene homolog). Sin embargo, en el
presente trabajo no se observó una asociación estadísticamente significativa
entre la metilación de MGMT y las mutaciones en TP53.
En el conjunto de muestras de este estudio, se observa CIMP positivo en
un 26.9% (Tabla 17). Actualmente, no existe un panel de genes consensuado
que defina el fenotipo hipermetilador en gliomas. En 2010, Noushmehr y col.
establecen un panel de genes que definen el fenotipo CIMP en gliomas, sin
embargo, se trata de un panel con un número demasiado elevado de genes, lo
que dificulta su aplicabilidad en la práctica clínica (Noushmehr, et al., 2010). A
raiz de este estudio, varios son los grupos que han determinado paneles de
genes hipermetilados o hipometilados en gliomas que permiten establecer
grupos con diferentes supervivencias (Gonda, et al., 2014; Hill, et al., 2014;
Laffaire, et al., 2011). Al igual que en el caso anterior, el número de genes
establecido es demasiado alto. En nuestro trabajo se optó por utilizar el panel
de genes que define el CIMP en cáncer de colon. Esta elección se hizo por el
hecho de que existe un kit comercial de MS-MLPA que contiene los genes que
183
Discusión
En cualquier caso, la metilación de MGMT es un biomarcador predictivo
de respuesta al tratamiento (Esteller, et al., 2000; Esteller & Herman, 2004;
Hegi, et al., 2005; Kerrie L. McDonald, 2011; Ohgaki & Kleihues, 2009).
Pacientes tratados con radioterapia y temozolomida y cuyos tumores presentan
metilación en MGMT, sobreviven más que aquellos que no tienen metilado este
gen (Riemenschneider, 2010). Resultados similares se han obtenido del
presente trabajo, de los pacientes tratados sobreviven más los que presentan
metilado este gen (p-valor <0.000). No sólo eso, si no que, independientemente
del tratamiento, la metilación de MGMT es un biomarcador de buen pronóstico
(p-valor= 0.004). Esto confirma los resultados de otros estudios (Hegi, et al.,
2005; Mellai, et al., 2012; Nikiforova & Hamilton, 2011), aunque existe cierta
controversia ya que otros grupos (Brabender, et al., 2003; Hayashi, et al., 2002;
Kohya, et al., 2002), como el de Esteller y col (Esteller, et al., 2000; Esteller &
Herman, 2004) no llegaron a la misma conclusión, de hecho, consideraron que
la metilación de este gen por sí sola era un marcador de mal pronóstico,
argumentando que, probablemente, los pacientes con silenciamiento
epigenético de MGMT acumulan más mutaciones en genes como TP53 y
KRAS (Kristen rat sarcoma viral oncogene homolog). Sin embargo, en el
presente trabajo no se observó una asociación estadísticamente significativa
entre la metilación de MGMT y las mutaciones en TP53.
En el conjunto de muestras de este estudio, se observa CIMP positivo en
un 26.9% (Tabla 17). Actualmente, no existe un panel de genes consensuado
que defina el fenotipo hipermetilador en gliomas. En 2010, Noushmehr y col.
establecen un panel de genes que definen el fenotipo CIMP en gliomas, sin
embargo, se trata de un panel con un número demasiado elevado de genes, lo
que dificulta su aplicabilidad en la práctica clínica (Noushmehr, et al., 2010). A
raiz de este estudio, varios son los grupos que han determinado paneles de
genes hipermetilados o hipometilados en gliomas que permiten establecer
grupos con diferentes supervivencias (Gonda, et al., 2014; Hill, et al., 2014;
Laffaire, et al., 2011). Al igual que en el caso anterior, el número de genes
establecido es demasiado alto. En nuestro trabajo se optó por utilizar el panel
de genes que define el CIMP en cáncer de colon. Esta elección se hizo por el
hecho de que existe un kit comercial de MS-MLPA que contiene los genes que
Discusión
definen el CIMP en cáncer colorrectal. Este kit analiza la metilación
semicuantitativamente de este conjunto de ocho genes, lo que facilita la
realización de los experimentos y confiere cierta seguridad y precisión a la hora
de obtener los resultados. Algunos de los genes que componen este panel son
poco informativos para los gliomas, son los casos del gen NEUROG1 que se
encuentra metilado prácticamente en el total de las muestras analizadas y
MLH1, que apenas presenta metilación (Tabla 18). Se ha descrito que la
expresión de RUNX3 está relacionada con el desarrollo de gliomas (Mei, et al.,
2011). Este gen pertenece a una familia de factores de transcripción que
juegan un papel relevante en los procesos normales de desarrollo y
carcinogénesis (Lund & van Lohuizen, 2002). La hipermetilación del promotor
de RUNX3 es una de las alteraciones epigenéticas más comunes en cáncer
(Mei, et al., 2011; Mueller, et al., 2007), lo que sugiere que la inactivación de
RUNX3 es importante en el proceso de tumorigénesis. En este caso, las
muestras analizadas presentaron un elevado porcentaje de metilación en dicho
gen (Tabla 23), lo que corrobora lo establecido en el estudio de Mei y col. De
este panel de genes analizado, sólo SOCS1 correlacionó con varias variables
clínicas y moleculares, postulándose como un potencial biomarcador en este
tumor. De este posible biomarcador se habla posteriormente.
El CIMP se ha observado en diferentes tipos de cáncer, y se asocia
tanto a mal como a buen pronóstico, así como a diferentes características
clínicas dependiendo del tumor. Estas discrepancias pueden ser debidas a que
para algunos cánceres los paneles de genes y umbrales de corte para
determinar el estado de metilación no están correctamente definidos para
definir el verdadero fenotipo hipermetilador (Hughes, et al., 2013). En el caso
de los gliomas, al igual que en el cáncer de colon, el CIMP se asocia con un
pronóstico favorable. Esta serie corrobora lo establecido en la bilibografía, ya
que los tumores con un G-CIMP positivo mostraron una mayor supervivencia
(p-valor= 0.021).
En general, el porcentaje de casos con mutaciones en IDH en la
presente serie fue de un 19.1%. Este biomarcador se asocia con el grado
histológico (p-valor <0.000), disminuyendo el porcentaje de metilación con el
184
Discusión
grado tumoral. Es necesario puntualizar que existe una gran diferencia entre
los porcentajes de mutaciones en IDH en GBM primarios y secundarios. Según
lo descrito en la bibliografía, IDH1/IDH2 están mutados (Balss, et al., 2008;
Capper, et al., 2009; Parsons, et al., 2008; Ru, Williams, Chakravarti, & Guo,
2013; H. Yan, et al., 2009) en torno a un 85% en los GBM secundarios y un 5%
en los primarios. En nuestra serie, el porcentaje de mutaciones en los GBM fue
de un 8.9%, por lo que podrían considerarse GBM primarios.
Williams Parsons y col realizaron un estudio en 2008 en el que, entre
otros resultados, establecen que las mutaciones en IDH1 ocurren,
preferentemente, en pacientes con gliomas de edad más joven, esto es, con
una edad media de 33 años en comparación con una edad media de 53 años
en pacientes con IDH1 no mutado (Parsons, et al., 2008). Otros estudios
también afirman que las mutaciones en dicho gen se asocian con edad joven
de los pacientes (Bleeker, et al., 2010; Nobusawa, Watanabe, Kleihues, &
Ohgaki, 2009). Yan y col demuestran en su estudio que los pacientes con
astrocitomas anaplásicos o GBM que presentan IDH1 mutado eran
significativamente más jóvenes que los pacientes cuyos tumores no
presentaban dicha mutación (H. Yan, et al., 2009). En nuestra serie, al igual
que en los estudios mencionados anteriormente, los pacientes con edades por
debajo de la mediana (55 años) presentan mutaciones en IDH1 en sus
tumores, siendo la asociación entre este marcador y la edad estadísticamente
significativa (p-valor <0.000).
Además, los resultados obtenidos confirman otros estudios en los que se
observó que las mutaciones en IDH1 e IDH2 no ocurren simultáneamente en
un mismo tumor, si no que son mutuamente excluyentes (Christensen, et al.,
2011; Labussiere, et al., 2010; Martin J. van den Bent, et al., 2010; H. Yan, et
al., 2009). Esto sugiere que están implicadas en mecanismos similares de
tumorigénesis. Debido a esto y, dado el bajo porcentaje de mutaciones en
IDH2, en el presente trabajo ambas mutaciones se agrupan.
El hecho de que exista una elevada frecuencia de mutaciones en este
gen en los AII (75%) apoya la hipótesis de Balss y col que establece que esta
185
Discusión
grado tumoral. Es necesario puntualizar que existe una gran diferencia entre
los porcentajes de mutaciones en IDH en GBM primarios y secundarios. Según
lo descrito en la bibliografía, IDH1/IDH2 están mutados (Balss, et al., 2008;
Capper, et al., 2009; Parsons, et al., 2008; Ru, Williams, Chakravarti, & Guo,
2013; H. Yan, et al., 2009) en torno a un 85% en los GBM secundarios y un 5%
en los primarios. En nuestra serie, el porcentaje de mutaciones en los GBM fue
de un 8.9%, por lo que podrían considerarse GBM primarios.
Williams Parsons y col realizaron un estudio en 2008 en el que, entre
otros resultados, establecen que las mutaciones en IDH1 ocurren,
preferentemente, en pacientes con gliomas de edad más joven, esto es, con
una edad media de 33 años en comparación con una edad media de 53 años
en pacientes con IDH1 no mutado (Parsons, et al., 2008). Otros estudios
también afirman que las mutaciones en dicho gen se asocian con edad joven
de los pacientes (Bleeker, et al., 2010; Nobusawa, Watanabe, Kleihues, &
Ohgaki, 2009). Yan y col demuestran en su estudio que los pacientes con
astrocitomas anaplásicos o GBM que presentan IDH1 mutado eran
significativamente más jóvenes que los pacientes cuyos tumores no
presentaban dicha mutación (H. Yan, et al., 2009). En nuestra serie, al igual
que en los estudios mencionados anteriormente, los pacientes con edades por
debajo de la mediana (55 años) presentan mutaciones en IDH1 en sus
tumores, siendo la asociación entre este marcador y la edad estadísticamente
significativa (p-valor <0.000).
Además, los resultados obtenidos confirman otros estudios en los que se
observó que las mutaciones en IDH1 e IDH2 no ocurren simultáneamente en
un mismo tumor, si no que son mutuamente excluyentes (Christensen, et al.,
2011; Labussiere, et al., 2010; Martin J. van den Bent, et al., 2010; H. Yan, et
al., 2009). Esto sugiere que están implicadas en mecanismos similares de
tumorigénesis. Debido a esto y, dado el bajo porcentaje de mutaciones en
IDH2, en el presente trabajo ambas mutaciones se agrupan.
El hecho de que exista una elevada frecuencia de mutaciones en este
gen en los AII (75%) apoya la hipótesis de Balss y col que establece que esta
Discusión
alteración es un evento temprano que ocurre durante la progresión tumoral
(Balss, et al., 2008). Otros estudios respaldan esta hipótesis (Ichimura, et al.,
2009; H. Yan, et al., 2009).
Los porcentajes de mutación obtenidos mediante IHQ, con el anticuerpo
que reconoce específicamente la forma mutada de IDH1 (Arg132His), fueron
muy similares a los obtenidos por secuenciación directa. Además, al realizar los
análisis, se mantuvo la asociación de este biomarcador con la edad (p-valor
<0.000) y con el grado tumoral (p-valor <0.000). Al comparar ambas técnicas,
se demostró una asociación estadísticamente significativa entre las dos (p-valor
<0.000). Dado que el anticuerpo utilizado sólo reconoce las proteínas con la
mutación en IDH1 Arg132His y, por tanto, las otras mutaciones, aunque son
poco frecuentes, no serían detectables por esta técnica, la IHQ no es una
técnica coste-eficaz en el caso de los gliomas. La secuenciación directa ha de
ser la primera opción a la hora de detectar dichas mutaciones.
Algunos trabajos demuestran que los tumores G-CIMP positivos son más
comunes en gliomas de bajo grado que, frecuentemente, portan mutaciones en
IDH1 y están asociados a una mayor supervivencia (Noushmehr, et al., 2010).
Sin embargo, en el presente estudio, el mayor porcentaje de metilación global
se da en los astrocitomas de grado III (44%), porcentaje similar al observado en
los astrocitomas de grado II (38.5%). Además, de los 56 gliomas CIMP
positivos analizados, 16 portan mutaciones en IDH. De estos 16 gliomas CIMP
positivos y mutados para IDH, sólo 7 son AII (6 son AIII y 3 GBM). Esto podría
deberse a que algunos de los gliomas diagnosticados como AIII son, en
realidad, AII y viceversa. Además, como se observa en la Figura 37, los AIII
con IDH mutado presentan una mayor supervivencia que los AII mutados,
cuando se esperaría que ocurriese lo contrario. Por otra parte, en esta serie los
AII no mutados se comportan de forma similar a los GBM no mutados (Figura
37) como se ha establecido en la bibliografía (Brat, et al., 2015). Existe una
gran dificultad a la hora de diferenciar ambos grados sólo en base a criterios
histopatológicos. Ya en 1997, Coons y col. evidenciaron que la precisión
diagnóstica y reproducibilidad están comprometidos por los criterios
histológicos subjetivos que se usan normalmente para clasificar los gliomas
186
Discusión
(Coons, Johnson, Scheithauer, Yates, & Pearl, 1997). Además de estos
criterios, se suma la variabilidad histológica intratumoral y el hecho de que los
gliomas de alto grado pueden presentar diferenciación celular (Nutt, et al.,
2003). Uno de los mayores riesgos del diagnóstico erróneo radica en la
posibilidad de sobre o infratratar a los pacientes, ya que las decisiones
terapéuticas están basadas en el diagnóstico histológico (M. J. van den Bent,
2010). Cabe resaltar lo descrito anteriormente sobre la importancia de aplicar
criterios moleculares en la práctica clínica, como podría ser la IHQ y/o
secuenciación de IDH (Hartmann, et al., 2010). La publicación de la nueva
clasificación de la OMS (Louis, et al., 2016) ha coincidido con el cierre de la
escritura del presente trabajo de Tesis Doctoral. Se evidencia una apuesta
decidida a la utilización de biomarcadores moleculares como herramienta
diagnóstica esencial o de apoyo al diagnóstico patológico con marcadores
morfológicos e inmunohistoquímicos.
Actualmente, hay estudios que apoyan que las mutaciones en IDH son la
base molecular del fenotipo G-CIMP. Esta afirmación se basa en el hecho de
que la actividad del gen TET2, que codifica una dioxigenasa que convierte la 5-
metilcitosina en 5-hidroximetilcitosina dando lugar a la desmetilación del ADN
en el loci específico, se encuentra inhibida por la expresión de IDH1 mutado
(Figura 11). Esto da lugar a la acumulación de metilación del ADN y favorece la
tumorigénesis (Ko, et al., 2010; Turcan, et al., 2012; Xu, et al., 2011; L. Yu & Qi,
2012). Los resultados del presente estudio apoyan esta hipótesis ya que existe
una clara asociación entre el G-CIMP y las mutaciones en IDH (p-valor= 0.013).
Al igual que el G-CIMP, las mutaciones en IDH determinan un mejor
pronóstico. Del resultado obtenido tras el análisis multivariante, se puede
establecer que la variable que realmente tiene un valor pronóstico por sí misma
son las mutaciones en IDH. El G-CIMP sería un factor dependiente de dicho
biomarcador. Esto confirma lo explicado en el párrafo anterior. Muchos son los
estudios en los que se ha otorgado el papel de biomarcador de buen pronóstico
a las mutaciones en IDH (Christensen, et al., 2011; Nobusawa, et al., 2009;
Noushmehr, et al., 2010; Parsons, et al., 2008; H. Yan, et al., 2009), al igual
que en el presente trabajo (p-valor <0.000). En 2010, Bleeker y col. (Bleeker, et
al., 2010) estudiaron si la producción de NADPH en gliomas está afectada por
187
Discusión
(Coons, Johnson, Scheithauer, Yates, & Pearl, 1997). Además de estos
criterios, se suma la variabilidad histológica intratumoral y el hecho de que los
gliomas de alto grado pueden presentar diferenciación celular (Nutt, et al.,
2003). Uno de los mayores riesgos del diagnóstico erróneo radica en la
posibilidad de sobre o infratratar a los pacientes, ya que las decisiones
terapéuticas están basadas en el diagnóstico histológico (M. J. van den Bent,
2010). Cabe resaltar lo descrito anteriormente sobre la importancia de aplicar
criterios moleculares en la práctica clínica, como podría ser la IHQ y/o
secuenciación de IDH (Hartmann, et al., 2010). La publicación de la nueva
clasificación de la OMS (Louis, et al., 2016) ha coincidido con el cierre de la
escritura del presente trabajo de Tesis Doctoral. Se evidencia una apuesta
decidida a la utilización de biomarcadores moleculares como herramienta
diagnóstica esencial o de apoyo al diagnóstico patológico con marcadores
morfológicos e inmunohistoquímicos.
Actualmente, hay estudios que apoyan que las mutaciones en IDH son la
base molecular del fenotipo G-CIMP. Esta afirmación se basa en el hecho de
que la actividad del gen TET2, que codifica una dioxigenasa que convierte la 5-
metilcitosina en 5-hidroximetilcitosina dando lugar a la desmetilación del ADN
en el loci específico, se encuentra inhibida por la expresión de IDH1 mutado
(Figura 11). Esto da lugar a la acumulación de metilación del ADN y favorece la
tumorigénesis (Ko, et al., 2010; Turcan, et al., 2012; Xu, et al., 2011; L. Yu & Qi,
2012). Los resultados del presente estudio apoyan esta hipótesis ya que existe
una clara asociación entre el G-CIMP y las mutaciones en IDH (p-valor= 0.013).
Al igual que el G-CIMP, las mutaciones en IDH determinan un mejor
pronóstico. Del resultado obtenido tras el análisis multivariante, se puede
establecer que la variable que realmente tiene un valor pronóstico por sí misma
son las mutaciones en IDH. El G-CIMP sería un factor dependiente de dicho
biomarcador. Esto confirma lo explicado en el párrafo anterior. Muchos son los
estudios en los que se ha otorgado el papel de biomarcador de buen pronóstico
a las mutaciones en IDH (Christensen, et al., 2011; Nobusawa, et al., 2009;
Noushmehr, et al., 2010; Parsons, et al., 2008; H. Yan, et al., 2009), al igual
que en el presente trabajo (p-valor <0.000). En 2010, Bleeker y col. (Bleeker, et
al., 2010) estudiaron si la producción de NADPH en gliomas está afectada por
Discusión
las mutaciones en IDH, ya que la nueva función adquirida de producción de 2-
HG se produce por la reducción dependiente de NADPH del α-KG. La hipótesis
planteada por este grupo se basa en que la disminución de los niveles de
NADPH citoplasmático resulta en una reducción del glutation (GSH), que se
encarga de la eliminación de radicales de oxígeno en la célula. Esta reducción
de GSH da lugar a estrés oxidativo que puede causar daño en el ADN e inducir
la apoptosis. El estrés oxidativo se incrementa por la radiación y la
quimioterapia y, por tanto, los tumores con mutaciones en IDH son menos
resistentes a los tratamientos radio y quimioterapéuticos, lo que explicaría el
aumento de la supervivencia en estos pacientes.
Se ha descrito, además, una fuerte asociación entre el fenotipo G-CIMP
y la metilación en MGMT (Teodoridis, Strathdee, & Brown, 2004; M. J. van den
Bent, et al., 2011), mostrando que la metilación en MGMT puede constituir un
buen marcador de hipermetilación global en tumores gliales. Los resultados del
presente estudio no apoyan lo descrito en la bibliografía, ya que no se observa
una asociación estadísticamente significativa entre ambos biomarcadores. Una
posibilidad radica en el hecho de que el conjunto de genes seleccionados como
panel del G-CIMP no se corresponde con las regiones analizadas por otros
grupos.
En cuanto a la asociación entre las mutaciones en IDH y la metilación
en MGMT, los resultados obtenidos en el estudio muestran una correlación
estadísticamente significativa entre estos dos marcadores en nuestra serie de
gliomas y confirman lo que ya ha sido establecido en estudios anteriores
(Boots-Sprenger, et al., 2013; Hartmann, et al., 2011; Noushmehr, et al., 2010;
Wick & Weller, 2009; Xu, et al., 2011). La metilación de MGMT es parte del
fenotipo hipermetilador en muchos gliomas (Weller, et al., 2013), por tanto,
como se ha comentado anteriormente, la producción de 2-HG inhibiría la
desmetilación de las histonas, en parte porque las histonas desmetilasas y las
TET 5-metilcitosina hidroxilasas son dioxigenasas dependientes de α-KG y
están involucradas en el control epigenético, lo que predispondría a la
hipermetilación del ADN de las células del glioma (Haynes, et al., 2014;
Loenarz & Schofield, 2008).
188
Discusión
La alteración en la expresión del gen SOCS1 se han descrito en
diferentes tumores humanos, sin embargo, el papel de SOCS1 como marcador
diagnóstico o diana terapéutica no está completamente establecido (J. Zhang,
et al., 2012). Existe una cierta controversia ya que en ciertos tumores la
expresión de SOCS1 se encuentra reducida, como en el cáncer de próstata,
carcinoma hepatocelular, carcinoma laríngeo, mieloma múltiple y cáncer de
páncreas. Esta diminución de la expresión se relaciona con invasión tumoral y
angiogénesis. Estos datos indican que SOCS1 es un gen supresor tumoral (F.
J. Huang, et al., 2008; J. Zhang, et al., 2012). De las muestras analizadas de
este estudio, un 39.4% presentaron metilación en SOCS1. Si observamos la
metilación de SOCS1 según el grado tumoral, el 76.9% de los astrocitomas de
grado II presentan metilación en dicho gen (Tabla 19). Nuestros hallazgos
apoyarían la hipótesis del comportamiento del gen SOCS1 como supresor de
tumores. Sin embargo, la controversia radica en el hecho de que en otros tipos
de cáncer, como en el cáncer de mama, la expresión de SOCS1 está
aumentada. Estos estudios sugieren una función de SOCS1 promotora de
tumores en lugar de la conocida función supresora (Z. Li, et al., 2004; Raccurt,
et al., 2003; Tomic, Chughtai, & Ali, 1999). Los resultados contradictorios en
diferentes tumores pueden ser debidos al diferente origen del tumor y/o a los
diferentes microambientes donde reside (Raccurt, et al., 2003; Tomic, et al.,
1999; J. Zhang, et al., 2012). Los mecanismos que están implicados en la
disminución de la expresión de SOCS1 incluyen la pérdida de heterocigosidad
y la hipermetilación del ADN. En varios estudios se ha demostrado que la
generación secuencial de células neuronales y de la glía está regulada por
citoquinas, como el LIF, a través de la vía JAK-STAT (Emery, et al., 2006; He,
et al., 2005). La ausencia de inhibición de SOCS1 sobre LIF u otras citoquinas
por hipermetilación de este gen parece estar implicada en el proceso de
desdiferenciación que ocurre en los tumores astrogliales (He, et al., 2005).
Li y col. establecieron, en un estudio realizado en 2004, que una mayor
expresión de SOCS1 está asociada a progresión tumoral (Z. Li, et al., 2004).
Por tanto, la hipermetilación del promotor de SOCS1 sería un factor de mejor
pronóstico, ya que en este caso la expresión del gen estaría disminuida. Sin
embargo, cuando se estudió la expresión de este gen en un subgrupo de las
189
Discusión
La alteración en la expresión del gen SOCS1 se han descrito en
diferentes tumores humanos, sin embargo, el papel de SOCS1 como marcador
diagnóstico o diana terapéutica no está completamente establecido (J. Zhang,
et al., 2012). Existe una cierta controversia ya que en ciertos tumores la
expresión de SOCS1 se encuentra reducida, como en el cáncer de próstata,
carcinoma hepatocelular, carcinoma laríngeo, mieloma múltiple y cáncer de
páncreas. Esta diminución de la expresión se relaciona con invasión tumoral y
angiogénesis. Estos datos indican que SOCS1 es un gen supresor tumoral (F.
J. Huang, et al., 2008; J. Zhang, et al., 2012). De las muestras analizadas de
este estudio, un 39.4% presentaron metilación en SOCS1. Si observamos la
metilación de SOCS1 según el grado tumoral, el 76.9% de los astrocitomas de
grado II presentan metilación en dicho gen (Tabla 19). Nuestros hallazgos
apoyarían la hipótesis del comportamiento del gen SOCS1 como supresor de
tumores. Sin embargo, la controversia radica en el hecho de que en otros tipos
de cáncer, como en el cáncer de mama, la expresión de SOCS1 está
aumentada. Estos estudios sugieren una función de SOCS1 promotora de
tumores en lugar de la conocida función supresora (Z. Li, et al., 2004; Raccurt,
et al., 2003; Tomic, Chughtai, & Ali, 1999). Los resultados contradictorios en
diferentes tumores pueden ser debidos al diferente origen del tumor y/o a los
diferentes microambientes donde reside (Raccurt, et al., 2003; Tomic, et al.,
1999; J. Zhang, et al., 2012). Los mecanismos que están implicados en la
disminución de la expresión de SOCS1 incluyen la pérdida de heterocigosidad
y la hipermetilación del ADN. En varios estudios se ha demostrado que la
generación secuencial de células neuronales y de la glía está regulada por
citoquinas, como el LIF, a través de la vía JAK-STAT (Emery, et al., 2006; He,
et al., 2005). La ausencia de inhibición de SOCS1 sobre LIF u otras citoquinas
por hipermetilación de este gen parece estar implicada en el proceso de
desdiferenciación que ocurre en los tumores astrogliales (He, et al., 2005).
Li y col. establecieron, en un estudio realizado en 2004, que una mayor
expresión de SOCS1 está asociada a progresión tumoral (Z. Li, et al., 2004).
Por tanto, la hipermetilación del promotor de SOCS1 sería un factor de mejor
pronóstico, ya que en este caso la expresión del gen estaría disminuida. Sin
embargo, cuando se estudió la expresión de este gen en un subgrupo de las
Discusión
muestras del presente trabajo, el resultado no fue el previsto. Todas
presentaron sobreexpresión del gen, incluída la muestra que estaba metilada.
Como se ha comentado anteriormente sobre las posibles causas de esta
controversia entre metilación y expresión en MGMT, en este caso se podría
deber a causas similares. Otros estudios también han encontrado una minoría
de genes con hipermetilación del promotor y una disminución significativa de la
expresión (Houshdaran, et al., 2010; Noushmehr, et al., 2010; Pike, et al.,
2008) y esto puede atribuirse a la falta de factores de transcripción adecuados
para algunos genes no metilados, así como al uso de promotores alternativos
para algunos genes metilados (Noushmehr, et al., 2010). El silenciamiento de
la expresión génica por metilación del promotor parece deberse en mucho
casos a la metilación específica de citosinas concretas dentro de la secuencia
core del promotor. Los diferentes estudios de metilación pueden utilizar
diferentes técnicas e interrogar diferentes puntos específicos que pueden
conllevar a resultados muy dispares. Hay que considerar también el hecho de
que se han analizado muy pocas muestras (n=13) de las que se disponía de
tejido congelado o ARN tumoral, y de éstas, sólo una estaba metilada. Por lo
que sería necesario ampliar el número de muestras del análisis para poder
comparar de una forma más exacta la metilación y la expresión.
En cuanto al valor pronóstico de este gen, se observa una mayor
supervivencia en los casos en los que dicho gen se encuentra metilado (p-valor
<0.000). Asimismo se ha encontrado una asociación entre metilación en
SOCS1 y metilación en MGMT (p-valor= 0.021), así como entre metilación en
SOCS1 e IDH1 mutado (p-valor <0.000). En contraposición, un estudio
realizado por Martini y col (Martini et al, 2008) establece que no existe una
asociación entre la metilación en MGMT y la metilación en SOCS1 en GBM.
Las diferencias en estos resultados con respecto a los obtenidos en este
estudio posiblemente radican en el hecho de que la técnica utilizada es la MS-
PCR en lugar de la técnica MS-MLPA. Además, la serie de tumores del estudio
de Martini y col. sólo incluye GBM, mientras que en la serie estudiada en este
trabajo las muestras proceden de tumores astrocíticos de diferentes grados de
malignidad. Por el mismo motivo, la correlación entre estas tres alteraciones
moleculares indica que la metilación en SOCS1 podría ser un marcador
190
Discusión
indirecto de predicción de respuesta al tratamiento basado en TMZ. Además,
no sólo el gen IDH1 se asocia con la edad, si no que en este estudio también
se observa que la metilación de SOCS1 correlaciona con edades de los
pacientes por debajo de la mediana (Tabla 20). Los resultados de un estudio
realizado en 2007 por Zhou y col. (Zhou, et al., 2007) en líneas celulares de
GBM sugieren que SOCS1 sensibiliza a las células a la RT, mientras que
SOCS3 (al igual que SOCS1, se trata de un supresor de la señalización de
citoquinas que inhibe de forma endógena la vía de señalización JAK-STAT3)
tiene un efecto radioprotector, ya que al analizar las expresión de ambos genes
en las líneas no observan expresión de SOCS1 (debida a la hipermetilación del
gen) y expresión constitutiva de SOCS3. Estos genes pueden modular algunas
vías de señalización (STATs, MAPK, Fosfatidilinositol) capaces de afectar al
fenotipo radiorresistente de las células de GBM (De Sepulveda, et al., 1999; S.
H. Park, Kim, Hwang, & Kim, 2003; Rui, Yuan, Frantz, Shoelson, & White,
2002). Las diferencias observadas con los resultados de este trabajo pueden
ser debidas al hecho de que este grupo analiza líneas celulares y no muestras
de tejido. Unos años atrás, en 2003, Martini y col. analizaron 46 muestras de
pacientes con GBM. En el 24% y en el 35% de la muestras se observó una
disminución de la expresión de SOCS1 y de SOCS3, respectivamente, como
consecuencia de la hipermetilación de ambos genes. En este caso, y en
contraposición con lo establecido en este trabajo, observan que la
hipermetilación de ambos genes se asocia con un peor pronóstico. No sólo
eso, sino que, al contrario de lo observado por Zhou y col., sugieren que la
expresión de SOCS3 (debida a la no metilación del mismo) mejora la respuesta
al tratamiento (RT y TMZ) de estos pacientes. Todos estos resultados
contradictorios pueden deberse al hecho de que la serie analizada es mucho
menor (n= 46) que la serie analizada en este trabajo (n= 235). Además, las
regiones estudiadas para determinar la metilación de SOCS1 no son las
mismas que las interrogadas en el presente estudio. Diferencias metodológicas
(MS-MLPA vs MS-PCR), así como diferencias en el material biológico de
partida y en el microambiente tumoral podrían contribuir a los resultados
observados en los diferentes estudios.
191
Discusión
indirecto de predicción de respuesta al tratamiento basado en TMZ. Además,
no sólo el gen IDH1 se asocia con la edad, si no que en este estudio también
se observa que la metilación de SOCS1 correlaciona con edades de los
pacientes por debajo de la mediana (Tabla 20). Los resultados de un estudio
realizado en 2007 por Zhou y col. (Zhou, et al., 2007) en líneas celulares de
GBM sugieren que SOCS1 sensibiliza a las células a la RT, mientras que
SOCS3 (al igual que SOCS1, se trata de un supresor de la señalización de
citoquinas que inhibe de forma endógena la vía de señalización JAK-STAT3)
tiene un efecto radioprotector, ya que al analizar las expresión de ambos genes
en las líneas no observan expresión de SOCS1 (debida a la hipermetilación del
gen) y expresión constitutiva de SOCS3. Estos genes pueden modular algunas
vías de señalización (STATs, MAPK, Fosfatidilinositol) capaces de afectar al
fenotipo radiorresistente de las células de GBM (De Sepulveda, et al., 1999; S.
H. Park, Kim, Hwang, & Kim, 2003; Rui, Yuan, Frantz, Shoelson, & White,
2002). Las diferencias observadas con los resultados de este trabajo pueden
ser debidas al hecho de que este grupo analiza líneas celulares y no muestras
de tejido. Unos años atrás, en 2003, Martini y col. analizaron 46 muestras de
pacientes con GBM. En el 24% y en el 35% de la muestras se observó una
disminución de la expresión de SOCS1 y de SOCS3, respectivamente, como
consecuencia de la hipermetilación de ambos genes. En este caso, y en
contraposición con lo establecido en este trabajo, observan que la
hipermetilación de ambos genes se asocia con un peor pronóstico. No sólo
eso, sino que, al contrario de lo observado por Zhou y col., sugieren que la
expresión de SOCS3 (debida a la no metilación del mismo) mejora la respuesta
al tratamiento (RT y TMZ) de estos pacientes. Todos estos resultados
contradictorios pueden deberse al hecho de que la serie analizada es mucho
menor (n= 46) que la serie analizada en este trabajo (n= 235). Además, las
regiones estudiadas para determinar la metilación de SOCS1 no son las
mismas que las interrogadas en el presente estudio. Diferencias metodológicas
(MS-MLPA vs MS-PCR), así como diferencias en el material biológico de
partida y en el microambiente tumoral podrían contribuir a los resultados
observados en los diferentes estudios.
Discusión
Dado que la metilación de SOCS1 forma parte del G-CIMP y presenta
una fuerte asociación estadísticamente significativa con este fenotipo (p-valor
<0.000), cabría considerarlo como un gen esencial que funciona como predictor
de la hipermetilación global en gliomas.
En 2015 varios estudios se centraron en el valor pronóstico de la
combinación entre varios marcadores. Nakae y col clasificaron los gliomas en
tres subgrupos en base a las mutaciones en IDH y TP53, siendo el subgrupo
que presentaba IDH mutado y TP53 no mutado el de mejor pronóstico (Nakae,
et al., 2015). Este análisis se repitió con las muestras de este trabajo
obteniendo el mismo resultado que Nakae y col. En ese mismo año, Zeng y col
examinaron si la combinación de la expresión de ki67 y las mutaciones en IDH
mejoraban la definición de entidades con diferente pronóstico (Zeng, et al.,
2015). Al igual que en el caso anterior, este análisis se llevó a cabo con las
muestras de la presente serie y los resultados fueron los mismos, aquellos
casos con mutaciones en IDH y un ki67 bajo y/o moderaro fueron los de mejor
pronóstico.
En el contexto de la identificación de subgrupos en base a
características moleculares, en 2008 se estableció “The Cancer Genome Atlas
(TCGA) Rearch Network” con el fin de generar un catálogo de las alteraciones
genómicas que conducen la tumorigénesis, de forma que proveen una vista
detallada de los cambios genómicos en una gran cohorte de 206 GBM (TCGA,
2008). A partir de los datos generados, Verhaak y col definieron cuatro
subgrupos de GBM en base a la expresión génica de un conjunto de 840
genes. Estos subgrupos (Proneural, Neural, Clásico y Mesenquimal)
caracterizados por determinadas alteraciones moleculares, difieren en la
eficacia de los tratamientos (Verhaak, et al., 2010). Dada la importancia en la
práctica clínica de clasificar entidades pronósticamente diferentes y que
responden al tratamiento con distinta eficacia, en este trabajo se pretendió
definir una serie de perfiles moleculares basados en biomarcadores y cuya
aplicación en la práctica clínica podría llevarse a cabo de forma relativamente
rápida y económica. Tras los análisis realizados, se observó que el perfil con un
pronóstico más favorable estaba caracterizado por presentar mutaciones en
IDH, metilación de MGMT y SOCS1 y un ki67 bajo. En contraposición, los
192
Discusión
tumores con IDH no mutado y no metilación en MGMT y SOCS1
(independientemente del estado de TP53 y ki67) presentaron las
supervivencias más bajas. Un perfil basado en dos marcadores definió un perfil
de mejor pronóstico en los GBM de larga supervivencia (SOCS1 metilado y
edades iguales o por debajo de la mediana), así como en todos los gliomas, lo
que confirma el valor pronóstico de la metilación en SOCS1.
Por consiguiente, el establecimiento de una serie de marcadores
moleculares e inmunohistoquímicos que aporten información y mejoren el
diagnóstico y decisiones terapéuticas, además de predecir el pronóstico, de los
pacientes con este tipo de tumores cerebrales es esencial dada la falta de
conocimiento y de tratamientos eficaces en estos tumores. La determinación de
las mutaciones en IDH y TP53, bien por secuenciación directa o bien por
inmunohistoquímica, así como el análisis del estado de metilación de los genes
MGMT y SOCS1 y la determinación del índice de proliferación ki67, podrían ser
análisis de rutina en la práctica clínica de estos tumores.
5.2. HCMV Y GLIOMAS
A lo largo de los últimos 15 años se han venido publicando una serie de
estudios donde se sugiere, o parece evidenciar, la presencia de antígenos y
ADN viral en los gliomas. En el año 2011, y fruto de estos hallazgos, se celebró
un simposio sobre la asociación entre el HCMV y los gliomas en el que se llegó
a la conclusión de que existe suficiente evidencia que sugiere que el HCMV
podría modular el fenotipo maligno de los gliomas de alto grado (Dziurzynski, et
al., 2012). Este virus no es considerado oncogénico si no que se encuadra en
la categoría de oncomodulador, es decir, tiene capacidad para modificar el
comportamiento a nivel molecular y celular del tumor, no siendo un factor
imprescindible en el proceso oncogénico, pero sí actuando como un factor
adyuvante como modulador de la génesis y progresión tumoral (Cinatl, et al.,
1996; Cobbs, 2011; Michaelis, Doerr, & Cinatl, 2009; Soderberg-Naucler,
2006a).
Existen varias hipótesis sobre cómo el HCMV llega al cerebro. La
barrera hematoencefálica en gliomas de alto grado es defectuosa y esto puede
193
Discusión
tumores con IDH no mutado y no metilación en MGMT y SOCS1
(independientemente del estado de TP53 y ki67) presentaron las
supervivencias más bajas. Un perfil basado en dos marcadores definió un perfil
de mejor pronóstico en los GBM de larga supervivencia (SOCS1 metilado y
edades iguales o por debajo de la mediana), así como en todos los gliomas, lo
que confirma el valor pronóstico de la metilación en SOCS1.
Por consiguiente, el establecimiento de una serie de marcadores
moleculares e inmunohistoquímicos que aporten información y mejoren el
diagnóstico y decisiones terapéuticas, además de predecir el pronóstico, de los
pacientes con este tipo de tumores cerebrales es esencial dada la falta de
conocimiento y de tratamientos eficaces en estos tumores. La determinación de
las mutaciones en IDH y TP53, bien por secuenciación directa o bien por
inmunohistoquímica, así como el análisis del estado de metilación de los genes
MGMT y SOCS1 y la determinación del índice de proliferación ki67, podrían ser
análisis de rutina en la práctica clínica de estos tumores.
5.2. HCMV Y GLIOMAS
A lo largo de los últimos 15 años se han venido publicando una serie de
estudios donde se sugiere, o parece evidenciar, la presencia de antígenos y
ADN viral en los gliomas. En el año 2011, y fruto de estos hallazgos, se celebró
un simposio sobre la asociación entre el HCMV y los gliomas en el que se llegó
a la conclusión de que existe suficiente evidencia que sugiere que el HCMV
podría modular el fenotipo maligno de los gliomas de alto grado (Dziurzynski, et
al., 2012). Este virus no es considerado oncogénico si no que se encuadra en
la categoría de oncomodulador, es decir, tiene capacidad para modificar el
comportamiento a nivel molecular y celular del tumor, no siendo un factor
imprescindible en el proceso oncogénico, pero sí actuando como un factor
adyuvante como modulador de la génesis y progresión tumoral (Cinatl, et al.,
1996; Cobbs, 2011; Michaelis, Doerr, & Cinatl, 2009; Soderberg-Naucler,
2006a).
Existen varias hipótesis sobre cómo el HCMV llega al cerebro. La
barrera hematoencefálica en gliomas de alto grado es defectuosa y esto puede
Discusión
deberse a que las células de gliomas desdiferenciadas han perdido la
capacidad de inducir las características de la barrera hematoencefálica en
células endoteliales haciendo que las proliferaciones vasculares de novo,
típicas de los GBM, funcionen de manera defectuosa. Por otro lado, puede
deberse a que las células de los gliomas secretan sustancias solubles
(proteasas y otros factores) que provocan áreas de ruptura, donde la barrera
hematoencefálica pierde sus propiedades. El virus podría entrar al cerebro por
estas áreas de ruptura temporales. En el caso de los gliomas de bajo grado, la
barrera hematoencefálica está normalmente preservada. Otro mecanismo de
entrada podría ser a través de la circulación de las células endoteliales y
monocitos infectados (Reuter, Gomez, Wilson, & van den Pol, 2004; Schneider,
Meyer-Koenig, & Hufert, 2008). Pero el hecho de que el virus sea capaz de
entrar en el cerebro no implica que juegue un papel en la gliomagénesis. No
está claramente definido si le infección del virus es un epifenómeno o causa de
este tipo de tumores (Soderberg-Naucler, 2006a), de hecho, se sabe que es
necesario un sistema inmune deprimido para la invasión de HCMV en el
cerebro, por lo que esto podría sugerir que se trata de un efecto secundario a la
presencia de un glioma y no la causa de este tipo de tumor.
La inflamación juega un papel central en la patogénesis del HCMV. Este
virus ha desarrollado varios mecanismos que le permiten ocultarse del sistema
inmune, mediante la infección latente en las células del linaje mieloide. Varios
productos génicos de este virus están implicados en el control de las funciones
principales de la respuesta inmune innata y adaptativa. Mediante su influencia
en la regulación de diferentes procesos celulares (ciclo celular, apoptosis,
migración, angiogénesis, invasión) el HCMV puede participar en el desarrollo
de esta enfermedad (Soderberg-Naucler, 2006a, 2006b). Ciertos tipos de
cáncer pueden proveer un microambiente idóneo para la reactivación del virus
en estado latente. Este virus activado podría mantener y empeorar la
inflamación existente.
Por otro lado, la metilación del ADN es importante en el mantenimiento
de la integridad genómica. Se ha hipotetizado que esta metilación podría
formar parte de los sistemas de defensa de la célula hospedadora ya que
suprimiría la expresión de los genes víricos. Cambios epigenéticos podrían
194
Discusión
llevar a la reactivación del HCMV latente y a la persistencia de la infección viral
activa en la células tumorales (Hsu, Lu, Chin, & Yang, 2010; Soderberg-
Naucler, 2006a, 2006b). En el presente trabajo, ninguna muestra resultó ser
positiva para HCMV por diferentes métodos y, por lo tanto, no se encontró
ninguna correlación con el fenotipo hipermetilador de las mismas.
El HCMV puede inducir numerosos cambios moleculares en las células
infectadas que podrían contribuir al fenotipo oncogénico: aumenta la expresión
de factores angiogénicos, crea un microambiente inflamatorio, media
numerosos cambios inmunosupresores, aumenta la motilidad e invasión
celular, suprime la función de los genes supresores TP53 y RB, induce la
actividad de la telomerasa y aumenta la resistencia a la apoptosis producida
por la quimioterapia, ya que varias proteínas del virus inhiben específicamente
la apoptosis (Cobbs, 2011; Cobbs, Soroceanu, Denham, Zhang, & Kraus, 2008;
John H. Sampson & Duane A. Mitchell, 2011; Straat, et al., 2009).
Por otro lado, el papel de STAT3 en la patogénesis de los glioblastomas
ha ganado importancia en los últimos años. En concreto, la activación
aberrante de STAT3 induce progresión del ciclo celular, angiogénesis y evasión
de la respuesta inmune. El HCMV puede activar esta vía a través de varios
mecanismos: las células de glioblastoma infectadas secretan altos niveles de
IL6 que estimulan la vía de transducción a través del receptor de IL6, estas
células también expresan US28 (receptor de la quimiocina codificado por el
HCMV y activado constitutivamente) que es capaz de activar la vía de
señalización y, por último, los viriones producidos por el HCMV pueden activar
esta vía a través del PDGFRα (Hollon, Price, Kwon, & Chiocca, 2013).
A pesar de las diferentes hipótesis acerca del papel de este virus en la
gliomagénesis, en el presente estudio, como en otros cuantos, no se detectó
ADN del HCMV por un método diagnóstico validado mediante PCR a tiempo
real, como en un experimento similar llevado a cabo por Yamashita y col en
2014 (Yamashita, et al., 2014). Tampoco se detectó por nested PCR ni se
detectaron proteínas virales por IHQ.
195
Discusión
llevar a la reactivación del HCMV latente y a la persistencia de la infección viral
activa en la células tumorales (Hsu, Lu, Chin, & Yang, 2010; Soderberg-
Naucler, 2006a, 2006b). En el presente trabajo, ninguna muestra resultó ser
positiva para HCMV por diferentes métodos y, por lo tanto, no se encontró
ninguna correlación con el fenotipo hipermetilador de las mismas.
El HCMV puede inducir numerosos cambios moleculares en las células
infectadas que podrían contribuir al fenotipo oncogénico: aumenta la expresión
de factores angiogénicos, crea un microambiente inflamatorio, media
numerosos cambios inmunosupresores, aumenta la motilidad e invasión
celular, suprime la función de los genes supresores TP53 y RB, induce la
actividad de la telomerasa y aumenta la resistencia a la apoptosis producida
por la quimioterapia, ya que varias proteínas del virus inhiben específicamente
la apoptosis (Cobbs, 2011; Cobbs, Soroceanu, Denham, Zhang, & Kraus, 2008;
John H. Sampson & Duane A. Mitchell, 2011; Straat, et al., 2009).
Por otro lado, el papel de STAT3 en la patogénesis de los glioblastomas
ha ganado importancia en los últimos años. En concreto, la activación
aberrante de STAT3 induce progresión del ciclo celular, angiogénesis y evasión
de la respuesta inmune. El HCMV puede activar esta vía a través de varios
mecanismos: las células de glioblastoma infectadas secretan altos niveles de
IL6 que estimulan la vía de transducción a través del receptor de IL6, estas
células también expresan US28 (receptor de la quimiocina codificado por el
HCMV y activado constitutivamente) que es capaz de activar la vía de
señalización y, por último, los viriones producidos por el HCMV pueden activar
esta vía a través del PDGFRα (Hollon, Price, Kwon, & Chiocca, 2013).
A pesar de las diferentes hipótesis acerca del papel de este virus en la
gliomagénesis, en el presente estudio, como en otros cuantos, no se detectó
ADN del HCMV por un método diagnóstico validado mediante PCR a tiempo
real, como en un experimento similar llevado a cabo por Yamashita y col en
2014 (Yamashita, et al., 2014). Tampoco se detectó por nested PCR ni se
detectaron proteínas virales por IHQ.
Discusión
Por tanto, hay una gran controversia con este tema con grupos que han
detectado el virus (Bhattacharjee, et al., 2012; Cobbs, et al., 2002; Ding, et al.,
2014; Fonseca, et al., 2012; Libard, et al., 2014; Lucas, et al., 2011; Mitchell, et
al., 2008; Rahbar, et al., 2012; Sabatier, et al., 2005; Scheurer, et al., 2008) y
otros que han fracasado en detectar la presencia del HCMV en estos tumores
(Baumgarten, et al., 2014; Lau, et al., 2004; Poltermann, et al., 2006; Solomon,
et al., 2014; K.-W. Tang, et al., 2015; Yamashita, et al., 2014). Esta
discrepancia es probablemente atribuíble a diferencias metodológicas (J. H.
Sampson & D. A. Mitchell, 2011). El nivel de infección de HCMV en muestras
de gliomas en la mayoría de los estudios es muy bajo, por lo tanto, se
necesitan métodos más sensibles para detectar la infección persistente por
HCMV en células tumorales (Michaelis, et al., 2011). El proceso de
optimización en la recuperación de antígenos así como una alta concentración
de anticuerpos se piensa que son factores clave requeridos para la detección
IHQ de estos bajos niveles de infección de HCMV (Solomon, et al., 2014).
A pesar de haberse usado una técnica diagnóstica validada por PCR a
tiempo real, no se detectó ADN de HCMV en la serie de este trabajo (sólo en 3
casos se observaron menos de 10 copias del virus por célula fuera del rango
cuantitativo que ofrece el kit). En términos de la IHQ, se usaron anticuerpos
optimizados (Anticuerpo Anti-citomegalovirus coktail CCH2/DDG9)
correspondientes a las proteínas p52/p76 (Solomon, et al., 2014) y también se
obtuvieron resultados negativos en la cohorte. La nested PCR se llevó a cabo
siguiendo el esquema de Bhattarchjee y col (Bhattacharjee, et al., 2012), y
tampoco se encontraron resultados positivos. Es posible que esta aproximación
metodológica, nested PCR, no sea muy fiable, ya que el número de ciclos de
amplificación de la PCR que se utiliza es demasiado elevado (90 ciclos) lo que
aumenta el riesgo de contaminación y, por consiguiente, de falsos positivos.
Si el ratio de infección es tan bajo y ningún estudio ha demostrado la
detección transcriptómica del CMV o ADN genómico del mismo empleando
secuenciación de última generación (Next Generation Sequencing), incluso
cuando otros virus sí han sido detectados (Hellstrand, Martner, & Bergstrom,
2013; Lawler, 2015; K. W. Tang, Alaei-Mahabadi, Samuelsson, Lindh, &
Larsson, 2013), es necesario considerar si la carga del HCMV es suficiente
196
Discusión
para llevar a cabo los procesos inmunosupresores y oncogénicos y si este virus
tiene realmente relevancia como blanco terapético en estos tumores (J. H.
Sampson & D. A. Mitchell, 2011).
Hay varios ensayos clínicos, incluyendo el agente antiviral valganciclovir,
pero no existe una clara evidencia científica de la eficacia biológica de estos
agentes antivirales en gliomas. Además, se debe tener en cuenta que los
tratamientos antivirales pueden actuar en las diferentes vías
independientemente del HCMV, por ejemplo, sinergizando con las terapias
antitumorales que podrían explicar el efecto beneficioso observado en algunos
casos. Esto se ha demostrado en un estudio preclínico animal con el fármaco
cidofovir (otro análogo nucleósido antiviral). En este estudio observan que este
fármaco tiene efecto tanto in vitro como in vivo al interferir con la síntesis de
ADN, independientemente de la infección o no infección por HCMV (Hadaczek,
et al., 2013; Lawler, 2015).
Otro aspecto a considerar es que, a pesar de que el HCMV es un virus
ubicuo, su prevalencia varía en las diferentes poblaciones. Esto es importante a
tener en cuenta en futuros estudios (Dey, et al., 2015; Fonseca, et al., 2012).
En conclusión, la controversia sobre la relación entre HCMV y los
gliomas persiste, lo que hace necesario estudios multicéntricos con una
metodología estandarizada y validada para determinar si el virus está
realmente presente en los tumores gliales. En este momento, los tratamientos
antivirales no deberían ser usados fuera de los ensayos clínicos en pacientes
con gliomas. En este trabajo se analizó un elevado número de muestras, tanto
fijadas e incluidas en parafina como de tejido congelado, con metodología de
alta especificidad y sensibilidad y, aún así, no se detectó ni ADN ni proteínas
de HCMV. Consideramos que se deberían revisar los criterios que dicen que
hay suficiente evidencia para establecer que el HCMV es un virus
oncomodulador en gliomas y ampliarse el número de estudios con una
metodología estandarizada y validada para diagnóstico molecular.
197
Discusión
para llevar a cabo los procesos inmunosupresores y oncogénicos y si este virus
tiene realmente relevancia como blanco terapético en estos tumores (J. H.
Sampson & D. A. Mitchell, 2011).
Hay varios ensayos clínicos, incluyendo el agente antiviral valganciclovir,
pero no existe una clara evidencia científica de la eficacia biológica de estos
agentes antivirales en gliomas. Además, se debe tener en cuenta que los
tratamientos antivirales pueden actuar en las diferentes vías
independientemente del HCMV, por ejemplo, sinergizando con las terapias
antitumorales que podrían explicar el efecto beneficioso observado en algunos
casos. Esto se ha demostrado en un estudio preclínico animal con el fármaco
cidofovir (otro análogo nucleósido antiviral). En este estudio observan que este
fármaco tiene efecto tanto in vitro como in vivo al interferir con la síntesis de
ADN, independientemente de la infección o no infección por HCMV (Hadaczek,
et al., 2013; Lawler, 2015).
Otro aspecto a considerar es que, a pesar de que el HCMV es un virus
ubicuo, su prevalencia varía en las diferentes poblaciones. Esto es importante a
tener en cuenta en futuros estudios (Dey, et al., 2015; Fonseca, et al., 2012).
En conclusión, la controversia sobre la relación entre HCMV y los
gliomas persiste, lo que hace necesario estudios multicéntricos con una
metodología estandarizada y validada para determinar si el virus está
realmente presente en los tumores gliales. En este momento, los tratamientos
antivirales no deberían ser usados fuera de los ensayos clínicos en pacientes
con gliomas. En este trabajo se analizó un elevado número de muestras, tanto
fijadas e incluidas en parafina como de tejido congelado, con metodología de
alta especificidad y sensibilidad y, aún así, no se detectó ni ADN ni proteínas
de HCMV. Consideramos que se deberían revisar los criterios que dicen que
hay suficiente evidencia para establecer que el HCMV es un virus
oncomodulador en gliomas y ampliarse el número de estudios con una
metodología estandarizada y validada para diagnóstico molecular.
Discusión
5.3. MICROARRAY DE EXPRESIÓN
El análisis de expresión génica a gran escala mediante análisis de
micromatrices de expresión o microarrays permite tener una visión global de las
funciones alteradas en lo diferentes tipos de tumores, así como de los genes
diferencialmente expresados implicados en dichas funciones y que pueden
llegar a ser potenciales biomarcadores. Del análisis llevado a cabo en este
trabajo se han observado una serie de funciones alteradas y genes infra o
sobreexpresados en GBM. Es necesario tener en cuenta que dichos resultados
han de validarse por otras técnicas (especificado en el apartado “Limitaciones
del estudio”, expuesto más adelante).
Muchas son las vías y funciones alteradas en estos tumores. Tras el
análisis y filtrado bioinformático de los resultados obtenidos del microarray, se
observan numerosas funciones sobreexpresadas. Uno de los procesos
alterados es la exocitosis, en el que los genes ANXA1, ANXA 2 y ANXA2P2 se
encuentran implicados ya que se trata de genes que codifican proteínas de
unión a fosfolípidos que promueven la fusión a la membrana plasmática.
Existen varios estudios en los que se ha observado un aumento de la expresión
de ANXA1 y ANXA2 en gliomas (Andersen, et al., 2016; Ruano, et al., 2008) y
este hecho se asocia a un aumento del crecimiento tumoral (Y. Yang, et al.,
2011), mayor capacidad invasiva y angiogénesis (Onishi, et al., 2015) y una
peor supervivencia (Cheng, Tu, & Zhang, 2013; Mallawaaratchy, et al., 2015).
Otros de los genes sobreexpresados en este estudio es BIRC5, se trata
de un miembro de la familia de inhibidores de la apoptosis. Algunos estudios
han encontrado un asociación entre la expresión de dicho gen y un mal
pronóstico en gliomas de alto grado (Chakravarti, et al., 2002; Y. Huang, et al.,
2011). Tal y como se ha descrito en la introducción, una de las características
del cáncer es la evasión de la apoptosis (Hanahan & Weinberg, 2011), por
tanto, es de esperar que aquellos genes capaces de inhibir o evadir este
proceso se encuentren sobreexpresados en estos tumores. Al igual que BIRC5,
se observó un aumento de la expresión de VEGFA capaz, también, de inhibir la
apoptosis. Se trata de un factor de crecimiento activo en la angiogénesis,
198
Discusión
vasculogénesis y crecimiento endotelial capaz de inducir la proliferación celular,
promover la migración e inducir la permeabilidad de los vasos sanguíneos.
Todos estos procesos se ven favorecidos en estos tumores como se ha
observado en otras series (Hung, et al., 2000; Said, et al., 2007). Liu y col., en
2015, detectaron la expresión de VEGFA en sangre en pacientes con gliomas.
Por tanto, este gen podría ser usado como biomarcador diagnóstico en este
tipo de tumores (Q. Liu, et al., 2015). No sólo como marcador diagnóstico, si no
pronóstico, puesto que se ha establecido una asociación entre el aumento de
expresión del mismo y un pronóstico desfavorable en los pacientes con gliomas
(S. D. Zhang, Leung, McCrudden, & Kwok, 2015).
Siguiendo con aquellos genes sobreexpresados que de una forma
directa o indirecta afectan a la apoptosis, se encuentra GRB10. La proteína
codificada por este gen interactúa con BimL (miembro proapoptótico de la
familia Bcl2) e inhibe su actividad proapoptótica de manera dependiente de
fosforilación (Hu, et al., 2010). Dentro de la superfamilia beta de factores de
crecimiento transformantes (TGFβ), se encuentra el gen GDF15 cuya función
está relacionada con la regulación de las vías de señalización de la inflamación
y la apoptosis en tejidos lesionados o durante los procesos de enfermedad
(Zimmers, et al., 2005). Está involucrado en la patogénesis y progresión de
muchos cánceres (Bauskin, et al., 2006; Karan, et al., 2003) y se encuentra
sobreexpresado, como en esta serie, en gliomas (Scrideli, et al., 2008). En
2008, Strelan y col. observaron un aumento de la expresión de este gen en AII,
AIII y GBMs en comparación con la expresión observada en GBMp (Strelau, et
al., 2008), por lo que podría considerarse como posible biomarcador
diagnóstico en gliomas. Se ha demostrado, además, que p53 induce la
expresión de GDF15, lo que indica una conexión entre p53 y la superfamilia
TGFβ (Bottone, Baek, Nixon, & Eling, 2002; Kannan, Amariglio, Rechavi, &
Givol, 2000; Tan, Wang, Guan, & Sun, 2000). Esta superfamilia incluye una
serie de citoquinas secretadas por células del sistema inmune, células
tumorales y células estromales. Alteraciones en esta vía contribuyen en la
iniciación y progresión de muchos tumores, incluidos los gliomas (Han, Alvarez-
Breckenridge, Wang, & Yu, 2015). Por una parte puede promover la
angiogénesis a través de la vía VEGF (descrita anteriormente) e IGFBP7,
199
Discusión
vasculogénesis y crecimiento endotelial capaz de inducir la proliferación celular,
promover la migración e inducir la permeabilidad de los vasos sanguíneos.
Todos estos procesos se ven favorecidos en estos tumores como se ha
observado en otras series (Hung, et al., 2000; Said, et al., 2007). Liu y col., en
2015, detectaron la expresión de VEGFA en sangre en pacientes con gliomas.
Por tanto, este gen podría ser usado como biomarcador diagnóstico en este
tipo de tumores (Q. Liu, et al., 2015). No sólo como marcador diagnóstico, si no
pronóstico, puesto que se ha establecido una asociación entre el aumento de
expresión del mismo y un pronóstico desfavorable en los pacientes con gliomas
(S. D. Zhang, Leung, McCrudden, & Kwok, 2015).
Siguiendo con aquellos genes sobreexpresados que de una forma
directa o indirecta afectan a la apoptosis, se encuentra GRB10. La proteína
codificada por este gen interactúa con BimL (miembro proapoptótico de la
familia Bcl2) e inhibe su actividad proapoptótica de manera dependiente de
fosforilación (Hu, et al., 2010). Dentro de la superfamilia beta de factores de
crecimiento transformantes (TGFβ), se encuentra el gen GDF15 cuya función
está relacionada con la regulación de las vías de señalización de la inflamación
y la apoptosis en tejidos lesionados o durante los procesos de enfermedad
(Zimmers, et al., 2005). Está involucrado en la patogénesis y progresión de
muchos cánceres (Bauskin, et al., 2006; Karan, et al., 2003) y se encuentra
sobreexpresado, como en esta serie, en gliomas (Scrideli, et al., 2008). En
2008, Strelan y col. observaron un aumento de la expresión de este gen en AII,
AIII y GBMs en comparación con la expresión observada en GBMp (Strelau, et
al., 2008), por lo que podría considerarse como posible biomarcador
diagnóstico en gliomas. Se ha demostrado, además, que p53 induce la
expresión de GDF15, lo que indica una conexión entre p53 y la superfamilia
TGFβ (Bottone, Baek, Nixon, & Eling, 2002; Kannan, Amariglio, Rechavi, &
Givol, 2000; Tan, Wang, Guan, & Sun, 2000). Esta superfamilia incluye una
serie de citoquinas secretadas por células del sistema inmune, células
tumorales y células estromales. Alteraciones en esta vía contribuyen en la
iniciación y progresión de muchos tumores, incluidos los gliomas (Han, Alvarez-
Breckenridge, Wang, & Yu, 2015). Por una parte puede promover la
angiogénesis a través de la vía VEGF (descrita anteriormente) e IGFBP7,
Discusión
ambas regulan el crecimiento tumoral y la invasión y se encuentran
sobreexpresadas en GBM (Santosh, et al., 2010; van den Boom, et al., 2003) al
igual que en esta serie de tumores. Diferentes estudios han implicado a la vía
IGF (factor de crecimiento similar a la insulina) en la progresión de los gliomas
(Trojan, Cloix, Ardourel, Chatel, & Anthony, 2007; H. Wang, et al., 2003),
asociando la sobreexpresión de determinados elementos de la vía con un
mayor potencial invasivo y peor pronóstico (K. L. McDonald, et al., 2007;
Sallinen, et al., 2000). Por otro lado, la vía TGFβ induce inmunosupresión a
través de la inhibición de células del sistema inmune, promueve la invasión
mediante diferentes genes, incluido el TIMP1 y aumenta la proliferación a
través de la ciclina D y de la vía NF-κB. TIMP1 es otro de los genes
sobreexpresados en este estudio. Es un inhibidor de las metaloproteinasas,
que contribuyen al desarrollo y progresión del cáncer (Coussens, Fingleton, &
Matrisian, 2002; C. Yan & Boyd, 2007), que regula la diferenciación celular,
migración y muerte celular. Es uno de los genes diana de la vía NF-κB, se
encuentra sobreexpresado en GBM y juega un papel importante en el
crecimiento y proliferación tumoral (Friedmann-Morvinski, et al., 2016). Podría
tratarse de una diana terapéutica, ya que la inhibición de NF-κB o de alguno de
sus genes diana, como en este caso TIMP1, mediante fármacos administrados
localmente tras la cirugía, podría bloquear el crecimiento tumoral y reducir la
toxicidad. En un estudio realizado en 2011 por Bommarito y col., establecen
que la mutación BRAF V600E activa la vía NF-κB, provocando un aumento de
la expresión de TIMP1 que, a su vez, se une a CD63 en la membrana
plasmática y activa la vía PI3K (otra de las vías alteradas en gliomas y
descritas anteriormente) dando lugar a la fosforilación de AKT y, por tanto,
activando la anti-apoptosis y la proliferación (Bommarito, et al., 2011). Otro de
los genes sobreexpresados en el presente trabajo y que forman parte de la vía
TGFβ es la AMH (hormona antimulleriana), glicoproteína que inhibe el
desarrollo de los conductos de Müller en el embrión masculino (Massague,
2008; Phillips, et al., 2016). Hasta ahora no se ha establecido ninguna relación
entre esta hormona y los tumores gliales, sí se ha utilizado como marcador de
eficacia de la cirugía y/o QT en cáncer de ovario y de mama (Marca & Volpe,
2007; Phillips, et al., 2016).
200
Discusión
Si bien cabe esperar que los genes cuya función esté relacionada con la
evasión/inhibición de la apoptosis se encuentren sobreexpresados en estos
tumores, en varios casos el efecto es el contrario. Por ejemplo, TRIB3 se
encuentra sobreexpresado y, sin embargo, su función es la de regular
negativamente la vía NF-κB y a AKT1 (implicada en la supervivencia celular) y
es capaz de sensibilizar a la células para que sufran apoptosis (Hegedus,
Czibula, & Kiss-Toth, 2006; Salazar, et al., 2009). Otra caso es del de MTX1, se
trata de un gen que codifica una metalotioneína involucrada en el transporte de
proteínas en la mitocondria y en la apoptosis inducida por TNF (Cartron, Petit,
Bellot, Oliver, & Vallette, 2014). Por otra parte se encuentra OGDHL,
componente del complejo multienzimático OGDHC cuyo mal funcionamiento
está asociado con la neurodegeneración. Este gen se encuentra metilado en
algunos tipos de cáncer (mama, cervical, pulmón, esófago, páncreas y colon),
mientras que en otros tipos no lo está (ovario, riñón y vejiga) (Hoque, et al.,
2008; Ostrow, et al., 2009). El aumento de la expresión de OGDHL provoca un
aumento de las ROS (especies reactivas del oxígeno) y un aumento de la
peroxidación lipídica. Al igual que TRIB3, este gen es capaz de inactivar a AKT
y, por consiguiente, la vía de NF-κB (Sen, et al., 2012). En este caso, el
aumento de ROS es indicativo de un ambiente hipóxico en el tumor, lo que
concuerda con el hecho de que OGDHL se encuentre sobreexpresado. La
hipoxia es un factor pronóstico negativo en tumores sólidos. Un microambiente
hipóxico puede promover la capacidad de auto-renovación de las células de
glioma, llevando a las células hacia un fenotipo similar al de las células madre
(Heddleston, Li, McLendon, Hjelmeland, & Rich, 2009).
Continuando con el proceso de hipoxia, dos genes relacionados con el
mismo se encuentran sobreexpresados en este estudio. CA9 y CA12 son
anhidrasas carbónicas que participan en la hidratación reversible del dióxido de
carbono. En concordancia con los presentes resultados, otros grupos han
observado un aumento de expresión de CA9 (Irshad, et al., 2015; Said, et al.,
2010) y de CA12 (Scrideli, et al., 2008) en GBM. En concreto, CA9 contribuye a
la acidificación del medio dando lugar a fenotipos metastásicos y
quimiorresistencia a fármacos anticancerígenos (Said, et al., 2010). Juega un
papel importante en la apoptosis, angiogénesis, invasión y metástasis y, como
201
Discusión
Si bien cabe esperar que los genes cuya función esté relacionada con la
evasión/inhibición de la apoptosis se encuentren sobreexpresados en estos
tumores, en varios casos el efecto es el contrario. Por ejemplo, TRIB3 se
encuentra sobreexpresado y, sin embargo, su función es la de regular
negativamente la vía NF-κB y a AKT1 (implicada en la supervivencia celular) y
es capaz de sensibilizar a la células para que sufran apoptosis (Hegedus,
Czibula, & Kiss-Toth, 2006; Salazar, et al., 2009). Otra caso es del de MTX1, se
trata de un gen que codifica una metalotioneína involucrada en el transporte de
proteínas en la mitocondria y en la apoptosis inducida por TNF (Cartron, Petit,
Bellot, Oliver, & Vallette, 2014). Por otra parte se encuentra OGDHL,
componente del complejo multienzimático OGDHC cuyo mal funcionamiento
está asociado con la neurodegeneración. Este gen se encuentra metilado en
algunos tipos de cáncer (mama, cervical, pulmón, esófago, páncreas y colon),
mientras que en otros tipos no lo está (ovario, riñón y vejiga) (Hoque, et al.,
2008; Ostrow, et al., 2009). El aumento de la expresión de OGDHL provoca un
aumento de las ROS (especies reactivas del oxígeno) y un aumento de la
peroxidación lipídica. Al igual que TRIB3, este gen es capaz de inactivar a AKT
y, por consiguiente, la vía de NF-κB (Sen, et al., 2012). En este caso, el
aumento de ROS es indicativo de un ambiente hipóxico en el tumor, lo que
concuerda con el hecho de que OGDHL se encuentre sobreexpresado. La
hipoxia es un factor pronóstico negativo en tumores sólidos. Un microambiente
hipóxico puede promover la capacidad de auto-renovación de las células de
glioma, llevando a las células hacia un fenotipo similar al de las células madre
(Heddleston, Li, McLendon, Hjelmeland, & Rich, 2009).
Continuando con el proceso de hipoxia, dos genes relacionados con el
mismo se encuentran sobreexpresados en este estudio. CA9 y CA12 son
anhidrasas carbónicas que participan en la hidratación reversible del dióxido de
carbono. En concordancia con los presentes resultados, otros grupos han
observado un aumento de expresión de CA9 (Irshad, et al., 2015; Said, et al.,
2010) y de CA12 (Scrideli, et al., 2008) en GBM. En concreto, CA9 contribuye a
la acidificación del medio dando lugar a fenotipos metastásicos y
quimiorresistencia a fármacos anticancerígenos (Said, et al., 2010). Juega un
papel importante en la apoptosis, angiogénesis, invasión y metástasis y, como
Discusión
expuso Erpolat y col. en 2013, los gliomas de alto grado con sobreexpresión de
CA9 presentan un comportamiento más agresivo, resistencia a RT y menor
supervivencia (Erpolat, Gocun, Akmansu, Ozgun, & Akyol, 2013). Este grupo
también concluye que para mejorar el pronóstico de los pacientes con estos
tumores sería importante seleccionar aquellos pacientes con tumores hipóxicos
para la terapia dirigida. La IHQ de algunos marcadores de hipoxia podría ser
útil para hacer esta selección.
Otro de los procesos evadidos en el cáncer es la senescencia, proceso
fisiológico de cese irreversible del crecimiento que puede desencadenarse por
el acortamiento de los telómeros (senescencia replicativa) o por diferentes
formas de estrés (senescencia acelerada) (Roninson, 2003). Los principales
mediadores de la senescencia, que la inhiben durante la transformación
neoplásica, son los inhibidores de las quinasas dependientes de ciclinas (como
p21 y p16INK4) (Stein, Drullinger, Soulard, & Dulic, 1999). En este contexto se
encuentra TBX2, miembro de la familia de genes que comparten un dominio
común al ADN, la caja T. Este gen está implicado en el desarrollo del
hipotálamo, interactuando con las vías de Shh y BMPs (alteradas en el
desarrollo y progresión de los gliomas) (Abrahams, Parker, & Prince, 2010).
Además, este gen podría tener un papel potencial en la tumorigénesis como
agente inmortalizante. Se ha encontrado sobreexpresado en varios tipos de
cáncer (melanoma, mama, hígado y páncreas) (Shen, et al., 2014) y esta
sobreexpresión provoca la evasión por parte de las células cancerígenas de la
senescencia, dando lugar a una proliferación incrontrolada, así como defectos
en el proceso de mitosis e inestabilidad cromosómica, haciendo a esta células
resistentes a los fármacos (Abrahams, et al., 2010).
Tanto la evasión del sistema inmune como un microambiente
inflamatorio del tumor son aspectos característicos en la iniciación y progresión
neoplásica. A este respecto, varios son los genes sobreexpresados en esta
serie y que tienen alguna implicación en dichos procesos. CCL2 es un factor
quimiotáctico capaz de atraer monocitos y basófilos y de aumentar su actividad
antitumoral. Las poblaciones de células no neoplásicas más abundantes en el
microambiente de los GBM son macrófagos, microglía y monocitos infiltrantes,
202
Discusión
el aumento de estos últimos se asocia con el aumento de expresión de CCL2
(Feng, et al., 2015). En otro estudio realizado por Lindemann y col, en 2015,
observan que el aumento de expresión de CCL2 se asocia con mayor
capacidad invasiva y migración de los GBM (Lindemann, Marschall, Weigert,
Klingebiel, & Fulda, 2015). Este aumento de expresión puede ser inducido por
IL1, como se demostró en 2015 por Tarassishin y col. en células de GBM
(Tarassishin, Lim, Weatherly, Angeletti, & Lee, 2014). En este mismo estudio
observaron el mismo efecto en la expresión de PTX3, otro de los genes
sobreexpresados en el presente trabajo. Componente de la rama humoral de la
inmunidad innata y marcador de la inflamación. Anteriormente ya se había
observado un aumento de su expresión en gliomas de alto grado y se había
considerado como un nuevo marcador de la inflamación asociada al cáncer y
de la malignidad de los gliomas (Locatelli, et al., 2013).
COL4A1 y COL4A2 son componentes estructurales de las membranas
basales glomerulares, que participan en la formación de la matriz extracelular y
en la angiogénesis. Al igual que en esta serie, Van den Boom y col. observaron
un aumento de expresión de ambos genes en gliomas (van den Boom, et al.,
2003). Varios estudios aparte han demostrado un aumento de la expresión de
COL4A2 en estos tumores (Nigro, et al., 2005; Ruano, et al., 2006; van den
Boom, et al., 2003). En 2006, Tso y col. establecieron que éste es uno de los
15 genes altamente sobreexpresados tanto en GBMp como en GBMs y se
asocia con la progresión y proliferación vascular de los gliomas (Tso, et al.,
2006).
TNFRSF12A (Fn14) es un receptor de superficie celular para TWEAK
(inductor débil de la apoptosis similar a TNF), normalmente expresado en
niveles bajos en tejido normal y aumentando su expresión en varios tumores
como en GBM. La primera vez que se observó la acción del complejo
TWEAK:Fn14 en GBM fue en 2003 por Tran y col., conviertiéndose así en un
objetivo potencial para dianas terapéuticas (Tran, et al., 2003). Tanto la acción
de este complejo como la sobreexpresión de Fn14 pueden estimular la
migración celular, invasión y resistencia a la QT en gliomas a través de la
203
Discusión
el aumento de estos últimos se asocia con el aumento de expresión de CCL2
(Feng, et al., 2015). En otro estudio realizado por Lindemann y col, en 2015,
observan que el aumento de expresión de CCL2 se asocia con mayor
capacidad invasiva y migración de los GBM (Lindemann, Marschall, Weigert,
Klingebiel, & Fulda, 2015). Este aumento de expresión puede ser inducido por
IL1, como se demostró en 2015 por Tarassishin y col. en células de GBM
(Tarassishin, Lim, Weatherly, Angeletti, & Lee, 2014). En este mismo estudio
observaron el mismo efecto en la expresión de PTX3, otro de los genes
sobreexpresados en el presente trabajo. Componente de la rama humoral de la
inmunidad innata y marcador de la inflamación. Anteriormente ya se había
observado un aumento de su expresión en gliomas de alto grado y se había
considerado como un nuevo marcador de la inflamación asociada al cáncer y
de la malignidad de los gliomas (Locatelli, et al., 2013).
COL4A1 y COL4A2 son componentes estructurales de las membranas
basales glomerulares, que participan en la formación de la matriz extracelular y
en la angiogénesis. Al igual que en esta serie, Van den Boom y col. observaron
un aumento de expresión de ambos genes en gliomas (van den Boom, et al.,
2003). Varios estudios aparte han demostrado un aumento de la expresión de
COL4A2 en estos tumores (Nigro, et al., 2005; Ruano, et al., 2006; van den
Boom, et al., 2003). En 2006, Tso y col. establecieron que éste es uno de los
15 genes altamente sobreexpresados tanto en GBMp como en GBMs y se
asocia con la progresión y proliferación vascular de los gliomas (Tso, et al.,
2006).
TNFRSF12A (Fn14) es un receptor de superficie celular para TWEAK
(inductor débil de la apoptosis similar a TNF), normalmente expresado en
niveles bajos en tejido normal y aumentando su expresión en varios tumores
como en GBM. La primera vez que se observó la acción del complejo
TWEAK:Fn14 en GBM fue en 2003 por Tran y col., conviertiéndose así en un
objetivo potencial para dianas terapéuticas (Tran, et al., 2003). Tanto la acción
de este complejo como la sobreexpresión de Fn14 pueden estimular la
migración celular, invasión y resistencia a la QT en gliomas a través de la
Discusión
activación de dos de las vías alteradas en estos tumores: PI3K/AKT y NF-κB
(Perez, et al., 2016).
En 2011, Tayrac y col. (de Tayrac, et al., 2013) desarrollaron un modelo
de riesgo en gliomas de alto grado basado en la expresión de cuatro genes.
Uno de esos genes se encuentra sobreexpresado en esta serie. Se trata de
HJURP, gen que codifica una chaperona indispensable para la regulación del
ciclo celular, formación de la cromatina centromérica (Foltz, et al., 2009) y
estabilidad cromosómica de las células cancerígenas inmortalizadas (T. Kato,
et al., 2007). En el trabajo de Tyrac y col. observaron que el incremento en el
nivel de expresión de este gen se asociaba con la progresión de los gliomas de
bajo a alto grado y a una peor supervivencia. Otra de sus funciones es la del
mantenimiento de mecanismos de reparación más eficientes que son cruciales
para que las células tumorales continúen proliferando sin colapsar debido a la
inestabilidad genómica masiva (Valente, et al., 2013).
Las células cancerígenas poseen un potencial replicativo ilimitado, por
tanto, el mantenimiento del ciclo celular es un factor clave en el desarrollo del
cáncer. El gen UBE2C actúa como factor esencial del complejo promotor de la
anafase y es necesario para la destrucción de las ciclinas mitóticas y para la
progresión del ciclo celular. Los niveles de expresión de este gen están
aumentados en muchos tumores sólidos, incluyendo los gliomas (Bredel, et al.,
2005; Donato, et al., 2008; Jiang, et al., 2008) y este aumento en la expresión,
al igual que el observado en este trabajo, se correlaciona con la agresividad del
tumor y una menor supervivencia (Hao, Zhang, & Cowell, 2012; R. Ma, et al.,
2016). Se ha postulado la incorporación de la IHQ de este gen en el
diagnóstico de los gliomas (Hao, et al., 2012).
Las histonas son componentes básicos del nucleosoma y tienen una
función central en la regulación, reparación y replicación del ADN. Están
ligadas al desarrollo del múltiples cánceres a través de alteraciones en sus
modificaciones post-traduccionales y en la maquinaria epigenética que controla
dichas modificaciones. Numerosos estudios han mejorado el conocimiento
sobre la asociación entre las enzimas que modifican las histonas,
204
Discusión
modificaciones post-traduccionales específicas de histonas y la tumorigénesis
(Suva, Riggi, & Bernstein, 2013). Uno de los procesos epigenéticos, como se
ha descrito en la introducción, es la acetilación de las histonas. Este
mecanismo de acetilación/desacetilación permite regular la transcripción de
diversos genes. Alteraciones en estos procesos pueden dar lugar, por ejemplo,
a la no transcripción de genes supresores de tumores y, por consiguiente, esto
podría dar lugar al desarrollo neoplásico (Esteller, 2007; Kim, 2014). Cuatro
genes que codifican para histonas se encuentran sobreexpresados en este
análisis: HIST1H3A, HIST2H3A, HIST2H3C e HIST1H1B, lo cual indicaría que
muchos procesos celulares están alterados en estos tumores.
La expresión de NTN1, al igual que en esta serie, se encuentra
aumentada en muchos tumores (Harter, et al., 2014), sin embargo no se
conoce su asociación con los gliomas. Se postula que la proteína codificada
por este gen está involucrada en la dirección de los axones y la migración
celular durante el desarrollo. La función de la barrera hematoencefálica se
activa por la influencia de factores secretados por los astrocitos. Durante la
respuesta neuroinflamatoria, la barrera hematoencefálica queda comprometida
provocando daño en el SNC. En 2015, Podjaski y col. identifican la expresión
de NTN1 como respuesta vascular a SHH derivado de los astrocitos, y ésta
promueve las propiedades autocrinas de la barrera hematoencefálica durante
la homeostasis y aumenta con la inflamación. NTN1 soporta la integridad de la
barrera a través de la regulación positiva de la expresión de proteínas de unión
endotelial (Podjaski, et al., 2015). Además, ejerce una función angiogénica, con
el incremento de la ramificación vascular y de la densidad de vasos
(Navankasattusas, et al., 2008; Wilson, et al., 2006), anti-inflamatoria
(Rosenberger, et al., 2009) y aumenta la proliferación endotelial. Todo esto
mejora los síntomas patológicos en condiciones de isquemia (Durrani, Haider,
Ahmed, Jiang, & Ashraf, 2012; Hoang, Liauw, Choi, Guzman, & Steinberg,
2009; Wilson, et al., 2006).
Otro de los genes implicados en la regulación de la síntesis de ADN y
progresión del ciclo celular (de Tayrac, et al., 2011) y que se encuentra
sobreexpresado en esta serie de tumores es el CENPF. Es necesario para la
205
Discusión
modificaciones post-traduccionales específicas de histonas y la tumorigénesis
(Suva, Riggi, & Bernstein, 2013). Uno de los procesos epigenéticos, como se
ha descrito en la introducción, es la acetilación de las histonas. Este
mecanismo de acetilación/desacetilación permite regular la transcripción de
diversos genes. Alteraciones en estos procesos pueden dar lugar, por ejemplo,
a la no transcripción de genes supresores de tumores y, por consiguiente, esto
podría dar lugar al desarrollo neoplásico (Esteller, 2007; Kim, 2014). Cuatro
genes que codifican para histonas se encuentran sobreexpresados en este
análisis: HIST1H3A, HIST2H3A, HIST2H3C e HIST1H1B, lo cual indicaría que
muchos procesos celulares están alterados en estos tumores.
La expresión de NTN1, al igual que en esta serie, se encuentra
aumentada en muchos tumores (Harter, et al., 2014), sin embargo no se
conoce su asociación con los gliomas. Se postula que la proteína codificada
por este gen está involucrada en la dirección de los axones y la migración
celular durante el desarrollo. La función de la barrera hematoencefálica se
activa por la influencia de factores secretados por los astrocitos. Durante la
respuesta neuroinflamatoria, la barrera hematoencefálica queda comprometida
provocando daño en el SNC. En 2015, Podjaski y col. identifican la expresión
de NTN1 como respuesta vascular a SHH derivado de los astrocitos, y ésta
promueve las propiedades autocrinas de la barrera hematoencefálica durante
la homeostasis y aumenta con la inflamación. NTN1 soporta la integridad de la
barrera a través de la regulación positiva de la expresión de proteínas de unión
endotelial (Podjaski, et al., 2015). Además, ejerce una función angiogénica, con
el incremento de la ramificación vascular y de la densidad de vasos
(Navankasattusas, et al., 2008; Wilson, et al., 2006), anti-inflamatoria
(Rosenberger, et al., 2009) y aumenta la proliferación endotelial. Todo esto
mejora los síntomas patológicos en condiciones de isquemia (Durrani, Haider,
Ahmed, Jiang, & Ashraf, 2012; Hoang, Liauw, Choi, Guzman, & Steinberg,
2009; Wilson, et al., 2006).
Otro de los genes implicados en la regulación de la síntesis de ADN y
progresión del ciclo celular (de Tayrac, et al., 2011) y que se encuentra
sobreexpresado en esta serie de tumores es el CENPF. Es necesario para la
Discusión
función del cinetocoro y segregación de los cromosomas en la mitosis, por lo
que su aumento de expresión en GBM que, como en otros tipos de cáncer
tiene un potenacial replicativo ilimitado, es esperable. Otros grupos han
observado un aumento de expresión de este gen en gliomas y, más
concretamente, un aumento conforme aumenta el grado de malignidad. Por
este motivo podría considerarse útil en el diagnóstico como biomarcador de
proliferación en tumores gliales (Korkolopoulou, et al., 2001; van den Boom, et
al., 2003). A su vez, participa en el reciclaje de la membrana plasmática a
través de su asociación con SNAP25, subunidad catalítica del complejo V1 de
la ATPasa vacuolar responsable de la acidificación de compartimentos
intracelulares e infraexpresado en los tumores analizados en este trabajo. Se
ha observado que tiene un papel en la regulación de los receptores de
glutamato y en la plasticidad sináptica (Selak, et al., 2009). Además, media la
neurosecreción a través de su participación en el complejo SNARE excitotóxico
y regulando el potencial de membrana y la entrada de calcio a través de su
interacción con los canales de potasio rectificadores tardíos (Ji, et al., 2002).
Por tanto, el producto codificado por SNAP25 es una de las proteínas
implicadas en el anclaje y fusión de las vesículas sinápticas en la membrana
plasmática de los terminales nerviosos (Bruce Alberts, 2004). No se ha
observado expresión de dicho gen en gliomas (www.proteinatlas.org), lo que
concuerda con estos resultados. Sin embargo, sí se ha establecido un aumento
de expresión de SNAP25 en carcinoma de pulmón de células pequeñas (Graff,
Castrop, Bauer, Höfler, & Gratzl, 2001). Otra subunidad catalítica del complejo
V1 de la ATPasa vacuolar es la proteína codificada por el gen ATP6V1G2,
también infraexpresada en esta serie.
Mientras que los procesos asociados a los genes que se encuentran con
una tasa de expresión alta están relacionados con la angiogénesis, ciclo
celular, respuesta inmune, respuesta inflamatoria y regulación positiva de
diferentes procesos de biosíntesis, entre otros, los procesos asociados a los
genes infraexpresados tienen relación con la transmisión sináptica, liberación
de neurotransmisores, actividad de los canales iónicos y transporte de iones.
206
Discusión
La mayoría de los genes cuya expresión se encuentra por debajo de la
del tejido cerebral normal, codifican proteínas que regulan, o forman parte de
diferentes canales iónicos. La expresión y actividad de estos canales regulan y
establecen determinadas etapas de la progresión del cáncer. Pueden contribuir
al fenotipo neoplásico controlando la proliferación celular y la apoptosis y
regulando la invasión y diseminación metastásica, así como estimulando la
angiogénesis, mediando en las interacciones célula-matriz y regulando la
motilidad celular. Muchos son los estudios que revelan que estos canales
iónicos podrían ser dianas farmacológicas prometedoras en oncología
(Arcangeli & Becchetti, 2015; Arcangeli, et al., 2009).
La proteína codificada por CACNA1B es una subunidad formadora de
poros de los canales de calcio dependientes de voltaje. Este gen está implicado
en la liberación de neurotransmisores por las neuronas y, en concreto, la
subunidad 1B está implicada en la migración de las neuronas inmaduras. Se
desconoce su implicación en el cáncer, lo que sí se ha observado en un estudio
llevado a cabo por Wang y col. (C. Y. Wang, Lai, Phan, Sun, & Lin, 2015), es
un aumento de su expresión en cáncer de mama y próstata, lo que no
concuerda con los resultados obtenidos en este trabajo, ya que es un gen
infraexpresado en esta serie.
Por otra parte, CAMK2A (infraexpresado en estos tumores) codifica una
quinasa del SNC que participa en la potenciación a largo plazo, en la liberación
de neurotransmisores, en las sinapsis excitatorias y en la plasticidad sináptica.
En 2013, Sun y col., establecen que este gen regula la actividad de ASIC1
(canal iónico sensible a ácido), que se asocia con la habilidad de las células de
GBM para migrar (Sun, et al., 2013).
El neurotransmisor inhibitorio más importante del cerebro de vertebrados
en el GABA (Gamma-Aminobutyric acid). Dos componentes del receptor
heteropentamérico de este neurotransmisor se encuentran infraexpresados en
este análisis: GABRA1 y GABRG2. Se ha observado que conforme aumenta el
grado tumoral en gliomas, disminuye la expresión de estos receptores
(Poltronieri, D'Urso, Mezzolla, & D'Urso, 2013; Smits, et al., 2012). La expresión
207
Discusión
La mayoría de los genes cuya expresión se encuentra por debajo de la
del tejido cerebral normal, codifican proteínas que regulan, o forman parte de
diferentes canales iónicos. La expresión y actividad de estos canales regulan y
establecen determinadas etapas de la progresión del cáncer. Pueden contribuir
al fenotipo neoplásico controlando la proliferación celular y la apoptosis y
regulando la invasión y diseminación metastásica, así como estimulando la
angiogénesis, mediando en las interacciones célula-matriz y regulando la
motilidad celular. Muchos son los estudios que revelan que estos canales
iónicos podrían ser dianas farmacológicas prometedoras en oncología
(Arcangeli & Becchetti, 2015; Arcangeli, et al., 2009).
La proteína codificada por CACNA1B es una subunidad formadora de
poros de los canales de calcio dependientes de voltaje. Este gen está implicado
en la liberación de neurotransmisores por las neuronas y, en concreto, la
subunidad 1B está implicada en la migración de las neuronas inmaduras. Se
desconoce su implicación en el cáncer, lo que sí se ha observado en un estudio
llevado a cabo por Wang y col. (C. Y. Wang, Lai, Phan, Sun, & Lin, 2015), es
un aumento de su expresión en cáncer de mama y próstata, lo que no
concuerda con los resultados obtenidos en este trabajo, ya que es un gen
infraexpresado en esta serie.
Por otra parte, CAMK2A (infraexpresado en estos tumores) codifica una
quinasa del SNC que participa en la potenciación a largo plazo, en la liberación
de neurotransmisores, en las sinapsis excitatorias y en la plasticidad sináptica.
En 2013, Sun y col., establecen que este gen regula la actividad de ASIC1
(canal iónico sensible a ácido), que se asocia con la habilidad de las células de
GBM para migrar (Sun, et al., 2013).
El neurotransmisor inhibitorio más importante del cerebro de vertebrados
en el GABA (Gamma-Aminobutyric acid). Dos componentes del receptor
heteropentamérico de este neurotransmisor se encuentran infraexpresados en
este análisis: GABRA1 y GABRG2. Se ha observado que conforme aumenta el
grado tumoral en gliomas, disminuye la expresión de estos receptores
(Poltronieri, D'Urso, Mezzolla, & D'Urso, 2013; Smits, et al., 2012). La expresión
Discusión
de estos receptores correlaciona inversamente con el ratio de proliferación de
los astrocitos en los astrocitomas, esto lleva a la hipótesis de que la
expresión/activación de los receptores de GABA pueden funcionar como
represores de la proliferación celular (Desrues, et al., 2012).
El gen MAL se considera un supresor tumoral en varios cánceres, por lo
que la infraexpresión observada en esta serie corroboraría su papel supresor.
La baja expresión se asocia con un aumento de metástasis en cáncer gástrico
y un peor pronóstico (Kurashige, et al., 2013). Esta disminución en la expresión
es debida a la hipermetilación del gen, evento común en cánceres esofágicos y
que se asocia con la progresión neoplásica (Jin, et al., 2013). Además, esta
hipermetilación se considera un marcador pronóstico en cáncer gástrico
(Buffart, et al., 2008).
Uno de los eventos afectados en los gliomas es la endocitosis/exocitosis
de vesículas sinápticas. Tanto SYT1, regulador de las interacciones entre la
membrana durante el tráfico de vesículas sinápticas en la zona activa de la
sinapsis, como SYT4, involucrado en la exocitosis dependiente de calcio de las
vesículas secretoras, presentan una baja expresión en las muestras
analizadas. SYT1 es considerado un oncogen en GBM (Nord, et al., 2009), sin
embargo, los resultados observados en este trabajo no apoyarían esta
hipótesis, pudiendo tener un papel supresor de tumores en GBM en
determinadas situaciones. El cáncer, a pesar de compartir ciertas
características comunes, es desencadenado por una gran variedad de
alteraciones genéticas y epigenéticas de los procesos celulares fundamentales,
lo que da lugar a que cada tumor sea diferente (Sacco, Coulson, Clague, &
Urbe, 2010). Otro caso en el que existe controversia acerca de su función en
los diferentes tipos de cáncer es UCHL1(Gu, et al., 2015). En condiciones
normales, se expresa específicamente en las neuronas y en las células del
sistema neuroendocrino difuso. Codifica una deubiquitinasa capaz de regular
vías relacionadas con el cáncer y la estabilidad de oncogenes. En condiciones
neoplásicas este gen puede encontrase sobre o infraexpresado, dependiendo
del tipo de tumor. Por ejemplo, varios estudios han demostrado un aumento de
su expresión en cáncer de pulmón, colon, gástrico, esofágico y páncreas (Hibi,
208
Discusión
et al., 1998; Hibi, et al., 1999; X. Liu, Zeng, Ma, & Wan, 2009; Takase, et al.,
2003; Tezel, Hibi, Nagasaka, & Nakao, 2000; Yamazaki, et al., 2002); mientras
que otros trabajos han determinado una baja expresión de este gen como
consecuencia de la metilación del mismo en tumores cerebrales, cáncer de
ovario, carcinoma esofágico de células escamosas, cáncer gástrico y en líneas
celulares de cáncer de páncreas (Kumagai, et al., 2009; Mandelker, et al.,
2005; Sato & Meltzer, 2006)
Los astrocitos están involucrados en la homeostasis del potasio. Este
equilibrio se pierde en los gliomas debido a la pérdida de expresión de ciertos
canales de la membrana de las células gliales (Olsen & Sontheimer, 2008). En
relación a este aspecto se encuentran los genes KCNC2 y KCNK1,
infraexpresados en esta serie. Se expresan en cerebro normal y son
necesarios para la generación del impulso nervioso. Forman parte de los
canales de potasio dependientes de voltaje, en concreto, KCNK1 está
implicado en la regulación del potencial de membrana en reposo de los
astrocitos y KCNC2 participa en el mantenimiento del potencial de acción.
Otros genes con una expresión disminuida en esta serie de tumores son
el PACSIN1, que participa en la reorganización de los microtúbulos del
citoesqueleto, en el transporte celular y en la endocitosis de las vesículas
sinápticas; el RYR2, componente de los canales de calcio; el SCN2B,
componente de los canales de sodio; el SLC8A2, expresado en cerebro pero
no en gliomas (Qu, et al., 2010) e implicado en el transporte de calcio el
acoplamiento de la contracción-excitación; el SLC30A3, que participa en la
acumulación de zinc en las vesículas; el HCN1, que en condiciones normales
se expresa en cerebro y se encarga de modular la excitabilidad así como de
conformar la actividad autónoma de las neuronas y el JPH4, gen específico del
cerebro cuya función es la de formar complejos que unen la membrana
plasmática con el retículo endoplasmático en células excitables.
GPR158 se encuentra altamente expresado en el cerebro (Orlandi, et al.,
2012). Se trata de un gen regulador de la función de RGS7 (miembro de la
familia R7 de reguladores de la señalización de proteínas G) en el SN (Orlandi,
209
Discusión
et al., 1998; Hibi, et al., 1999; X. Liu, Zeng, Ma, & Wan, 2009; Takase, et al.,
2003; Tezel, Hibi, Nagasaka, & Nakao, 2000; Yamazaki, et al., 2002); mientras
que otros trabajos han determinado una baja expresión de este gen como
consecuencia de la metilación del mismo en tumores cerebrales, cáncer de
ovario, carcinoma esofágico de células escamosas, cáncer gástrico y en líneas
celulares de cáncer de páncreas (Kumagai, et al., 2009; Mandelker, et al.,
2005; Sato & Meltzer, 2006)
Los astrocitos están involucrados en la homeostasis del potasio. Este
equilibrio se pierde en los gliomas debido a la pérdida de expresión de ciertos
canales de la membrana de las células gliales (Olsen & Sontheimer, 2008). En
relación a este aspecto se encuentran los genes KCNC2 y KCNK1,
infraexpresados en esta serie. Se expresan en cerebro normal y son
necesarios para la generación del impulso nervioso. Forman parte de los
canales de potasio dependientes de voltaje, en concreto, KCNK1 está
implicado en la regulación del potencial de membrana en reposo de los
astrocitos y KCNC2 participa en el mantenimiento del potencial de acción.
Otros genes con una expresión disminuida en esta serie de tumores son
el PACSIN1, que participa en la reorganización de los microtúbulos del
citoesqueleto, en el transporte celular y en la endocitosis de las vesículas
sinápticas; el RYR2, componente de los canales de calcio; el SCN2B,
componente de los canales de sodio; el SLC8A2, expresado en cerebro pero
no en gliomas (Qu, et al., 2010) e implicado en el transporte de calcio el
acoplamiento de la contracción-excitación; el SLC30A3, que participa en la
acumulación de zinc en las vesículas; el HCN1, que en condiciones normales
se expresa en cerebro y se encarga de modular la excitabilidad así como de
conformar la actividad autónoma de las neuronas y el JPH4, gen específico del
cerebro cuya función es la de formar complejos que unen la membrana
plasmática con el retículo endoplasmático en células excitables.
GPR158 se encuentra altamente expresado en el cerebro (Orlandi, et al.,
2012). Se trata de un gen regulador de la función de RGS7 (miembro de la
familia R7 de reguladores de la señalización de proteínas G) en el SN (Orlandi,
Discusión
et al., 2015), cuya función es la de regular diversos procesos fisiológicos
fundamentales como la visión, memoria, control motor y nocicepción
(Anderson, Posokhova, & Martemyanov, 2009; Cowan, He, & Wensel, 2001).
No hay estudios que asocien a este gen con los gliomas, sin embargo, sí se ha
observado un aumento de expresión del mismo en líneas celulares de cáncer
de próstata. Este aumento estimula la proliferación de las células y se asocia
con una peor supervivencia (Patel, et al., 2015). Como se ha mencionado en
varias ocasiones, el cáncer es una entidad heterogénea y diferente en cada
tejido, por tanto, podría ser previsible que este gen pudiera encontrarse
infraexpresado en gliomas mientras que en otros tumores, como en este caso
en cáncer de próstata, se encuentre sobreexpresado. No sólo existen
diferencias entre los diferentes tipos de tumores, si no que también pueden
darse diferencias entre tumores del mismo tipo. Este es el caso del gen
SPOCK1, cuyo papel en tejido normal es el mediar en las interacciones célula-
célula, célula-matriz, así como contribuir en varios mecanismos neuronales en
el SNC. Varios son los estudios en los que se ha observado un aumento de
expresión del mismo en gliomas y otros cánceres, como carcinoma urotelial (L.
J. Ma, et al., 2016), carcinoma esofágico de células escamosas (Song, et al.,
2015) y en cáncer de vesícula biliar, en el que actúa activando la vía PI3K/Akt
para bloquear la apoptosis y promover la proliferación y apoptosis (Shu, et al.,
2015). Tanto Yang y col. como Yu y col en 2016, observan un aumento de
expresión de este gen en gliomas. Esta sobreexpresión promueve la
proliferación, migración e invasión, así como inhibe la apoptosis de las células
neoplásicas mediante la activación de las vías PI3K/Akt y Wnt/β-catenina (J.
Yang, et al., 2016; F. Yu, et al., 2016), mediando la resistencia a la TMZ a
través de esta última vía activada. A pesar de que afirman en estos trabajos
que el silenciamiento de SPOCK1 tendría un efecto contrario en los gliomas, en
la presente serie este gen se encuentra infraexpresado.
La neurogénesis adulta desencadena la remodelación de los circuitos
neuronales a través de la incorporación de nuevas neuronas, sin embargo, se
ha demostrado que cuando se altera su regulación el SNC y sus progenitores
pueden dar lugar a la formación de tumores cerebrales como los gliomas
(Batista, et al., 2014). En general, estos tumores interfieren con las funciones
210
Discusión
normales del cerebro mediante la interrupción de la conectividad funcional de
las redes cerebrales dentro de las áreas cerebrales peritumorales y distantes
(Beaumont & Whittle, 2000). Ademas, en los gliomas la barrera
hematoencefálica está alterada, exponiendo al cerebro a los componentes del
suero de la sangre y a factores de crecimiento endotelial vascular (Buckingham
& Robel, 2013). Todo esto provoca un desequilibrio entre la excitación y la
inhibición del impulso nervioso, así como la desdifereciación de las neuronas,
promoviendo la progresión tumoral y dando lugar a los síntomas asociados a
estos tumores, como epilepsia y otros déficits neurológicos (Jovcevska, et al.,
2013; Pallud, Capelle, & Huberfeld, 2013).
Discusión
normales del cerebro mediante la interrupción de la conectividad funcional de
las redes cerebrales dentro de las áreas cerebrales peritumorales y distantes
(Beaumont & Whittle, 2000). Ademas, en los gliomas la barrera
hematoencefálica está alterada, exponiendo al cerebro a los componentes del
suero de la sangre y a factores de crecimiento endotelial vascular (Buckingham
& Robel, 2013). Todo esto provoca un desequilibrio entre la excitación y la
inhibición del impulso nervioso, así como la desdifereciación de las neuronas,
promoviendo la progresión tumoral y dando lugar a los síntomas asociados a
estos tumores, como epilepsia y otros déficits neurológicos (Jovcevska, et al.,
2013; Pallud, Capelle, & Huberfeld, 2013).
LIMITACIONES DEL ESTUDIO
213
Limitaciones del estudio
El presente trabajo tiene una serie de limitaciones que quedan recogidas
en los siguientes puntos:
1. Del total de la serie estudiada en el presente trabajo (n=235), no se
pudieron analizar todas ellas para cada uno de los biomarcadores
(metilación en MGMT, G-CIMP…) debido a la falta de material disponible
o la mala calidad de alguna de las muestras. En algunos casos, la n es
insuficiente para poder establecer asociaciones y algunos datos clínicos
se han perdido.
2. Como se ha mencionado anteriormente, es un estudio preliminar de
expresión a gran escala que ha de validarse por otras técnicas. Se trata
de una prueba de concepto que, como tal, presenta esta serie de
limitaciones: tamaño muestral bajo (n=9), número de genes analizados
bajo (12954 genes), falta de tejido normal de cada una de las muestras
(el pool de tejido de cerebro normal podría mejorarse de esta forma).
CONCLUSIONES
217
Conclusiones
1. La hipermetilación en MGMT y las mutaciones en IDH son
biomarcadores de buen pronóstico. Además, la metilación en MGMT es
un biomarcador predictivo de respuesta al tratamiento en gliomas.
2. El estatus CIMP+ es un marcador de buen pronóstico en gliomas.
3. La hipermetilación en SOCS1 podría ser un marcador de fenotipo
hipermetilador de gliomas.
4. La implicación del HCMV en gliomas es irrelevante.
5. La edad es un marcador pronóstico independiente. Los pacientes más
jóvenes tienen mejor pronóstico.
6. Los tumores con IDH mutado, MGMT metilado, SOCS1 metilado, TP53
mutado y un índice de proliferación (ki67) bajo son los que van a tener
un mejor pronóstico.
7. El perfil definido como pacientes con edades iguales o por debajo de la
mediana y cuyos tumores presentan metilación en SOCS1, determina un
mejor pronóstico en los gliomas. Dentro del subgrupo de GBM de larga
supervivencia (>36 meses) los pacientes con este perfil presentan una
mayor supervivencia.
8. SOCS1 tiene utilidad potencial como marcador pronóstico en gliomas.
9. Las funciones moleculares sobreexpresadas en los tumores gliales están
relacionadas con la carcinogénesis, como angiogénesis, proliferación y
regulación del ciclo celular, respuesta inmune e inflamatoria y regulación
de la apoptosis, mientras que las funciones moleculares infraexpresadas
están involucradas en procesos de desdiferenciación celular del sistema
nervioso, como sinapsis, neurotransmisión y neurogénesis, entre otras.
Bibliografía
BIBLIOGRAFÍA
221
Bibliografía
Abrahams, A., Parker, M. I., & Prince, S. (2010). The T-box transcription factor Tbx2: its role in development and possible implication in cancer. IUBMB Life, 62(2), 92-102.
Ahmed, R., Oborski, M. J., Hwang, M., Lieberman, F. S., & Mountz, J. M. (2014). Malignant gliomas: current perspectives in diagnosis, treatment, and early response assessment using advanced quantitative imaging methods. Cancer Manag Res, 6, 149-170.
Aldape, K., Burger, P. C., & Perry, A. (2007). Clinicopathologic aspects of 1p/19q loss and the diagnosis of oligodendroglioma. Arch Pathol Lab Med, 131(2), 242-251.
Amit, I., Citri, A., Shay, T., Lu, Y., Katz, M., Zhang, F., et al. (2007). A module of negative feedback regulators defines growth factor signaling. Nat Genet, 39(4), 503-512.
Andersen, B. M., Xia, J., Epstein, A. L., Ohlfest, J. R., Chen, W., Blazar, B. R., et al. (2016). Monomeric annexin A2 is an oxygen-regulated toll-like receptor 2 ligand and adjuvant. J Immunother Cancer, 4, 11.
Anderson, G. R., Posokhova, E., & Martemyanov, K. A. (2009). The R7 RGS protein family: multi-subunit regulators of neuronal G protein signaling. Cell Biochem Biophys, 54(1-3), 33-46.
Appin, C. L., & Brat, D. J. (2014). Molecular genetics of gliomas. Cancer J, 20(1), 66-72.
Arcangeli, A., & Becchetti, A. (2015). Novel perspectives in cancer therapy: Targeting ion channels. Drug Resist Updat, 21-22, 11-19.
Arcangeli, A., Crociani, O., Lastraioli, E., Masi, A., Pillozzi, S., & Becchetti, A. (2009). Targeting ion channels in cancer: a novel frontier in antineoplastic therapy. Curr Med Chem, 16(1), 66-93.
Arshad, H., Ahmad, Z., & Hasan, S. H. (2010). Gliomas: correlation of histologic grade, Ki67 and p53 expression with patient survival. Asian Pac J Cancer Prev, 11(6), 1637-1640.
Balss, J., Meyer, J., Mueller, W., Korshunov, A., Hartmann, C., & von Deimling, A. (2008). Analysis of the IDH1 codon 132 mutation in brain tumors. Acta Neuropathol, 116(6), 597-602.
Batista, C. M., Mariano, E. D., Barbosa, B. J., Morgalla, M., Marie, S. K., Teixeira, M. J., et al. (2014). Adult neurogenesis and glial oncogenesis: when the process fails. Biomed Res Int, 2014, 438639.
222
Bibliografía
Baumgarten, P., Michaelis, M., Rothweiler, F., Starzetz, T., Rabenau, H. F., Berger, A., et al. (2014). Human cytomegalovirus infection in tumor cells of the nervous system is not detectable with standardized pathologico-virological diagnostics. Neuro Oncol, 16(11), 1469-1477.
Bauskin, A. R., Brown, D. A., Kuffner, T., Johnen, H., Luo, X. W., Hunter, M., et al. (2006). Role of macrophage inhibitory cytokine-1 in tumorigenesis and diagnosis of cancer. Cancer Res, 66(10), 4983-4986.
Baylin, S. B. (2005). DNA methylation and gene silencing in cancer. Nat Clin Pract Oncol, 2 Suppl 1, S4-11.
Baylin, S. B. (2008). Stem cells, cancer, and epigenetics.
Beaumont, A., & Whittle, I. R. (2000). The pathogenesis of tumour associated epilepsy. Acta Neurochir (Wien), 142(1), 1-15.
Bhattacharjee, B., Renzette, N., & Kowalik, T. F. (2012). Genetic analysis of cytomegalovirus in malignant gliomas. J Virol, 86(12), 6815-6824.
Bleeker, F. E., Atai, N. A., Lamba, S., Jonker, A., Rijkeboer, D., Bosch, K. S., et al. (2010). The prognostic IDH1( R132 ) mutation is associated with reduced NADP+-dependent IDH activity in glioblastoma. Acta Neuropathol, 119(4), 487-494.
Blesa, D., Mollejo, M., Ruano, Y., de Lope, A. R., Fiano, C., Ribalta, T., et al. (2009). Novel genomic alterations and mechanisms associated with tumor progression in oligodendroglioma and mixed oligoastrocytoma. J Neuropathol Exp Neurol, 68(3), 274-285.
Boeckh, M., & Geballe, A. P. (2011). Cytomegalovirus: pathogen, paradigm, and puzzle. J Clin Invest, 121(5), 1673-1680.
Bommarito, A., Richiusa, P., Carissimi, E., Pizzolanti, G., Rodolico, V., Zito, G., et al. (2011). BRAFV600E mutation, TIMP-1 upregulation, and NF-kappaB activation: closing the loop on the papillary thyroid cancer trilogy. Endocr Relat Cancer, 18(6), 669-685.
Boots-Sprenger, S. H., Sijben, A., Rijntjes, J., Tops, B. B., Idema, A. J., Rivera, A. L., et al. (2013). Significance of complete 1p/19q co-deletion, IDH1 mutation and MGMT promoter methylation in gliomas: use with caution. Mod Pathol, 26(7), 922-929.
Bottone, F. G., Jr., Baek, S. J., Nixon, J. B., & Eling, T. E. (2002). Diallyl disulfide (DADS) induces the antitumorigenic NSAID-activated gene (NAG-1) by a p53-dependent mechanism in human colorectal HCT 116 cells. J Nutr, 132(4), 773-778.
223
Bibliografía
Baumgarten, P., Michaelis, M., Rothweiler, F., Starzetz, T., Rabenau, H. F., Berger, A., et al. (2014). Human cytomegalovirus infection in tumor cells of the nervous system is not detectable with standardized pathologico-virological diagnostics. Neuro Oncol, 16(11), 1469-1477.
Bauskin, A. R., Brown, D. A., Kuffner, T., Johnen, H., Luo, X. W., Hunter, M., et al. (2006). Role of macrophage inhibitory cytokine-1 in tumorigenesis and diagnosis of cancer. Cancer Res, 66(10), 4983-4986.
Baylin, S. B. (2005). DNA methylation and gene silencing in cancer. Nat Clin Pract Oncol, 2 Suppl 1, S4-11.
Baylin, S. B. (2008). Stem cells, cancer, and epigenetics.
Beaumont, A., & Whittle, I. R. (2000). The pathogenesis of tumour associated epilepsy. Acta Neurochir (Wien), 142(1), 1-15.
Bhattacharjee, B., Renzette, N., & Kowalik, T. F. (2012). Genetic analysis of cytomegalovirus in malignant gliomas. J Virol, 86(12), 6815-6824.
Bleeker, F. E., Atai, N. A., Lamba, S., Jonker, A., Rijkeboer, D., Bosch, K. S., et al. (2010). The prognostic IDH1( R132 ) mutation is associated with reduced NADP+-dependent IDH activity in glioblastoma. Acta Neuropathol, 119(4), 487-494.
Blesa, D., Mollejo, M., Ruano, Y., de Lope, A. R., Fiano, C., Ribalta, T., et al. (2009). Novel genomic alterations and mechanisms associated with tumor progression in oligodendroglioma and mixed oligoastrocytoma. J Neuropathol Exp Neurol, 68(3), 274-285.
Boeckh, M., & Geballe, A. P. (2011). Cytomegalovirus: pathogen, paradigm, and puzzle. J Clin Invest, 121(5), 1673-1680.
Bommarito, A., Richiusa, P., Carissimi, E., Pizzolanti, G., Rodolico, V., Zito, G., et al. (2011). BRAFV600E mutation, TIMP-1 upregulation, and NF-kappaB activation: closing the loop on the papillary thyroid cancer trilogy. Endocr Relat Cancer, 18(6), 669-685.
Boots-Sprenger, S. H., Sijben, A., Rijntjes, J., Tops, B. B., Idema, A. J., Rivera, A. L., et al. (2013). Significance of complete 1p/19q co-deletion, IDH1 mutation and MGMT promoter methylation in gliomas: use with caution. Mod Pathol, 26(7), 922-929.
Bottone, F. G., Jr., Baek, S. J., Nixon, J. B., & Eling, T. E. (2002). Diallyl disulfide (DADS) induces the antitumorigenic NSAID-activated gene (NAG-1) by a p53-dependent mechanism in human colorectal HCT 116 cells. J Nutr, 132(4), 773-778.
Bibliografía
Brabender, J., Usadel, H., Metzger, R., Schneider, P. M., Park, J., Salonga, D., et al. (2003). Quantitative O(6)-methylguanine DNA methyltransferase methylation analysis in curatively resected non-small cell lung cancer: associations with clinical outcome. Clin Cancer Res, 9(1), 223-227.
Brat, D. J., Verhaak, R. G., Aldape, K. D., Yung, W. K., Salama, S. R., Cooper, L. A., et al. (2015). Comprehensive, Integrative Genomic Analysis of Diffuse Lower-Grade Gliomas. N Engl J Med, 372(26), 2481-2498.
Bredel, M., Bredel, C., Juric, D., Harsh, G. R., Vogel, H., Recht, L. D., et al. (2005). Functional network analysis reveals extended gliomagenesis pathway maps and three novel MYC-interacting genes in human gliomas. Cancer Res, 65(19), 8679-8689.
Brell, M., Tortosa, A., Verger, E., Gil, J. M., Vinolas, N., Villa, S., et al. (2005). Prognostic significance of O6-methylguanine-DNA methyltransferase determined by promoter hypermethylation and immunohistochemical expression in anaplastic gliomas. Clin Cancer Res, 11(14), 5167-5174.
Brookes, P., & Lawley, P. D. (1960). The reaction of mustard gas with nucleic acids in vitro and in vivo. Biochemical Journal, 77(3), 478-484.
Bruce Alberts, A. J., Julian Lewis, Martin Raff, Keith Roberts, Peter Walter (2004). Biología Molecular de la célula (Cuarta ed.).
Buckingham, S. C., & Robel, S. (2013). Glutamate and tumor-associated epilepsy: glial cell dysfunction in the peritumoral environment. Neurochem Int, 63(7), 696-701.
Buffart, T. E., Overmeer, R. M., Steenbergen, R. D., Tijssen, M., van Grieken, N. C., Snijders, P. J., et al. (2008). MAL promoter hypermethylation as a novel prognostic marker in gastric cancer. Br J Cancer, 99(11), 1802-1807.
Burger, P. C., Shibata, T., & Kleihues, P. (1986). The Use of the Monoclonal Antibody Ki-67 in the Identification of Proliferating Cells: Application to Surgical Neuropathology. The American Journal of Surgical Pathology, 10(9), 611-617.
Cabrita, M. A., & Christofori, G. (2008). Sprouty proteins, masterminds of receptor tyrosine kinase signaling. Angiogenesis, 11(1), 53-62.
Cairncross, G., & Jenkins, R. (2008). Gliomas with 1p/19q codeletion: a.k.a. oligodendroglioma. Cancer J, 14(6), 352-357.
Cairncross, J. G., Ueki, K., Zlatescu, M. C., Lisle, D. K., Finkelstein, D. M., Hammond, R. R., et al. (1998). Specific genetic predictors of
224
Bibliografía
chemotherapeutic response and survival in patients with anaplastic oligodendrogliomas. J Natl Cancer Inst, 90(19), 1473-1479.
Cao, V. T., Jung, T. Y., Jung, S., Jin, S. G., Moon, K. S., Kim, I. Y., et al. (2009). The correlation and prognostic significance of MGMT promoter methylation and MGMT protein in glioblastomas. Neurosurgery, 65(5), 866-875; discussion 875.
Capper, D., Zentgraf, H., Balss, J., Hartmann, C., & von Deimling, A. (2009). Monoclonal antibody specific for IDH1 R132H mutation. Acta Neuropathol, 118(5), 599-601.
Carpenter, R. L., Paw, I., Zhu, H., Sirkisoon, S., Xing, F., Watabe, K., et al. (2015). The gain-of-function GLI1 transcription factor TGLI1 enhances expression of VEGF-C and TEM7 to promote glioblastoma angiogenesis. Oncotarget, 6(26), 22653-22665.
Cartron, P. F., Petit, E., Bellot, G., Oliver, L., & Vallette, F. M. (2014). Metaxins 1 and 2, two proteins of the mitochondrial protein sorting and assembly machinery, are essential for Bak activation during TNF alpha triggered apoptosis. Cell Signal, 26(9), 1928-1934.
Cecener, G., Tunca, B., Egeli, U., Bekar, A., Tezcan, G., Erturk, E., et al. (2012). The promoter hypermethylation status of GATA6, MGMT, and FHIT in glioblastoma. Cell Mol Neurobiol, 32(2), 237-244.
Cinatl, J., Jr., Cinatl, J., Vogel, J. U., Rabenau, H., Kornhuber, B., & Doerr, H. W. (1996). Modulatory effects of human cytomegalovirus infection on malignant properties of cancer cells. Intervirology, 39(4), 259-269.
Cobbs, C. S. (2011). Evolving evidence implicates cytomegalovirus as a promoter of malignant glioma pathogenesis. Herpesviridae, 2(1), 10.
Cobbs, C. S., Harkins, L., Samanta, M., Gillespie, G. Y., Bharara, S., King, P. H., et al. (2002). Human cytomegalovirus infection and expression in human malignant glioma. Cancer Res, 62(12), 3347-3350.
Cobbs, C. S., Soroceanu, L., Denham, S., Zhang, W., & Kraus, M. H. (2008). Modulation of oncogenic phenotype in human glioma cells by cytomegalovirus IE1-mediated mitogenicity. Cancer Res, 68(3), 724-730.
Colotta, F., Allavena, P., Sica, A., Garlanda, C., & Mantovani, A. (2009). Cancer-related inflammation, the seventh hallmark of cancer: links to genetic instability. Carcinogenesis, 30(7), 1073-1081.
Collins, V. P. (2004). Brain tumours: classification and genes. J Neurol Neurosurg Psychiatry, 75 Suppl 2, ii2-11.
225
Bibliografía
chemotherapeutic response and survival in patients with anaplastic oligodendrogliomas. J Natl Cancer Inst, 90(19), 1473-1479.
Cao, V. T., Jung, T. Y., Jung, S., Jin, S. G., Moon, K. S., Kim, I. Y., et al. (2009). The correlation and prognostic significance of MGMT promoter methylation and MGMT protein in glioblastomas. Neurosurgery, 65(5), 866-875; discussion 875.
Capper, D., Zentgraf, H., Balss, J., Hartmann, C., & von Deimling, A. (2009). Monoclonal antibody specific for IDH1 R132H mutation. Acta Neuropathol, 118(5), 599-601.
Carpenter, R. L., Paw, I., Zhu, H., Sirkisoon, S., Xing, F., Watabe, K., et al. (2015). The gain-of-function GLI1 transcription factor TGLI1 enhances expression of VEGF-C and TEM7 to promote glioblastoma angiogenesis. Oncotarget, 6(26), 22653-22665.
Cartron, P. F., Petit, E., Bellot, G., Oliver, L., & Vallette, F. M. (2014). Metaxins 1 and 2, two proteins of the mitochondrial protein sorting and assembly machinery, are essential for Bak activation during TNF alpha triggered apoptosis. Cell Signal, 26(9), 1928-1934.
Cecener, G., Tunca, B., Egeli, U., Bekar, A., Tezcan, G., Erturk, E., et al. (2012). The promoter hypermethylation status of GATA6, MGMT, and FHIT in glioblastoma. Cell Mol Neurobiol, 32(2), 237-244.
Cinatl, J., Jr., Cinatl, J., Vogel, J. U., Rabenau, H., Kornhuber, B., & Doerr, H. W. (1996). Modulatory effects of human cytomegalovirus infection on malignant properties of cancer cells. Intervirology, 39(4), 259-269.
Cobbs, C. S. (2011). Evolving evidence implicates cytomegalovirus as a promoter of malignant glioma pathogenesis. Herpesviridae, 2(1), 10.
Cobbs, C. S., Harkins, L., Samanta, M., Gillespie, G. Y., Bharara, S., King, P. H., et al. (2002). Human cytomegalovirus infection and expression in human malignant glioma. Cancer Res, 62(12), 3347-3350.
Cobbs, C. S., Soroceanu, L., Denham, S., Zhang, W., & Kraus, M. H. (2008). Modulation of oncogenic phenotype in human glioma cells by cytomegalovirus IE1-mediated mitogenicity. Cancer Res, 68(3), 724-730.
Colotta, F., Allavena, P., Sica, A., Garlanda, C., & Mantovani, A. (2009). Cancer-related inflammation, the seventh hallmark of cancer: links to genetic instability. Carcinogenesis, 30(7), 1073-1081.
Collins, V. P. (2004). Brain tumours: classification and genes. J Neurol Neurosurg Psychiatry, 75 Suppl 2, ii2-11.
Bibliografía
Coons, S. W., Johnson, P. C., Scheithauer, B. W., Yates, A. J., & Pearl, D. K. (1997). Improving diagnostic accuracy and interobserver concordance in the classification and grading of primary gliomas. Cancer, 79(7), 1381-1393.
Costello, J. F., Futscher, B. W., Kroes, R. A., & Pieper, R. O. (1994). Methylation-related chromatin structure is associated with exclusion of transcription factors from and suppressed expression of the O-6-methylguanine DNA methyltransferase gene in human glioma cell lines. Mol Cell Biol, 14(10), 6515-6521.
Coussens, L. M., Fingleton, B., & Matrisian, L. M. (2002). Matrix metalloproteinase inhibitors and cancer: trials and tribulations. Science, 295(5564), 2387-2392.
Cowan, C. W., He, W., & Wensel, T. G. (2001). RGS proteins: lessons from the RGS9 subfamily. Prog Nucleic Acid Res Mol Biol, 65, 341-359.
Cunningham, J. M., Kimmel, D. W., Scheithauer, B. W., O'Fallon, J. R., Novotny, P. J., & Jenkins, R. B. (1997). Analysis of proliferation markers and p53 expression in gliomas of astrocytic origin: relationships and prognostic value. J Neurosurg, 86(1), 121-130.
Chakravarti, A., Dicker, A., & Mehta, M. (2004). The contribution of epidermal growth factor receptor (EGFR) signaling pathway to radioresistance in human gliomas: a review of preclinical and correlative clinical data. Int J Radiat Oncol Biol Phys, 58(3), 927-931.
Chakravarti, A., Noll, E., Black, P. M., Finkelstein, D. F., Finkelstein, D. M., Dyson, N. J., et al. (2002). Quantitatively determined survivin expression levels are of prognostic value in human gliomas. J Clin Oncol, 20(4), 1063-1068.
Cheng, S. X., Tu, Y., & Zhang, S. (2013). FoxM1 promotes glioma cells progression by up-regulating Anxa1 expression. PLoS One, 8(8), e72376.
Choi, C., Ganji, S. K., DeBerardinis, R. J., Hatanpaa, K. J., Rakheja, D., Kovacs, Z., et al. (2012). 2-hydroxyglutarate detection by magnetic resonance spectroscopy in IDH-mutated glioma patients. Nature medicine, 18(4), 624-629.
Christensen, B. C., Smith, A. A., Zheng, S., Koestler, D. C., Houseman, E. A., Marsit, C. J., et al. (2011). DNA methylation, isocitrate dehydrogenase mutation, and survival in glioma. J Natl Cancer Inst, 103(2), 143-153.
226
Bibliografía
Danam, R. P., Howell, S. R., Brent, T. P., & Harris, L. C. (2005). Epigenetic regulation of O6-methylguanine-DNA methyltransferase gene expression by histone acetylation and methyl-CpG binding proteins. Mol Cancer Ther, 4(1), 61-69.
Dang, L., White, D. W., Gross, S., Bennett, B. D., Bittinger, M. A., Driggers, E. M., et al. (2009). Cancer-associated IDH1 mutations produce 2-hydroxyglutarate. Nature, 462(7274), 739-744.
De Palma, M., & Hanahan, D. (2012). The biology of personalized cancer medicine: facing individual complexities underlying hallmark capabilities. Mol Oncol, 6(2), 111-127.
De Sepulveda, P., Okkenhaug, K., Rose, J. L., Hawley, R. G., Dubreuil, P., & Rottapel, R. (1999). Socs1 binds to multiple signalling proteins and suppresses steel factor-dependent proliferation. The EMBO Journal, 18(4), 904-915.
de Tayrac, M., Aubry, M., Saikali, S., Etcheverry, A., Surbled, C., Guenot, F., et al. (2011). A 4-gene signature associated with clinical outcome in high-grade gliomas. Clin Cancer Res, 17(2), 317-327.
de Tayrac, M., Saikali, S., Aubry, M., Bellaud, P., Boniface, R., Quillien, V., et al. (2013). Prognostic significance of EDN/RB, HJURP, p60/CAF-1 and PDLI4, four new markers in high-grade gliomas. PLoS One, 8(9), e73332.
Demple, B., Sedgwick, B., Robins, P., Totty, N., Waterfield, M. D., & Lindahl, T. (1985). Active site and complete sequence of the suicidal methyltransferase that counters alkylation mutagenesis. Proc Natl Acad Sci U S A, 82(9), 2688-2692.
Desrues, L., Lefebvre, T., Lecointre, C., Schouft, M. T., Leprince, J., Compere, V., et al. (2012). Down-regulation of GABA(A) receptor via promiscuity with the vasoactive peptide urotensin II receptor. Potential involvement in astrocyte plasticity. PLoS One, 7(5), e36319.
Dey, M., Ahmed, A. U., & Lesniak, M. S. (2015). Cytomegalovirus and glioma: putting the cart before the horse. J Neurol Neurosurg Psychiatry, 86(2), 191-199.
Ding, D., Han, S., Wang, Z., Guo, Z., & Wu, A. (2014). Does the existence of HCMV components predict poor prognosis in glioma? J Neurooncol, 116(3), 515-522.
Doi, A., Park, I. H., Wen, B., Murakami, P., Aryee, M. J., Irizarry, R., et al. (2009). Differential methylation of tissue- and cancer-specific CpG island
227
Bibliografía
Danam, R. P., Howell, S. R., Brent, T. P., & Harris, L. C. (2005). Epigenetic regulation of O6-methylguanine-DNA methyltransferase gene expression by histone acetylation and methyl-CpG binding proteins. Mol Cancer Ther, 4(1), 61-69.
Dang, L., White, D. W., Gross, S., Bennett, B. D., Bittinger, M. A., Driggers, E. M., et al. (2009). Cancer-associated IDH1 mutations produce 2-hydroxyglutarate. Nature, 462(7274), 739-744.
De Palma, M., & Hanahan, D. (2012). The biology of personalized cancer medicine: facing individual complexities underlying hallmark capabilities. Mol Oncol, 6(2), 111-127.
De Sepulveda, P., Okkenhaug, K., Rose, J. L., Hawley, R. G., Dubreuil, P., & Rottapel, R. (1999). Socs1 binds to multiple signalling proteins and suppresses steel factor-dependent proliferation. The EMBO Journal, 18(4), 904-915.
de Tayrac, M., Aubry, M., Saikali, S., Etcheverry, A., Surbled, C., Guenot, F., et al. (2011). A 4-gene signature associated with clinical outcome in high-grade gliomas. Clin Cancer Res, 17(2), 317-327.
de Tayrac, M., Saikali, S., Aubry, M., Bellaud, P., Boniface, R., Quillien, V., et al. (2013). Prognostic significance of EDN/RB, HJURP, p60/CAF-1 and PDLI4, four new markers in high-grade gliomas. PLoS One, 8(9), e73332.
Demple, B., Sedgwick, B., Robins, P., Totty, N., Waterfield, M. D., & Lindahl, T. (1985). Active site and complete sequence of the suicidal methyltransferase that counters alkylation mutagenesis. Proc Natl Acad Sci U S A, 82(9), 2688-2692.
Desrues, L., Lefebvre, T., Lecointre, C., Schouft, M. T., Leprince, J., Compere, V., et al. (2012). Down-regulation of GABA(A) receptor via promiscuity with the vasoactive peptide urotensin II receptor. Potential involvement in astrocyte plasticity. PLoS One, 7(5), e36319.
Dey, M., Ahmed, A. U., & Lesniak, M. S. (2015). Cytomegalovirus and glioma: putting the cart before the horse. J Neurol Neurosurg Psychiatry, 86(2), 191-199.
Ding, D., Han, S., Wang, Z., Guo, Z., & Wu, A. (2014). Does the existence of HCMV components predict poor prognosis in glioma? J Neurooncol, 116(3), 515-522.
Doi, A., Park, I. H., Wen, B., Murakami, P., Aryee, M. J., Irizarry, R., et al. (2009). Differential methylation of tissue- and cancer-specific CpG island
Bibliografía
shores distinguishes human induced pluripotent stem cells, embryonic stem cells and fibroblasts. Nat Genet, 41(12), 1350-1353.
Donato, G., Iofrida, G., Lavano, A., Volpentesta, G., Signorelli, F., Pallante, P. L., et al. (2008). Analysis of UbcH10 expression represents a useful tool for the diagnosis and therapy of astrocytic tumors. Clin Neuropathol, 27(4), 219-223.
Durrani, S., Haider, K. H., Ahmed, R. P., Jiang, S., & Ashraf, M. (2012). Cytoprotective and proangiogenic activity of ex-vivo netrin-1 transgene overexpression protects the heart against ischemia/reperfusion injury. Stem Cells Dev, 21(10), 1769-1778.
Dziurzynski, K., Chang, S. M., Heimberger, A. B., Kalejta, R. F., McGregor Dallas, S. R., Smit, M., et al. (2012). Consensus on the role of human cytomegalovirus in glioblastoma. Neuro Oncol, 14(3), 246-255.
Eads, C. A., Danenberg, K. D., Kawakami, K., Saltz, L. B., Blake, C., Shibata, D., et al. (2000). MethyLight: a high-throughput assay to measure DNA methylation. Nucleic Acids Res, 28(8), E32.
Emery, B., Merson, T. D., Snell, C., Young, K. M., Ernst, M., & Kilpatrick, T. J. (2006). SOCS3 negatively regulates LIF signaling in neural precursor cells. Mol Cell Neurosci, 31(4), 739-747.
Erpolat, O. P., Gocun, P. U., Akmansu, M., Ozgun, G., & Akyol, G. (2013). Hypoxia-related molecules HIF-1alpha, CA9, and osteopontin : predictors of survival in patients with high-grade glioma. Strahlenther Onkol, 189(2), 147-154.
Esteller, M. (2007). Cancer epigenomics: DNA methylomes and histone-modification maps. Nat Rev Genet, 8(4), 286-298.
Esteller, M. (2008). Epigenetics in cancer. N Engl J Med, 358(11), 1148-1159.
Esteller, M., Garcia-Foncillas, J., Andion, E., Goodman, S. N., Hidalgo, O. F., Vanaclocha, V., et al. (2000). Inactivation of the DNA-repair gene MGMT and the clinical response of gliomas to alkylating agents. N Engl J Med, 343(19), 1350-1354.
Esteller, M., & Herman, J. G. (2004). Generating mutations but providing chemosensitivity: the role of O6-methylguanine DNA methyltransferase in human cancer. Oncogene, 23(1), 1-8.
Etoh, T., Kanai, Y., Ushijima, S., Nakagawa, T., Nakanishi, Y., Sasako, M., et al. (2004). Increased DNA methyltransferase 1 (DNMT1) protein expression correlates significantly with poorer tumor differentiation and
228
Bibliografía
frequent DNA hypermethylation of multiple CpG islands in gastric cancers. Am J Pathol, 164(2), 689-699.
Everhard, S., Tost, J., El Abdalaoui, H., Criniere, E., Busato, F., Marie, Y., et al. (2009). Identification of regions correlating MGMT promoter methylation and gene expression in glioblastomas. Neuro Oncol, 11(4), 348-356.
Fan, C. H., Liu, W. L., Cao, H., Wen, C., Chen, L., & Jiang, G. (2013). O6-methylguanine DNA methyltransferase as a promising target for the treatment of temozolomide-resistant gliomas. Cell Death Dis, 4, e876.
Feng, X., Szulzewsky, F., Yerevanian, A., Chen, Z., Heinzmann, D., Rasmussen, R. D., et al. (2015). Loss of CX3CR1 increases accumulation of inflammatory monocytes and promotes gliomagenesis. Oncotarget, 6(17), 15077-15094.
Foltz, D. R., Jansen, L. E., Bailey, A. O., Yates, J. R., 3rd, Bassett, E. A., Wood, S., et al. (2009). Centromere-specific assembly of CENP-a nucleosomes is mediated by HJURP. Cell, 137(3), 472-484.
Fonseca, R. F., Kawamura, M. T., Oliveira, J. A., Teixeira, A., Alves, G., & Carvalho Mda, G. (2012). The prevalence of human cytomegalovirus DNA in gliomas of Brazilian patients. Mem Inst Oswaldo Cruz, 107(7), 953-954.
Foote, R. S., Mitra, S., & Pal, B. C. (1980). Demethylation of O6-methylguanine in a synthetic DNA polymer by an inducible activity in Escherichia coli. Biochem Biophys Res Commun, 97(2), 654-659.
Franco-Hernandez, C., Martinez-Glez, V., & Rey, J. A. (2007). [Biology molecular of glioblastomas]. Neurocirugia (Astur), 18(5), 373-382.
Franco-Hernandez, C., Martinez-Glez, V., Torres-Martin, M., de Campos, J. M., Isla, A., Vaquero, J., et al. (2009). [Identification of genetic alterations by multiple ligation-dependent probe amplification (MLPA) analysis in oligodendrogliomas]. Neurocirugia (Astur), 20(2), 117-123.
Friedmann-Morvinski, D., Narasimamurthy, R., Xia, Y., Myskiw, C., Soda, Y., & Verma, I. M. (2016). Targeting NF-kappaB in glioblastoma: A therapeutic approach. Sci Adv, 2(1), e1501292.
Frommer, M., McDonald, L. E., Millar, D. S., Collis, C. M., Watt, F., Grigg, G. W., et al. (1992). A genomic sequencing protocol that yields a positive display of 5-methylcytosine residues in individual DNA strands. Proc Natl Acad Sci U S A, 89(5), 1827-1831.
Gliomas del Encéfalo. (2008). Revista argentina de neurocirugía, 22, 0-0.
229
Bibliografía
frequent DNA hypermethylation of multiple CpG islands in gastric cancers. Am J Pathol, 164(2), 689-699.
Everhard, S., Tost, J., El Abdalaoui, H., Criniere, E., Busato, F., Marie, Y., et al. (2009). Identification of regions correlating MGMT promoter methylation and gene expression in glioblastomas. Neuro Oncol, 11(4), 348-356.
Fan, C. H., Liu, W. L., Cao, H., Wen, C., Chen, L., & Jiang, G. (2013). O6-methylguanine DNA methyltransferase as a promising target for the treatment of temozolomide-resistant gliomas. Cell Death Dis, 4, e876.
Feng, X., Szulzewsky, F., Yerevanian, A., Chen, Z., Heinzmann, D., Rasmussen, R. D., et al. (2015). Loss of CX3CR1 increases accumulation of inflammatory monocytes and promotes gliomagenesis. Oncotarget, 6(17), 15077-15094.
Foltz, D. R., Jansen, L. E., Bailey, A. O., Yates, J. R., 3rd, Bassett, E. A., Wood, S., et al. (2009). Centromere-specific assembly of CENP-a nucleosomes is mediated by HJURP. Cell, 137(3), 472-484.
Fonseca, R. F., Kawamura, M. T., Oliveira, J. A., Teixeira, A., Alves, G., & Carvalho Mda, G. (2012). The prevalence of human cytomegalovirus DNA in gliomas of Brazilian patients. Mem Inst Oswaldo Cruz, 107(7), 953-954.
Foote, R. S., Mitra, S., & Pal, B. C. (1980). Demethylation of O6-methylguanine in a synthetic DNA polymer by an inducible activity in Escherichia coli. Biochem Biophys Res Commun, 97(2), 654-659.
Franco-Hernandez, C., Martinez-Glez, V., & Rey, J. A. (2007). [Biology molecular of glioblastomas]. Neurocirugia (Astur), 18(5), 373-382.
Franco-Hernandez, C., Martinez-Glez, V., Torres-Martin, M., de Campos, J. M., Isla, A., Vaquero, J., et al. (2009). [Identification of genetic alterations by multiple ligation-dependent probe amplification (MLPA) analysis in oligodendrogliomas]. Neurocirugia (Astur), 20(2), 117-123.
Friedmann-Morvinski, D., Narasimamurthy, R., Xia, Y., Myskiw, C., Soda, Y., & Verma, I. M. (2016). Targeting NF-kappaB in glioblastoma: A therapeutic approach. Sci Adv, 2(1), e1501292.
Frommer, M., McDonald, L. E., Millar, D. S., Collis, C. M., Watt, F., Grigg, G. W., et al. (1992). A genomic sequencing protocol that yields a positive display of 5-methylcytosine residues in individual DNA strands. Proc Natl Acad Sci U S A, 89(5), 1827-1831.
Gliomas del Encéfalo. (2008). Revista argentina de neurocirugía, 22, 0-0.
Bibliografía
Gonda, D. D., Cheung, V. J., Muller, K. A., Goyal, A., Carter, B. S., & Chen, C. C. (2014). The Cancer Genome Atlas expression profiles of low-grade gliomas. Neurosurg Focus, 36(4), E23.
Gong, X., Schwartz, P. H., Linskey, M. E., & Bota, D. A. (2011). Neural stem/progenitors and glioma stem-like cells have differential sensitivity to chemotherapy. Neurology, 76(13), 1126-1134.
González-Gómez, P., Anselmo, N. P., & Mira, H. (2014). BMPs as Therapeutic Targets and Biomarkers in Astrocytic Glioma. BioMed Research International, 2014, 549742.
Goth, R., & Rajewsky, M. F. (1974). Persistence of O6-ethylguanine in rat-brain DNA: correlation with nervous system-specific carcinogenesis by ethylnitrosourea. Proc Natl Acad Sci U S A, 71(3), 639-643.
Graff, L., Castrop, F., Bauer, M., Höfler, H., & Gratzl, M. (2001). Expression of Vesicular Monoamine Transporters, Synaptosomal-associated Protein 25 and Syntaxin1: A Signature of Human Small Cell Lung Carcinoma. Cancer Research, 61(5), 2138-2144.
Gu, Y. Y., Yang, M., Zhao, M., Luo, Q., Yang, L., Peng, H., et al. (2015). The de-ubiquitinase UCHL1 promotes gastric cancer metastasis via the Akt and Erk1/2 pathways. Tumour Biol, 36(11), 8379-8387.
Gupta, K., & Salunke, P. (2012). Molecular markers of glioma: an update on recent progress and perspectives. J Cancer Res Clin Oncol, 138(12), 1971-1981.
Hadaczek, P., Ozawa, T., Soroceanu, L., Yoshida, Y., Matlaf, L., Singer, E., et al. (2013). Cidofovir: a novel antitumor agent for glioblastoma. Clin Cancer Res, 19(23), 6473-6483.
Han, J., Alvarez-Breckenridge, C. A., Wang, Q. E., & Yu, J. (2015). TGF-beta signaling and its targeting for glioma treatment. Am J Cancer Res, 5(3), 945-955.
Hanahan, D., & Weinberg, R. A. (2000). The hallmarks of cancer. Cell, 100(1), 57-70.
Hanahan, D., & Weinberg, R. A. (2011). Hallmarks of cancer: the next generation. Cell, 144(5), 646-674.
Hao, Z., Zhang, H., & Cowell, J. (2012). Ubiquitin-conjugating enzyme UBE2C: molecular biology, role in tumorigenesis, and potential as a biomarker. Tumour Biol, 33(3), 723-730.
230
Bibliografía
Harter, P. N., Zinke, J., Scholz, A., Tichy, J., Zachskorn, C., Kvasnicka, H. M., et al. (2014). Netrin-1 expression is an independent prognostic factor for poor patient survival in brain metastases. PLoS One, 9(3), e92311.
Hartmann, C., Hentschel, B., Tatagiba, M., Schramm, J., Schnell, O., Seidel, C., et al. (2011). Molecular markers in low-grade gliomas: predictive or prognostic? Clin Cancer Res, 17(13), 4588-4599.
Hartmann, C., Hentschel, B., Wick, W., Capper, D., Felsberg, J., Simon, M., et al. (2010). Patients with IDH1 wild type anaplastic astrocytomas exhibit worse prognosis than IDH1-mutated glioblastomas, and IDH1 mutation status accounts for the unfavorable prognostic effect of higher age: implications for classification of gliomas. Acta Neuropathol, 120(6), 707-718.
Hawkins, N. J., Lee, J. H., Wong, J. J., Kwok, C. T., Ward, R. L., & Hitchins, M. P. (2009). MGMT methylation is associated primarily with the germline C>T SNP (rs16906252) in colorectal cancer and normal colonic mucosa. Mod Pathol, 22(12), 1588-1599.
Hayashi, H., Yazawa, T., Okudela, K., Nagai, J., Ito, T., Kanisawa, M., et al. (2002). Inactivation of O6-methylguanine-DNA methyltransferase in human lung adenocarcinoma relates to high-grade histology and worse prognosis among smokers. Jpn J Cancer Res, 93(2), 184-189.
Hayflick, L. (1997). Mortality and immortality at the cellular level. A review. Biochemistry (Mosc), 62(11), 1180-1190.
Haynes, H. R., Camelo-Piragua, S., & Kurian, K. M. (2014). Prognostic and predictive biomarkers in adult and pediatric gliomas: toward personalized treatment. Front Oncol, 4, 47.
He, F., Ge, W., Martinowich, K., Becker-Catania, S., Coskun, V., Zhu, W., et al. (2005). A positive autoregulatory loop of Jak-STAT signaling controls the onset of astrogliogenesis. Nat Neurosci, 8(5), 616-625.
Heddleston, J. M., Li, Z., McLendon, R. E., Hjelmeland, A. B., & Rich, J. N. (2009). The hypoxic microenvironment maintains glioblastoma stem cells and promotes reprogramming towards a cancer stem cell phenotype. Cell Cycle, 8(20), 3274-3284.
Hegedus, Z., Czibula, A., & Kiss-Toth, E. (2006). Tribbles: novel regulators of cell function; evolutionary aspects. Cell Mol Life Sci, 63(14), 1632-1641.
Hegi, M. E., Diserens, A. C., Gorlia, T., Hamou, M. F., de Tribolet, N., Weller, M., et al. (2005). MGMT gene silencing and benefit from temozolomide in glioblastoma. N Engl J Med, 352(10), 997-1003.
231
Bibliografía
Harter, P. N., Zinke, J., Scholz, A., Tichy, J., Zachskorn, C., Kvasnicka, H. M., et al. (2014). Netrin-1 expression is an independent prognostic factor for poor patient survival in brain metastases. PLoS One, 9(3), e92311.
Hartmann, C., Hentschel, B., Tatagiba, M., Schramm, J., Schnell, O., Seidel, C., et al. (2011). Molecular markers in low-grade gliomas: predictive or prognostic? Clin Cancer Res, 17(13), 4588-4599.
Hartmann, C., Hentschel, B., Wick, W., Capper, D., Felsberg, J., Simon, M., et al. (2010). Patients with IDH1 wild type anaplastic astrocytomas exhibit worse prognosis than IDH1-mutated glioblastomas, and IDH1 mutation status accounts for the unfavorable prognostic effect of higher age: implications for classification of gliomas. Acta Neuropathol, 120(6), 707-718.
Hawkins, N. J., Lee, J. H., Wong, J. J., Kwok, C. T., Ward, R. L., & Hitchins, M. P. (2009). MGMT methylation is associated primarily with the germline C>T SNP (rs16906252) in colorectal cancer and normal colonic mucosa. Mod Pathol, 22(12), 1588-1599.
Hayashi, H., Yazawa, T., Okudela, K., Nagai, J., Ito, T., Kanisawa, M., et al. (2002). Inactivation of O6-methylguanine-DNA methyltransferase in human lung adenocarcinoma relates to high-grade histology and worse prognosis among smokers. Jpn J Cancer Res, 93(2), 184-189.
Hayflick, L. (1997). Mortality and immortality at the cellular level. A review. Biochemistry (Mosc), 62(11), 1180-1190.
Haynes, H. R., Camelo-Piragua, S., & Kurian, K. M. (2014). Prognostic and predictive biomarkers in adult and pediatric gliomas: toward personalized treatment. Front Oncol, 4, 47.
He, F., Ge, W., Martinowich, K., Becker-Catania, S., Coskun, V., Zhu, W., et al. (2005). A positive autoregulatory loop of Jak-STAT signaling controls the onset of astrogliogenesis. Nat Neurosci, 8(5), 616-625.
Heddleston, J. M., Li, Z., McLendon, R. E., Hjelmeland, A. B., & Rich, J. N. (2009). The hypoxic microenvironment maintains glioblastoma stem cells and promotes reprogramming towards a cancer stem cell phenotype. Cell Cycle, 8(20), 3274-3284.
Hegedus, Z., Czibula, A., & Kiss-Toth, E. (2006). Tribbles: novel regulators of cell function; evolutionary aspects. Cell Mol Life Sci, 63(14), 1632-1641.
Hegi, M. E., Diserens, A. C., Gorlia, T., Hamou, M. F., de Tribolet, N., Weller, M., et al. (2005). MGMT gene silencing and benefit from temozolomide in glioblastoma. N Engl J Med, 352(10), 997-1003.
Bibliografía
Hellstrand, K., Martner, A., & Bergstrom, T. (2013). Valganciclovir in patients with glioblastoma. N Engl J Med, 369(21), 2066.
Herman, J. G., Graff, J. R., Myohanen, S., Nelkin, B. D., & Baylin, S. B. (1996). Methylation-specific PCR: a novel PCR assay for methylation status of CpG islands. Proc Natl Acad Sci U S A, 93(18), 9821-9826.
Hibi, K., Liu, Q., Beaudry, G. A., Madden, S. L., Westra, W. H., Wehage, S. L., et al. (1998). Serial analysis of gene expression in non-small cell lung cancer. Cancer Res, 58(24), 5690-5694.
Hibi, K., Westra, W. H., Borges, M., Goodman, S., Sidransky, D., & Jen, J. (1999). PGP9.5 as a candidate tumor marker for non-small-cell lung cancer. Am J Pathol, 155(3), 711-715.
Hill, V. K., Shinawi, T., Ricketts, C. J., Krex, D., Schackert, G., Bauer, J., et al. (2014). Stability of the CpG island methylator phenotype during glioma progression and identification of methylated loci in secondary glioblastomas. BMC Cancer, 14, 506.
Hoang, S., Liauw, J., Choi, M., Guzman, R. G., & Steinberg, G. K. (2009). Netrin-4 enhances angiogenesis and neurologic outcome after cerebral ischemia. J Cereb Blood Flow Metab, 29(2), 385-397.
Hollon, T. C., Price, R. L., Kwon, C.-H., & Chiocca, E. A. (2013). Mutations in glioblastoma oncosuppressive pathways pave the way for oncomodulatory activity of cytomegalovirus. Oncoimmunology, 2(9), e25620.
Hoque, M. O., Kim, M. S., Ostrow, K. L., Liu, J., Wisman, G. B., Park, H. L., et al. (2008). Genome-wide promoter analysis uncovers portions of the cancer methylome. Cancer Res, 68(8), 2661-2670.
Houillier, C., Wang, X., Kaloshi, G., Mokhtari, K., Guillevin, R., Laffaire, J., et al. (2010). IDH1 or IDH2 mutations predict longer survival and response to temozolomide in low-grade gliomas. Neurology, 75(17), 1560-1566.
Houshdaran, S., Hawley, S., Palmer, C., Campan, M., Olsen, M. N., Ventura, A. P., et al. (2010). DNA methylation profiles of ovarian epithelial carcinoma tumors and cell lines. PLoS One, 5(2), e9359.
Hsu, C. R., Lu, T. M., Chin, L. W., & Yang, C. C. (2010). Possible DNA viral factors of human breast cancer. Cancers (Basel), 2(2), 498-512.
http://bioinfogp.cnb.csic.es/tools/venny/index.html.
http://geneontology.org/.
232
Bibliografía
http://string-db.org/.
http://www.cytoscape.org/.
http://www.genome.jp/kegg/.
http://www.ncbi.nlm.nih.gov/omim.
http://www.tm4.org/mev.html.
https://scienceforscientists.wordpress.com/tag/cytomegalovirus-cmv/. (2012).
https://www.mycancergenome.org/content/disease/glioma/idh2/.
Hu, Z. Q., Zhang, J. Y., Ji, C. N., Xie, Y., Chen, J. Z., & Mao, Y. M. (2010). Grb10 interacts with Bim L and inhibits apoptosis. Mol Biol Rep, 37(7), 3547-3552.
Huang da, W., Sherman, B. T., & Lempicki, R. A. (2009a). Bioinformatics enrichment tools: paths toward the comprehensive functional analysis of large gene lists. Nucleic Acids Res, 37(1), 1-13.
Huang da, W., Sherman, B. T., & Lempicki, R. A. (2009b). Systematic and integrative analysis of large gene lists using DAVID bioinformatics resources. Nat Protoc, 4(1), 44-57.
Huang, F. J., Steeg, P. S., Price, J. E., Chiu, W. T., Chou, P. C., Xie, K., et al. (2008). Molecular basis for the critical role of suppressor of cytokine signaling-1 in melanoma brain metastasis. Cancer Res, 68(23), 9634-9642.
Huang, Y., Chen, X., Chen, N., Nie, L., Xu, M., & Zhou, Q. (2011). Expression and prognostic significance of survivin splice variants in diffusely infiltrating astrocytoma. J Clin Pathol, 64(11), 953-959.
Hughes, L. A., Melotte, V., de Schrijver, J., de Maat, M., Smit, V. T., Bovee, J. V., et al. (2013). The CpG island methylator phenotype: what's in a name? Cancer Res, 73(19), 5858-5868.
Hung, K. S., Hong, C. Y., Lee, J., Lin, S. K., Huang, S. C., Wang, T. M., et al. (2000). Expression of p16(INK4A) induces dominant suppression of glioblastoma growth in situ through necrosis and cell cycle arrest. Biochem Biophys Res Commun, 269(3), 718-725.
233
Bibliografía
http://string-db.org/.
http://www.cytoscape.org/.
http://www.genome.jp/kegg/.
http://www.ncbi.nlm.nih.gov/omim.
http://www.tm4.org/mev.html.
https://scienceforscientists.wordpress.com/tag/cytomegalovirus-cmv/. (2012).
https://www.mycancergenome.org/content/disease/glioma/idh2/.
Hu, Z. Q., Zhang, J. Y., Ji, C. N., Xie, Y., Chen, J. Z., & Mao, Y. M. (2010). Grb10 interacts with Bim L and inhibits apoptosis. Mol Biol Rep, 37(7), 3547-3552.
Huang da, W., Sherman, B. T., & Lempicki, R. A. (2009a). Bioinformatics enrichment tools: paths toward the comprehensive functional analysis of large gene lists. Nucleic Acids Res, 37(1), 1-13.
Huang da, W., Sherman, B. T., & Lempicki, R. A. (2009b). Systematic and integrative analysis of large gene lists using DAVID bioinformatics resources. Nat Protoc, 4(1), 44-57.
Huang, F. J., Steeg, P. S., Price, J. E., Chiu, W. T., Chou, P. C., Xie, K., et al. (2008). Molecular basis for the critical role of suppressor of cytokine signaling-1 in melanoma brain metastasis. Cancer Res, 68(23), 9634-9642.
Huang, Y., Chen, X., Chen, N., Nie, L., Xu, M., & Zhou, Q. (2011). Expression and prognostic significance of survivin splice variants in diffusely infiltrating astrocytoma. J Clin Pathol, 64(11), 953-959.
Hughes, L. A., Melotte, V., de Schrijver, J., de Maat, M., Smit, V. T., Bovee, J. V., et al. (2013). The CpG island methylator phenotype: what's in a name? Cancer Res, 73(19), 5858-5868.
Hung, K. S., Hong, C. Y., Lee, J., Lin, S. K., Huang, S. C., Wang, T. M., et al. (2000). Expression of p16(INK4A) induces dominant suppression of glioblastoma growth in situ through necrosis and cell cycle arrest. Biochem Biophys Res Commun, 269(3), 718-725.
Bibliografía
Huse, J. T., & Holland, E. C. (2010). Targeting brain cancer: advances in the molecular pathology of malignant glioma and medulloblastoma. [10.1038/nrc2818]. Nat Rev Cancer, 10(5), 319-331.
Ichimura, K. (2012). Molecular pathogenesis of IDH mutations in gliomas. Brain Tumor Pathol, 29(3), 131-139.
Ichimura, K., Pearson, D. M., Kocialkowski, S., Backlund, L. M., Chan, R., Jones, D. T., et al. (2009). IDH1 mutations are present in the majority of common adult gliomas but rare in primary glioblastomas. Neuro Oncol, 11(4), 341-347.
Inagaki-Ohara, K., Kondo, T., Ito, M., & Yoshimura, A. (2013). SOCS, inflammation, and cancer. JAK-STAT, 2(3), e24053.
Irshad, K., Mohapatra, S. K., Srivastava, C., Garg, H., Mishra, S., Dikshit, B., et al. (2015). A Combined Gene Signature of Hypoxia and Notch Pathway in Human Glioblastoma and Its Prognostic Relevance. PLoS ONE, 10(3), e0118201.
Jaros, E., Perry, R. H., Adam, L., Kelly, P. J., Crawford, P. J., Kalbag, R. M., et al. (1992). Prognostic implications of p53 protein, epidermal growth factor receptor, and Ki-67 labelling in brain tumours. Br J Cancer, 66(2), 373-385.
Jenkins, R. B., Blair, H., Ballman, K. V., Giannini, C., Arusell, R. M., Law, M., et al. (2006). A t(1;19)(q10;p10) mediates the combined deletions of 1p and 19q and predicts a better prognosis of patients with oligodendroglioma. Cancer Res, 66(20), 9852-9861.
Jenkins, R. B., Blair, H., Ballman, K. V., Giannini, C., Arusell, R. M., Law, M., et al. (2006). A t(1;19)(q10;p10) Mediates the Combined Deletions of 1p and 19q and Predicts a Better Prognosis of Patients with Oligodendroglioma. Cancer Research, 66(20), 9852-9861.
Jeuken, J., Cornelissen, S., Boots-Sprenger, S., Gijsen, S., & Wesseling, P. (2006). Multiplex Ligation-Dependent Probe Amplification : A Diagnostic Tool for Simultaneous Identification of Different Genetic Markers in Glial Tumors. The Journal of molecular diagnostics : JMD, 8(4), 433-443.
Jeuken, J. W., Cornelissen, S. J., Vriezen, M., Dekkers, M. M., Errami, A., Sijben, A., et al. (2007). MS-MLPA: an attractive alternative laboratory assay for robust, reliable, and semiquantitative detection of MGMT promoter hypermethylation in gliomas. Lab Invest, 87(10), 1055-1065.
Ji, J., Tsuk, S., Salapatek, A. M., Huang, X., Chikvashvili, D., Pasyk, E. A., et al. (2002). The 25-kDa synaptosome-associated protein (SNAP-25) binds
234
Bibliografía
and inhibits delayed rectifier potassium channels in secretory cells. J Biol Chem, 277(23), 20195-20204.
Jiang, L., Huang, C. G., Lu, Y. C., Luo, C., Hu, G. H., Liu, H. M., et al. (2008). Expression of ubiquitin-conjugating enzyme E2C/UbcH10 in astrocytic tumors. Brain Res, 1201, 161-166.
Jin, Z., Wang, L., Zhang, Y., Cheng, Y., Gao, Y., Feng, X., et al. (2013). MAL hypermethylation is a tissue-specific event that correlates with MAL mRNA expression in esophageal carcinoma. Sci Rep, 3, 2838.
Johannessen, A. L., & Torp, S. H. (2006). The clinical value of Ki-67/MIB-1 labeling index in human astrocytomas. Pathol Oncol Res, 12(3), 143-147.
Jovcevska, I., Kocevar, N., & Komel, R. (2013). Glioma and glioblastoma - how much do we (not) know? Mol Clin Oncol, 1(6), 935-941.
Kamiryo, T., Tada, K., Shiraishi, S., Shinojima, N., Kochi, M., & Ushio, Y. (2004). Correlation between promoter hypermethylation of the O6-methylguanine-deoxyribonucleic acid methyltransferase gene and prognosis in patients with high-grade astrocytic tumors treated with surgery, radiotherapy, and 1-(4-amino-2-methyl-5-pyrimidinyl)methyl-3-(2-chloroethyl)-3-nitrosourea-based chemotherapy. Neurosurgery, 54(2), 349-357; discussion 357.
Kaneda, A., Matsusaka, K., Sakai, E., & Funata, S. (2014). DNA methylation accumulation and its predetermination of future cancer phenotypes. J Biochem, 156(2), 63-72.
Kannan, K., Amariglio, N., Rechavi, G., & Givol, D. (2000). Profile of gene expression regulated by induced p53: connection to the TGF-beta family. FEBS Lett, 470(1), 77-82.
Karan, D., Chen, S. J., Johansson, S. L., Singh, A. P., Paralkar, V. M., Lin, M. F., et al. (2003). Dysregulated expression of MIC-1/PDF in human prostate tumor cells. Biochem Biophys Res Commun, 305(3), 598-604.
Karayan-Tapon, L., Quillien, V., Guilhot, J., Wager, M., Fromont, G., Saikali, S., et al. (2010). Prognostic value of O6-methylguanine-DNA methyltransferase status in glioblastoma patients, assessed by five different methods. J Neurooncol, 97(3), 311-322.
Kato, T., Sato, N., Hayama, S., Yamabuki, T., Ito, T., Miyamoto, M., et al. (2007). Activation of Holliday junction recognizing protein involved in the chromosomal stability and immortality of cancer cells. Cancer Res, 67(18), 8544-8553.
235
Bibliografía
and inhibits delayed rectifier potassium channels in secretory cells. J Biol Chem, 277(23), 20195-20204.
Jiang, L., Huang, C. G., Lu, Y. C., Luo, C., Hu, G. H., Liu, H. M., et al. (2008). Expression of ubiquitin-conjugating enzyme E2C/UbcH10 in astrocytic tumors. Brain Res, 1201, 161-166.
Jin, Z., Wang, L., Zhang, Y., Cheng, Y., Gao, Y., Feng, X., et al. (2013). MAL hypermethylation is a tissue-specific event that correlates with MAL mRNA expression in esophageal carcinoma. Sci Rep, 3, 2838.
Johannessen, A. L., & Torp, S. H. (2006). The clinical value of Ki-67/MIB-1 labeling index in human astrocytomas. Pathol Oncol Res, 12(3), 143-147.
Jovcevska, I., Kocevar, N., & Komel, R. (2013). Glioma and glioblastoma - how much do we (not) know? Mol Clin Oncol, 1(6), 935-941.
Kamiryo, T., Tada, K., Shiraishi, S., Shinojima, N., Kochi, M., & Ushio, Y. (2004). Correlation between promoter hypermethylation of the O6-methylguanine-deoxyribonucleic acid methyltransferase gene and prognosis in patients with high-grade astrocytic tumors treated with surgery, radiotherapy, and 1-(4-amino-2-methyl-5-pyrimidinyl)methyl-3-(2-chloroethyl)-3-nitrosourea-based chemotherapy. Neurosurgery, 54(2), 349-357; discussion 357.
Kaneda, A., Matsusaka, K., Sakai, E., & Funata, S. (2014). DNA methylation accumulation and its predetermination of future cancer phenotypes. J Biochem, 156(2), 63-72.
Kannan, K., Amariglio, N., Rechavi, G., & Givol, D. (2000). Profile of gene expression regulated by induced p53: connection to the TGF-beta family. FEBS Lett, 470(1), 77-82.
Karan, D., Chen, S. J., Johansson, S. L., Singh, A. P., Paralkar, V. M., Lin, M. F., et al. (2003). Dysregulated expression of MIC-1/PDF in human prostate tumor cells. Biochem Biophys Res Commun, 305(3), 598-604.
Karayan-Tapon, L., Quillien, V., Guilhot, J., Wager, M., Fromont, G., Saikali, S., et al. (2010). Prognostic value of O6-methylguanine-DNA methyltransferase status in glioblastoma patients, assessed by five different methods. J Neurooncol, 97(3), 311-322.
Kato, T., Sato, N., Hayama, S., Yamabuki, T., Ito, T., Miyamoto, M., et al. (2007). Activation of Holliday junction recognizing protein involved in the chromosomal stability and immortality of cancer cells. Cancer Res, 67(18), 8544-8553.
Bibliografía
Kato, Y., Jin, G., Kuan, C. T., McLendon, R. E., Yan, H., & Bigner, D. D. (2009). A monoclonal antibody IMab-1 specifically recognizes IDH1R132H, the most common glioma-derived mutation. Biochem Biophys Res Commun, 390(3), 547-551.
Kim, Y. Z. (2014). Altered histone modifications in gliomas. Brain Tumor Res Treat, 2(1), 7-21.
Kleihues, P., & Margison, G. P. (1974). Carcinogenicity of N-methyl-N-nitrosourea: possible role of excision repair of O6-methylguanine from DNA. J Natl Cancer Inst, 53(6), 1839-1841.
Ko, M., Huang, Y., Jankowska, A. M., Pape, U. J., Tahiliani, M., Bandukwala, H. S., et al. (2010). Impaired hydroxylation of 5-methylcytosine in myeloid cancers with mutant TET2. Nature, 468(7325), 839-843.
Kohya, N., Miyazaki, K., Matsukura, S., Yakushiji, H., Kitajima, Y., Kitahara, K., et al. (2002). Deficient expression of O(6)-methylguanine-DNA methyltransferase combined with mismatch-repair proteins hMLH1 and hMSH2 is related to poor prognosis in human biliary tract carcinoma. Ann Surg Oncol, 9(4), 371-379.
Kondo, Y., Katsushima, K., Ohka, F., Natsume, A., & Shinjo, K. (2014). Epigenetic dysregulation in glioma. Cancer Sci, 105(4), 363-369.
Korkolopoulou, P. A., Konstantinidou, A. E., Patsouris, E. S., Christodoulou, P. N., Thomas-Tsagli, E. A., & Davaris, P. S. (2001). Detection of apoptotic cells in archival tissue from diffuse astrocytomas using a monoclonal antibody to single-stranded DNA. J Pathol, 193(3), 377-382.
Krex, D., Klink, B., Hartmann, C., von Deimling, A., Pietsch, T., Simon, M., et al. (2007). Long-term survival with glioblastoma multiforme. Brain, 130(10), 2596-2606.
Krex, D., Klink, B., Hartmann, C., von Deimling, A., Pietsch, T., Simon, M., et al. (2007). Long-term survival with glioblastoma multiforme. Brain, 130(Pt 10), 2596-2606.
Kumagai, T., Akagi, T., Desmond, J. C., Kawamata, N., Gery, S., Imai, Y., et al. (2009). Epigenetic regulation and molecular characterization of C/EBPalpha in pancreatic cancer cells. Int J Cancer, 124(4), 827-833.
Kurashige, J., Sawada, G., Takahashi, Y., Eguchi, H., Sudo, T., Ikegami, T., et al. (2013). Suppression of MAL gene expression in gastric cancer correlates with metastasis and mortality. Fukuoka Igaku Zasshi, 104(10), 344-349.
236
Bibliografía
Labussiere, M., Idbaih, A., Wang, X. W., Marie, Y., Boisselier, B., Falet, C., et al. (2010). All the 1p19q codeleted gliomas are mutated on IDH1 or IDH2. Neurology, 74(23), 1886-1890.
Laffaire, J., Everhard, S., Idbaih, A., Criniere, E., Marie, Y., de Reynies, A., et al. (2011). Methylation profiling identifies 2 groups of gliomas according to their tumorigenesis. Neuro Oncol, 13(1), 84-98.
Lau, S. K., Chen, Y.-Y., Chen, W.-G., Diamond, D. J., Mamelak, A. N., Zaia, J. A., et al. (2004). Lack of association of cytomegalovirus with human brain tumors. Mod Pathol, 18(6), 838-843.
Lawler, S. E. (2015). Cytomegalovirus and glioblastoma; controversies and opportunities. J Neurooncol, 123(3), 465-471.
Li, H. P., Leu, Y. W., & Chang, Y. S. (2005). Epigenetic changes in virus-associated human cancers. Cell Res, 15(4), 262-271.
Li, X., Wu, C., Chen, N., Gu, H., Yen, A., Cao, L., et al. (2016). PI3K/Akt/mTOR signaling pathway and targeted therapy for glioblastoma. Oncotarget.
Li, Z., Metze, D., Nashan, D., Muller-Tidow, C., Serve, H. L., Poremba, C., et al. (2004). Expression of SOCS-1, suppressor of cytokine signalling-1, in human melanoma. J Invest Dermatol, 123(4), 737-745.
Libard, S., Popova, S. N., Amini, R. M., Karja, V., Pietilainen, T., Hamalainen, K. M., et al. (2014). Human cytomegalovirus tegument protein pp65 is detected in all intra- and extra-axial brain tumours independent of the tumour type or grade. PLoS One, 9(9), e108861.
Lindemann, C., Marschall, V., Weigert, A., Klingebiel, T., & Fulda, S. (2015). Smac Mimetic-Induced Upregulation of CCL2/MCP-1 Triggers Migration and Invasion of Glioblastoma Cells and Influences the Tumor Microenvironment in a Paracrine Manner. Neoplasia, 17(6), 481-489.
Liu, Q., Liao, F., Wu, H., Cai, T., Yang, L., & Fang, J. (2015). Different expression of miR-29b and VEGFA in glioma. Artif Cells Nanomed Biotechnol, 1-6.
Liu, X., Zeng, B., Ma, J., & Wan, C. (2009). Comparative proteomic analysis of osteosarcoma cell and human primary cultured osteoblastic cell. Cancer Invest, 27(3), 345-352.
Locatelli, M., Ferrero, S., Martinelli Boneschi, F., Boiocchi, L., Zavanone, M., Maria Gaini, S., et al. (2013). The long pentraxin PTX3 as a correlate of cancer-related inflammation and prognosis of malignancy in gliomas. J Neuroimmunol, 260(1-2), 99-106.
237
Bibliografía
Labussiere, M., Idbaih, A., Wang, X. W., Marie, Y., Boisselier, B., Falet, C., et al. (2010). All the 1p19q codeleted gliomas are mutated on IDH1 or IDH2. Neurology, 74(23), 1886-1890.
Laffaire, J., Everhard, S., Idbaih, A., Criniere, E., Marie, Y., de Reynies, A., et al. (2011). Methylation profiling identifies 2 groups of gliomas according to their tumorigenesis. Neuro Oncol, 13(1), 84-98.
Lau, S. K., Chen, Y.-Y., Chen, W.-G., Diamond, D. J., Mamelak, A. N., Zaia, J. A., et al. (2004). Lack of association of cytomegalovirus with human brain tumors. Mod Pathol, 18(6), 838-843.
Lawler, S. E. (2015). Cytomegalovirus and glioblastoma; controversies and opportunities. J Neurooncol, 123(3), 465-471.
Li, H. P., Leu, Y. W., & Chang, Y. S. (2005). Epigenetic changes in virus-associated human cancers. Cell Res, 15(4), 262-271.
Li, X., Wu, C., Chen, N., Gu, H., Yen, A., Cao, L., et al. (2016). PI3K/Akt/mTOR signaling pathway and targeted therapy for glioblastoma. Oncotarget.
Li, Z., Metze, D., Nashan, D., Muller-Tidow, C., Serve, H. L., Poremba, C., et al. (2004). Expression of SOCS-1, suppressor of cytokine signalling-1, in human melanoma. J Invest Dermatol, 123(4), 737-745.
Libard, S., Popova, S. N., Amini, R. M., Karja, V., Pietilainen, T., Hamalainen, K. M., et al. (2014). Human cytomegalovirus tegument protein pp65 is detected in all intra- and extra-axial brain tumours independent of the tumour type or grade. PLoS One, 9(9), e108861.
Lindemann, C., Marschall, V., Weigert, A., Klingebiel, T., & Fulda, S. (2015). Smac Mimetic-Induced Upregulation of CCL2/MCP-1 Triggers Migration and Invasion of Glioblastoma Cells and Influences the Tumor Microenvironment in a Paracrine Manner. Neoplasia, 17(6), 481-489.
Liu, Q., Liao, F., Wu, H., Cai, T., Yang, L., & Fang, J. (2015). Different expression of miR-29b and VEGFA in glioma. Artif Cells Nanomed Biotechnol, 1-6.
Liu, X., Zeng, B., Ma, J., & Wan, C. (2009). Comparative proteomic analysis of osteosarcoma cell and human primary cultured osteoblastic cell. Cancer Invest, 27(3), 345-352.
Locatelli, M., Ferrero, S., Martinelli Boneschi, F., Boiocchi, L., Zavanone, M., Maria Gaini, S., et al. (2013). The long pentraxin PTX3 as a correlate of cancer-related inflammation and prognosis of malignancy in gliomas. J Neuroimmunol, 260(1-2), 99-106.
Bibliografía
Loechler, E. L., Green, C. L., & Essigmann, J. M. (1984). In vivo mutagenesis by O6-methylguanine built into a unique site in a viral genome. Proc Natl Acad Sci U S A, 81(20), 6271-6275.
Loenarz, C., & Schofield, C. J. (2008). Expanding chemical biology of 2-oxoglutarate oxygenases. Nat Chem Biol, 4(3), 152-156.
Louis, D., Ohgaki, H., Wiestler, O., Cavenee, W., Burger, P., Jouvet, A., et al. (2007). The 2007 WHO Classification of Tumours of the Central Nervous System. Acta Neuropathologica, 114(2), 97-109.
Louis, D. N., Ohgaki, H., Wiestler, O. D., Cavenee, W. K., Burger, P. C., Jouvet, A., et al. (2007). The 2007 WHO Classification of Tumours of the Central Nervous System. Acta Neuropathologica, 114(2), 97-109.
Louis, D. N., Perry, A., Reifenberger, G., von Deimling, A., Figarella-Branger, D., Cavenee, W. K., et al. (2016). The 2016 World Health Organization Classification of Tumors of the Central Nervous System: a summary. Acta Neuropathol, 131(6), 803-820.
Loveless, A. (1969). Possible relevance of O-6 alkylation of deoxyguanosine to the mutagenicity and carcinogenicity of nitrosamines and nitrosamides. Nature, 223(5202), 206-207.
Lucas, K. G., Bao, L., Bruggeman, R., Dunham, K., & Specht, C. (2011). The detection of CMV pp65 and IE1 in glioblastoma multiforme. J Neurooncol, 103(2), 231-238.
Lund, A. H., & van Lohuizen, M. (2002). RUNX: a trilogy of cancer genes. Cancer Cell, 1(3), 213-215.
Ma, L. J., Wu, W. J., Wang, Y. H., Wu, T. F., Liang, P. I., Chang, I. W., et al. (2016). SPOCK1 Overexpression Confers a Poor Prognosis in Urothelial Carcinoma. J Cancer, 7(4), 467-476.
Ma, R., Kang, X., Zhang, G., Fang, F., Du, Y., & Lv, H. (2016). High expression of UBE2C is associated with the aggressive progression and poor outcome of malignant glioma. Oncol Lett, 11(3), 2300-2304.
Malzkorn, B., Wolter, M., Riemenschneider, M. J., & Reifenberger, G. (2011). Unraveling the glioma epigenome: from molecular mechanisms to novel biomarkers and therapeutic targets. Brain Pathol, 21(6), 619-632.
Mallawaaratchy, D. M., Buckland, M. E., McDonald, K. L., Li, C. C., Ly, L., Sykes, E. K., et al. (2015). Membrane proteome analysis of glioblastoma cell invasion. J Neuropathol Exp Neurol, 74(5), 425-441.
238
Bibliografía
Mallette, F. A., Calabrese, V., Ilangumaran, S., & Ferbeyre, G. (2010). SOCS1, a novel interaction partner of p53 controlling oncogene-induced senescence. Aging (Albany NY), 2(7), 445-452.
Malley, D. S., Hamoudi, R. A., Kocialkowski, S., Pearson, D. M., Collins, V. P., & Ichimura, K. (2011). A distinct region of the MGMT CpG island critical for transcriptional regulation is preferentially methylated in glioblastoma cells and xenografts. Acta Neuropathol, 121(5), 651-661.
Mandelker, D. L., Yamashita, K., Tokumaru, Y., Mimori, K., Howard, D. L., Tanaka, Y., et al. (2005). PGP9.5 promoter methylation is an independent prognostic factor for esophageal squamous cell carcinoma. Cancer Res, 65(11), 4963-4968.
Marca, A. L., & Volpe, A. (2007). The Anti-Mullerian hormone and ovarian cancer. Human Reproduction Update, 13(3), 265-273.
Martinez, R. (2012). Beyond Genetics in Glioma Pathways: The Ever-Increasing Crosstalk between Epigenomic and Genomic Events. J Signal Transduct, 2012, 519807.
Massague, J. (2008). A very private TGF-beta receptor embrace. Mol Cell, 29(2), 149-150.
Matteo, S., Luciano, B., Massimo, N., Maria Beatrice, M., Rossana, B., Giorgio, S., et al. (2013). Essential Role of Gli Proteins in Glioblastoma Multiforme. Current Protein & Peptide Science, 14(2), 133-140.
McDonald, K. L. (2011). Biomarker Discovery, Validation and Clinical Application for Patients Diagnosed with Glioma. In A. Ghosh (Ed.), Glioma - Exploring Its Biology and Practical Relevance.
McDonald, K. L., O'Sullivan, M. G., Parkinson, J. F., Shaw, J. M., Payne, C. A., Brewer, J. M., et al. (2007). IQGAP1 and IGFBP2: valuable biomarkers for determining prognosis in glioma patients. J Neuropathol Exp Neurol, 66(5), 405-417.
Mei, P. J., Bai, J., Liu, H., Li, C., Wu, Y. P., Yu, Z. Q., et al. (2011). RUNX3 expression is lost in glioma and its restoration causes drastic suppression of tumor invasion and migration. J Cancer Res Clin Oncol, 137(12), 1823-1830.
Mellai, M., Caldera, V., Annovazzi, L., Chio, A., Lanotte, M., Cassoni, P., et al. (2009). MGMT promoter hypermethylation in a series of 104 glioblastomas. Cancer Genomics Proteomics, 6(4), 219-227.
239
Bibliografía
Mallette, F. A., Calabrese, V., Ilangumaran, S., & Ferbeyre, G. (2010). SOCS1, a novel interaction partner of p53 controlling oncogene-induced senescence. Aging (Albany NY), 2(7), 445-452.
Malley, D. S., Hamoudi, R. A., Kocialkowski, S., Pearson, D. M., Collins, V. P., & Ichimura, K. (2011). A distinct region of the MGMT CpG island critical for transcriptional regulation is preferentially methylated in glioblastoma cells and xenografts. Acta Neuropathol, 121(5), 651-661.
Mandelker, D. L., Yamashita, K., Tokumaru, Y., Mimori, K., Howard, D. L., Tanaka, Y., et al. (2005). PGP9.5 promoter methylation is an independent prognostic factor for esophageal squamous cell carcinoma. Cancer Res, 65(11), 4963-4968.
Marca, A. L., & Volpe, A. (2007). The Anti-Mullerian hormone and ovarian cancer. Human Reproduction Update, 13(3), 265-273.
Martinez, R. (2012). Beyond Genetics in Glioma Pathways: The Ever-Increasing Crosstalk between Epigenomic and Genomic Events. J Signal Transduct, 2012, 519807.
Massague, J. (2008). A very private TGF-beta receptor embrace. Mol Cell, 29(2), 149-150.
Matteo, S., Luciano, B., Massimo, N., Maria Beatrice, M., Rossana, B., Giorgio, S., et al. (2013). Essential Role of Gli Proteins in Glioblastoma Multiforme. Current Protein & Peptide Science, 14(2), 133-140.
McDonald, K. L. (2011). Biomarker Discovery, Validation and Clinical Application for Patients Diagnosed with Glioma. In A. Ghosh (Ed.), Glioma - Exploring Its Biology and Practical Relevance.
McDonald, K. L., O'Sullivan, M. G., Parkinson, J. F., Shaw, J. M., Payne, C. A., Brewer, J. M., et al. (2007). IQGAP1 and IGFBP2: valuable biomarkers for determining prognosis in glioma patients. J Neuropathol Exp Neurol, 66(5), 405-417.
Mei, P. J., Bai, J., Liu, H., Li, C., Wu, Y. P., Yu, Z. Q., et al. (2011). RUNX3 expression is lost in glioma and its restoration causes drastic suppression of tumor invasion and migration. J Cancer Res Clin Oncol, 137(12), 1823-1830.
Mellai, M., Caldera, V., Annovazzi, L., Chio, A., Lanotte, M., Cassoni, P., et al. (2009). MGMT promoter hypermethylation in a series of 104 glioblastomas. Cancer Genomics Proteomics, 6(4), 219-227.
Bibliografía
Mellai, M., Monzeglio, O., Piazzi, A., Caldera, V., Annovazzi, L., Cassoni, P., et al. (2012). MGMT promoter hypermethylation and its associations with genetic alterations in a series of 350 brain tumors. J Neurooncol, 107(3), 617-631.
Mellinghoff, I. K., Wang, M. Y., Vivanco, I., Haas-Kogan, D. A., Zhu, S., Dia, E. Q., et al. (2005). Molecular determinants of the response of glioblastomas to EGFR kinase inhibitors. N Engl J Med, 353(19), 2012-2024.
Mesri, E. A., Feitelson, M. A., & Munger, K. (2014). Human viral oncogenesis: a cancer hallmarks analysis. Cell Host Microbe, 15(3), 266-282.
Michaelis, M., Baumgarten, P., Mittelbronn, M., Driever, P. H., Doerr, H. W., & Cinatl, J., Jr. (2011). Oncomodulation by human cytomegalovirus: novel clinical findings open new roads. Med Microbiol Immunol, 200(1), 1-5.
Michaelis, M., Doerr, H. W., & Cinatl, J. (2009). The story of human cytomegalovirus and cancer: increasing evidence and open questions. Neoplasia, 11(1), 1-9.
Minarovits, J., Demcsak, A., Banati, F., & Niller, H. H. (2016). Epigenetic Dysregulation in Virus-Associated Neoplasms. Adv Exp Med Biol, 879, 71-90.
Mitchell, D. A., Xie, W., Schmittling, R., Learn, C., Friedman, A., McLendon, R. E., et al. (2008). Sensitive detection of human cytomegalovirus in tumors and peripheral blood of patients diagnosed with glioblastoma. Neuro Oncol, 10(1), 10-18.
Mocarski, E. S., Jr., & Kemble, G. W. (1996). Recombinant cytomegaloviruses for study of replication and pathogenesis. Intervirology, 39(5-6), 320-330.
Morris, S.-A. L., & Huang, S. (2016). Crosstalk of the Wnt/β-catenin pathway with other pathways in cancer cells. Genes & Diseases, 3(1), 41-47.
Mosesson, Y., Mills, G. B., & Yarden, Y. (2008). Derailed endocytosis: an emerging feature of cancer. Nat Rev Cancer, 8(11), 835-850.
Mueller, W., Nutt, C. L., Ehrich, M., Riemenschneider, M. J., von Deimling, A., van den Boom, D., et al. (2007). Downregulation of RUNX3 and TES by hypermethylation in glioblastoma. Oncogene, 26(4), 583-593.
Mur, P., Rodriguez de Lope, A., Diaz-Crespo, F. J., Hernandez-Iglesias, T., Ribalta, T., Fiano, C., et al. (2015). Impact on prognosis of the regional distribution of MGMT methylation with respect to the CpG island
240
Bibliografía
methylator phenotype and age in glioma patients. J Neurooncol, 122(3), 441-450.
Murat, A., Migliavacca, E., Gorlia, T., Lambiv, W. L., Shay, T., Hamou, M. F., et al. (2008). Stem cell-related "self-renewal" signature and high epidermal growth factor receptor expression associated with resistance to concomitant chemoradiotherapy in glioblastoma. J Clin Oncol, 26(18), 3015-3024.
Nakae, S., Sasaki, H., Hayashi, S., Hattori, N., Kumon, M., Nishiyama, Y., et al. (2015). PCR-Based Simple Subgrouping Is Validated for Classification of Gliomas and Defines Negative Prognostic Copy Number Aberrations in IDH Mutant Gliomas. PLoS One, 10(11), e0142750.
Nakamura, M., Watanabe, T., Yonekawa, Y., Kleihues, P., & Ohgaki, H. (2001). Promoter methylation of the DNA repair gene MGMT in astrocytomas is frequently associated with G:C --> A:T mutations of the TP53 tumor suppressor gene. Carcinogenesis, 22(10), 1715-1719.
Navankasattusas, S., Whitehead, K. J., Suli, A., Sorensen, L. K., Lim, A. H., Zhao, J., et al. (2008). The netrin receptor UNC5B promotes angiogenesis in specific vascular beds. Development, 135(4), 659-667.
Negrini, S., Gorgoulis, V. G., & Halazonetis, T. D. (2010). Genomic instability--an evolving hallmark of cancer. Nat Rev Mol Cell Biol, 11(3), 220-228.
Nigro, J. M., Misra, A., Zhang, L., Smirnov, I., Colman, H., Griffin, C., et al. (2005). Integrated array-comparative genomic hybridization and expression array profiles identify clinically relevant molecular subtypes of glioblastoma. Cancer Res, 65(5), 1678-1686.
Nikiforova, M. N., & Hamilton, R. L. (2011). Molecular diagnostics of gliomas. Arch Pathol Lab Med, 135(5), 558-568.
Nobusawa, S., Watanabe, T., Kleihues, P., & Ohgaki, H. (2009). IDH1 mutations as molecular signature and predictive factor of secondary glioblastomas. Clin Cancer Res, 15(19), 6002-6007.
Nord, H., Hartmann, C., Andersson, R., Menzel, U., Pfeifer, S., Piotrowski, A., et al. (2009). Characterization of novel and complex genomic aberrations in glioblastoma using a 32K BAC array. Neuro Oncol, 11(6), 803-818.
Noushmehr, H., Weisenberger, D. J., Diefes, K., Phillips, H. S., Pujara, K., Berman, B. P., et al. (2010). Identification of a CpG island methylator phenotype that defines a distinct subgroup of glioma. Cancer Cell, 17(5), 510-522.
241
Bibliografía
methylator phenotype and age in glioma patients. J Neurooncol, 122(3), 441-450.
Murat, A., Migliavacca, E., Gorlia, T., Lambiv, W. L., Shay, T., Hamou, M. F., et al. (2008). Stem cell-related "self-renewal" signature and high epidermal growth factor receptor expression associated with resistance to concomitant chemoradiotherapy in glioblastoma. J Clin Oncol, 26(18), 3015-3024.
Nakae, S., Sasaki, H., Hayashi, S., Hattori, N., Kumon, M., Nishiyama, Y., et al. (2015). PCR-Based Simple Subgrouping Is Validated for Classification of Gliomas and Defines Negative Prognostic Copy Number Aberrations in IDH Mutant Gliomas. PLoS One, 10(11), e0142750.
Nakamura, M., Watanabe, T., Yonekawa, Y., Kleihues, P., & Ohgaki, H. (2001). Promoter methylation of the DNA repair gene MGMT in astrocytomas is frequently associated with G:C --> A:T mutations of the TP53 tumor suppressor gene. Carcinogenesis, 22(10), 1715-1719.
Navankasattusas, S., Whitehead, K. J., Suli, A., Sorensen, L. K., Lim, A. H., Zhao, J., et al. (2008). The netrin receptor UNC5B promotes angiogenesis in specific vascular beds. Development, 135(4), 659-667.
Negrini, S., Gorgoulis, V. G., & Halazonetis, T. D. (2010). Genomic instability--an evolving hallmark of cancer. Nat Rev Mol Cell Biol, 11(3), 220-228.
Nigro, J. M., Misra, A., Zhang, L., Smirnov, I., Colman, H., Griffin, C., et al. (2005). Integrated array-comparative genomic hybridization and expression array profiles identify clinically relevant molecular subtypes of glioblastoma. Cancer Res, 65(5), 1678-1686.
Nikiforova, M. N., & Hamilton, R. L. (2011). Molecular diagnostics of gliomas. Arch Pathol Lab Med, 135(5), 558-568.
Nobusawa, S., Watanabe, T., Kleihues, P., & Ohgaki, H. (2009). IDH1 mutations as molecular signature and predictive factor of secondary glioblastomas. Clin Cancer Res, 15(19), 6002-6007.
Nord, H., Hartmann, C., Andersson, R., Menzel, U., Pfeifer, S., Piotrowski, A., et al. (2009). Characterization of novel and complex genomic aberrations in glioblastoma using a 32K BAC array. Neuro Oncol, 11(6), 803-818.
Noushmehr, H., Weisenberger, D. J., Diefes, K., Phillips, H. S., Pujara, K., Berman, B. P., et al. (2010). Identification of a CpG island methylator phenotype that defines a distinct subgroup of glioma. Cancer Cell, 17(5), 510-522.
Bibliografía
Nutt, C. L., Mani, D. R., Betensky, R. A., Tamayo, P., Cairncross, J. G., Ladd, C., et al. (2003). Gene expression-based classification of malignant gliomas correlates better with survival than histological classification. Cancer Res, 63(7), 1602-1607.
Ohgaki, H. (2009). Epidemiology of brain tumors. Methods Mol Biol, 472, 323-342.
Ohgaki, H., Dessen, P., Jourde, B., Horstmann, S., Nishikawa, T., Di Patre, P. L., et al. (2004). Genetic pathways to glioblastoma: a population-based study. Cancer Res, 64(19), 6892-6899.
Ohgaki, H., & Kleihues, P. (2005). Epidemiology and etiology of gliomas. Acta Neuropathol, 109(1), 93-108.
Ohgaki, H., & Kleihues, P. (2009). Genetic alterations and signaling pathways in the evolution of gliomas. Cancer Sci, 100(12), 2235-2241.
Oliveros, F. R. (2008). Gliomas del Encéfalo. Revista argentina de neurocirugía, 22, 0-0.
Olsen, M. L., & Sontheimer, H. (2008). Functional implications for Kir4.1 channels in glial biology: from K+ buffering to cell differentiation. J Neurochem, 107(3), 589-601.
Omuro, A., & DeAngelis, L. M. (2013). Glioblastoma and other malignant gliomas: a clinical review. JAMA, 310(17), 1842-1850.
Onishi, M., Ichikawa, T., Kurozumi, K., Inoue, S., Maruo, T., Otani, Y., et al. (2015). Annexin A2 regulates angiogenesis and invasion phenotypes of malignant glioma. Brain Tumor Pathol, 32(3), 184-194.
Orlandi, C., Posokhova, E., Masuho, I., Ray, T. A., Hasan, N., Gregg, R. G., et al. (2012). GPR158/179 regulate G protein signaling by controlling localization and activity of the RGS7 complexes. J Cell Biol, 197(6), 711-719.
Orlandi, C., Xie, K., Masuho, I., Fajardo-Serrano, A., Lujan, R., & Martemyanov, K. A. (2015). Orphan Receptor GPR158 Is an Allosteric Modulator of RGS7 Catalytic Activity with an Essential Role in Dictating Its Expression and Localization in the Brain. J Biol Chem, 290(22), 13622-13639.
Ostrom, Q. T., Bauchet, L., Davis, F. G., Deltour, I., Fisher, J. L., Langer, C. E., et al. (2014). The epidemiology of glioma in adults: a "state of the science" review. Neuro Oncol, 16(7), 896-913.
242
Bibliografía
Ostrow, K. L., Park, H. L., Hoque, M. O., Kim, M. S., Liu, J., Argani, P., et al. (2009). Pharmacologic unmasking of epigenetically silenced genes in breast cancer. Clin Cancer Res, 15(4), 1184-1191.
Pallud, J., Capelle, L., & Huberfeld, G. (2013). Tumoral epileptogenicity: how does it happen? Epilepsia, 54 Suppl 9, 30-34.
Park, C.-K., Kim, J., Yim, S. Y., Lee, A. R., Han, J. H., Kim, C.-Y., et al. (2011). Usefulness of MS-MLPA for detection of MGMT promoter methylation in the evaluation of pseudoprogression in glioblastoma patients. Neuro-Oncology, 13(2), 195-202.
Park, S. H., Kim, K. E., Hwang, H. Y., & Kim, T. Y. (2003). Regulatory effect of SOCS on NF-kappaB activity in murine monocytes/macrophages. DNA Cell Biol, 22(2), 131-139.
Parkin, D. M., Bray, F., Ferlay, J., & Pisani, P. (2005). Global Cancer Statistics, 2002. CA: A Cancer Journal for Clinicians, 55(2), 74-108.
Parsons, D. W., Jones, S., Zhang, X., Lin, J. C., Leary, R. J., Angenendt, P., et al. (2008). An integrated genomic analysis of human glioblastoma multiforme. Science, 321(5897), 1807-1812.
Patel, N., Itakura, T., Jeong, S., Liao, C. P., Roy-Burman, P., Zandi, E., et al. (2015). Expression and functional role of orphan receptor GPR158 in prostate cancer growth and progression. PLoS One, 10(2), e0117758.
Paz, M. F., Yaya-Tur, R., Rojas-Marcos, I., Reynes, G., Pollan, M., Aguirre-Cruz, L., et al. (2004). CpG island hypermethylation of the DNA repair enzyme methyltransferase predicts response to temozolomide in primary gliomas. Clin Cancer Res, 10(15), 4933-4938.
Pegg, A. E. (1990). Mammalian O6-alkylguanine-DNA alkyltransferase: regulation and importance in response to alkylating carcinogenic and therapeutic agents. Cancer Res, 50(19), 6119-6129.
Perez, J. G., Tran, N. L., Rosenblum, M. G., Schneider, C. S., Connolly, N. P., Kim, A. J., et al. (2016). The TWEAK receptor Fn14 is a potential cell surface portal for targeted delivery of glioblastoma therapeutics. Oncogene, 35(17), 2145-2155.
Phillips, K.-A., Collins, I. M., Milne, R. L., McLachlan, S. A., Friedlander, M., Hickey, M., et al. (2016). Anti-Müllerian hormone serum concentrations of women with germline BRCA1 or BRCA2 mutations. Human Reproduction (Oxford, England), 31(5), 1126-1132.
243
Bibliografía
Ostrow, K. L., Park, H. L., Hoque, M. O., Kim, M. S., Liu, J., Argani, P., et al. (2009). Pharmacologic unmasking of epigenetically silenced genes in breast cancer. Clin Cancer Res, 15(4), 1184-1191.
Pallud, J., Capelle, L., & Huberfeld, G. (2013). Tumoral epileptogenicity: how does it happen? Epilepsia, 54 Suppl 9, 30-34.
Park, C.-K., Kim, J., Yim, S. Y., Lee, A. R., Han, J. H., Kim, C.-Y., et al. (2011). Usefulness of MS-MLPA for detection of MGMT promoter methylation in the evaluation of pseudoprogression in glioblastoma patients. Neuro-Oncology, 13(2), 195-202.
Park, S. H., Kim, K. E., Hwang, H. Y., & Kim, T. Y. (2003). Regulatory effect of SOCS on NF-kappaB activity in murine monocytes/macrophages. DNA Cell Biol, 22(2), 131-139.
Parkin, D. M., Bray, F., Ferlay, J., & Pisani, P. (2005). Global Cancer Statistics, 2002. CA: A Cancer Journal for Clinicians, 55(2), 74-108.
Parsons, D. W., Jones, S., Zhang, X., Lin, J. C., Leary, R. J., Angenendt, P., et al. (2008). An integrated genomic analysis of human glioblastoma multiforme. Science, 321(5897), 1807-1812.
Patel, N., Itakura, T., Jeong, S., Liao, C. P., Roy-Burman, P., Zandi, E., et al. (2015). Expression and functional role of orphan receptor GPR158 in prostate cancer growth and progression. PLoS One, 10(2), e0117758.
Paz, M. F., Yaya-Tur, R., Rojas-Marcos, I., Reynes, G., Pollan, M., Aguirre-Cruz, L., et al. (2004). CpG island hypermethylation of the DNA repair enzyme methyltransferase predicts response to temozolomide in primary gliomas. Clin Cancer Res, 10(15), 4933-4938.
Pegg, A. E. (1990). Mammalian O6-alkylguanine-DNA alkyltransferase: regulation and importance in response to alkylating carcinogenic and therapeutic agents. Cancer Res, 50(19), 6119-6129.
Perez, J. G., Tran, N. L., Rosenblum, M. G., Schneider, C. S., Connolly, N. P., Kim, A. J., et al. (2016). The TWEAK receptor Fn14 is a potential cell surface portal for targeted delivery of glioblastoma therapeutics. Oncogene, 35(17), 2145-2155.
Phillips, K.-A., Collins, I. M., Milne, R. L., McLachlan, S. A., Friedlander, M., Hickey, M., et al. (2016). Anti-Müllerian hormone serum concentrations of women with germline BRCA1 or BRCA2 mutations. Human Reproduction (Oxford, England), 31(5), 1126-1132.
Bibliografía
Pike, B. L., Greiner, T. C., Wang, X., Weisenburger, D. D., Hsu, Y. H., Renaud, G., et al. (2008). DNA methylation profiles in diffuse large B-cell lymphoma and their relationship to gene expression status. Leukemia, 22(5), 1035-1043.
Podjaski, C., Alvarez, J. I., Bourbonniere, L., Larouche, S., Terouz, S., Bin, J. M., et al. (2015). Netrin 1 regulates blood-brain barrier function and neuroinflammation. Brain, 138(Pt 6), 1598-1612.
Pointer, K. B., Clark, P. A., Zorniak, M., Alrfaei, B. M., & Kuo, J. S. (2014). Glioblastoma cancer stem cells: Biomarker and therapeutic advances. Neurochem Int, 71, 1-7.
Polivka, J., Jr., Polivka, J., Rohan, V., Topolcan, O., & Ferda, J. (2012). New molecularly targeted therapies for glioblastoma multiforme. Anticancer Res, 32(7), 2935-2946.
Poltermann, S., Schlehofer, B., Steindorf, K., Schnitzler, P., Geletneky, K., & Schlehofer, J. R. (2006). Lack of association of herpesviruses with brain tumors. J Neurovirol, 12(2), 90-99.
Poltronieri, P., D'Urso, P. I., Mezzolla, V., & D'Urso, O. F. (2013). Potential of anti-cancer therapy based on anti-miR-155 oligonucleotides in glioma and brain tumours. Chem Biol Drug Des, 81(1), 79-84.
Pope, W. B., Prins, R. M., Albert Thomas, M., Nagarajan, R., Yen, K. E., Bittinger, M. A., et al. (2012). Non-invasive detection of 2-hydroxyglutarate and other metabolites in IDH1 mutant glioma patients using magnetic resonance spectroscopy. J Neurooncol, 107(1), 197-205.
Prensner, J. R., & Chinnaiyan, A. M. (2011). Metabolism unhinged: IDH mutations in cancer. Nat Med, 17(3), 291-293.
Preusser, M., Charles Janzer, R., Felsberg, J., Reifenberger, G., Hamou, M. F., Diserens, A. C., et al. (2008). Anti-O6-methylguanine-methyltransferase (MGMT) immunohistochemistry in glioblastoma multiforme: observer variability and lack of association with patient survival impede its use as clinical biomarker. Brain Pathol, 18(4), 520-532.
Purves, D. (2004). Neuroscience: Sinauer Associates Incorporated.
Qian, X. C., & Brent, T. P. (1997). Methylation hot spots in the 5' flanking region denote silencing of the O6-methylguanine-DNA methyltransferase gene. Cancer Res, 57(17), 3672-3677.
244
Bibliografía
Qu, M., Jiao, H., Zhao, J., Ren, Z. P., Smits, A., Kere, J., et al. (2010). Molecular genetic and epigenetic analysis of NCX2/SLC8A2 at 19q13.3 in human gliomas. Neuropathol Appl Neurobiol, 36(3), 198-210.
Quinn, J. A., Desjardins, A., Weingart, J., Brem, H., Dolan, M. E., Delaney, S. M., et al. (2005). Phase I trial of temozolomide plus O6-benzylguanine for patients with recurrent or progressive malignant glioma. J Clin Oncol, 23(28), 7178-7187.
Quinn, J. A., Pluda, J., Dolan, M. E., Delaney, S., Kaplan, R., Rich, J. N., et al. (2002). Phase II trial of carmustine plus O(6)-benzylguanine for patients with nitrosourea-resistant recurrent or progressive malignant glioma. J Clin Oncol, 20(9), 2277-2283.
Raccurt, M., Tam, S. P., Lau, P., Mertani, H. C., Lambert, A., Garcia-Caballero, T., et al. (2003). Suppressor of cytokine signalling gene expression is elevated in breast carcinoma. Br J Cancer, 89(3), 524-532.
Rahbar, A., Stragliotto, G., Orrego, A., Peredo, I., Taher, C., Willems, J., et al. (2012). Low levels of Human Cytomegalovirus Infection in Glioblastoma multiforme associates with patient survival; -a case-control study. Herpesviridae, 3, 3.
Rajaraman, P., Melin, B. S., Wang, Z., McKean-Cowdin, R., Michaud, D., Wang, S. S., et al. (2012). Genome-wide Association Study of Glioma and Meta-Analysis. Human genetics, 131(12), 1877-1888.
Renault, I. Z., & Golgher, D. (2015). Molecular Genetics of Glioblastomas: Defining Subtypes and Understanding the Biology. Neuroimaging Clinics of North America, 25(1), 97-103.
Reuter, J. D., Gomez, D. L., Wilson, J. H., & van den Pol, A. N. (2004). Systemic Immune Deficiency Necessary for Cytomegalovirus Invasion of the Mature Brain. Journal of Virology, 78(3), 1473-1487.
Riemenschneider, M. (2010). Molecular diagnostics of gliomas: state of the art. Acta Neuropathol 120(5), 567-584.
Rivera, A. L., Pelloski, C. E., Gilbert, M. R., Colman, H., De La Cruz, C., Sulman, E. P., et al. (2010). MGMT promoter methylation is predictive of response to radiotherapy and prognostic in the absence of adjuvant alkylating chemotherapy for glioblastoma. Neuro Oncol, 12(2), 116-121.
Rodriguez-Paredes, M., & Esteller, M. (2011). Cancer epigenetics reaches mainstream oncology. Nat Med, 17(3), 330-339.
245
Bibliografía
Qu, M., Jiao, H., Zhao, J., Ren, Z. P., Smits, A., Kere, J., et al. (2010). Molecular genetic and epigenetic analysis of NCX2/SLC8A2 at 19q13.3 in human gliomas. Neuropathol Appl Neurobiol, 36(3), 198-210.
Quinn, J. A., Desjardins, A., Weingart, J., Brem, H., Dolan, M. E., Delaney, S. M., et al. (2005). Phase I trial of temozolomide plus O6-benzylguanine for patients with recurrent or progressive malignant glioma. J Clin Oncol, 23(28), 7178-7187.
Quinn, J. A., Pluda, J., Dolan, M. E., Delaney, S., Kaplan, R., Rich, J. N., et al. (2002). Phase II trial of carmustine plus O(6)-benzylguanine for patients with nitrosourea-resistant recurrent or progressive malignant glioma. J Clin Oncol, 20(9), 2277-2283.
Raccurt, M., Tam, S. P., Lau, P., Mertani, H. C., Lambert, A., Garcia-Caballero, T., et al. (2003). Suppressor of cytokine signalling gene expression is elevated in breast carcinoma. Br J Cancer, 89(3), 524-532.
Rahbar, A., Stragliotto, G., Orrego, A., Peredo, I., Taher, C., Willems, J., et al. (2012). Low levels of Human Cytomegalovirus Infection in Glioblastoma multiforme associates with patient survival; -a case-control study. Herpesviridae, 3, 3.
Rajaraman, P., Melin, B. S., Wang, Z., McKean-Cowdin, R., Michaud, D., Wang, S. S., et al. (2012). Genome-wide Association Study of Glioma and Meta-Analysis. Human genetics, 131(12), 1877-1888.
Renault, I. Z., & Golgher, D. (2015). Molecular Genetics of Glioblastomas: Defining Subtypes and Understanding the Biology. Neuroimaging Clinics of North America, 25(1), 97-103.
Reuter, J. D., Gomez, D. L., Wilson, J. H., & van den Pol, A. N. (2004). Systemic Immune Deficiency Necessary for Cytomegalovirus Invasion of the Mature Brain. Journal of Virology, 78(3), 1473-1487.
Riemenschneider, M. (2010). Molecular diagnostics of gliomas: state of the art. Acta Neuropathol 120(5), 567-584.
Rivera, A. L., Pelloski, C. E., Gilbert, M. R., Colman, H., De La Cruz, C., Sulman, E. P., et al. (2010). MGMT promoter methylation is predictive of response to radiotherapy and prognostic in the absence of adjuvant alkylating chemotherapy for glioblastoma. Neuro Oncol, 12(2), 116-121.
Rodriguez-Paredes, M., & Esteller, M. (2011). Cancer epigenetics reaches mainstream oncology. Nat Med, 17(3), 330-339.
Bibliografía
Rohle, D., Popovici-Muller, J., Palaskas, N., Turcan, S., Grommes, C., Campos, C., et al. (2013). An inhibitor of mutant IDH1 delays growth and promotes differentiation of glioma cells. Science, 340(6132), 626-630.
Roninson, I. B. (2003). Tumor cell senescence in cancer treatment. Cancer Res, 63(11), 2705-2715.
Rosenberger, P., Schwab, J. M., Mirakaj, V., Masekowsky, E., Mager, A., Morote-Garcia, J. C., et al. (2009). Hypoxia-inducible factor-dependent induction of netrin-1 dampens inflammation caused by hypoxia. Nat Immunol, 10(2), 195-202.
Royds, J. A., & Iacopetta, B. (2006). p53 and disease: when the guardian angel fails. Cell Death Differ, 13(6), 1017-1026.
Ru, P., Williams, T. M., Chakravarti, A., & Guo, D. (2013). Tumor metabolism of malignant gliomas. Cancers (Basel), 5(4), 1469-1484.
Ruano, Y., Mollejo, M., Camacho, F. I., Rodriguez de Lope, A., Fiano, C., Ribalta, T., et al. (2008). Identification of survival-related genes of the phosphatidylinositol 3'-kinase signaling pathway in glioblastoma multiforme. Cancer, 112(7), 1575-1584.
Ruano, Y., Mollejo, M., Ribalta, T., Fiano, C., Camacho, F. I., Gomez, E., et al. (2006). Identification of novel candidate target genes in amplicons of Glioblastoma multiforme tumors detected by expression and CGH microarray profiling. Mol Cancer, 5, 39.
Rui, L., Yuan, M., Frantz, D., Shoelson, S., & White, M. F. (2002). SOCS-1 and SOCS-3 block insulin signaling by ubiquitin-mediated degradation of IRS1 and IRS2. J Biol Chem, 277(44), 42394-42398.
Ryu, C. H., Yoon, W. S., Park, K. Y., Kim, S. M., Lim, J. Y., Woo, J. S., et al. (2012). Valproic acid downregulates the expression of MGMT and sensitizes temozolomide-resistant glioma cells. J Biomed Biotechnol, 2012, 987495.
Sabatier, J., Uro-Coste, E., Pommepuy, I., Labrousse, F., Allart, S., Tremoulet, M., et al. (2005). Detection of human cytomegalovirus genome and gene products in central nervous system tumours. Br J Cancer, 92(4), 747-750.
Sacco, J. J., Coulson, J. M., Clague, M. J., & Urbe, S. (2010). Emerging roles of deubiquitinases in cancer-associated pathways. IUBMB Life, 62(2), 140-157.
246
Bibliografía
Said, H. M., Hagemann, C., Staab, A., Stojic, J., Kuhnel, S., Vince, G. H., et al. (2007). Expression patterns of the hypoxia-related genes osteopontin, CA9, erythropoietin, VEGF and HIF-1alpha in human glioma in vitro and in vivo. Radiother Oncol, 83(3), 398-405.
Said, H. M., Supuran, C. T., Hageman, C., Staab, A., Polat, B., Katzer, A., et al. (2010). Modulation of carbonic anhydrase 9 (CA9) in human brain cancer. Curr Pharm Des, 16(29), 3288-3299.
Salazar, M., Carracedo, A., Salanueva, I. J., Hernandez-Tiedra, S., Lorente, M., Egia, A., et al. (2009). Cannabinoid action induces autophagy-mediated cell death through stimulation of ER stress in human glioma cells. J Clin Invest, 119(5), 1359-1372.
Salk, J. J., Fox, E. J., & Loeb, L. A. (2010). Mutational heterogeneity in human cancers: origin and consequences. Annu Rev Pathol, 5, 51-75.
Sallinen, S. L., Sallinen, P. K., Haapasalo, H. K., Helin, H. J., Helen, P. T., Schraml, P., et al. (2000). Identification of differentially expressed genes in human gliomas by DNA microarray and tissue chip techniques. Cancer Res, 60(23), 6617-6622.
Sampson, J. H., & Mitchell, D. A. (2011). Is Cytomegalovirus a Therapeutic Target in Glioblastoma? Clinical Cancer Research, 17(14), 4619-4621.
Sampson, J. H., & Mitchell, D. A. (2011). Is cytomegalovirus a therapeutic target in glioblastoma? Clin Cancer Res, 17(14), 4619-4621.
Sanson, M., Marie, Y., Paris, S., Idbaih, A., Laffaire, J., Ducray, F., et al. (2009). Isocitrate dehydrogenase 1 codon 132 mutation is an important prognostic biomarker in gliomas. J Clin Oncol, 27(25), 4150-4154.
Santosh, V., Arivazhagan, A., Sreekanthreddy, P., Srinivasan, H., Thota, B., Srividya, M. R., et al. (2010). Grade-specific expression of insulin-like growth factor-binding proteins-2, -3, and -5 in astrocytomas: IGFBP-3 emerges as a strong predictor of survival in patients with newly diagnosed glioblastoma. Cancer Epidemiol Biomarkers Prev, 19(6), 1399-1408.
Sarkar, C., Karak, A. K., Nath, N., Sharma, M. C., Mahapatra, A. K., Chattopadhyay, P., et al. (2005). Apoptosis and proliferation: correlation with p53 in astrocytic tumours. J Neurooncol, 73(2), 93-100.
Sasi, W., Sharma, A. K., & Mokbel, K. (2014). The Role of Suppressors of Cytokine Signalling in Human Neoplasms. Molecular Biology International, 2014, 630797.
247
Bibliografía
Said, H. M., Hagemann, C., Staab, A., Stojic, J., Kuhnel, S., Vince, G. H., et al. (2007). Expression patterns of the hypoxia-related genes osteopontin, CA9, erythropoietin, VEGF and HIF-1alpha in human glioma in vitro and in vivo. Radiother Oncol, 83(3), 398-405.
Said, H. M., Supuran, C. T., Hageman, C., Staab, A., Polat, B., Katzer, A., et al. (2010). Modulation of carbonic anhydrase 9 (CA9) in human brain cancer. Curr Pharm Des, 16(29), 3288-3299.
Salazar, M., Carracedo, A., Salanueva, I. J., Hernandez-Tiedra, S., Lorente, M., Egia, A., et al. (2009). Cannabinoid action induces autophagy-mediated cell death through stimulation of ER stress in human glioma cells. J Clin Invest, 119(5), 1359-1372.
Salk, J. J., Fox, E. J., & Loeb, L. A. (2010). Mutational heterogeneity in human cancers: origin and consequences. Annu Rev Pathol, 5, 51-75.
Sallinen, S. L., Sallinen, P. K., Haapasalo, H. K., Helin, H. J., Helen, P. T., Schraml, P., et al. (2000). Identification of differentially expressed genes in human gliomas by DNA microarray and tissue chip techniques. Cancer Res, 60(23), 6617-6622.
Sampson, J. H., & Mitchell, D. A. (2011). Is Cytomegalovirus a Therapeutic Target in Glioblastoma? Clinical Cancer Research, 17(14), 4619-4621.
Sampson, J. H., & Mitchell, D. A. (2011). Is cytomegalovirus a therapeutic target in glioblastoma? Clin Cancer Res, 17(14), 4619-4621.
Sanson, M., Marie, Y., Paris, S., Idbaih, A., Laffaire, J., Ducray, F., et al. (2009). Isocitrate dehydrogenase 1 codon 132 mutation is an important prognostic biomarker in gliomas. J Clin Oncol, 27(25), 4150-4154.
Santosh, V., Arivazhagan, A., Sreekanthreddy, P., Srinivasan, H., Thota, B., Srividya, M. R., et al. (2010). Grade-specific expression of insulin-like growth factor-binding proteins-2, -3, and -5 in astrocytomas: IGFBP-3 emerges as a strong predictor of survival in patients with newly diagnosed glioblastoma. Cancer Epidemiol Biomarkers Prev, 19(6), 1399-1408.
Sarkar, C., Karak, A. K., Nath, N., Sharma, M. C., Mahapatra, A. K., Chattopadhyay, P., et al. (2005). Apoptosis and proliferation: correlation with p53 in astrocytic tumours. J Neurooncol, 73(2), 93-100.
Sasi, W., Sharma, A. K., & Mokbel, K. (2014). The Role of Suppressors of Cytokine Signalling in Human Neoplasms. Molecular Biology International, 2014, 630797.
Bibliografía
Sato, F., & Meltzer, S. J. (2006). CpG island hypermethylation in progression of esophageal and gastric cancer. Cancer, 106(3), 483-493.
Scrideli, C. A., Carlotti, C. G., Jr., Okamoto, O. K., Andrade, V. S., Cortez, M. A., Motta, F. J., et al. (2008). Gene expression profile analysis of primary glioblastomas and non-neoplastic brain tissue: identification of potential target genes by oligonucleotide microarray and real-time quantitative PCR. J Neurooncol, 88(3), 281-291.
Scheurer, M. E., Bondy, M. L., Aldape, K. D., Albrecht, T., & El-Zein, R. (2008). Detection of human cytomegalovirus in different histological types of gliomas. Acta Neuropathol, 116(1), 79-86.
Schneider, K., Meyer-Koenig, U., & Hufert, F. T. (2008). Human cytomegalovirus impairs the function of plasmacytoid dendritic cells in lymphoid organs. PLoS One, 3(10), e3482.
Selak, S., Paternain, A. V., Aller, M. I., Pico, E., Rivera, R., & Lerma, J. (2009). A role for SNAP25 in internalization of kainate receptors and synaptic plasticity. Neuron, 63(3), 357-371.
Sen, T., Sen, N., Noordhuis, M. G., Ravi, R., Wu, T. C., Ha, P. K., et al. (2012). OGDHL Is a Modifier of AKT-Dependent Signaling and NF-κB Function. PLoS ONE, 7(11), e48770.
Shen, J., Lu, J., Sui, L., Wang, D., Yin, M., Hoffmann, I., et al. (2014). The orthologous Tbx transcription factors Omb and TBX2 induce epithelial cell migration and extrusion in vivo without involvement of matrix metalloproteinases. Oncotarget, 5(23), 11998-12015.
Shu, Y. J., Weng, H., Ye, Y. Y., Hu, Y. P., Bao, R. F., Cao, Y., et al. (2015). SPOCK1 as a potential cancer prognostic marker promotes the proliferation and metastasis of gallbladder cancer cells by activating the PI3K/AKT pathway. Mol Cancer, 14, 12.
Smits, A., Jin, Z., Elsir, T., Pedder, H., Nister, M., Alafuzoff, I., et al. (2012). GABA-A channel subunit expression in human glioma correlates with tumor histology and clinical outcome. PLoS One, 7(5), e37041.
Soderberg-Naucler, C. (2006a). Does cytomegalovirus play a causative role in the development of various inflammatory diseases and cancer? J Intern Med, 259(3), 219-246.
Soderberg-Naucler, C. (2006b). Human cytomegalovirus persists in its host and attacks and avoids elimination by the immune system. Crit Rev Immunol, 26(3), 231-264.
248
Bibliografía
Solomon, I. H., Ramkissoon, S. H., Milner, D. A., Jr., & Folkerth, R. D. (2014). Cytomegalovirus and glioblastoma: a review of evidence for their association and indications for testing and treatment. J Neuropathol Exp Neurol, 73(11), 994-998.
Song, X., Han, P., Liu, J., Wang, Y., Li, D., He, J., et al. (2015). Up-regulation of SPOCK1 induces epithelial-mesenchymal transition and promotes migration and invasion in esophageal squamous cell carcinoma. J Mol Histol, 46(4-5), 347-356.
Stein, G. H., Drullinger, L. F., Soulard, A., & Dulic, V. (1999). Differential roles for cyclin-dependent kinase inhibitors p21 and p16 in the mechanisms of senescence and differentiation in human fibroblasts. Mol Cell Biol, 19(3), 2109-2117.
Stockhausen, M.-T., Kristoffersen, K., & Poulsen, H. S. (2010). The functional role of Notch signaling in human gliomas. Neuro-Oncology, 12(2), 199-211.
Straat, K., Liu, C., Rahbar, A., Zhu, Q., Liu, L., Wolmer-Solberg, N., et al. (2009). Activation of telomerase by human cytomegalovirus. J Natl Cancer Inst, 101(7), 488-497.
Strelau, J., Schmeer, C., Peterziel, H., Sackmann, T., Herold-Mende, C., Steiner, H., et al. (2008). Expression and putative functions of GDF-15, a member of the TGF-beta superfamily, in human glioma and glioblastoma cell lines. Cancer Lett, 270(1), 30-39.
Stupp, R., & Weber, D. C. (2005). The role of radio- and chemotherapy in glioblastoma. Onkologie, 28(6-7), 315-317.
Sun, X., Zhao, D., Li, Y. L., Sun, Y., Lei, X. H., Zhang, J. N., et al. (2013). Regulation of ASIC1 by Ca2+/calmodulin-dependent protein kinase II in human glioblastoma multiforme. Oncol Rep, 30(6), 2852-2858.
Suva, M. L., Riggi, N., & Bernstein, B. E. (2013). Epigenetic reprogramming in cancer. Science, 339(6127), 1567-1570.
Swiatek-Machado, K., & Kaminska, B. (2013). STAT Signaling in Glioma Cells. In J. Barańska (Ed.), Glioma Signaling (pp. 189-208). Dordrecht: Springer Netherlands.
Taby, R., & Issa, J. P. (2010). Cancer epigenetics. CA Cancer J Clin, 60(6), 376-392.
249
Bibliografía
Solomon, I. H., Ramkissoon, S. H., Milner, D. A., Jr., & Folkerth, R. D. (2014). Cytomegalovirus and glioblastoma: a review of evidence for their association and indications for testing and treatment. J Neuropathol Exp Neurol, 73(11), 994-998.
Song, X., Han, P., Liu, J., Wang, Y., Li, D., He, J., et al. (2015). Up-regulation of SPOCK1 induces epithelial-mesenchymal transition and promotes migration and invasion in esophageal squamous cell carcinoma. J Mol Histol, 46(4-5), 347-356.
Stein, G. H., Drullinger, L. F., Soulard, A., & Dulic, V. (1999). Differential roles for cyclin-dependent kinase inhibitors p21 and p16 in the mechanisms of senescence and differentiation in human fibroblasts. Mol Cell Biol, 19(3), 2109-2117.
Stockhausen, M.-T., Kristoffersen, K., & Poulsen, H. S. (2010). The functional role of Notch signaling in human gliomas. Neuro-Oncology, 12(2), 199-211.
Straat, K., Liu, C., Rahbar, A., Zhu, Q., Liu, L., Wolmer-Solberg, N., et al. (2009). Activation of telomerase by human cytomegalovirus. J Natl Cancer Inst, 101(7), 488-497.
Strelau, J., Schmeer, C., Peterziel, H., Sackmann, T., Herold-Mende, C., Steiner, H., et al. (2008). Expression and putative functions of GDF-15, a member of the TGF-beta superfamily, in human glioma and glioblastoma cell lines. Cancer Lett, 270(1), 30-39.
Stupp, R., & Weber, D. C. (2005). The role of radio- and chemotherapy in glioblastoma. Onkologie, 28(6-7), 315-317.
Sun, X., Zhao, D., Li, Y. L., Sun, Y., Lei, X. H., Zhang, J. N., et al. (2013). Regulation of ASIC1 by Ca2+/calmodulin-dependent protein kinase II in human glioblastoma multiforme. Oncol Rep, 30(6), 2852-2858.
Suva, M. L., Riggi, N., & Bernstein, B. E. (2013). Epigenetic reprogramming in cancer. Science, 339(6127), 1567-1570.
Swiatek-Machado, K., & Kaminska, B. (2013). STAT Signaling in Glioma Cells. In J. Barańska (Ed.), Glioma Signaling (pp. 189-208). Dordrecht: Springer Netherlands.
Taby, R., & Issa, J. P. (2010). Cancer epigenetics. CA Cancer J Clin, 60(6), 376-392.
Bibliografía
Takase, T., Hibi, K., Yamazaki, T., Nakayama, H., Taguchi, M., Kasai, Y., et al. (2003). PGP9.5 overexpression in esophageal squamous cell carcinoma. Hepatogastroenterology, 50(53), 1278-1280.
Tan, M., Wang, Y., Guan, K., & Sun, Y. (2000). PTGF-beta, a type beta transforming growth factor (TGF-beta) superfamily member, is a p53 target gene that inhibits tumor cell growth via TGF-beta signaling pathway. Proc Natl Acad Sci U S A, 97(1), 109-114.
Tang, K.-W., Hellstrand, K., & Larsson, E. (2015). Absence of cytomegalovirus in high-coverage DNA sequencing of human glioblastoma multiforme. International Journal of Cancer, 136(4), 977-981.
Tang, K. W., Alaei-Mahabadi, B., Samuelsson, T., Lindh, M., & Larsson, E. (2013). The landscape of viral expression and host gene fusion and adaptation in human cancer. Nat Commun, 4, 2513.
Tano, K., Shiota, S., Collier, J., Foote, R. S., & Mitra, S. (1990). Isolation and structural characterization of a cDNA clone encoding the human DNA repair protein for O6-alkylguanine. Proc Natl Acad Sci U S A, 87(2), 686-690.
Tarassishin, L., Lim, J., Weatherly, D. B., Angeletti, R. H., & Lee, S. C. (2014). Interleukin-1-induced changes in the glioblastoma secretome suggest its role in tumor progression. J Proteomics, 99, 152-168.
TCGA. (2008). Comprehensive genomic characterization defines human glioblastoma genes and core pathways. Nature, 455(7216), 1061-1068.
Teodorczyk, M., & Schmidt, M. H. H. (2014). Notching on Cancer’s Door: Notch Signaling in Brain Tumors. Frontiers in Oncology, 4, 341.
Teodoridis, J. M., Strathdee, G., & Brown, R. (2004). Epigenetic silencing mediated by CpG island methylation: potential as a therapeutic target and as a biomarker. Drug Resist Updat, 7(4-5), 267-278.
Teodoridis, J. M., Strathdee, G., Plumb, J. A., & Brown, R. (2004). CpG-island methylation and epigenetic control of resistance to chemotherapy. Biochem Soc Trans, 32(Pt 6), 916-917.
Tezel, E., Hibi, K., Nagasaka, T., & Nakao, A. (2000). PGP9.5 as a prognostic factor in pancreatic cancer. Clin Cancer Res, 6(12), 4764-4767.
Thon, N., Kreth, S., & Kreth, F. W. (2013). Personalized treatment strategies in glioblastoma: MGMT promoter methylation status. Onco Targets Ther, 6, 1363-1372.
250
Bibliografía
Tomic, S., Chughtai, N., & Ali, S. (1999). SOCS-1, -2, -3: selective targets and functions downstream of the prolactin receptor. Mol Cell Endocrinol, 158(1-2), 45-54.
Toyota, M., Ahuja, N., Ohe-Toyota, M., Herman, J. G., Baylin, S. B., & Issa, J. P. (1999). CpG island methylator phenotype in colorectal cancer. Proc Natl Acad Sci U S A, 96(15), 8681-8686.
Tran, N. L., McDonough, W. S., Donohue, P. J., Winkles, J. A., Berens, T. J., Ross, K. R., et al. (2003). The human Fn14 receptor gene is up-regulated in migrating glioma cells in vitro and overexpressed in advanced glial tumors. Am J Pathol, 162(4), 1313-1321.
Trojan, J., Cloix, J. F., Ardourel, M. Y., Chatel, M., & Anthony, D. D. (2007). Insulin-like growth factor type I biology and targeting in malignant gliomas. Neuroscience, 145(3), 795-811.
Tso, C. L., Freije, W. A., Day, A., Chen, Z., Merriman, B., Perlina, A., et al. (2006). Distinct transcription profiles of primary and secondary glioblastoma subgroups. Cancer Res, 66(1), 159-167.
Turcan, S., Rohle, D., Goenka, A., Walsh, L. A., Fang, F., Yilmaz, E., et al. (2012). IDH1 mutation is sufficient to establish the glioma hypermethylator phenotype. Nature, 483(7390), 479-483.
Valente, V., Serafim, R. B., de Oliveira, L. C., Adorni, F. S., Torrieri, R., Tirapelli, D. P., et al. (2013). Modulation of HJURP (Holliday Junction-Recognizing Protein) levels is correlated with glioblastoma cells survival. PLoS One, 8(4), e62200.
van den Bent, M. J. (2010). Interobserver variation of the histopathological diagnosis in clinical trials on glioma: a clinician's perspective. Acta Neuropathol, 120(3), 297-304.
van den Bent, M. J., Dubbink, H. J., Marie, Y., Brandes, A. A., Taphoorn, M. J. B., Wesseling, P., et al. (2010). IDH1 and IDH2 Mutations Are Prognostic but not Predictive for Outcome in Anaplastic Oligodendroglial Tumors: A Report of the European Organization for Research and Treatment of Cancer Brain Tumor Group. Clinical Cancer Research, 16(5), 1597-1604.
van den Bent, M. J., Gravendeel, L. A., Gorlia, T., Kros, J. M., Lapre, L., Wesseling, P., et al. (2011). A hypermethylated phenotype is a better predictor of survival than MGMT methylation in anaplastic oligodendroglial brain tumors: a report from EORTC study 26951. Clin Cancer Res, 17(22), 7148-7155.
251
Bibliografía
Tomic, S., Chughtai, N., & Ali, S. (1999). SOCS-1, -2, -3: selective targets and functions downstream of the prolactin receptor. Mol Cell Endocrinol, 158(1-2), 45-54.
Toyota, M., Ahuja, N., Ohe-Toyota, M., Herman, J. G., Baylin, S. B., & Issa, J. P. (1999). CpG island methylator phenotype in colorectal cancer. Proc Natl Acad Sci U S A, 96(15), 8681-8686.
Tran, N. L., McDonough, W. S., Donohue, P. J., Winkles, J. A., Berens, T. J., Ross, K. R., et al. (2003). The human Fn14 receptor gene is up-regulated in migrating glioma cells in vitro and overexpressed in advanced glial tumors. Am J Pathol, 162(4), 1313-1321.
Trojan, J., Cloix, J. F., Ardourel, M. Y., Chatel, M., & Anthony, D. D. (2007). Insulin-like growth factor type I biology and targeting in malignant gliomas. Neuroscience, 145(3), 795-811.
Tso, C. L., Freije, W. A., Day, A., Chen, Z., Merriman, B., Perlina, A., et al. (2006). Distinct transcription profiles of primary and secondary glioblastoma subgroups. Cancer Res, 66(1), 159-167.
Turcan, S., Rohle, D., Goenka, A., Walsh, L. A., Fang, F., Yilmaz, E., et al. (2012). IDH1 mutation is sufficient to establish the glioma hypermethylator phenotype. Nature, 483(7390), 479-483.
Valente, V., Serafim, R. B., de Oliveira, L. C., Adorni, F. S., Torrieri, R., Tirapelli, D. P., et al. (2013). Modulation of HJURP (Holliday Junction-Recognizing Protein) levels is correlated with glioblastoma cells survival. PLoS One, 8(4), e62200.
van den Bent, M. J. (2010). Interobserver variation of the histopathological diagnosis in clinical trials on glioma: a clinician's perspective. Acta Neuropathol, 120(3), 297-304.
van den Bent, M. J., Dubbink, H. J., Marie, Y., Brandes, A. A., Taphoorn, M. J. B., Wesseling, P., et al. (2010). IDH1 and IDH2 Mutations Are Prognostic but not Predictive for Outcome in Anaplastic Oligodendroglial Tumors: A Report of the European Organization for Research and Treatment of Cancer Brain Tumor Group. Clinical Cancer Research, 16(5), 1597-1604.
van den Bent, M. J., Gravendeel, L. A., Gorlia, T., Kros, J. M., Lapre, L., Wesseling, P., et al. (2011). A hypermethylated phenotype is a better predictor of survival than MGMT methylation in anaplastic oligodendroglial brain tumors: a report from EORTC study 26951. Clin Cancer Res, 17(22), 7148-7155.
Bibliografía
van den Boom, J., Wolter, M., Kuick, R., Misek, D. E., Youkilis, A. S., Wechsler, D. S., et al. (2003). Characterization of Gene Expression Profiles Associated with Glioma Progression Using Oligonucleotide-Based Microarray Analysis and Real-Time Reverse Transcription-Polymerase Chain Reaction. The American Journal of Pathology, 163(3), 1033-1043.
Vedham, V., & Verma, M. (2015). Cancer-associated infectious agents and epigenetic regulation. Methods Mol Biol, 1238, 333-354.
Verhaak, R. G., Hoadley, K. A., Purdom, E., Wang, V., Qi, Y., Wilkerson, M. D., et al. (2010). Integrated genomic analysis identifies clinically relevant subtypes of glioblastoma characterized by abnormalities in PDGFRA, IDH1, EGFR, and NF1. Cancer Cell, 17(1), 98-110.
von Deimling, A., Korshunov, A., & Hartmann, C. (2011). The next generation of glioma biomarkers: MGMT methylation, BRAF fusions and IDH1 mutations. Brain Pathol, 21(1), 74-87.
von Wronski, M. A., & Brent, T. P. (1994). Effect of 5-azacytidine on expression of the human DNA repair enzyme O6-methylguanine-DNA methyltransferase. Carcinogenesis, 15(4), 577-582.
Wang, C. Y., Lai, M. D., Phan, N. N., Sun, Z., & Lin, Y. C. (2015). Meta-Analysis of Public Microarray Datasets Reveals Voltage-Gated Calcium Gene Signatures in Clinical Cancer Patients. PLoS One, 10(7), e0125766.
Wang, H., Wang, H., Shen, W., Huang, H., Hu, L., Ramdas, L., et al. (2003). Insulin-like Growth Factor Binding Protein 2 Enhances Glioblastoma Invasion by Activating Invasion-enhancing Genes. Cancer Research, 63(15), 4315-4321.
Wang, Y., & Leung, F. C. (2004). An evaluation of new criteria for CpG islands in the human genome as gene markers. Bioinformatics, 20(7), 1170-1177.
Ware, M. L., Berger, M. S., & Binder, D. K. (2003). Molecular biology of glioma tumorigenesis. Histol Histopathol, 18(1), 207-216.
Weller, M., Pfister, S. M., Wick, W., Hegi, M. E., Reifenberger, G., & Stupp, R. (2013). Molecular neuro-oncology in clinical practice: a new horizon. Lancet Oncol, 14(9), e370-379.
Wen, P. Y., & Kesari, S. (2008). Malignant gliomas in adults. N Engl J Med, 359(5), 492-507.
Wen, P. Y., & Kesari, S. (2008). Malignant Gliomas in Adults. New England Journal of Medicine, 359(5), 492-507.
252
Bibliografía
Wertz, I. E., & Dixit, V. M. (2010). Signaling to NF-kappaB: regulation by ubiquitination. Cold Spring Harb Perspect Biol, 2(3), a003350.
Wick, W., & Weller, M. (2009). Classification and management of anaplastic gliomas. Curr Opin Neurol, 22(6), 650-656.
Wilson, B. D., Ii, M., Park, K. W., Suli, A., Sorensen, L. K., Larrieu-Lahargue, F., et al. (2006). Netrins promote developmental and therapeutic angiogenesis. Science, 313(5787), 640-644.
Wright, W. E., Pereira-Smith, O. M., & Shay, J. W. (1989). Reversible cellular senescence: implications for immortalization of normal human diploid fibroblasts. Mol Cell Biol, 9(7), 3088-3092.
www.aecc.es. (2012). www.aecc.es.
www.bioarray.es.
www.bioconductor.org.
www.proteinatlas.org.
www.uniprot.org.
Xiong, Z., & Laird, P. W. (1997). COBRA: a sensitive and quantitative DNA methylation assay. Nucleic Acids Res, 25(12), 2532-2534.
Xu, W., Yang, H., Liu, Y., Yang, Y., Wang, P., Kim, S. H., et al. (2011). Oncometabolite 2-hydroxyglutarate is a competitive inhibitor of alpha-ketoglutarate-dependent dioxygenases. Cancer Cell, 19(1), 17-30.
Yamashita, Y., Ito, Y., Isomura, H., Takemura, N., Okamoto, A., Motomura, K., et al. (2014). Lack of presence of the human cytomegalovirus in human glioblastoma. Mod Pathol, 27(7), 922-929.
Yamazaki, T., Hibi, K., Takase, T., Tezel, E., Nakayama, H., Kasai, Y., et al. (2002). PGP9.5 as a marker for invasive colorectal cancer. Clin Cancer Res, 8(1), 192-195.
Yan, C., & Boyd, D. D. (2007). Regulation of matrix metalloproteinase gene expression. J Cell Physiol, 211(1), 19-26.
Yan, H., Parsons, D. W., Jin, G., McLendon, R., Rasheed, B. A., Yuan, W., et al. (2009). IDH1 and IDH2 mutations in gliomas. N Engl J Med, 360(8), 765-773.
253
Bibliografía
Wertz, I. E., & Dixit, V. M. (2010). Signaling to NF-kappaB: regulation by ubiquitination. Cold Spring Harb Perspect Biol, 2(3), a003350.
Wick, W., & Weller, M. (2009). Classification and management of anaplastic gliomas. Curr Opin Neurol, 22(6), 650-656.
Wilson, B. D., Ii, M., Park, K. W., Suli, A., Sorensen, L. K., Larrieu-Lahargue, F., et al. (2006). Netrins promote developmental and therapeutic angiogenesis. Science, 313(5787), 640-644.
Wright, W. E., Pereira-Smith, O. M., & Shay, J. W. (1989). Reversible cellular senescence: implications for immortalization of normal human diploid fibroblasts. Mol Cell Biol, 9(7), 3088-3092.
www.aecc.es. (2012). www.aecc.es.
www.bioarray.es.
www.bioconductor.org.
www.proteinatlas.org.
www.uniprot.org.
Xiong, Z., & Laird, P. W. (1997). COBRA: a sensitive and quantitative DNA methylation assay. Nucleic Acids Res, 25(12), 2532-2534.
Xu, W., Yang, H., Liu, Y., Yang, Y., Wang, P., Kim, S. H., et al. (2011). Oncometabolite 2-hydroxyglutarate is a competitive inhibitor of alpha-ketoglutarate-dependent dioxygenases. Cancer Cell, 19(1), 17-30.
Yamashita, Y., Ito, Y., Isomura, H., Takemura, N., Okamoto, A., Motomura, K., et al. (2014). Lack of presence of the human cytomegalovirus in human glioblastoma. Mod Pathol, 27(7), 922-929.
Yamazaki, T., Hibi, K., Takase, T., Tezel, E., Nakayama, H., Kasai, Y., et al. (2002). PGP9.5 as a marker for invasive colorectal cancer. Clin Cancer Res, 8(1), 192-195.
Yan, C., & Boyd, D. D. (2007). Regulation of matrix metalloproteinase gene expression. J Cell Physiol, 211(1), 19-26.
Yan, H., Parsons, D. W., Jin, G., McLendon, R., Rasheed, B. A., Yuan, W., et al. (2009). IDH1 and IDH2 mutations in gliomas. N Engl J Med, 360(8), 765-773.
Bibliografía
Yandava, C. N., Pillari, A., & Drazen, J. M. (1999). Radiation hybrid and cytogenetic mapping of SOCS1 and SOCS2 to chromosomes 16p13 and 12q, respectively. Genomics, 61(1), 108-111.
Yang, J., Yang, Q., Yu, J., Li, X., Yu, S., & Zhang, X. (2016). SPOCK1 promotes the proliferation, migration and invasion of glioma cells through PI3K/AKT and Wnt/beta-catenin signaling pathways. Oncol Rep, 35(6), 3566-3576.
Yang, Y., Liu, Y., Yao, X., Ping, Y., Jiang, T., Liu, Q., et al. (2011). Annexin 1 released by necrotic human glioblastoma cells stimulates tumor cell growth through the formyl peptide receptor 1. Am J Pathol, 179(3), 1504-1512.
Yu, F., Li, G., Gao, J., Sun, Y., Liu, P., Gao, H., et al. (2016). SPOCK1 is upregulated in recurrent glioblastoma and contributes to metastasis and Temozolomide resistance. Cell Prolif, 49(2), 195-206.
Yu, L., & Qi, S. (2012). Ten-Eleven Translocation-2 gene mutations: A potential new molecular marker in malignant gliomas (Review). Oncol Lett, 3(1), 7-10.
Zeng, A., Hu, Q., Liu, Y., Wang, Z., Cui, X., Li, R., et al. (2015). IDH1/2 mutation status combined with Ki-67 labeling index defines distinct prognostic groups in glioma. Oncotarget, 6(30), 30232-30238.
Zhang, J., Li, H., Yu, J. P., Wang, S. E., & Ren, X. B. (2012). Role of SOCS1 in tumor progression and therapeutic application. Int J Cancer, 130(9), 1971-1980.
Zhang, S. D., Leung, K. L., McCrudden, C. M., & Kwok, H. F. (2015). The Prognostic Significance of Combining VEGFA, FLT1 and KDR mRNA Expressions in Brain Tumors. J Cancer, 6(9), 812-818.
Zhao, S., Lin, Y., Xu, W., Jiang, W., Zha, Z., Wang, P., et al. (2009). Glioma-Derived Mutations in IDH1 Dominantly Inhibit IDH1 Catalytic Activity and Induce HIF-1α. Science, 324(5924), 261-265.
Zhou, H., Miki, R., Eeva, M., Fike, F. M., Seligson, D., Yang, L., et al. (2007). Reciprocal regulation of SOCS 1 and SOCS3 enhances resistance to ionizing radiation in glioblastoma multiforme. Clin Cancer Res, 13(8), 2344-2353.
Zimmers, T. A., Jin, X., Hsiao, E. C., McGrath, S. A., Esquela, A. F., & Koniaris, L. G. (2005). Growth differentiation factor-15/macrophage inhibitory cytokine-1 induction after kidney and lung injury. Shock, 23(6), 543-548.
Anexos
ANEXOS
Anexos
ANEXO I: Protocolos de extracción de ADN y ARN.
Protocolo kit QIAamp DNA Investigator (Qiagen)
1. Añadir 200µL (microlitros) de Buffer AL a la muestra, mezclar mediante
agitación con vórtex.
2. Añadir 200µL de etanol (96-100%) y volver a mezclar mediante vórtex.
3. Pasar todo el volumen de la muestra a una columna Dneasy Mini Spin
colocada dentro de un tubo de 2mL (mililitros). Centrifugar a 8000rpm
(revoluciones por minuto) durante 1 minuto. Descartar el sobrenadante y
el tubo de recogida.
4. Colocar la columna en un nuevo tubo de recogida, añadir 500µL de
Buffer AW1 y centrifugar durante 1 minuto a 8000rpm. Descartar el
sobrenadante y el tubo de recogida.
5. Colocar la columna en un nuevo tubo de recogida, añadir 500µL de
Buffer AW2 y centrifugar durante 3 minutos a 14000rpm para secar la
membrana de la columna. Descartar el sobrenadante y el tubo de
recogida.
6. Colocar la columna en un tubo nuevo de 1.5mL y pipetear 200µL de
Buffer AE, disolución adecuadamente tamponada, directamente sobre la
membrana. Incubar a temperatura ambiente durante 1 minuto, centifugar
a 8000rpm otro minuto para eluir.
Protocolo kit Forensic DNA (D3591-02 OMEGA bio-tek)
1. Añadir 225µL de Buffer BL y 1µL de RNA carrier e incubar a 60ºC
durante 10 minutos. Dar un pulso de centrifugación.
2. Equilibrar la columna HiBind DNA Mini en un tubo de recogida de 2mL y
añadir 100µL de Equilibration Buffer. Incubar a temperatura ambiente
257
Anexos
ANEXO I: Protocolos de extracción de ADN y ARN.
Protocolo kit QIAamp DNA Investigator (Qiagen)
1. Añadir 200µL (microlitros) de Buffer AL a la muestra, mezclar mediante
agitación con vórtex.
2. Añadir 200µL de etanol (96-100%) y volver a mezclar mediante vórtex.
3. Pasar todo el volumen de la muestra a una columna Dneasy Mini Spin
colocada dentro de un tubo de 2mL (mililitros). Centrifugar a 8000rpm
(revoluciones por minuto) durante 1 minuto. Descartar el sobrenadante y
el tubo de recogida.
4. Colocar la columna en un nuevo tubo de recogida, añadir 500µL de
Buffer AW1 y centrifugar durante 1 minuto a 8000rpm. Descartar el
sobrenadante y el tubo de recogida.
5. Colocar la columna en un nuevo tubo de recogida, añadir 500µL de
Buffer AW2 y centrifugar durante 3 minutos a 14000rpm para secar la
membrana de la columna. Descartar el sobrenadante y el tubo de
recogida.
6. Colocar la columna en un tubo nuevo de 1.5mL y pipetear 200µL de
Buffer AE, disolución adecuadamente tamponada, directamente sobre la
membrana. Incubar a temperatura ambiente durante 1 minuto, centifugar
a 8000rpm otro minuto para eluir.
Protocolo kit Forensic DNA (D3591-02 OMEGA bio-tek)
1. Añadir 225µL de Buffer BL y 1µL de RNA carrier e incubar a 60ºC
durante 10 minutos. Dar un pulso de centrifugación.
2. Equilibrar la columna HiBind DNA Mini en un tubo de recogida de 2mL y
añadir 100µL de Equilibration Buffer. Incubar a temperatura ambiente
258
Anexos
durante 4 minutos. A continuación, centrifugar a máxima velocidad
durante 20 segundos.
3. Pasar todo el volumen del paso 1 a la columna. Centrifugar 1 minuto a
8000g (aceleración de la gravedad). Descartar el sobrenadante y el tubo
de recogida.
4. Colocar la columna en un nuevo tubo de recogida y añadir 500µL de
Buffer HB. Centrifugar 1 minuto a 8000g. Tirar el sobrenadante y re-
utilizar el tubo de recogida.
5. Añadir 750µL de Wash Buffer. Centrifugar 1 minuto a 8000g. Descartar
el sobrenadante y el tubo de recogida.
6. Usar un nuevo tubo de recogida y añadir 750µL de Wash Buffer.
Centrifugar 1 minuto a 8000g. Tirar el sobrenadante y reusar el tubo de
recogida.
7. Centrifugar a máxima velocidad durante 2 minutos para secar la
columna.
8. Colocar la columna en un nuevo tubo de 1.5mL y añadir 50µL de Elution
Buffer precalentado a 70ºC. Incubar durante 3 minutos a temperatura
ambiente.
9. Centrifugar 1 minuto a 8000g para eluir el ADN de la columna.
10. Si es necesario realizar una segunda elución, repetir los pasos 8 y 9.
Protocolo RNAqueous®-Micro Total RNA Isolation kit (Ambion)
1. Añadir 100µL de Solución de Lisis a 10X a la muestra (ya que el
material de partida fue menor de 10mg (miligramos)).
2. Homogeneizar con ayuda de una aguja de insulina.
3. Añadir 50µL de etanol al 100%. Vórtex y un pulso en la centrífuga.
Anexos
4. Pasar todo el volumen a una columna Microfilter Cartridge Assembly
y centrifugar 10 segundos a velocidad máxima (13200 rpm). En este
paso el ARN se queda retenido en la membrana de la columna.
5. Lavar la columna con 180µL de Wash Solution 1. Centrifugar durante
10 segundos.
6. Lavar la columna con 180µL de Wash Solution 2/3. Centrifugar
durante 10 segundos.
7. Repetir el paso 6.
8. Descartar el eluido y centrifugar durante 1 minuto a velocidad
máxima.
9. Pasar la columna a un tubo eppendorf nuevo (1.5mL) rotulado
adecuadamente. Eluir con 15µL de Elution Solution precalentada a
75ºC. Incubar 1 minuto a temperatura ambiente y centrifugar 30
segundos a velocidad máxima. Realizar una segunda elución en el
mismo tubo.
10. Tratamiento con ADNasa: añadir al ARN eluido 1µL de ADNse I y
3µL de ADNse I Buffer 10X. Mezclar vigorosamente. Incubar 20
minutos a 37ºC.
11. Vortear el ADNse I Inactivation Reagent y añadir un volumen igual a
1/10 del volumen de elución (Ejemplo: 30µL de ARN más 1µL de
ADNse I más 3µL de ADNse I Buffer 10X hacen un total de 34µL, por
lo que se tendrán que añadir 3.4µL de ADNse I Inactivation Reagent).
Incubar 2 minutos a temperatura ambiente, vorteando una vez al
pasar un minuto.
12. Centrifugar 1.5 minutos a velocidad máxima, de manera que se forma
un pellet. Transferir el sobrenadante a un tubo eppendorf nuevo y
rotulado.
13. Cuantificar el ARN en el NanoDrop 1000 Spectrophotometer (Thermo
Scientific), usando como blanco Elution Solution.
259
Anexos
durante 4 minutos. A continuación, centrifugar a máxima velocidad
durante 20 segundos.
3. Pasar todo el volumen del paso 1 a la columna. Centrifugar 1 minuto a
8000g (aceleración de la gravedad). Descartar el sobrenadante y el tubo
de recogida.
4. Colocar la columna en un nuevo tubo de recogida y añadir 500µL de
Buffer HB. Centrifugar 1 minuto a 8000g. Tirar el sobrenadante y re-
utilizar el tubo de recogida.
5. Añadir 750µL de Wash Buffer. Centrifugar 1 minuto a 8000g. Descartar
el sobrenadante y el tubo de recogida.
6. Usar un nuevo tubo de recogida y añadir 750µL de Wash Buffer.
Centrifugar 1 minuto a 8000g. Tirar el sobrenadante y reusar el tubo de
recogida.
7. Centrifugar a máxima velocidad durante 2 minutos para secar la
columna.
8. Colocar la columna en un nuevo tubo de 1.5mL y añadir 50µL de Elution
Buffer precalentado a 70ºC. Incubar durante 3 minutos a temperatura
ambiente.
9. Centrifugar 1 minuto a 8000g para eluir el ADN de la columna.
10. Si es necesario realizar una segunda elución, repetir los pasos 8 y 9.
Protocolo RNAqueous®-Micro Total RNA Isolation kit (Ambion)
1. Añadir 100µL de Solución de Lisis a 10X a la muestra (ya que el
material de partida fue menor de 10mg (miligramos)).
2. Homogeneizar con ayuda de una aguja de insulina.
3. Añadir 50µL de etanol al 100%. Vórtex y un pulso en la centrífuga.
Anexos
4. Pasar todo el volumen a una columna Microfilter Cartridge Assembly
y centrifugar 10 segundos a velocidad máxima (13200 rpm). En este
paso el ARN se queda retenido en la membrana de la columna.
5. Lavar la columna con 180µL de Wash Solution 1. Centrifugar durante
10 segundos.
6. Lavar la columna con 180µL de Wash Solution 2/3. Centrifugar
durante 10 segundos.
7. Repetir el paso 6.
8. Descartar el eluido y centrifugar durante 1 minuto a velocidad
máxima.
9. Pasar la columna a un tubo eppendorf nuevo (1.5mL) rotulado
adecuadamente. Eluir con 15µL de Elution Solution precalentada a
75ºC. Incubar 1 minuto a temperatura ambiente y centrifugar 30
segundos a velocidad máxima. Realizar una segunda elución en el
mismo tubo.
10. Tratamiento con ADNasa: añadir al ARN eluido 1µL de ADNse I y
3µL de ADNse I Buffer 10X. Mezclar vigorosamente. Incubar 20
minutos a 37ºC.
11. Vortear el ADNse I Inactivation Reagent y añadir un volumen igual a
1/10 del volumen de elución (Ejemplo: 30µL de ARN más 1µL de
ADNse I más 3µL de ADNse I Buffer 10X hacen un total de 34µL, por
lo que se tendrán que añadir 3.4µL de ADNse I Inactivation Reagent).
Incubar 2 minutos a temperatura ambiente, vorteando una vez al
pasar un minuto.
12. Centrifugar 1.5 minutos a velocidad máxima, de manera que se forma
un pellet. Transferir el sobrenadante a un tubo eppendorf nuevo y
rotulado.
13. Cuantificar el ARN en el NanoDrop 1000 Spectrophotometer (Thermo
Scientific), usando como blanco Elution Solution.
260
Anexos
ANEXO II: Localización cromosómica de las sondas del kit SALSA MLPA kit
P088 B1 Oligodendroglioma
Cromosoma 1 Cromosoma 19
Anexos
ANEXO III: Protocolo para determinar las co-deleciones en los brazos
cromosómicos 1p y/o 19q mediante el kit SALSA MLPA kit P088 B1
Oligodendroglioma (MRC-Holland) y resultados.
1. Desnaturalización de la muestra y de los controles y posterior
enfriamiento a 25ºC. La cantidad de muestra inicial recomendada por
el fabricante es de 100-200 ng de ADN en 5µL. No obstante, debido
a la fragmentación de los ADNs tumorales incluidos en parafina, se
decidió partir de una cantidad de ADN algo mayor (200-300ng).
2. Adición de la mezcla de sondas (Mástermix de hibridación: 1.5µL de
buffer MLPA y 1.5µL de probemix por cada tubo), desnaturalización
de la muestra (5 minutos a 98ºC) e hibridación de las sondas al ADN
de la muestra tumoral y de los controles. La hibridación, a 60ºC, se
llevó a cabo durante 16-20 horas.
3. Ligación de las sondas. Tras la hibridación, se disminuye la
temperatura a 54ºC y se adiciona la ADN-ligasa con su
correspondiente tampón (Mástermix ligasa 65 por cada tubo: 25µL
H2O, 3µL buffer ligasa A, 3µL buffer ligasa B y 1µL enzima ligasa 65).
Se incuba durante 15 minutos a 54ºC. A continuación, se
desnaturaliza la ADN-ligasa durante 5 minutos a 98ºC. La adición de
esta enzima ligasa provoca la unión covalente de los dos fragmentos
consecutivos de cada sonda. Sólo si las dos partes de la sonda han
hibridado correctamente se producirá la ligación (esta característica
permite detectar cambios en la secuencia de un único nucleótido). Se
baja la temperatura a 20ºC.
4. Amplificación de las sondas (no del ADN tumoral) mediante PCR.
Cada sonda será amplificada si los dos fragmentos que la componen
han sido ligados en el paso 3 del proceso. Si en la muestra tumoral
ha habido una deleción de la región en la que tiene que hibridar una
sonda concreta, no habrá amplificación de la sonda correspondiente.
261
Anexos
ANEXO II: Localización cromosómica de las sondas del kit SALSA MLPA kit
P088 B1 Oligodendroglioma
Cromosoma 1 Cromosoma 19
Anexos
ANEXO III: Protocolo para determinar las co-deleciones en los brazos
cromosómicos 1p y/o 19q mediante el kit SALSA MLPA kit P088 B1
Oligodendroglioma (MRC-Holland) y resultados.
1. Desnaturalización de la muestra y de los controles y posterior
enfriamiento a 25ºC. La cantidad de muestra inicial recomendada por
el fabricante es de 100-200 ng de ADN en 5µL. No obstante, debido
a la fragmentación de los ADNs tumorales incluidos en parafina, se
decidió partir de una cantidad de ADN algo mayor (200-300ng).
2. Adición de la mezcla de sondas (Mástermix de hibridación: 1.5µL de
buffer MLPA y 1.5µL de probemix por cada tubo), desnaturalización
de la muestra (5 minutos a 98ºC) e hibridación de las sondas al ADN
de la muestra tumoral y de los controles. La hibridación, a 60ºC, se
llevó a cabo durante 16-20 horas.
3. Ligación de las sondas. Tras la hibridación, se disminuye la
temperatura a 54ºC y se adiciona la ADN-ligasa con su
correspondiente tampón (Mástermix ligasa 65 por cada tubo: 25µL
H2O, 3µL buffer ligasa A, 3µL buffer ligasa B y 1µL enzima ligasa 65).
Se incuba durante 15 minutos a 54ºC. A continuación, se
desnaturaliza la ADN-ligasa durante 5 minutos a 98ºC. La adición de
esta enzima ligasa provoca la unión covalente de los dos fragmentos
consecutivos de cada sonda. Sólo si las dos partes de la sonda han
hibridado correctamente se producirá la ligación (esta característica
permite detectar cambios en la secuencia de un único nucleótido). Se
baja la temperatura a 20ºC.
4. Amplificación de las sondas (no del ADN tumoral) mediante PCR.
Cada sonda será amplificada si los dos fragmentos que la componen
han sido ligados en el paso 3 del proceso. Si en la muestra tumoral
ha habido una deleción de la región en la que tiene que hibridar una
sonda concreta, no habrá amplificación de la sonda correspondiente.
262
Anexos
Por el contrario, si la región de hibridación de la sonda ha sufrido una
amplificación (hay más de una copia de esa región en el genoma), el
producto de amplificación será más abundante de lo esperado. Para
ello, se añaden 10µL de mástermix de reacción de PCR por tubo
(7.5µL H2O, 2µL SALSA PCR primer mix y 0.5µL SALSA polimerasa).
Se continúa con el programa del termociclador con 35 ciclos de: 30
segundos a 95ºC, 30 segundos a 60ºC y 1 minuto a 72ºC. A
continuación, se incubar durante 20 minutos a 72ºC y se baja la
temperatura a 15ºC.
Anexos
Resultados
A) Resultado correspondiente a una muestra sin deleciones: las sondas
están dentro de los límites establecidos (entre 0.7 y 1.4) B) Resultado
correspondiente a una muestra con deleción parcial de 1p: hay algunas
sondas de 1p que no llegan al límite inferior C) Resultado
correspondiente a una muestra con codeleción de 1p/19q: muchas de
las sondas de 1p y 19q no llegan al límite inferior. Las barras negras
corresponden a los controles internos, las verde oscuro son sondas de
1p, las verde claro de 1q, las azul claro de 19p y las azul oscuro a 19q.
A
B
C
263
Anexos
Por el contrario, si la región de hibridación de la sonda ha sufrido una
amplificación (hay más de una copia de esa región en el genoma), el
producto de amplificación será más abundante de lo esperado. Para
ello, se añaden 10µL de mástermix de reacción de PCR por tubo
(7.5µL H2O, 2µL SALSA PCR primer mix y 0.5µL SALSA polimerasa).
Se continúa con el programa del termociclador con 35 ciclos de: 30
segundos a 95ºC, 30 segundos a 60ºC y 1 minuto a 72ºC. A
continuación, se incubar durante 20 minutos a 72ºC y se baja la
temperatura a 15ºC.
Anexos
Resultados
A) Resultado correspondiente a una muestra sin deleciones: las sondas
están dentro de los límites establecidos (entre 0.7 y 1.4) B) Resultado
correspondiente a una muestra con deleción parcial de 1p: hay algunas
sondas de 1p que no llegan al límite inferior C) Resultado
correspondiente a una muestra con codeleción de 1p/19q: muchas de
las sondas de 1p y 19q no llegan al límite inferior. Las barras negras
corresponden a los controles internos, las verde oscuro son sondas de
1p, las verde claro de 1q, las azul claro de 19p y las azul oscuro a 19q.
A
B
C
264
Anexos
ANEXO IV: Protocolo para la determinación del estado de metilación del gen
MGMT mediante el kit SALSA MLPA ME011 B1 Mismatch Repair Genes y para
la determinación del fenotipo hipermetilador en gliomas mediante el kit SALSA
MLPA ME042 B1 CIMP (MRC-Holland).
DÍA 1
1) Desnaturalización (termociclador). En este caso, cada muestra tiene su
propio control interno.
Se preparan 200-300ng de ADN en 5µL.
2) Hibridación (termociclador).
Se añade a cada tubo 3µL de mix de hibridación:
SALSA Probe Mix (MMR o CIMP)………….1.5µL MLPA buffer……………………………........1.5µL
DÍA 2
3) Ligación-Digestión. Este paso es el que diferencia el MS-MLPA del
MLPA convencional. En este punto del proceso, se divide en dos tubos
distintos el producto resultante de la hibridación. A uno de los tubos se le
añade la ligasa para unir los dos fragmentos de cada sonda; al otro, la
ligasa más la enzima de restricción sensible a metilación HhaI. El
primero de los tubos de cada muestra servirá de control ya que no está
98ºC 25º
C 10 min 2
min
95ºC 60º
C 1
min 16-20 horas
Anexos
digerido. En el segundo tubo se producirá la digestión de las sondas con
punto de corte para la enzima, sólo si la secuencia de reconocimiento no
está metilada. En las muestras en las que el ADN tumoral esté metilado,
la enzima no reconocerá su secuencia diana y no habrá digestión.
Muestras a temperatura ambiente.
Se preparan 3 mixes:
Mix A
Ligase-buffer A………………………………3µL H2O………………………………………….10µL Ligase-65 mix
Ligase-65 buffer B………………………….1.5µL H2O………………………………………….8.25µL Ligase-65 enzyme………………………….0.25µL
Ligase-Digestion mix
Ligase-65 buffer B………………………….1.5µL H2O………………………………………….7.75µL Ligase-65 enzyme………………………….0.25µL Hha1 enzyme……………………………….0.5µL
Se añaden 13µL del Mix A a cada muestra a temperatura
ambiente. Se divide cada muestra en dos (se tranfieren 10µL a un
segundo tubo).
Se colocan los tubos en el termociclador a 54ºC. Se añaden 10µL
de Ligase-65 mix a los primeros tubos y 10µL de Ligase-Digestion
mix a los segundos.
Se preparan los mixes para la PCR en hielo. En el tubo digerido
con HhaI sólo se amplificarán las sondas control que no tienen
98ºC 10º
C 5
min ∞
54ºC
30 min
265
Anexos
ANEXO IV: Protocolo para la determinación del estado de metilación del gen
MGMT mediante el kit SALSA MLPA ME011 B1 Mismatch Repair Genes y para
la determinación del fenotipo hipermetilador en gliomas mediante el kit SALSA
MLPA ME042 B1 CIMP (MRC-Holland).
DÍA 1
1) Desnaturalización (termociclador). En este caso, cada muestra tiene su
propio control interno.
Se preparan 200-300ng de ADN en 5µL.
2) Hibridación (termociclador).
Se añade a cada tubo 3µL de mix de hibridación:
SALSA Probe Mix (MMR o CIMP)………….1.5µL MLPA buffer……………………………........1.5µL
DÍA 2
3) Ligación-Digestión. Este paso es el que diferencia el MS-MLPA del
MLPA convencional. En este punto del proceso, se divide en dos tubos
distintos el producto resultante de la hibridación. A uno de los tubos se le
añade la ligasa para unir los dos fragmentos de cada sonda; al otro, la
ligasa más la enzima de restricción sensible a metilación HhaI. El
primero de los tubos de cada muestra servirá de control ya que no está
98ºC 25º
C 10 min 2
min
95ºC 60º
C 1
min 16-20 horas
Anexos
digerido. En el segundo tubo se producirá la digestión de las sondas con
punto de corte para la enzima, sólo si la secuencia de reconocimiento no
está metilada. En las muestras en las que el ADN tumoral esté metilado,
la enzima no reconocerá su secuencia diana y no habrá digestión.
Muestras a temperatura ambiente.
Se preparan 3 mixes:
Mix A
Ligase-buffer A………………………………3µL H2O………………………………………….10µL Ligase-65 mix
Ligase-65 buffer B………………………….1.5µL H2O………………………………………….8.25µL Ligase-65 enzyme………………………….0.25µL
Ligase-Digestion mix
Ligase-65 buffer B………………………….1.5µL H2O………………………………………….7.75µL Ligase-65 enzyme………………………….0.25µL Hha1 enzyme……………………………….0.5µL
Se añaden 13µL del Mix A a cada muestra a temperatura
ambiente. Se divide cada muestra en dos (se tranfieren 10µL a un
segundo tubo).
Se colocan los tubos en el termociclador a 54ºC. Se añaden 10µL
de Ligase-65 mix a los primeros tubos y 10µL de Ligase-Digestion
mix a los segundos.
Se preparan los mixes para la PCR en hielo. En el tubo digerido
con HhaI sólo se amplificarán las sondas control que no tienen
98ºC 10º
C 5
min ∞
54ºC
30 min
266
Anexos
punto de corte para la enzima y las sondas cuya región
complementaria del ADN esté metilada. El resto de las sondas,
como han sido digeridas en el paso anterior, no generan ningún
producto de amplificación. En el tubo control sin digerir se
amplificarán todas las sondas.
Mix sin enzima
Salsa PCR buffer……………………………2µL H2O…………………………………………...13µL
Mix con enzima
Salsa PCR primers………………………………1µL Salsa enzyme dilution buffer…………………….1µL
H2O…………………………………………......2.75µL Salsa Polymerase……………………………..0.25µL
Se pasan a tubos nuevos 5µL de cada muestra y se añaden 15µL
de mix sin enzima. Se colocan los tubos en el termociclador
precalentado a 72ºC. Se añaden 5µL de mix con enzima a cada
tubo y se continúa con el programa del termociclador.
Se carga una placa de 0.2µL de 96 pocillos. Se añade a cada
pocillo 2µL de muestra, 23µL de formamida y 0.5µL de ROX.
Se desnaturaliza la placa a 95ºC durante 5 minutos.
Se coloca la placa en el secuenciador:
o Programa: 3100 Avant Program Gen Scan o Dye Set: D o Run Mode: MLPA o Analysis Mo GS 500 Analysis.gsp
72ºC
30 seg
95ºC
60ºC
30 seg
72ºC
72ºC
1 min
20 min
35 ciclos
Anexos
ANEXO V: Resultados del MS-MLPA para MGMT
A
B
C
Resultados correspondientes a una muestra no metilada (A), parcialmente metilada (B) y metilada (C)
267
Anexos
punto de corte para la enzima y las sondas cuya región
complementaria del ADN esté metilada. El resto de las sondas,
como han sido digeridas en el paso anterior, no generan ningún
producto de amplificación. En el tubo control sin digerir se
amplificarán todas las sondas.
Mix sin enzima
Salsa PCR buffer……………………………2µL H2O…………………………………………...13µL
Mix con enzima
Salsa PCR primers………………………………1µL Salsa enzyme dilution buffer…………………….1µL
H2O…………………………………………......2.75µL Salsa Polymerase……………………………..0.25µL
Se pasan a tubos nuevos 5µL de cada muestra y se añaden 15µL
de mix sin enzima. Se colocan los tubos en el termociclador
precalentado a 72ºC. Se añaden 5µL de mix con enzima a cada
tubo y se continúa con el programa del termociclador.
Se carga una placa de 0.2µL de 96 pocillos. Se añade a cada
pocillo 2µL de muestra, 23µL de formamida y 0.5µL de ROX.
Se desnaturaliza la placa a 95ºC durante 5 minutos.
Se coloca la placa en el secuenciador:
o Programa: 3100 Avant Program Gen Scan o Dye Set: D o Run Mode: MLPA o Analysis Mo GS 500 Analysis.gsp
72ºC
30 seg
95ºC
60ºC
30 seg
72ºC
72ºC
1 min
20 min
35 ciclos
Anexos
ANEXO V: Resultados del MS-MLPA para MGMT
A
B
C
Resultados correspondientes a una muestra no metilada (A), parcialmente metilada (B) y metilada (C)
268
Anexos
ANEXO VI: Resultados del MS-MLPA del CIMP
A
B
A) Resultado correspondiente a una muestra CIMP positiva, cinco de los ocho genes del panel están metilados, B) Resultado correspondiente a una muestra CIMP negativa, sólo dos de los ocho genes del panel se encuentran metilados.
Anexos
ANEXO VII: Protocolo de detección de HCMV por el kit RealStar CMV PCR Kit
1.2 (Altona Diagnostics GmbM).
1. Extraer el ADN de las muestras siguiendo los protocolos anteriormente
descritos.
2. Descongelar, mezclar y centrifugar los reactivos y muestras.
3. Preparar la mezcla de reacción (Tabla 11), añadir 8µL de esta mezcla a
cada pocillo de la placa.
4. Añadir 5µL de cada muestra/estándar/control en el pocillo
correspondiente de la placa y mezclar con la pipeta.
5. Cubrir la placa con papel óptico.
6. Dar un pulso a la placa y colocarla en la qPCR.
7. Programar la qPCR según las indicaciones del fabricante (Tabla 12).
269
Anexos
ANEXO VI: Resultados del MS-MLPA del CIMP
A
B
A) Resultado correspondiente a una muestra CIMP positiva, cinco de los ocho genes del panel están metilados, B) Resultado correspondiente a una muestra CIMP negativa, sólo dos de los ocho genes del panel se encuentran metilados.
Anexos
ANEXO VII: Protocolo de detección de HCMV por el kit RealStar CMV PCR Kit
1.2 (Altona Diagnostics GmbM).
1. Extraer el ADN de las muestras siguiendo los protocolos anteriormente
descritos.
2. Descongelar, mezclar y centrifugar los reactivos y muestras.
3. Preparar la mezcla de reacción (Tabla 11), añadir 8µL de esta mezcla a
cada pocillo de la placa.
4. Añadir 5µL de cada muestra/estándar/control en el pocillo
correspondiente de la placa y mezclar con la pipeta.
5. Cubrir la placa con papel óptico.
6. Dar un pulso a la placa y colocarla en la qPCR.
7. Programar la qPCR según las indicaciones del fabricante (Tabla 12).
270
Anexos
ANEXO VIII: Nested PCR, detección de HCMV en muestras de tejido
congelado de gliomas
El método se obtuvo del artículo “Genetic Analysis of Cytomegalovirus in
Malignant Gliomas” (Bornali Bhattacharjee, NicholascRenzette and Timothy F.
Kowalik; Journal of Virology, June 2012, Volumen 86 Number 12).
Los cebadores externos amplifican una región de 1.3kbp del “major
immediate-early promoter”. Los cebadores internos amplifican una región
dentro del amplicón de 1.3kbp generado por los primers externos:
CMVextern_forward: 5’-CCGAAATACGCGTTTTGAGAT-3’
CMVextern_reverse: 5’-CCAAGCCAAAAACAGTATAGC-3’
CMVintern_forward: 5’-GGCGGAGTTRTTACGACATTT-3’
CMVintern_reverse: 5’-ATGCGGTTTTGGCAGTACAT-3’
Los primers llegaron a una concentración de 100pmol. Se
resuspendieron y se hizo una alícuota a 20pmol (4µL de primer a 100pmol +
16µL agua).
Para la primera prueba se usaron dos muestras de gliomas procedentes de
parafina del HGUE, un control positivo (parafina) y un control negativo (agua).
Se calculó el volumen de cada muestra para obtener 100ng de ADN.
Primera PCR:
Reactivos Muestra 1 Muestra 2 Control + Control - Amplitaq (µL) 10 10 10 10 Glicerol 50% (µL) 3.2 3.2 3.2 3.2 PrimerExt_F (20pmol) 0.625 0.625 0.625 0.625 PrimerExt_R (20pmol) 0.625 0.625 0.625 0.625 ADN (100ng) (µL) 1.15 1.4 0.9 2 H2O (µL) 4.4 4.15 4.65 3.55 Volumen final (µL) 20
Anexos
Condiciones de la primera PCR:
Segunda PCR:
Reactivos Muestra 1 Muestra 2 Control + Control - Amplitaq (µL) 10 10 10 10 Glicerol 50% (µL) 3.2 3.2 3.2 3.2 PrimerInt_F (20pmol) 0.625 0.625 0.625 0.625 PrimerInt_R (20pmol) 0.625 0.625 0.625 0.625 ADN (producto 1ªPCR) (µL) 4 4 4 4 H2O (µL) 1.55 1.55 1.55 1.55 Volumen final (µL) 20
Condiciones segunda PCR:
Se realizó un segundo experimento con 25 muestras de gliomas
procedentes de tejido congelado del HGUE. El procedimiento fue exactamente
el mismo que el realizado en la prueba anterior.
271
Anexos
ANEXO VIII: Nested PCR, detección de HCMV en muestras de tejido
congelado de gliomas
El método se obtuvo del artículo “Genetic Analysis of Cytomegalovirus in
Malignant Gliomas” (Bornali Bhattacharjee, NicholascRenzette and Timothy F.
Kowalik; Journal of Virology, June 2012, Volumen 86 Number 12).
Los cebadores externos amplifican una región de 1.3kbp del “major
immediate-early promoter”. Los cebadores internos amplifican una región
dentro del amplicón de 1.3kbp generado por los primers externos:
CMVextern_forward: 5’-CCGAAATACGCGTTTTGAGAT-3’
CMVextern_reverse: 5’-CCAAGCCAAAAACAGTATAGC-3’
CMVintern_forward: 5’-GGCGGAGTTRTTACGACATTT-3’
CMVintern_reverse: 5’-ATGCGGTTTTGGCAGTACAT-3’
Los primers llegaron a una concentración de 100pmol. Se
resuspendieron y se hizo una alícuota a 20pmol (4µL de primer a 100pmol +
16µL agua).
Para la primera prueba se usaron dos muestras de gliomas procedentes de
parafina del HGUE, un control positivo (parafina) y un control negativo (agua).
Se calculó el volumen de cada muestra para obtener 100ng de ADN.
Primera PCR:
Reactivos Muestra 1 Muestra 2 Control + Control - Amplitaq (µL) 10 10 10 10 Glicerol 50% (µL) 3.2 3.2 3.2 3.2 PrimerExt_F (20pmol) 0.625 0.625 0.625 0.625 PrimerExt_R (20pmol) 0.625 0.625 0.625 0.625 ADN (100ng) (µL) 1.15 1.4 0.9 2 H2O (µL) 4.4 4.15 4.65 3.55 Volumen final (µL) 20
Anexos
Condiciones de la primera PCR:
Segunda PCR:
Reactivos Muestra 1 Muestra 2 Control + Control - Amplitaq (µL) 10 10 10 10 Glicerol 50% (µL) 3.2 3.2 3.2 3.2 PrimerInt_F (20pmol) 0.625 0.625 0.625 0.625 PrimerInt_R (20pmol) 0.625 0.625 0.625 0.625 ADN (producto 1ªPCR) (µL) 4 4 4 4 H2O (µL) 1.55 1.55 1.55 1.55 Volumen final (µL) 20
Condiciones segunda PCR:
Se realizó un segundo experimento con 25 muestras de gliomas
procedentes de tejido congelado del HGUE. El procedimiento fue exactamente
el mismo que el realizado en la prueba anterior.
272
Anexos
ANEXO IX: Descripción de los perfiles moleculares establecidos en base a los
marcadores IDH, SOCS1, MGMT, P53 y ki67.
Perfil IDH SOCS1 MGMT P53 Ki67
1 Mutado Metilado Metilado Mutado Bajo
2 Mutado Metilado Metilado Mutado Alto
3 Mutado Metilado Metilado No mutado Bajo
4 Mutado Metilado Metilado No mutado Alto
5 No mutado Metilado Metilado Mutado Bajo
6 No mutado Metilado Metilado Mutado Alto
7 No mutado Metilado Metilado No mutado Bajo
8 No mutado Metilado Metilado No mutado Alto
9 Mutado No metilado Metilado Mutado Bajo
10 Mutado No metilado Metilado Mutado Alto
11 Mutado No metilado Metilado No mutado Bajo
12 Mutado No metilado Metilado No mutado Alto
13 No mutado No metilado Metilado Mutado Bajo
14 No mutado No metilado Metilado Mutado Alto
15 No mutado No metilado Metilado No mutado Bajo
16 No mutado No metilado Metilado No mutado Alto
17 Mutado Metilado No metilado Mutado Bajo
18 Mutado Metilado No metilado Mutado Alto
19 Mutado Metilado No metilado No mutado Bajo
20 Mutado Metilado No metilado No mutado Alto
21 No mutado Metilado No metilado Mutado Bajo
22 No mutado Metilado No metilado Mutado Alto
23 No mutado Metilado No metilado No mutado Bajo
24 No mutado Metilado No metilado No mutado Alto
25 Mutado No metilado No metilado Mutado Bajo
26 Mutado No metilado No metilado Mutado Alto
27 Mutado No metilado No metilado No mutado Bajo
Anexos
28 Mutado No metilado No metilado No mutado Alto
29 No mutado No metilado No metilado Mutado Bajo
30 No mutado No metilado No metilado Mutado Alto
31 No mutado No metilado No metilado No mutado Bajo
32 No mutado No metilado No metilado No mutado Alto
273
Anexos
ANEXO IX: Descripción de los perfiles moleculares establecidos en base a los
marcadores IDH, SOCS1, MGMT, P53 y ki67.
Perfil IDH SOCS1 MGMT P53 Ki67
1 Mutado Metilado Metilado Mutado Bajo
2 Mutado Metilado Metilado Mutado Alto
3 Mutado Metilado Metilado No mutado Bajo
4 Mutado Metilado Metilado No mutado Alto
5 No mutado Metilado Metilado Mutado Bajo
6 No mutado Metilado Metilado Mutado Alto
7 No mutado Metilado Metilado No mutado Bajo
8 No mutado Metilado Metilado No mutado Alto
9 Mutado No metilado Metilado Mutado Bajo
10 Mutado No metilado Metilado Mutado Alto
11 Mutado No metilado Metilado No mutado Bajo
12 Mutado No metilado Metilado No mutado Alto
13 No mutado No metilado Metilado Mutado Bajo
14 No mutado No metilado Metilado Mutado Alto
15 No mutado No metilado Metilado No mutado Bajo
16 No mutado No metilado Metilado No mutado Alto
17 Mutado Metilado No metilado Mutado Bajo
18 Mutado Metilado No metilado Mutado Alto
19 Mutado Metilado No metilado No mutado Bajo
20 Mutado Metilado No metilado No mutado Alto
21 No mutado Metilado No metilado Mutado Bajo
22 No mutado Metilado No metilado Mutado Alto
23 No mutado Metilado No metilado No mutado Bajo
24 No mutado Metilado No metilado No mutado Alto
25 Mutado No metilado No metilado Mutado Bajo
26 Mutado No metilado No metilado Mutado Alto
27 Mutado No metilado No metilado No mutado Bajo
Anexos
28 Mutado No metilado No metilado No mutado Alto
29 No mutado No metilado No metilado Mutado Bajo
30 No mutado No metilado No metilado Mutado Alto
31 No mutado No metilado No metilado No mutado Bajo
32 No mutado No metilado No metilado No mutado Alto
274
Anex
os
AN
EXO
X
Fun
cio
nes
so
bre
exp
resa
das
GEN
NO
MB
RE
FC
AN
OTA
CIÓ
N FU
NCIO
NAL
G
O
AN
XA1
A
nnex
in 1
19
,228
Res
pues
ta d
e de
fens
a
GO
:000
6952
Res
pues
ta in
flam
ator
ia
GO
:000
6954
R
espu
esta
a h
erid
as
GO
:000
9611
AN
XA2
A
nnex
in 2
11
,201
D
esar
rollo
de
vaso
s sa
nguí
neos
G
O:0
0015
68
Mat
riz e
xtra
celu
lar
GO
:003
1012
AN
XA2
P2
Ann
exin
A2
pseu
doge
ne 2
11
,201
P
arte
de
la re
gión
ext
race
lula
r G
O:0
0444
21
Mat
riz e
xtra
celu
lar p
rote
ínic
a G
O:0
0055
80
Des
arro
llo d
e la
vas
cula
tura
G
O:0
0019
45
BIR
C5
Bac
ulov
iral I
AP
Rep
eat C
onta
inin
g 5
24,5
29
Fase
del
cic
lo c
elul
ar
GO
:002
2403
P
roce
so d
el c
iclo
cel
ular
G
O:0
0224
02
Par
te c
rom
osóm
ica
GO
:004
4427
C
rom
osom
a
GO
:000
5694
O
rgán
ulos
del
lum
en in
trace
lula
r G
O:0
0700
16
Lum
en a
djun
to a
la m
embr
ana
GO
:003
1978
C
iclo
cel
ular
mitó
tico
GO
:000
0279
C
iclo
cel
ular
mitó
tico
de la
fase
M
GO
:000
0087
D
ivis
ión
nucl
ear
GO
:000
0280
Lu
men
Nuc
lear
G
O:0
0319
84
Org
ánul
o de
l lum
en
GO
:004
3238
R
egul
ació
n de
l cic
lo c
elul
ar
GO
:005
1727
275
Anex
os
C1O
RF2
4 Fa
mily
With
Seq
uenc
e S
imila
rity
129,
Mem
ber A
8,
076
Reg
ulac
ión
posi
tiva
de p
roce
sos
bios
inté
ticos
G
O:0
0098
91
Reg
ulac
ión
posi
tiva
de p
roce
sos
bios
inté
ticos
cel
ular
es
GO
:003
1328
R
egul
ació
n po
sitiv
a de
pro
ceso
s bi
osin
tétic
os d
e m
acro
mol
écul
as
GO
:001
0557
CC
L2
Che
mok
ine
Liga
nd 2
15
,798
Res
pues
ta d
e de
fens
a G
O:0
0069
52
Par
te d
e la
regi
ón e
xtra
celu
lar
GO
:004
4421
Res
pues
ta in
mun
e
GO
:000
6959
Res
pues
ta in
flam
ator
ia
GO
:000
6957
R
egul
ació
n po
sitiv
a de
la p
rolif
erac
ión
celu
lar
GO
:000
8288
R
espu
esta
a h
erid
as
GO
:000
9613
CE
NP
F C
entro
mer
e P
rote
in F
13
,058
Cic
lo c
elul
ar
GO
:000
7049
Fa
se d
el c
iclo
cel
ular
G
O:0
0224
03
Pro
ceso
del
cic
lo c
elul
ar
GO
:002
2402
P
arte
cro
mos
ómic
a
GO
:004
4427
C
rom
osom
a
GO
:000
5694
P
roce
so d
e A
DN
met
aból
ico
G
O:0
0062
59
Org
ánul
os d
el lu
men
intra
celu
lar
GO
:007
0014
Lu
men
adj
unto
a la
mem
bran
a G
O:0
0319
75
Cic
lo c
elul
ar m
itótic
o G
O:0
0002
80
Cic
lo c
elul
ar m
itótic
o de
la fa
se M
G
O:0
0000
88
Div
isió
n nu
clea
r G
O:0
0002
81
Lum
en N
ucle
ar
GO
:003
1982
O
rgán
ulo
del l
umen
G
O:0
0432
35
Reg
ulac
ión
del c
iclo
cel
ular
G
O:0
0517
28
CFI
C
ompl
emen
t Fac
tor I
7,
593
Res
pues
ta d
e de
fens
a G
O:0
0069
52
Par
te d
e la
regi
ón e
xtra
celu
lar
GO
:004
4421
276
Anex
os
Res
pues
ta in
mun
e
GO
:000
6957
Res
pues
ta in
flam
ator
ia
GO
:000
6955
R
egul
ació
n po
sitiv
a de
pro
ceso
s de
l sis
tem
a in
mun
e G
O:0
0026
85
Res
pues
ta a
her
idas
G
O:0
0096
12
CO
L4A
1 C
olla
gen,
Typ
e IV
, Alp
ha 1
12
,732
M
atriz
ext
race
lula
r G
O:0
0310
12
Par
te d
e la
regi
ón e
xtra
celu
lar
GO
:004
4421
M
atriz
ext
race
lula
r pro
teín
ica
GO
:000
5581
CO
L4A
2 C
olla
gen,
Typ
e IV
, Alp
ha 2
13
,850
M
atriz
ext
race
lula
r G
O:0
0310
12
Par
te d
e la
regi
ón e
xtra
celu
lar
GO
:004
4421
HIS
T1H
3B
His
tone
Clu
ster
1, H
3b
11,9
84
Par
te c
rom
osóm
ica
GO
:004
4427
C
rom
osom
a
GO
:000
5694
U
nión
al A
DN
G
O:0
0036
77
HIS
T2H
3A
His
tone
Clu
ster
2, H
3a
22,8
79
Par
te c
rom
osóm
ica
GO
:004
4427
C
rom
osom
a
GO
:000
5694
U
nión
al A
DN
G
O:0
0036
77
MA
D2L
2 M
itotic
Arre
st D
efic
ient
2-L
ike
Pro
tein
2
24,5
29
Cic
lo c
elul
ar
GO
:000
7049
NTN
1 N
etrin
1
8,92
9
Mat
riz e
xtra
celu
lar
GO
:003
1012
P
arte
de
la re
gión
ext
race
lula
r G
O:0
0444
21
Reg
ulac
ión
posi
tiva
de la
pro
lifer
ació
n ce
lula
r G
O:0
0082
84
Reg
ulac
ión
posi
tiva
de la
pro
lifer
ació
n ce
lula
r G
O:0
0082
85
Mat
riz e
xtra
celu
lar p
rote
ínic
a
GO
:000
5578
PTX
3 P
entra
xin
3 11
,691
Res
pues
ta d
e de
fens
a G
O:0
0069
52
Res
pues
ta in
mun
e
GO
:000
6958
Res
pues
ta in
flam
ator
ia
GO
:000
6956
277
Anex
os
Reg
ulac
ión
posi
tiva
de p
roce
sos
bios
inté
ticos
G
O:0
0098
93
Reg
ulac
ión
posi
tiva
de p
roce
sos
bios
inté
ticos
cel
ular
es
GO
:003
1331
PX
DN
P
erox
idas
in
12,8
83
Res
pues
ta in
mun
e G
O:0
0069
55
TBX
2 T-
Box
2
8,90
2
Org
ánul
os d
el lu
men
intra
celu
lar
GO
:007
0017
Lu
men
adj
unto
a la
mem
bran
a G
O:0
0319
79
Lum
en N
ucle
ar
GO
:003
1985
N
ucle
opla
sma
GO
:000
5655
O
rgán
ulo
del l
umen
G
O:0
0432
39
Reg
ulac
ión
posi
tiva
de la
pro
lifer
ació
n ce
lula
r G
O:0
0082
87
Sec
uenc
ia e
spec
ífica
de
AD
N
GO
:004
3565
A
ctiv
idad
de
fact
ores
de
trans
crip
ción
G
O:0
0037
00
TGFB
1I1
Tran
sfor
min
g G
row
th F
acto
r Bet
a 1
Indu
ced
Tran
scrip
t 1
7,30
8
Org
ánul
os d
el lu
men
intra
celu
lar
GO
:007
0015
Lu
men
adj
unto
a la
mem
bran
a G
O:0
0319
77
Lum
en N
ucle
ar
GO
:003
1983
O
rgán
ulo
del l
umen
G
O:0
0432
37
Reg
ulac
ión
posi
tiva
de p
roce
sos
bios
inté
ticos
G
O:0
0098
92
Reg
ulac
ión
posi
tiva
de p
roce
sos
bios
inté
ticos
cel
ular
es
GO
:003
1329
R
egul
ació
n po
sitiv
a de
pro
ceso
s bi
osin
tétic
os d
e m
acro
mol
écul
as
GO
:001
0558
R
egul
ació
n po
sitiv
a de
pro
ceso
s m
etab
ólic
os d
el A
RN
G
O:0
0512
55
TGFB
I Tr
ansf
orm
ing
Gro
wth
Fac
tor,
Beta
-Indu
ced
18,7
63
Mat
riz e
xtra
celu
lar
GO
:003
1012
P
arte
de
la re
gión
ext
race
lula
r G
O:0
0444
21
TIM
P1
TIM
P M
etal
lope
ptid
ase
Inhi
bito
r 1
19,0
13
Par
te d
e la
regi
ón e
xtra
celu
lar
GO
:004
4421
Lu
men
adj
unto
a la
mem
bran
a G
O:0
0319
76
Org
ánul
o de
l lum
en
GO
:004
3236
M
atriz
ext
race
lula
r pro
teín
ica
GO
:000
5579
TN
FRS
F12A
Tu
mor
Nec
rosi
s Fa
ctor
Rec
epto
r Sup
erfa
mily
, 15
,199
D
esar
rollo
de
vaso
s sa
nguí
neos
G
O:0
0015
68
278
Anex
os
Mem
ber 1
2A
Des
arro
llo d
e la
vas
cula
tura
G
O:0
0019
46
UB
E2C
U
biqu
itin-
Con
juga
ting
Enz
yme
E2C
18
,996
Cic
lo c
elul
ar
GO
:000
7049
Fa
se d
el c
iclo
cel
ular
G
O:0
0224
03
Pro
ceso
del
cic
lo c
elul
ar
GO
:002
2402
O
rgán
ulos
del
lum
en in
trace
lula
r G
O:0
0700
13
Cic
lo c
elul
ar m
itótic
o
GO
:000
0278
C
iclo
cel
ular
mitó
tico
de la
fase
M
GO
:000
0089
D
ivis
ión
nucl
ear
GO
:000
0282
L
umen
Nuc
lear
G
O:0
0319
81
Nuc
leop
lasm
a
GO
:000
5654
O
rgán
ulo
del l
umen
G
O:0
0432
33
Reg
ulac
ión
del c
iclo
cel
ular
G
O:0
0517
26
VE
GF
Vas
cula
r end
othe
lial g
row
th fa
ctor
7,
652
Mat
riz e
xtra
celu
lar
GO
:003
1012
P
arte
de
la re
gión
ext
race
lula
r G
O:0
0444
21
Res
pues
ta in
mun
e
GO
:000
6956
Lu
men
adj
unto
a la
mem
bran
a
GO
:003
1974
O
rgán
ulo
del l
umen
G
O:0
0432
34
Reg
ulac
ión
posi
tiva
de la
pro
lifer
ació
n ce
lula
r G
O:0
0082
86
Reg
ulac
ión
posi
tiva
de p
roce
sos
bios
inté
ticos
cel
ular
es
GO
:003
1330
R
egul
ació
n po
sitiv
a de
pro
ceso
s de
l sis
tem
a in
mun
e
GO
:000
2684
R
egul
ació
n po
sitiv
a de
pro
ceso
s bi
osin
tétic
os d
e m
acro
mol
écul
as
GO
:001
0559
R
egul
ació
n po
sitiv
a de
pro
ceso
s m
etab
ólic
os d
el A
RN
G
O:0
0512
54
Mat
riz e
xtra
celu
lar p
rote
ínic
a G
O:0
0055
82
Des
arro
llo d
e la
vas
cula
tura
G
O:0
0019
44
279
Anex
os
Fun
cio
nes
infr
aexp
resa
das
GEN
N
OM
BR
E FC
AN
OTA
CIÓ
N FU
NCIO
NAL
G
O
ATP
6V1G
2 A
TPas
e, H
+ Tr
ansp
ortin
g, L
ysos
omal
13k
Da,
V1
Sub
unit
G2
-19,
614
Tran
spor
te c
atió
nico
G
O:0
0068
20
Ves
ícul
a re
cubi
erta
de
clat
rina
GO
:003
0140
Tr
ansp
orte
ióni
co
GO
:000
6821
Tr
ansp
orte
de
catio
nes
inor
gáni
cos
mon
oval
ente
s G
O:0
0156
77
Par
te s
ináp
tica
GO
:004
4462
V
esíc
ula
siná
ptic
a G
O:0
0080
24
CA
CN
A1B
C
alci
um C
hann
el, V
olta
ge-D
epen
dent
, N T
ype,
Alp
ha 1
B
Sub
unit
-8,6
83
Act
ivid
ad c
anal
es d
e ca
lcio
G
O:0
0052
63
Tran
spor
te c
atió
nico
G
O:0
0068
12
Act
ivid
ad d
e ca
nal i
ónic
o G
O:0
0052
17
Com
plej
o de
can
al ió
nico
G
O:0
0347
03
Tran
spor
te ió
nico
G
O:0
0068
12
Tran
spor
te d
e io
nes
met
álic
os
GO
:003
002
Act
ivid
ad tr
ansp
orte
pas
ivo
trans
mem
bran
a G
O:0
0228
04
Act
ivid
ad d
el c
anal
esp
ecífi
co d
e su
stra
to
GO
:002
2839
Tr
ansm
isió
n si
nápt
ica
GO
:000
7268
Tr
ansm
isió
n de
l im
puls
o ne
rvio
so
GO
:001
9226
A
ctiv
idad
del
can
al c
atió
nico
dep
endi
ente
de
volta
je
GO
:002
2843
A
ctiv
idad
del
can
al d
epen
dien
te d
e vo
ltaje
G
O:0
0228
32
CA
MK2
A C
alci
um/C
alm
odul
in-D
epen
dent
Pro
tein
Kin
ase
II A
lpha
-2
2,86
9
Tran
spor
te ió
nico
de
calc
io
GO
:000
6819
Tr
ansp
orte
cat
ióni
co
GO
:000
6813
Tr
ansp
orte
ióni
co
GO
:000
6813
Tr
ansp
orte
de
ione
s m
etál
icos
G
O:0
0300
3
280
Anex
os
Par
te s
ináp
tica
GO
:004
4456
GA
BR
A1
Gam
ma-
Am
inob
utyr
ic A
cid
(GA
BA) A
Rec
epto
r, Al
pha
1 -3
2,11
4
Act
ivid
ad d
el c
anal
G
O:0
0152
72
Act
ivid
ad d
el c
anal
ióni
co d
epen
dien
te d
e lig
ando
ex
trace
lula
r G
O:0
0052
31
Act
ivid
ad d
epen
dien
te d
el c
anal
G
O:0
0228
40
Act
ivid
ad d
e ca
nal i
ónic
o G
O:0
0052
21
Com
plej
o de
can
al ió
nico
G
O:0
0347
07
Tran
spor
te ió
nico
G
O:0
0068
17
Act
ivid
ad d
el c
anal
dep
endi
ente
de
ligan
do
GO
:002
2837
A
ctiv
idad
del
can
al ió
nico
dep
endi
ente
de
ligan
do
GO
:001
5279
A
ctiv
idad
rece
ptor
es d
e la
neu
rotra
nsm
isió
n G
O:0
0305
95
Uni
ón d
el n
euro
trans
mis
or
GO
:004
2166
A
ctiv
idad
tran
spor
te p
asiv
o tra
nsm
embr
ana
GO
:002
2810
M
embr
ana
post
siná
ptic
a G
O:0
0452
12
Act
ivid
ad d
el c
anal
esp
ecífi
co d
e su
stra
to
GO
:002
2843
P
arte
sin
áptic
a G
O:0
0444
61
GA
BR
G2
Gam
ma-
Am
inob
utyr
ic A
cid
(GA
BA) A
Rec
epto
r, G
amm
a 2
-27,
747
Act
ivid
ad d
el c
anal
G
O:0
0152
70
Act
ivid
ad d
el c
anal
ióni
co d
epen
dien
te d
e lig
ando
ex
trace
lula
r G
O:0
0052
30
Act
ivid
ad d
epen
dien
te d
el c
anal
G
O:0
0228
38
Act
ivid
ad d
e ca
nal i
ónic
o G
O:0
0052
19
Com
plej
o de
can
al ió
nico
G
O:0
0347
05
Tran
spor
te ió
nico
G
O:0
0068
16
Act
ivid
ad d
el c
anal
dep
endi
ente
de
ligan
do
GO
:002
2834
A
ctiv
idad
del
can
al ió
nico
dep
endi
ente
de
ligan
do
GO
:001
5276
A
ctiv
idad
rece
ptor
es d
e la
neu
rotra
nsm
isió
n G
O:0
0305
94
Uni
ón d
el n
euro
trans
mis
or
GO
:004
2165
A
ctiv
idad
tran
spor
te p
asiv
o tra
nsm
embr
ana
GO
:002
2808
281
Anex
os
Mem
bran
a po
stsi
nápt
ica
GO
:004
5211
A
ctiv
idad
del
can
al e
spec
ífico
de
sust
rato
G
O:0
0228
41
Par
te s
ináp
tica
GO
:004
4460
Tr
ansm
isió
n si
nápt
ica
GO
:000
7272
Tr
ansm
isió
n de
l im
puls
o ne
rvio
so
GO
:001
9230
HC
N1
Hyp
erpo
lariz
atio
n A
ctiv
ated
Cyc
lic N
ucle
otid
e G
ated
P
otas
sium
Cha
nnel
1
-16,
889
Uni
ón a
ione
s m
etál
icos
alc
alin
os
GO
:003
1423
Tr
ansp
orte
cat
ióni
co
GO
:000
6819
A
ctiv
idad
del
can
al
GO
:001
5274
A
ctiv
idad
dep
endi
ente
del
can
al
GO
:002
2842
A
ctiv
idad
de
cana
l ión
ico
GO
:000
5223
Tr
ansp
orte
ióni
co
GO
:000
6820
Tr
ansp
orte
de
ione
s m
etál
icos
G
O:0
0301
0 Tr
ansp
orte
de
catio
nes
inor
gáni
cos
mon
oval
ente
s G
O:0
0156
75
Act
ivid
ad tr
ansp
orte
pas
ivo
trans
mem
bran
a G
O:0
0228
12
Act
ivid
ad c
anal
es d
e po
tasi
o G
O:0
0052
68
Uni
ón d
e io
nes
pota
sio
GO
:003
0955
U
nión
de
ione
s po
tasi
o G
O:0
0309
59
Uni
ón d
e io
nes
sodi
o G
O:0
0314
04
Tran
spor
te d
e io
nes
sodi
o G
O:0
0068
16
Act
ivid
ad d
el c
anal
esp
ecífi
co d
e su
stra
to
GO
:002
2845
A
ctiv
idad
del
can
al c
atió
nico
dep
endi
ente
de
volta
je
GO
:002
2847
A
ctiv
idad
del
can
al d
epen
dien
te d
e vo
ltaje
G
O:0
0228
36
Act
ivid
ad d
el c
anal
ióni
co d
epen
dien
te d
e vo
ltaje
G
O:0
0052
47
Act
ivid
ad d
el c
anal
de
pota
sio
depe
ndie
nte
de
volta
je
GO
:000
5249
JP
H4
Junc
toph
ilin 4
-1
5,64
9 Tr
ansp
orte
ióni
co d
e ca
lcio
G
O:0
0068
17
Tran
spor
te c
atió
nico
G
O:0
0068
16
282
Anex
os
Ves
ícul
a re
cubi
erta
de
clat
rina
GO
:003
0137
V
esíc
ula
recu
bier
ta
GO
:003
0137
Tr
ansp
orte
de
ione
s m
etál
icos
G
O:0
0300
7
KC
NC
2 P
otas
sium
Cha
nnel
, Vol
tage
Gat
ed S
haw
Rel
ated
S
ubfa
mily
C, M
embe
r 2
-21,
140
Uni
ón a
ione
s m
etál
icos
alc
alin
os
GO
:003
1424
Tr
ansp
orte
cat
ióni
co
GO
:000
6815
A
ctiv
idad
del
can
al
GO
:001
5269
A
ctiv
idad
dep
endi
ente
del
can
al
GO
:002
2843
A
ctiv
idad
de
cana
l ión
ico
GO
:000
5224
C
ompl
ejo
de c
anal
ióni
co
GO
:003
4709
Tr
ansp
orte
ióni
co
GO
:000
6815
Tr
ansp
orte
de
ione
s m
etál
icos
G
O:0
0300
5 Tr
ansp
orte
de
catio
nes
inor
gáni
cos
mon
oval
ente
s G
O:0
0156
76
Act
ivid
ad tr
ansp
orte
pas
ivo
trans
mem
bran
a G
O:0
0228
06
Act
ivid
ad c
anal
es d
e po
tasi
o G
O:0
0052
69
Com
plej
o de
can
al d
e po
tasi
o G
O:0
0347
05
Uni
ón d
e io
nes
pota
sio
GO
:003
0956
U
nión
de
ione
s po
tasi
o G
O:0
0309
60
Act
ivid
ad d
el c
anal
esp
ecífi
co d
e su
stra
to
GO
:002
2846
A
ctiv
idad
del
can
al c
atió
nico
dep
endi
ente
de
volta
je
GO
:002
2848
A
ctiv
idad
del
can
al d
epen
dien
te d
e vo
ltaje
G
O:0
0228
37
Act
ivid
ad d
el c
anal
ióni
co d
epen
dien
te d
e vo
ltaje
G
O:0
0052
48
Act
ivid
ad d
el c
anal
de
pota
sio
depe
ndie
nte
de
volta
je
GO
:000
5250
C
ompl
ejo
del c
anal
de
pota
sio
depe
ndie
nte
de
volta
je
GO
:000
8076
KC
NK1
P
otas
sium
Cha
nnel
, Tw
o Po
re D
omai
n Su
bfam
ily K
, M
embe
r 1
-18,
492
Uni
ón a
ione
s m
etál
icos
alc
alin
os
GO
:003
1420
Tr
ansp
orte
cat
ióni
co
GO
:000
6814
A
ctiv
idad
del
can
al
GO
:001
5268
283
Anex
os
Act
ivid
ad d
epen
dien
te d
el c
anal
G
O:0
0228
39
Act
ivid
ad d
e ca
nal i
ónic
o G
O:0
0052
20
Com
plej
o de
can
al ió
nico
G
O:0
0347
06
Tran
spor
te ió
nico
G
O:0
0068
14
Act
ivid
ad d
el c
anal
dep
endi
ente
de
ligan
do
GO
:002
2836
A
ctiv
idad
del
can
al ió
nico
dep
endi
ente
de
ligan
do
GO
:001
5278
Tr
ansp
orte
de
ione
s m
etál
icos
G
O:0
0300
4 Tr
ansp
orte
de
catio
nes
inor
gáni
cos
mon
oval
ente
s G
O:0
0156
72
Act
ivid
ad tr
ansp
orte
pas
ivo
trans
mem
bran
a G
O:0
0228
05
Act
ivid
ad c
anal
es d
e po
tasi
o G
O:0
0052
67
Com
plej
o de
can
al d
e po
tasi
o G
O:0
0347
07
Uni
ón d
e io
nes
pota
sio
GO
:003
0957
U
nión
de
ione
s po
tasi
o G
O:0
0309
58
Act
ivid
ad d
el c
anal
esp
ecífi
co d
e su
stra
to
GO
:002
2842
A
ctiv
idad
del
can
al c
atió
nico
dep
endi
ente
de
volta
je
GO
:002
2845
A
ctiv
idad
del
can
al d
epen
dien
te d
e vo
ltaje
G
O:0
0228
34
Act
ivid
ad d
el c
anal
ióni
co d
epen
dien
te d
e vo
ltaje
G
O:0
0052
45
Act
ivid
ad d
el c
anal
de
pota
sio
depe
ndie
nte
de
volta
je
GO
:000
5252
C
ompl
ejo
del c
anal
de
pota
sio
depe
ndie
nte
de
volta
je
GO
:000
8078
MA
L M
al, T
-Cel
l Diff
eren
tiatio
n P
rote
in
-21,
062
Act
ivid
ad d
el c
anal
G
O:0
0152
71
Act
ivid
ad tr
ansp
orte
pas
ivo
trans
mem
bran
a G
O:0
0228
09
Tran
smis
ión
del i
mpu
lso
nerv
ioso
G
O:0
0192
31
PA
CS
IN1
Pro
tein
kin
ase
C a
nd C
asei
n ki
nase
sub
stra
te in
neu
rons
1
-42,
105
Ves
ícul
a re
cubi
erta
G
O:0
0301
36
RY
R2
Rya
nodi
ne R
ecep
tor 2
-9
,764
A
ctiv
idad
can
ales
de
calc
io
GO
:000
5262
Tr
ansp
orte
ióni
co d
e ca
lcio
G
O:0
0068
16
284
Anex
os
Act
ivid
ad d
el c
anal
G
O:0
0152
67
Act
ivid
ad d
epen
dien
te d
el c
anal
G
O:0
0228
36
Act
ivid
ad d
e ca
nal i
ónic
o G
O:0
0052
16
Com
plej
o de
can
al ió
nico
G
O:0
0347
02
Tran
spor
te ió
nico
G
O:0
0068
11
Act
ivid
ad d
el c
anal
dep
endi
ente
de
ligan
do
GO
:002
2835
A
ctiv
idad
del
can
al ió
nico
dep
endi
ente
de
ligan
do
GO
:001
5277
Tr
ansp
orte
de
ione
s m
etál
icos
G
O:0
0300
1 A
ctiv
idad
tran
spor
te p
asiv
o tra
nsm
embr
ana
GO
:002
2803
A
ctiv
idad
del
can
al e
spec
ífico
de
sust
rato
G
O:0
0228
38
SC
N2B
S
odiu
m C
hann
el, V
olta
ge G
ated
, Typ
e II
Bet
a S
ubun
it -1
5,11
4
Uni
ón a
ione
s m
etál
icos
alc
alin
os
GO
:003
1421
Tr
ansp
orte
cat
ióni
co
GO
:000
6817
A
ctiv
idad
del
can
al
GO
:001
5273
A
ctiv
idad
dep
endi
ente
del
can
al
GO
:002
2841
A
ctiv
idad
de
cana
l ión
ico
GO
:000
5222
C
ompl
ejo
de c
anal
ióni
co
GO
:003
4708
Tr
ansp
orte
ióni
co
GO
:000
6818
Tr
ansp
orte
de
ione
s m
etál
icos
G
O:0
0300
8 Tr
ansp
orte
de
catio
nes
inor
gáni
cos
mon
oval
ente
s G
O:0
0156
73
Act
ivid
ad tr
ansp
orte
pas
ivo
trans
mem
bran
a G
O:0
0228
11
Uni
ón d
e io
nes
sodi
o G
O:0
0314
02
Tran
spor
te d
e io
nes
sodi
o G
O:0
0068
14
Act
ivid
ad d
el c
anal
esp
ecífi
co d
e su
stra
to
GO
:002
2844
Tr
ansm
isió
n si
nápt
ica
GO
:000
7273
Tr
ansm
isió
n de
l im
puls
o ne
rvio
so
GO
:001
9232
A
ctiv
idad
del
can
al c
atió
nico
dep
endi
ente
de
volta
je
GO
:002
2846
A
ctiv
idad
del
can
al d
epen
dien
te d
e vo
ltaje
G
O:0
0228
35
285
Anex
os
Act
ivid
ad d
el c
anal
ióni
co d
epen
dien
te d
e vo
ltaje
G
O:0
0052
46
SLC
30A3
S
olut
e C
arrie
r Fam
ily 3
0 (Z
inc
Tran
spor
ter),
Mem
ber 3
-1
8,49
6
Ves
ícul
a re
cubi
erta
de
clat
rina
GO
:003
0136
V
esíc
ula
recu
bier
ta
GO
:003
0135
Tr
ansp
orte
de
ione
s m
etál
icos
G
O:0
0300
6 P
arte
sin
áptic
a G
O:0
0444
57
Ves
ícul
a si
nápt
ica
GO
:000
8021
SLC
8A2
Sol
ute
Car
rier F
amily
8 (S
odiu
m/C
alci
um E
xcha
nger
), M
embe
r 2
-11,
995
Uni
ón a
ione
s m
etál
icos
alc
alin
os
GO
:003
1422
Tr
ansp
orte
ióni
co d
e ca
lcio
G
O:0
0068
18
Tran
spor
te c
atió
nico
G
O:0
0068
18
Tran
spor
te ió
nico
G
O:0
0068
19
Tran
spor
te d
e io
nes
met
álic
os
GO
:003
009
Tran
spor
te d
e ca
tione
s in
orgá
nico
s m
onov
alen
tes
GO
:001
5674
U
nión
de
ione
s so
dio
GO
:003
1403
Tr
ansp
orte
de
ione
s so
dio
GO
:000
6815
SN
AP2
5 S
ynap
toso
mal
-ass
ocia
ted
prot
ein
-89,
741
Act
ivid
ad d
epen
dien
te d
el c
anal
G
O:0
0228
37
Gen
erac
ión
de s
eñal
invo
lucr
ada
en la
se
ñaliz
ació
n cé
lula
-cél
ula
GO
:000
3003
A
ctiv
idad
de
cana
l ión
ico
GO
:000
5218
C
ompl
ejo
de c
anal
ióni
co
GO
:003
4704
S
ecre
ción
del
neu
rotra
nsm
isor
G
O:0
0072
71
Sec
reci
ón d
el n
euro
trans
mis
or
GO
:000
7274
A
ctiv
idad
tran
spor
te p
asiv
o tra
nsm
embr
ana
GO
:002
2807
A
ctiv
idad
can
ales
de
pota
sio
GO
:000
5270
C
ompl
ejo
de c
anal
de
pota
sio
GO
:003
4706
R
egul
ació
n de
los
nive
les
de n
euro
trans
mis
or
GO
:000
1507
A
ctiv
idad
del
can
al e
spec
ífico
de
sust
rato
G
O:0
0228
40
Tran
smis
ión
siná
ptic
a G
O:0
0072
71
Tran
smis
ión
del i
mpu
lso
nerv
ioso
G
O:0
0192
29
286
Anex
os
Act
ivid
ad d
el c
anal
cat
ióni
co d
epen
dien
te d
e vo
ltaje
G
O:0
0228
44
Act
ivid
ad d
el c
anal
dep
endi
ente
de
volta
je
GO
:002
2833
A
ctiv
idad
del
can
al ió
nico
dep
endi
ente
de
volta
je
GO
:000
5244
A
ctiv
idad
del
can
al d
e po
tasi
o de
pend
ient
e de
vo
ltaje
G
O:0
0052
51
Com
plej
o de
l can
al d
e po
tasi
o de
pend
ient
e de
vo
ltaje
G
O:0
0080
77
SY
T1
Syn
apto
tagm
in I
-36,
531
Ves
ícul
a re
cubi
erta
de
clat
rina
GO
:003
0138
V
esíc
ula
recu
bier
ta
GO
:003
0138
G
ener
ació
n de
señ
al in
volu
crad
a en
la
seña
lizac
ión
célu
la-c
élul
a G
O:0
0030
01
Sec
reci
ón d
el n
euro
trans
mis
or
GO
:000
7269
S
ecre
ción
del
neu
rotra
nsm
isor
G
O:0
0072
72
Reg
ulac
ión
de lo
s ni
vele
s de
neu
rotra
nsm
isor
G
O:0
0015
05
Par
te s
ináp
tica
GO
:004
4458
Tr
ansm
isió
n si
nápt
ica
GO
:000
7269
V
esíc
ula
siná
ptic
a G
O:0
0080
22
Tran
smis
ión
del i
mpu
lso
nerv
ioso
G
O:0
0192
27
SY
T4
Syn
apto
tagm
in IV
-2
5,10
2
Ves
ícul
a re
cubi
erta
de
clat
rina
GO
:003
0139
V
esíc
ula
recu
bier
ta
GO
:003
0139
G
ener
ació
n de
señ
al in
volu
crad
a en
la
seña
lizac
ión
célu
la-c
élul
a G
O:0
0030
02
Sec
reci
ón d
el n
euro
trans
mis
or
GO
:000
7270
S
ecre
ción
del
neu
rotra
nsm
isor
G
O:0
0072
73
Reg
ulac
ión
de lo
s ni
vele
s de
neu
rotra
nsm
isor
G
O:0
0015
06
Par
te s
ináp
tica
GO
:004
4459
Tr
ansm
isió
n si
nápt
ica
GO
:000
7270
V
esíc
ula
siná
ptic
a G
O:0
0080
23
Anex
os
Tran
smis
ión
del i
mpu
lso
nerv
ioso
G
O:0
0192
28
287
Anexos
ANEXO XI: Comparación de las regiones metiladas descritas por Malley y col.
(arriba) y Qian y col (abajo).
Distribución de las sondas del kit de MS-MLPA respecto a las CpG
descritas por Malley y col. En cada una de las sondas está marcada, con una
línea vertical, la posición en la que digiere la enzima de restricción HhaI.