La “metabolomica”: che cos’è e che cosa può dirci nel diabete in gravidanza

Download (0)

Testo completo

(1)

RIASSUNTO

L’analisi del metaboloma permette, insieme ad altre valutazioni omiche, cliniche e di imaging, di delineare il fenotipo metabolico individuale. I dati provenienti dalle scienze omiche potrebbero quindi consentirci di disegnare il fenotipo della malattia diabeti- ca, nonché la sua progressione, permettendoci di comprendere perché alcune pazienti sviluppano diabete in gravidanza e altre no; inoltre sarà possibile capire perché alcuni pazienti svilup- pano complicanze e quali sono gli indici prognostici di tipo biochimico della malattia diabetica in gravidanza.

SUMMARY

Metabolomics: what it is and what it can tell us about dia- betes in pregnancy

Metabolomic analysis, along with other “-omics” assessments, can outline an individual’s metabolic phenotype. The -omics findings could then be used to depict the phenotype of diabetes and its progression. Metabolomics will help us understand why some patients develop diabetes in pregnancy and others do not, and what are the main biochemical prognostic indicators of diabetes in pregnancy. It should also give some ideas why cer- tain patients develop complications.

La metabolomica o metabonomica è una delle più promet- tenti scienze “omiche”. Il neologismo metabolomica, deriva- to dal suffisso inglese omics, designa un comparto delle scienze biologiche in grande sviluppo: metabolomica, geno- mica, mRNA-trascrittomica, proteomica. L’Oxford English Dictionary riconosce tre diversi significati al suffisso omic, il terzo significato è quello che ci interessa: all constituents considered collectively, si tratta quindi di una tecnica di tipo olistico, che tende a considerare una serie di fattori comples- si, riunendoli in un insieme che afferisce alla cellula e infine all’individuo.

La metabolomica è in grado di studiare la complessità meta- bolica delle cellule, dei tessuti, come anche di interi organi-

Nuovi orizzonti

La “metabolomica”: che cos’è e che cosa può dirci nel diabete in gravidanza

A. Ragusa 1 , A. Lapolla 2

1

DPT Ostetricia, AO Ospedale di Niguarda, Milano;

2

DPT Medicina, Università degli Studi di Padova, Padova Corrispondenza: dott. Antonio Ragusa, via Alfieri 9, 20092 Cinisello Balsamo (MI)

e-mail: antonio.ragusa@gmail.com G It Diabetol Metab 2013;33:176-181 Pervenuto in Redazione l’11-10-2013 Accettato per la pubblicazione il 15-10-2013 Parole chiave: metabolomica, metabonomica, gravidanza, diabete, fenotipo metabolico

Key words: metabolomics, metabonomics, pregnancy,

diabetes, metabolic phenotype

(2)

Metodi di misurazione del fenotipo metabolico

Bioinformatica/

analisi statistica dei dati

Database

Raccolta, analisi e interpretazione dei dati biochimici e molecolari Fattori che influenzano

il fenotipo metabolico

Fenotipo metabolico

Tecniche di imaging

Clinica

Scienze omiche

Genotipo

Stile di vita Fenotipo

Stato mentale/

emozionale

Microflora intestinale

Danni tessutali Forma fisica Dieta cronica Dieta acuta Stato globale di salute

Figura 1 Il fenotipo meta- bolico individuale.

National Academy of Sciences, quello che può essere con- siderato il primo studio metabolomico: “Quantitative analysis of urine vapor and breath by gas-liquid partition chromato- graphy”

(1)

. Tuttavia il termine metabolomica fu usato per la prima volta solo molti anni dopo, da SG Oliver et al. nel 1998

(2)

.

La metabolomica oggi riconosce un’enorme diffusione e uno sviluppo applicativo/pratico in vari ambiti come le scienze mediche, la biologia sintetica, la medicina di sistemi microbi- ci e di sistemi animali e le piante; la grande diffusione della metabolomica e la sua applicazione negli ambiti sopra visti dipendono dal fatto che esiste un’importante associazione tra il metaboloma e la fisiologia cellulare; se da un lato il genoma trascritto e il proteonoma possono essere visti come una conseguenza dell’espressione genica, il metabo- loma rappresenta il livello finale di tipo omico, in un sistema biologico, esso riflette quindi anche i cambiamenti della fun- zione fenotipica

(3)

. In definitiva l’analisi del metaboloma per- mette, insieme ad altre valutazioni omiche, cliniche e di ima- ging, di delineare il fenotipo metabolico individuale (Fig. 1).

La metabolomica si basa sullo studio sistematico di una serie completa di metaboliti in un campione biologico; prati- camente quasi tutti i campioni biologici possono essere sot- toposti a questa analisi: urine, sangue, tessuti, cellule, pus, liquido amniotico, feci ecc. Questa tecnologia si avvale di due fasi sequenziali principali:

1) una fase sperimentale, basata su analisi effettuate con i metodi spettroscopici di analisi metabolica. I principali metodi spettroscopici sono: la risonanza magnetica nucleare (nuclear magnetic resonance, NMR), progettata per valutare composti a basso peso molecolare, la gascromatografia spettrometrica di massa (gas chro- matography-mass spectrometry, GC-MS) e la cromato- smi. Le sue applicazioni, presenti e future, in ambito ostetri-

co sono molteplici. In termini pratici la metabolomica, attra- verso l’analisi dei metaboliti, permette di analizzare il singolo prodotto finale della attivazione/inattivazione genica, che a sua volta comporta una attivazione/inattivazione del RNA messaggero, che può mettere in moto la potente macchina enzimatica analizzata dal proteoma. Si tratta quindi di valuta- re il prodotto finale del metabolismo. Questa analisi permet- te di comprendere ciò che è realmente successo a livello metabolico e non ciò che potrebbe succedere (genomica) o che forse succederà (trascrittomica/proteomica). In pratica qualsiasi piccola molecola con una massa inferiore a 1 kDa può essere rivelata dall’analisi metabolomica. Essendo il pro- dotto finale metabolico influenzato dall’ambiente, l’analisi metabolomica consente un interessante incrocio di informa- zioni, essa permette di analizzare le relazioni tra genotipo e fenotipo e di correlare queste informazioni tra loro. La malat- tia diabetica, in gravidanza o no, è caratterizzata da una stretta correlazione tra eventi genotipici (ereditarietà) e com- portamento fenotipico (ambiente, esercizio, alimentazione), di conseguenza può trarre dallo studio metabolomico enor- mi vantaggi conoscitivi e terapeutici.

La moderna metabolomica sorge da un’intuizione di Arthur

Robinson. Nel 1970, mentre lavorava presso il dipartimento

di chimica all’Università della California di San Diego, sommi-

nistrando vitamina B6 a esseri umani e analizzando gli esiti

dell’analisi cromatografica, Robinson si rese conto che nel-

l’urina vi erano migliaia di costituenti chimici che conteneva-

no informazioni potenzialmente utili. In realtà Robinson stava

cercando di comprendere meglio le conseguenze dell’idea di

Linus Pauling, che la variabilità biologica possa essere spie-

gata anche dall’analisi nutrizionale. Insieme Robinson e

Pauling pubblicarono nel 1971 su Proceedings of the

(3)

Campione bilogico :

Sangue

Feci

Urine

ecc.

Intrepretazione e analisi globale dei dati

Acquisizione spettrale del campione

Importazione e immagazzinamento dati

Analisi statistica

Figura 2 Fasi sequenziali dell’analisi metabolomica (modificata da Nicholson et al., 2002

(4)

).

mica consente di fornire una diretta “lettura funzionale dello stato fisiologico/patologico di un organismo”

(8)

.

Esistono almeno tre differenti approcci concettuali in metabolomica: l’analisi target (target analysis) il profilo meta- bolico (metabolite profiling) e l’impronta metabolica (meta - bolic fingerprinting):

1) l’analisi target è applicata da molto tempo e comprende la determinazione e la quantificazione di un piccolo insie- me di metaboliti noti (obiettivi) utilizzando una particolare tecnica analitica specifica;

2) il profilo metabolico mira all’analisi di un grande set di composti, sia preidentificato sia sconosciuto rispetto alla loro natura chimica. Questo approccio è stato applicato per molti sistemi biologici diversi, tra cui piante

(9)

, micro- bi

(10)

, urine

(11)

e campioni di plasma

(8)

;

3) l’impronta metabolica, la “firma” o il profilo di massa del campione di interesse viene generata e quindi confronta- ta in un ampio campione di popolazione per valutare le differenze tra i dati. Quando i segnali in grado di discrimi- nare in modo significativo i campioni vengono rilevati, i metaboliti sono identificati e la rilevanza biologica di tali composti può essere chiarita notevolmente.

L’analisi dei metaboliti nei fluidi corporei, soprattutto sangue e urine, è praticata in maniera ordinaria per valutare il rischio di diabete

(12,13)

.

La metabolomica è stata utilizzata per valutare le differenze tra il plasma di soggetti sani e quello di soggetti diabetici, con l’obiettivo di generare l’impronta metabolica e scoprire le differenze tra le due differenti popolazioni. In questo modo sono stati identificati cinque potenziali biomarcatori: gluco- sio, acido 2-idrssibutirrico, acido linoleico, acido palmitico e fosfato, caratteristici della malattia diabetica. Questi risultati evidenziano come l’aumento di concentrazione degli acidi grassi liberi sia un fattore essenziale nella patofisiologia del diabete mellito. I dati riflettono sia le iperglicemie sia la dere- golazione del metabolismo degli acidi grassi. Questi marker plasmatici potenziali, sopratutto l’acido palmitico, l’acido linoleico e l’acido 2-idrossibutirrico, potrebbero rivelarsi utili, non solo nella malattia diabetica, ma anche nella gravidanza diabetica, per monitorare l’andamento della malattia

(14)

. grafia liquida spettrometrica di massa (liquid chromatog-

raphy-mass spectrometry, LC-MS);

2) l’analisi multivariata dei dati e la loro interpretazione; que- st’ultima fase prevede anche la consultazione di apposi- te librerie di dati

(4)

(Fig. 2).

La spettrometria di massa accoppiata a diverse tecniche di separazione cromatografica, come la liquido o la gascro- matografia e la NMR, sono i principali strumenti per analiz- zare un gran numero di metaboliti contemporaneamente. A causa dell’enorme diversità delle strutture chimiche e delle loro grandi varietà e abbondanza, diversi approcci comple- mentari devono essere utilizzati per estrarre, rilevare, quan- tificare e identificare i molti metaboliti possibili

(5,6)

.

Dopo le due fasi sequenziali principali, la fase successiva è rappresentata dall’estrazione e dall’interpretazione delle informazioni in un contesto biologico complesso, caratte- rizzato dalla grande quantità di dati prodotta dalle tecno - logie viste sopra. L’applicazione di sofisticate tecniche di analisi statistica di tipo uni- e multivariato, che utilizza stru- menti, tra cui l’analisi dei cluster, la mappatura, le sovrap- posizioni comparative e le heatmap, ha rappresentato non solo un emozionante e rapido processo di apprendimento per i biochimici, ma ha anche dimostrato che la modalità di pensiero dominante in biologia deve cambiare, per consen- tirci di affrontare grandi insiemi di dati e distinguere tra rumore e reali informazioni correlate al campione. Non pos- siamo più pensare solamente alla singola via metabolica, ma dobbiamo analizzare le interrelazioni complesse tra questa e gli altri sistemi, un chiaro esempio è il rapporto esistente tra il microbiota intestinale, l’obesità e l’omeostasi glucidica.

In definitiva la metabolomica ha permesso di identificare e quantificare migliaia di molecole a basso peso molecolare simultaneamente, permettendoci di avere una fotografia dello stato metabolico globale, a livello sia tessutale sia cel- lulare dell’organismo in toto; questo consente di correlare dinamiche di tipo genetico con dinamiche fenotipiche.

I cataboliti, analizzati dalla metabolomica, possono essere

considerati come una lingua, uno scambio di segnali tra o da

l’architettura genetica e l’ambiente

(7)

pertanto, la metabolo-

(4)

nel diabete in gravidanza sia per acquisire conoscenze sui meccanismi patogenetici della malattia sia per trovare bio- marcatori che possano essere utilizzati a fini diagnostici, e per valutare gli effetti terapeutici dei farmaci e/o degli alimenti.

La gravidanza complicata da diabete pregestazionale è gra- vata da una serie di complicanze materne e fetali che pos- sono essere ridotte se il controllo glicemico è ottimale

(18-20)

. Anche nelle pazienti affette da diabete gestazionale (gesta- tional diabetes mellitus, GDM), la cui prevalenza è notevol- mente aumentata negli ultimi anni in relazione all’aumento dell’obesità nelle donne in età fertile

(21)

, il trattamento si è dimostrato utile nel prevenire gli esiti avversi

(22)

. Il GDM inol- tre, determina, per la madre, un notevole aumento del rischio di sviluppare un diabete di tipo 2 dopo il parto, e nel nasci- turo un aumento del rischio di obesità e alterazioni della tol- leranza ai carboidrati in età adulta

(23)

.

In due gruppi di pazienti gravide che hanno partecipato all’HAPO study, l’analisi metabolomica del siero di queste pazienti eseguita con due differenti metodiche, la spettrome- tria di massa per la misurazione degli aminoacidi e la gascro- matografia, ha rivelato che le pazienti con elevata glicemia plasmatica a digiuno (> 90° percentile) rispetto alle pazienti con bassi livelli glicemici a digiuno (< 10 ° percentile) aveva- no un profilo metabolico coerente con l’insulino-resistenza:

alti livelli di trigliceridi, 3-idrossibutirrato e aminoacidi, inclusi alanina, prolina e aminoacidi a catena ramificata. In sostan- za l’analisi metabolomica ha rivelato importanti alterazioni nel metabolismo dei principali macronutrienti e degli aminoacidi nelle madri con livelli di glucosio elevati a digiuno

(24)

. Il GDM è associato, inoltre, a una serie di modifiche del tes- suto placentare quali l’aumento di peso, determinato da un aumento della cellularità, l’aumento della vascolarizzazione e dei livelli di insulina fetale, tutte cause ben note di ipossia fetale. Recentemente la spettrometria di massa associata a elettroforesi bidimensionale in gel è stata utilizzata per va - lutare l’espres sione proteica della placenta di donne affette da GDM

(25)

. I risultati dello studio hanno evidenziato un’au - mentata espressione a livello placentare di 15 proteine asso- ciate a insulino-resistenza, al trasporto transplacentare del glucosio, alla coagulazione e alla fibrinolisi.

In un successivo lavoro, utilizzando un approccio di spet- trometria di massa MALDI associato a elettroforesi bidimen- sionale in gel, l’espressione proteica placentare è stata studi- ata in donne affette da GDM in buon controllo glicemico

(26)

. I risultati dello studio hanno evidenziato modeste alterazioni del- l’espressione di alcune proteine, suggerendo che se il GDM è ben controllato il proteoma placentare è poco compromesso.

Un recente lavoro ha confrontato il profilo metabolico dei neonati di madri affette da diabete gestazionale trattate in modo intensivo, con quello dei nati da madri sane. I risultati dello studio hanno evidenziato che i neonati da madri affette da GDM hanno livelli di glucosio più bassi e più alti livelli di piruvato, istidina, alanina, valina, metionina, arginina, lisina, ipoxantina, lipoproteine e lipidi rispetto ai controlli, suggeren- do che una prolungata esposizione del feto all’iperglicemia, durante la gravidanza, può cambiare il suo profilo metaboli- co alla nascita

(27)

.

Nell’ottica della prevenzione è lo studio di Diaz et al.

(28)

; essi È noto da tempo che i bambini che sviluppano il diabete di tipo

1 possono avere marcatori di rischio già nel sangue del cordo- ne ombelicale. È stato ipotizzato che il rischio di diabete di tipo 1 in età precoce possa essere aumentato se si nasce da una gravidanza patologica e questo potrebbe riflettersi nei metabo- liti presenti nel cordone ombelicale alla nascita. Un gruppo di studio della Lund University ha utilizzato la metabolomica per testare se il lipidoma nel sangue del cordone ombelicale è dif- ferente nei bambini cui la diagnosi di diabete di tipo 1 era effet- tuata prima degli otto anni di età. Lo studio caso-controllo ha coinvolto 76 bambini, con diagnosi di diabete di tipo 1 insorto prima di otto anni di età e 76 controlli sani, appaiati per il rischio, HLA, sesso e data di nascita, così come per l’età della madre e l’età gestazionale alla nascita. Lo studio ha rivelato che la concentrazione delle fosfatidilcoline e delle fosfatidileta- nolammine ombelicali erano significativamente diminuite nei bambini cui la diagnosi di diabete di tipo 1 era effettuata prima dei quattro anni di età. Gli autori concludono sostenendo che l’analisi metabolomica nel sangue del cordone ombelicale è in grado di identificare i neonati ad aumentato rischio di sviluppa- re diabete di tipo 1. I bassi livelli di fosfolipidi alla nascita potreb- bero rappresentare i mediatori chiave che, attraverso modifica- zioni del sistema immunitario, determinerebbero la precoce comparsa di autoimmunità pancreatica

(15)

. Questo studio, se confermato, avrà importanti conseguenze, in quanto la capa- cità di previsione della malattia diabetica è vitale per consenti- re la messa in atto di strategie preventivo/terapeutiche.

Recentemente Connor et al., applicando un sistema integra- to di analisi del metaboloma/trascrittoma al diabete di tipo 2, nei topi db/db e db/+ (controlli) ha trovato 24 differenti vie metaboliche correlate con il metabolismo lipidico, inclusa la gluconeogenesi, le disfunzioni mitocondriali, lo stress ossi- dativo e la sintesi degli aminoacidi; tali vie esprimono signifi- cative differenze nei topi in studio rispetto ai topi di control- lo

(16)

. Questi dati, se confermati nell’uomo e nelle pazienti in gravidanza, potrebbero aiutarci a indirizzare le ricerche su particolari vie metaboliche.

Suhre et al., applicando una multipiattaforma metabolomica, che utilizzava anche la risonanza magnetica insieme alla spettrometria di massa, su campioni di plasma di soggetti diabetici e di controllo, ha identificato 420 metaboliti presen- ti nel siero. Gli autori hanno trovato differenze significative soprattutto nelle vie metaboliche che afferivano al funziona- mento renale, al metabolismo lipidico e interessanti interazio- ni della microflora intestinale residente che passano attraver- so il ciclo degli acidi biliari

(17)

.Questo studio è molto promet- tente poiché, come sostengono gli autori: “Al di là della mol- titudine di metaboliti misurati, quello che emerge dal nostro studio è una visione olistica delle differenze che riflettono le variazioni globali nella fisiopatologia della malattia”. Gli studi sulla microflora intestinale sono particolarmente promettenti se pensiamo alla gravidanza; potrebbero permettere di mo - dificare l’alimentazione per contribuire sia alla riduzione della prevalenza del diabete in gravidanza, come anche l’im - postazione di diete specifiche, personalizzate e mirate alla modificazione della microflora intestinale.

Da quanto detto finora appare chiaro che la metabolomica

può essere utilizzata nella malattia diabetica e in particolare

(5)

Compound network

Compound - Reaction network

Compound - Reaction enzyme - Gene network

Gene - Compound network

Genetic data

Gene set enrichment

analysis Metabolomics

data

MetScape

Figura 3 Funzionamento di MetScape.

lari tipi di intervento che possono successivamente essere testati per il loro valore terapeutico

(32)

.

Conflitto di interessi

Nessuno.

Bibliografia

1. Pauling L, Robinson AB, Teranishi R, Cary P. Quantitative analy- sis of urine vapor and breath by gas-liquid partition chromatog- raphy. Proc Natl Acad Sci USA 1971;68(10):2374-6.

2. Oliver SG, Winson MK, Kell DB, Baganz F. Systematic functional analysis of the yeast genome. Trends Biotechnol 1998;16:373-8.

3. Ryan D, Robards K. Metabolomics: The greatest omics of them all? Anal Chem 2006;78:7954-8.

4. Nicholson JK, Connelly J, Lindon JC, Holmes E. Metabono - mics: A platform for studying drug toxicity and gene function.

Nat Rev Drug Discov 2002;1(2):153-61.

5. Roessner U, Beckles DM. Metabolite measurements. In:

Schwender J, ed. Plant metabolic networks. New York: Springer 2009.

6. Villas-Bôas SG, Roessner U, Hansen M, Smedsgaard J, Nielsen J.

Metabolome analysis: An introduction. Hoboken, NJ: John Wiley & Sons Inc. 2007.

7. Jewett MC, Hofmann G, Nielsen J. Fungal metabolite analysis in genomics and phenomics. Curr Opin Biotechnol 2006;17:191-7.

8. Gieger C, Geistlinger L, Altmaier E, Hrabé de Angelis M, Kronenberg F, Meitinger T et al. Genetics meets metabolomics:

hanno dimostrato che le urine di donne che successivamen- te svilupperanno diabete gestazionale presentano elevati livelli di 3-idrossiisovalerato e 2-idrossiisobutirrato, probabilmente a causa dello stato alterato della biotina e degli aminoacidi e/o del metabolismo intestinale (quest’ultimo forse in relazio- ne ai valori di BMI più elevati trovati in queste pazienti).

I dati provenienti dalle scienze omiche potrebbero quindi con- sentirci di disegnare il fenotipo della malattia diabetica, nonché la sua progressione, consentendoci di comprendere perché alcune pazienti sviluppano diabete in gravidanza e altre no;

inoltre sarà possibile comprendere perché alcuni pazienti svi- luppano complicanze e quali sono gli indici prognostici di tipo biochimico della malattia diabetica in gravidanza.

La sfida per il prossimo futuro consiste nel combinare strate- gie per identificare e quantificare i metaboliti cellulari e siste- mici, utilizzando le sofisticate tecnologie analitiche soprade- scritte, applicando successivamente, ai dati ottenuti, le tec- niche della statistica uni- e multivariata, utilizzando infine metodi per l’estrazione di informazioni e l’interpretazione dei dati. Con questo obiettivo in mente, sono state create delle piattaforme bioinformatiche come il Plugin MetScape per Cytoscape che fornisce gli strumenti di bioinformatica per la visualizzazione e l’interpretazione dei dati metabolomici e inserisce questi dati nel contesto del metabolismo umano.

Questa piattaforma, gratuita, consente agli utenti di creare e analizzare le reti di geni e di composti, individuare percorsi arricchiti da dati di profili di espressione e di visualizzare le modifiche nei dati del metabolita (Fig. 3)

(29-31)

.

La speranza è che, utilizzando questi strumenti, i ricercatori

possano generare ipotesi sulle reti metaboliche principali uti-

lizzate dalla malattia diabetica, reti che rispondano a partico-

(6)

21. Heslehurst N, Lang R, Rankin J, Wilkinson JR, Summerbell CD.

Obesity in pregnancy: A study of the impact of maternal obesi- ty on NHS maternity services. BJOG 2007;114:334-42.

22. Hartling L, Dryden DM, Guthrie A, Muise M, Vandermeer B, Donovan L. Benefits and harms of treating gestational diabetes mellitus: A systematic review and meta-analysis for the U.S.

Preventive Services Task Force and the National Institutes of Health Office of Medical Applications of Research. Ann Intern Med 2013;159(2):123-9.

23. Lapolla A, Dalfrà MG, Fedele D. Management of gestational dia- betes mellitus. Diabetes Metab Syndr Obes 2009;2:73-82.

24. Scholtens DM, Muehlbauer MJ, Daya NR, Stevens RD, Dyer AR, Lowe LP et al.; for the HAPO Study Cooperative Research Group. Metabolomics reveals broad-scale metabolic perturba- tions in hyperglycemic mothers during pregnancy. Diabetes Care 2013 Aug 29 [Epub ahead of print].

25. Liu B, Xu Y, Voss C, Quiu FH, Zhao MZ, Liu YD et al. Altered pro- tein expression in gestational diabetes mellitus placentas provid- ed insight into insulin resistance and coagulation/fibrinolysis pathways. PLoS One 2012;7(9):e44701.

26. Lapolla A, Porcu S, Roverso M, Desoye G, Cosma C, Nardelli GB et al. A preliminary investigation on placenta protein profile reveals only modest changes in well controlled gestational dia- betes mellitus. Eur J Mass Spectrom 2013;19:211.

27. Dani C, Bresci C, Berti E, Ottanelli S, Mello G, Mecacci F et al.

Metabolomic profile of term infants of gestational diabetic moth- ers. J Matern Fetal Neonatal Med 2013 Sep 12 [Epub ahead of print].

28. Diaz SO, Pinto J, Graça G, Duarte IF, Barros AS, Galhano E et al. Metabolic biomarkers of prenatal disorders: An exploratory NMR metabonomics study of second trimester maternal urine and blood plasma. J Proteome Res 2011;10(8):3732-42.

29. Karnovsky A, Weymouth T, Hull T, Tarcea VG, Scardoni G, Laudanna et al. Metscape 2 Bioinformatics tool for the analysis and visualization of metabolomics and gene expression data.

Bioinformatics 2012;28:373-80.

30. http://chianti.ucsd.edu/cyto_web/plugins/displayplugininfo.

php?name=MetScape

31. Gao J, Tarcea VG, Karnovsky A, Mirel BR, Weymouth TE, Beecher CW et al. Metscape: A cytoscape plug-in for visualizing and interpreting metabolomic data in the context of human metabolic networks. Bioinformatics 2010;26(7):971-3.

32. Lowe WL Jr, Karban J. Genetics, genomies and metabolomics:

new insights into maternal metabolism during pregnancy. Diabet Med doi 10.1111/dme.12352.

a genome-wide association study of metabolite profiles in human serum. PLoS Genet 2008;4(11):e1000282.

9. Hur M, Campbell AA, Almeida-de-Macedo M, Li L, Ransom N, Jose A et al. A global approach to analysis and interpretation of metabolic data for plant natural product discovery. Nat Prod Rep 2013;30(4):565-83.

10. Umu OC, Oostindjer M, Pope PB, Svihus B, Egelandsdal B, Nes IF et al. Potential applications of gut microbiota to control human physiology. Antonie Van Leeuwenhoek 2013;104(5):609-18.

11. Zhang A, Sun H, Wu X, Wang X. Urine metabolomics. Clin Chim Acta 2012;414:65-9.

12. Pflueger M, Seppänen-Laakso T, Suortti T, Hyötyläinen T, Achenbach P, Bonifacio E et al. Age- and islet autoimmunity- associated differences in amino acid and lipid metabolites in children at risk for type 1 diabetes. Diabetes 2011;60:2740-7.

13. Ha CY, Kim JY, Paik JK, Kim OY, Paik YH, Lee EJ et al. The association of specific metabolites of lipid metabolism with markers of oxidative stress, inflammation and arterial stiffness in men with newly diagnosed type 2 diabetes. Clin Endocrinol 2012;76(5):674-82.

14. Li X, Xu Z, Lu X, Yang X, Yin P, Kong H et al. Comprehensive two-dimensional gas chromatography/time-of-flight mass spec- trometry for metabonomics: Biomarker discovery for diabetes mellitus. Anal Chim Acta 2009;633:257-62.

15. La Torre D, Seppänen-Laakso T, Larsson HE, Hyötyläinen T, Ivarsson SA, Lernmark A et al.; the DiPiS study group.

Decreased cord-blood phospholipids in young age at onset type 1 diabetes. Diabetes 2013;62:3951-6.

16. Connor SC, Hansen MK, Corner A, Smith RF, Ryan TE.

Integration of metabolomics and transcriptomics data to aid bio- marker discovery in type 2 diabetes. Mol Biosyst 2010;6:909-21.

17. Suhre K, Meisinger C, Döring A, Altmaier E, Belcredi P, Gieger C et al. Metabolic footprint of diabetes: A multiplatform metabolomics study in an epidemiological setting. PLoS One 2010;5:e13953.

18. Temple R, Aldridge V, Murphy H. Prepregnancy care and preg- nancy outcomes in women with type 1 diabetes. Diabetes Care 2006;29:1744-9.

19. Macintoch M, Fleming K, Bailey J, Doyle P, Modder J, Acolet D et al. Perinatal mortality and congenital anomalies in babies of women with type 1 or type 2 diabetes in England, Wales, and Northern Ireland: Population based study. BMJ 2006;333:177.

20. Lapolla A, Dalfrà MG, Fedele D. Pregnancy complicated by dia-

betes: What is the best level of HbA

1c

for conception? Acta

Diabetol 2010;47:187-92.

figura

Updating...

Riferimenti

Argomenti correlati :