Las investigaciones han demostrado que existen ciertas correlaciones entre la gravedad de la COVID-19 y una serie de comorbilidades, y actualmente se están llevando a cabo estudios para explorar el papel de la metabolómica y el microbioma a la hora de determinar la hospitalización por COVID-19.1 Investigaciones anteriores señalaron una relación entre la gravedad y citocinas específicas, como la interleucina (IL)-6.2–4 Por lo tanto, la investigación de biomarcadores predictivos relacionados con la gravedad de la COVID-19 podría ofrecer la oportunidad de identificar a las personas propensas a sufrir resultados adversos.
Análisis metabolómico y multiómico para predecir la gravedad de la COVID-19
Un estudio de cohorte retrospectivo con 455 pacientes con COVID-19 analizó diversos biomarcadores predictivos de la gravedad de la COVID-19. Por ejemplo, el perfilado en profundidad incluyó metabolitos, lípidos, citocinas circulantes y otras proteínas.1 En concreto, el estudio exploró 1018 metabolitos, 902 lípidos y 1463 citocinas y proteínas circulantes para evaluar su relación con los casos clínicos y graves.1 Metabolon el análisis lipídico para el estudio. Además, los investigadores utilizaron ensayos de extensión de proximidad y espectrometría de masas en tándem para medir los biomarcadores.1
Además, el estudio incluyó el análisis de conjuntos de datos multiómicos y algoritmos de aprendizaje automático para la identificación de biomarcadores. Algunos pocos estudios previos combinaron el aprendizaje automático con la multiómica para investigar la gravedad de la COVID-19, pero se vieron limitados por un tamaño de muestra menor que el del presente estudio.5,6
Un modelo de predicción basado en el aprendizaje automático identifica nuevos biomarcadores
La investigación concluyó que un modelo de predicción basado en el aprendizaje automático podía anticipar con mayor precisión tanto los resultados clínicos como los casos graves de COVID-19, en comparación con los métodos tradicionales basados en citocinas. En concreto, el modelo del estudio observó una correlación con 102 biomarcadores predictivos de la COVID-19 clínica y grave, entre los que se incluían metabolitos, lípidos y nuevas citocinas, así como otras proteínas.1 En concreto, estos biomarcadores incluían cantidades variables de 2-hidroxidecanoato, miembro A de la familia 6 del dominio de lectina de tipo C (CLEC6A) y fosfatidiletanolamina éter (P-18:1/18:1).1
Además, los datos metabolómicos del estudio revelaron que 12 de los 102 biomarcadores predictivos de la gravedad de la COVID-19 que experimentaron cambios estaban relacionados con los lípidos. Otros marcadores metabolómicos no lipídicos identificados por la investigación fueron el hemo y las poliaminas, que mostraron un aumento a medida que aumentaba la gravedad de la enfermedad. Asimismo, el estudio combinó marcadores proteómicos de la tormenta de citoquinas con marcadores metabolómicos, lo que demostró las ventajas de un enfoque multiómico complementario para el descubrimiento de biomarcadores.
En futuras investigaciones se debería estudiar la validación de estos resultados incluyendo una cohorte de control independiente; no obstante, este estudio aporta datos esenciales que respaldan la eficacia preliminar del modelo y el papel clave de determinados biomarcadores en la gravedad de la COVID-19.
Implicaciones del estudio para la investigación multiómica
Los resultados sugieren que resulta beneficioso analizar la firma molecular multiómica de los pacientes con COVID-19 a partir del plasma antes de su ingreso hospitalario.1 Esto podría permitir predecir si el paciente sufrirá un curso más grave de la enfermedad o no. Además, el estudio respalda la idea de que los enfoques de aprendizaje automático podrían aportar información adicional de utilidad clínica si se aplicaran a datos de perfiles complejos en otras áreas terapéuticas.1
En comparación con estudios anteriores, este contó con una muestra especialmente amplia, con 455 casos y 182 controles. El estudio puso de manifiesto el importante papel del microbioma y los metabolitos, tal y como se desprende de la identificación por parte de los investigadores de un nuevo metabolito de origen microbiano, el propionato de imidazol, que predispone a los pacientes a un mal pronóstico de la COVID-19 cuando sus niveles aumentan. Además, el estudio tiene importantes implicaciones en relación con los plasmalógenos, que parecen tener un efecto protector en este estudio. En resumen, un análisis multiómico tiene el potencial de aportar nuevos conocimientos para la investigación sobre la COVID-19 y otras enfermedades.
¿Estás listo para descubrir qué nuevos conocimientos puede aportar la metabolómica a tu investigación?
Ponte en contacto con nosotros hoy mismo para hablar sobre tu proyecto o estudio.
Referencias
1. Byeon, S.K., Madugundu, A.K., Grapati, K., Ramarajan, M.G., Saraswat, M., Kumar-M, P., et al. Desarrollo de un modelo multiómico para la identificación de biomarcadores predictivos de la gravedad de la COVID-19; un estudio de cohorte retrospectivo. The Lancet. 2022; 4(9), E632-E645. DOI:https://doi.org/10.1016/S2589-7500(22)00112-1
2. Rosas IO, Bräu N, Waters M, et al. El tocilizumab en pacientes hospitalizados con neumonía grave por COVID-19. N Engl J Med. 2021; 384: 1503–16.
3. Horby P, Lim WS, Emberson JR, et al. La dexametasona en pacientes hospitalizados con COVID-19. N Engl J Med. 2021; 384: 693–704.
4. Grupo RC. Tocilizumab en pacientes hospitalizados por COVID-19 (RECOVERY): ensayo aleatorizado, controlado, abierto y de plataforma. Lancet. 2021; 397: 1637–45.
5. Su Y, Chen D, Yuan D, et al. El análisis multiómico permite identificar un cambio brusco en el estado de la enfermedad entre la COVID-19 leve y la moderada. Cell. 2020; 183: 1479–95.
6. Overmyer KA, Shishkova E, Miller IJ, et al. Análisis multiómico a gran escala de la gravedad de la COVID-19. Cell Syst. 2021; 12: 23-40.
