jueves, 29 de marzo de 2012

Aplicaciones de nutrigenómica en cáncer


El cáncer es una enfermedad compleja de origen genético que se caracteriza por la acumulación de mutaciones y cambios genéticos a lo largo de la vida (Weinberg 2007). Existen cerca de doscientos tipos de cáncer y cada uno de ellos puede presentar diferentes subtipos. Dada la existencia de múltiples genes y proteínas implicados en el desarrollo del cáncer, cada tipo de cáncer requiere un diagnóstico y tratamiento preciso y diferente.

La biotecnología juega un papel clave en el suministro de herramientas y reactivos que facilitan un mejor estudio, control, diagnóstico, pronóstico y terapia del cáncer. Hasta la aparición de la genómica y la proteómica, la clasificación de los tumores se hacía de acuerdo a su localización y a su estadío de progresión clínica, siempre con la ayuda de las técnicas histológicas e inmunohistoquímicas. Resulta evidente, a partir del conocimiento acumulado en la biología molecular del cáncer, que la información histopatológica es de carácter limitado y no informa sobre las bases moleculares que activan el desarrollo del tumor, ni por tanto sobre la eficacia que un determinado tratamiento anti-tumoral tendrá en el paciente.

GENOMICA DEL CANCER

La finalización de la secuencia del genoma humano inició la era Genómica en la que nos encontramos. El conocimiento de la secuencia completa del Genoma Humano y de los aproximadamente 30.000 genes que lo componen permitió, entre otros aspectos, la puesta a punto de los llamados chips, o microarrays, de DNA, que permiten el examen completo de un genoma en un solo experimento.

Un chip de DNA es un pequeño dispositivo, generalmente del tamaño del portaobjetos de un microscopio, que contiene impresas miles o decenas de miles de secuencias de DNA que representan a cada uno de los genes que componen el genoma y que son llamadas sondas (Figura 1). La superficie de impresión es generalmente un cristal modificado con algún componente químico que permite el anclaje estable del DNA. La naturaleza y tamaño de las sondas puede variar. Así los chips originales estaban formados por moléculas de cDNA de tamaño variable, entre 300 y 500 pares de bases que se obtenían por amplificación por medio de la reacción en cadena de la polimerasa (PCR) de un clon de cDNA (Schena, Shalon et al. 1995). Este tipo de sondas ha sido reemplazado posteriormente por sondas basadas en oligonucleotidos sintetizados químicamente y de longitud variable entre 25 nt (Affymetrix) y 60 nt (Agilent). El uso de oligonucleotidos permite la preparación de los llamados chips de genoma completo, que contienen una representación de los 30.000 genes del genoma.






Figura 1. Imagen de un Oncochip CNIO. El Oncochip consta de 9.300 genes humanos relacionados con el cáncer y distribuidos en 22.300 manchas (spots) impresos.



La principal aplicación de los chips de DNA en cáncer ha sido el estudio de la expresión genética diferencial entre muestras pareadas (tumorales y normales) del mismo individuo enfermo. Se trata de comparar los genes que se encuentran alterados en el tejido tumoral respecto al normal, tanto activados (mayor expresión) como reprimidos (menor expresión). La colección de genes alterados constituye una firma molecular del tumor objeto de estudio. Mediante el uso de estas firmas moleculares es posible, por tanto, clasificar molecularmente los tumores y estratificar los pacientes en diferentes grupos atendiendo a diferentes criterios: mejor o peor pronóstico, mayor o menor susceptibilidad a fármacos, etc.

Para realizar un experimento de expresión genética diferencial es necesario aislar los RNAs mensajeros tanto de la muestra tumoral como de la normal, amplificarlos y convertirlos en cDNA a la vez que se marcan con dos fluorocromos distintos, generalmente Cy5 (rojo), para el tumoral, y Cy3 (verde), para el normal. Los dos cDNAs marcados se mezclan, se añaden al chip de DNA y se dejan reaccionar durante un cierto tiempo. A continuación el chip se lava para eliminar cualquier resto de DNA que no se haya unido específicamente y se lee con un “scanner” para detectar el DNA marcado con fluorocromos que se haya hibridado específicamente. Si existe mayor abundancia (lo que indica mayor expresión) de un gen en el tejido tumoral, la imagen revela la mancha (el spot) resultante de color rojo. Si hay una disminución o pérdida (menor expresión) de un gen, el spot resultante será verde. Si la expresión es similar o equivalente en ambos casos el color resultante será amarillo. Tras realizar el correspondiente análisis bioinformático se obtiene un código de colores que constituye la firma molecular y es un reflejo del nivel de expresión de los diferentes genes en ese determinado tumor.

La Figura 2 ilustra los resultados de un experimento de clasificación molecular del linfoma difuso de célula B grande. A pesar de que todas las células de este tumor tienen el mismo aspecto a nivel microscópico, el estudio de la expresión génica con los arrays de DNA permitió dividir este tumor en tres enfermedades diferentes, con un pronóstico clínico muy diferente entre ellas –linfoma primario de célula B de mediastino, linfoma de célula B de centro germinal y linfoma de células B activadas. De la misma manera, dos de los subtipos expresan altos niveles de NF-B, lo cual las convierte en mejores dianas para ciertos fármacos (Rosenwald, Wright et al. 2002).





Figura 2. Estratificación de pacientes de linfoma difuso de célula B grande. El uso de microarrays de DNA permite la separación de este tipo de linfomas en tres subgrupos distintos con distinta firma molecular y muy diferente pronóstico. Los tres subgrupos son indistinguibles por técnicas histológicas convencionales. Tomado de Rosenwald et al (2003) J. Exp. Med 198, 851-862.


En otro experimento (Fig. 3), un grupo de 295 pacientes de cáncer de mama fueron divididas en dos grupos, en uno, las que desarrollaban metástasis en nódulos linfáticos y en otro, aquellas que no desarrollaban metástasis. El análisis de la expresión génica en estos dos grupos de pacientes utilizando microarrays de DNA permitió distinguir una firma molecular de 70 genes pronósticos, cuya expresión podía utilizarse para estratificar las pacientes con cáncer de mama en aquellas con “buen pronóstico” y aquellas con “mal pronóstico” (van de Vijver, He et al. 2002). Dado que aquellas pacientes clasificadas con buen pronóstico no se benefician en absoluto del tratamiento con quimioterapia, es posible ahorrar este tratamiento y sus molestos efectos secundarios.



Figura 3. Estratificación de pacientes con cáncer de mama. Utilizando microarrays de DNA sobre un grupo de 295 pacientes se ha podido detectar un conjunto de 70 genes pronósticos que agrupan las pacientes en dos grupos, aquellas que presentan una buena firma molecular con una probabilidad baja de desarrollar metástasis y aquellas que presentan una mala firma con alta probabilidad de desarrollar metástasis. Tomado de “The Biology of Cancer” R. Weinberg. Garland Science.

Mas allá de los análisis de expresión génica, han comenzado a aparecer en los últimos años nuevos métodos diagnósticos basados en la aplicación de técnicas proteómicas a la investigación del cáncer.

PROTEÓMICA DEL CÁNCER
La proteómica se define como el estudio global del proteoma de un individuo, entendiendo por proteoma el conjunto de proteínas que se obtiene de traducir los genes que componen un genoma en un determinado momento. Existe pues una primera y clara diferencia entre el proteoma y el genoma. Mientras que el genoma de un individuo permanece constante a lo largo de su vida, el proteoma es dinámico y cambiante según la edad, condición, tipo celular, etc…Se puede afirmar que el proteoma es varias órdenes de magnitud mas complicado que el genoma. Esta complejidad se basa no solo en su dinámica sino en el número de entidades a caracterizar. Se calcula que si tenemos en cuenta todas las posibles modificaciones post-traduccionales (fosforilaciones, glicosilaciones, acetilaciones, etc) junto con los diferentes procesamientos que puede sufrir el mRNA no es descabellado hablar de aproximadamente 1.000.000 de proteínas diferentes que pueden componer el proteoma humano.

Actualmente, el termino proteómica se utiliza para describir la totalidad del análisis funcional de los productos génicos, desde la localización a gran escala o la monitorización de la expresión de miles de proteínas simultáneamente hasta el estudio de su dinámica y sus interacciones. La promesa de la proteómica es que a través del estudio de muchos componentes simultáneamente, aprenderemos como las proteínas interaccionan entre si y con otras moléculas no proteicas, para controlar procesos complejos en células, tejidos e incluso a nivel de organismos completos, en los que ahora se denomina biología de sistemas.

Al igual que ocurre en el caso de la genómica, la proteómica aplicada al cáncer se ha centrado fundamentalmente en la búsqueda de marcadores proteicos diferencialmente expresados en tumores y nuevas dianas terapéuticas (Hanash 2003). El primer paso en cualquier estudio proteómico es la separación de proteínas. Existen múltiples métodos para la separación de proteínas, pero sin duda el método proteómico clásico ha sido la electroforesis bidimensional.

La electroforesis bidimensional es una técnica de alta resolución cuyo objetivo es la separación de mezclas complejas de proteínas. La base de su elevado poder de resolución estriba precisamente en su carácter bidimensional, es decir que las proteínas son separadas secuencialmente por dos criterios físicos. En primer lugar las proteínas son separadas en un gel con gradiente de pH en condiciones desnaturalizantes de acuerdo con su punto isoeléctrico (isoelectroenfoque). Tras esta separación basada en la carga ,las proteínas son separadas de acuerdo con su masa molecular por electroforesis discontinua en gel de poliacrilamida en presencia de dodecil sulfato sódico (SDS). Tras la tinción del gel, las proteínas aparecen formando manchas circulares (spots). En cada experimento de geles bidimensionales se pueden detectar varios miles de proteínas.

Esta alta resolución se puede aplicar al estudio de la expresión diferencial de proteínas en diversas situaciones, por ejemplo, tratamiento de líneas celulares con fármacos, comparación de tejidos sanos con enfermos, líneas celulares normales y tumorales, etc. Recientemente se ha puesto a punto un nuevo sistema llamado DIGE de su nombre en inglés (Differential in gel electrophoresis) que simplifica enormemente este tipo de análisis diferencial a través del marcaje simultáneo con dos fluorocromos diferentes de los extractos proteicos a comparar y carga igualmente simultánea en el mismo gel con un estándar interno para el proceso de normalización de datos entre experimentos (Fig. 4). Este método permite comparar diferentes experimentos entre si y detectar variaciones muy pequeñas de proteínas entre muestras.




Figura 4. Electroforesis bidimensional de tejido tumoral humano. Extractos proteicos obtenidos a partir de una muestra pareada (tumoral/ normal) de cáncer colorectal fueron marcados con los fluorocromos Cy3 y Cy5 y sometidos a electroforesis bidimensional. Las proteínas sobreexpresadas en tumores aparecen de color rojo, las reprimidas en tumores frente al normal aparecen de color verde.


La electroforesis bidimensional permite analizar la expresión de miles de proteínas a la vez, pero a diferencia de los microarrays de cDNA, los perfiles de expresión que se obtienen son anónimos, es decir la única información asociada a cada spot es su intensidad normalizada y sus coordenadas en el espacio (pI y Mr aproximados). Por tanto se necesitan otros métodos para proceder a la identificación de estas proteínas. Las nuevas técnicas de espectrometría de masas (MS) han sido definitivas en este aspecto (Domon and Aebersold 2006). Se basan en la digestión de las proteínas separadas en gel y el análisis de los péptidos para determinar con gran precisión su masa y/o obtener su secuencia de aminoácidos.

La técnica mas utilizada por sencillez y capacidad de procesamiento de múltiples muestras es la identificación de la huella peptídica, que se realiza por digestión con tripsina y análisis de la masa de los péptidos resultantes por espectrometría de masas MALDI-TOF (Matrix-assisted laser desorption/ionization, time of flight). En este equipo las proteínas se embeben dentro de una matriz que al ser bombardeada con un láser se ioniza y transfiere esa energía a los péptidos para su ionización. Aplicando una diferencia de potencial, los péptidos cargados vuelan hasta el detector y el tiempo de vuelo es proporcional a la masa del péptido. Con este método se obtiene un espectro de las masas de todos los péptidos resultantes del proceso de digestión tríptica. Dado que la tripsina tiene puntos de corte muy específicos, los péptidos que se obtienen son muy reproducibles y por tanto cada proteína debe tener una huella de péptidos trípticos única. Los espectros de masas obtenidos se usan para contrastar con (interrogar) bases de datos (p.e. SwissProt, NCBI) con los algoritmos adecuados (MASCOT, ProFound, etc) para identificar las proteínas que corresponden a cada uno de los spots de interés.

Sin embargo para determinar inequívocamente a que proteína corresponde cada spot es conveniente realizar una secuencia del péptido producido, para ello se utiliza otro tipo de espectrometría de masas, llamada tandem MS/MS (p.e. realizada con una trampa iónica). En este tipo de espectrometría, los péptidos sufren una nueva rotura a nivel de enlace peptídico en cada uno de los residuos que componen el péptido. Dado que esta rotura es dependiente de la secuencia, el espectro MS/MS de un péptido representa su secuencia de aminoácidos. La secuencia de un péptido nos dirá de forma inequívoca de que proteína se trata. Los equipos de trampa iónica también son muy utilizados para la determinación de las modificaciones post-transduccionales de las proteínas, esto es, fosforilaciones, glicosilaciones, etc.

La proteómica clínica es la combinación de las técnicas descritas anteriormente (geles 2D con LC-MS) y bioinformática, junto a nuevas herramientas como los arrays de proteínas para el descubrimiento de nuevos biomarcadores. Los arrays de proteínas y anticuerpos permiten analizar el proteoma a escala global con una sensibilidad muy superior a la obtenida actualmente por espectrometría de masas. Si unimos a esta sensibilidad la exquisita especificidad de la unión antígeno-anticuerpo nos encontramos con una herramienta muy útil para la identificación de proteínas y marcadores expresados a muy bajo nivel, incluidos autoanticuerpos, la discriminación e identificación de diferentes isoformas y el análisis global de complejas rutas de señalización.

Aunque la proteómica se esta estableciendo como una técnica fundamental para la investigación del cáncer no está aun clara su implementación a nivel clínico. La complejidad tecnológica, el alto coste del equipamiento necesario, su difícil automatización, junto a la poca disponibilidad de personal bien formado dificultan la predicción de en que momento la proteómica se trasladará a la práctica clínica rutinaria.

REFERENCIAS

Domon, B. and R. Aebersold (2006). "Mass spectrometry and protein analysis." Science 312(5771): 212-7.
Hanash, S. (2003). "Disease proteomics." Nature 422(6928): 226-32.
Rosenwald, A., G. Wright, et al. (2002). "The use of molecular profiling to predict survival after chemotherapy for diffuse large-B-cell lymphoma." N Engl J Med 346(25): 1937-47.
Schena, M., D. Shalon, et al. (1995). "Quantitative monitoring of gene expression patterns with a complementary DNA microarray." Science 270(5235): 467-70.
van de Vijver, M. J., Y. D. He, et al. (2002). "A gene-expression signature as a predictor of survival in breast cancer." N Engl J Med 347(25): 1999-2009.
Weinberg, R. A. (2007). The biology of cancer. New York ; London, Garland Science.


LINKS DE INTERES

http://www.ensembl.org/Homo_sapiens/index.html
Página web de ensembl para explorar en profundidad el genoma humano

http://www.mged.org/Workgroups/MIAME/miame.html
Página web de MIAME, organización para la estandarización de resultados en microarrays

http://www.ebi.ac.uk/arrayexpress/
Página web de Array Express para el depósito de datos obtenidos con microarrays de DNA

http://www.genecards.org/
Página web de Genecards para conocer mejor las propiedades y características de los genes descritos hasta la fecha

http://proteomics.cancer.gov/
Iniciativa de Proteómica y Cáncer del Instituto Nacional del Cáncer de los EEUU

http://www.proteinatlas.org/index.php
Atlas de proteínas humanas y su expresión tanto en tejidos normales como tumorales

http://www.hprd.org/
Extensa información sobre proteínas humanas

http://us.expasy.org/sprot/
Base de datos conteniendo secuencias y características de las proteínas descritas hasta la fecha

http://www.goproteomics.com/
Portal de entrada a diversa información de utilidad en el campo de la Proteómica

Blog con recetas anticáncer, para frikis de la alimentación sana. Interesante...

www.misrecetasanticancer.com

¿Son fiables los tests genéticos que se comercializan? Como para fiarse del test Alcat...





a) Por la información que aparece en las páginas web parecen tests transcriptómicos: un análisis de microarrays en el que valoran si hay SNP en un 30 genes, que son los más conocidos actualmente y los que tienen mayor número de SNPs en la población: COMT; VDR; MAO A; ACAT; MTHFR; MTR; MTRR; BHMT; AHCY; CBS; SUOX; SHMT; NOS; CBS.

b) A partir de esta técnica podemos saber si no hay mutación en estos genes, o si hay una mutación o mutación doble. Y se nos plantea en función de la mutación encontrada, suplementar una vitamina o mineral o cofactor específico para evitar la mala expresión de este gen.

c) Ofertan realizar el test y dar la suplementación al respecto. El negocio está en el test y en la venta de suplementación. En la página web aparece un gran número de referencias en teoría validadas, pero hay varios aspectos que no tienen en cuenta o que omiten:

·       Son técnicas transcriptómicas sencillas; analizan el ARN sin tener en cuenta la genética, la proteómica y la metabolómica que son factores que influyen también en la expresión de los genes y puedes falsear el test de arrays.

·       Analizan polimorfismos de 30 genes, y hay que tener en cuenta que hay milones de SNPs y que interactúan unos con otros.

·       Ofertan suplementación para mejorar la expresión genética sin una base epidemiológica. No se ha hecho un seguimiento de las personas con estas mutaciones, suplementar largo tiempo y ver qué ocurre. Podría haber efectos secundarios indeseados como en el caso del meta-análisis y la vitamina A, o las dosis de ácido fólico que propuso Fennech en 2001.

·       Se aprovechan de la situación emocional y del sentimiento de culpa de las personas, sobre todo de los padres, ya que hacen varias referencias a prevenir problemas graves que podrían producirse durante el embarazo, como el autismo, sin tener ninguna evidencia fiable que lo soporte.

En bibliografía valorada al respecto, se puede ver cómo aún no hay datos suficientes como para suplementar en función de algún SNP encontrado. Quizá lo más estudiado a día de hoy sean las implicaciones nutrigenómicas en obesidad:

Variaciones genéticas y requerimientos dietéticos

El código genético de individuos no emparentados coincide en un 99,9%. Los polimorfismos son lugares del ADN donde frecuentemente difieren las secuencias en distintos individuos (al menos en un 1% de la población). Los más frecuentes SNPs (single nucleotide polymorphisms) son cambios de una sola letra en el código (un solo nucletótido); un individuo puede llevar diversas combinaciones de un determinado polimorfismo (2 copias de cada gen). El genotipo es la combinación de secuencias en las 2 copias de un gen para un polimorfismo particular. Se han identificado más de 10 millones de SNPs, de los cuales los más comunes aparecen en un 5 hasta un 50% de la población. La mayoría de los humanos somos heterocigotos para más de 50.000 SNPs en nuestros genes, muchos de los cuales implican una alteración en la expresión génica o cambios en la estructura o función de sus productos (proteínas). El análisis de todos los SNPs de un individuo es actualmente impracticable. Sin embargo, el hecho de que los SNPs cercanos en la secuencia de ADN de un gen tiendan a heredarse juntos (haplotipo) y que la mayoría de las regiones cromosómicas solo tiene unos cuantos haplotipos comunes, permite de forma práctica el análisis de éstos y de agrupaciones de SNPs  (http://hapmap.org).

Los SNPs son parte de los mecanismos de adaptación al entorno en la evolución humana y condicionan la diversidad poblacional, la individualidad, la susceptibilidad a ciertas enfermedades y asimismo la idiosincrasia en las respuestas a fármacos. Algunos SNPs comunes en la población determinan para los sujetos portadores requerimientos especiales de nutrientes. Por ejemplo, la 5, 10-metilentetrahidrofolatoreductasa (MTHFR) es una enzima implicada en el metabolismo del ácido fólico cuya variante termolábil (homocigosis C677T, presente en el 5 hasta el 30% de la población) presenta una reducción de su actividad y se relaciona con un incremento de las concentraciones de homocisteína en plasma (figura 1) y un incremento del riesgo de enfermedad cardiovascular y tromboembólica y aumento de complicaciones obstétricas en algunos estudios. La ingesta de elevadas cantidades de folatos consigue una normalización de la concentración de homocisteína en plasma, aunque su repercusión en términos de morbilidad cardiovascular está por demostrar.


El gen APOA1 (apoproteína A1, componente fundamental del colesterol HDL) es altamente polimórfico. Dependiendo del genotipo de una determinada región promotora (APOA1-75G-A), la ingesta baja (homocigosis para el alelo G) o elevada (portadores del alelo A) de ácidos grasos poliinsaturados determina un incremento en las concentraciones de colesterol HDL en mujeres.

Los receptores PPAR regulan más de 300 genes, muchos de ellos involucrados en el metabolismo lipídico extracelular y oxidación de ácidos grasos. A su vez, los PPAR están regulados por ácidos grasos y metabolitos de ácidos grasos, que se comportan como ligandos de los PPARa. Así, otro ejemplo de variación genética determinante de una diferente necesidad de nutrientes es un SNP en el gen del PPARa (PPARA Leu162Val) asociado con alteraciones en el colesterol total, colesterol LDL y apoproteína B que determina en portadores del alelo V162 una marcada reducción en la concentración de triglicéridos en respuesta a ácidos grasos poliinsaturados.

Los ejemplos previamente descritos ilustran cómo ciertos SNPs pueden determinar una concreta recomendación al individuo en cuanto a su alimentación pero también muestran la complejidad de las relaciones entre genes, nutrientes y rutas metabólicas. De este modo, una portadora del alelo V162 en PPARA a la que se le recomendara una elevada ingesta de ácidos grasos poliinsaturados para disminuir sus cifras de triglicéridos podría padecer como efecto adverso un descenso de su colesterol HDL en caso de ser homocigota para el alelo G de APOA1.

El desarrollo de la genómica funcional en los próximos años condicionará cambios en el conocimiento teórico y la práctica clínica de la nutrición. La posibilidad de determinar el perfil genético de un individuo (variaciones genéticas y modificaciones epigenéticas) y de detectar miles de metabolitos endógenos y exógenos en una muestra biológica y conseguir la integración de estos datos en una compleja red de interacciones metabólicas constituye un desafío sin precedentes en la Nutrición Humana. En Europa, la red NuGO (NutriGenomics Organization, 'The European Nutrigenomics Organisation: linking genomics, nutrition and health research'), una Red europea de Excelencia, desarrolla diversos proyectos de colaboración encaminados a la integración del conocimiento y tecnologías post-genómicas. Financiado por la Unión Europea, destaca el Early Nutrition Programming Project (EARNEST), cuyos objetivos son la identificación de intervenciones capaces de prevenir y revertir una programación nutricional temprana adversa y la mejora de las fórmulas de leche adaptada. Asimismo son precisos grandes estudios poblacionales, como los programas NUGENOB (http://www.nugenob.com) y Diogenes (http://www.diogenes-eu.org), que permitan el estudio de las interacciones entre genes y nutrientes y la identificación de los determinantes genéticos susceptibles de influencias medioambientales que incidan en el desarrollo de la obesidad.

La capacidad no sólo de adaptar el consumo de nutrientes a las necesidades exigidas por el particular bagaje genético de un individuo (variaciones genéticas) para evitar enfermedades y mejorar su calidad de vida, sino de modular la expresión génica mediante modificaciones nutricionales con efecto no únicamente agudo (interacciones directas gen-nutriente) sino permanente a lo largo de la vida del individuo y, más aún, con la posibilidad de transmitir estos patrones de expresión génica a la descendencia (regulación epigenética) constituye el gran reto de la nutrigenómica. Las enfermedades crónicas, de causa multifactorial en las que la alimentación condiciona, al menos en parte, su desencadenamiento y severidad, son un campo teórico en el que la nutrigenómica potencialmente desempeñará un papel fundamental. Sin embargo, las aplicaciones prácticas del conocimiento científico puro derivado de la genómica funcional, en términos de prevención y tratamiento de la obesidad, la DM2 y las enfermedades cardiovasculares, así como sus implicaciones en la salud pública, son en este momento todavía indeterminadas.

La posibilidad de una intervención nutricional en periodos críticos del desarrollo (preconcepcional, gestacional, postnatal, infantil) que determine una disminución del riesgo de padecer enfermedades como la obesidad en edad adulta o la capacidad de modificar la expresión génica a través de la alimentación y con ello influir en diversos factores de riesgo cardiovascular y en la susceptibilidad genética a ciertas enfermedades, son unos objetivos ambiciosos en nutrición y salud pública, más allá de la repercusión de la nutrigenómica en la nutrición del individuo a través del diseño de dietas o alimentos funcionales personalizados. El desarrollo de la nutrigenómica implicará inevitablemente la consideración de ciertos aspectos éticos (autonomía, consentimiento informado, privacidad y acceso a la información, equidad) y la necesidad de su regulación legal.

Bibliografía

1. Rubio MA, Salas-Salvadó J, Barbany M, et al. Consenso SEEDO 2007 para la evaluación del sobrepeso y la obesidad y el establecimiento de criterios de intervención terapéutica. Rev Esp Obes. 2007; 5 (3): 135-75. [ Links ]

2. Calle EE, Thun MJ, Petrelli JM, et al. Body mass index in a prospective cohort of U.S. adults. N Engl J Med. 1999; 341: 1097-105. [ Links ]

3. Aranceta-Bartrina J, Serra-Majem Ll, Foz-Sala M, et al. Prevalencia de obesidad en España. Med Clin (Barc). 2005;125(12):460-6. [ Links ]

4. Serra-Majem Ll, Ribas Barba L, Aranceta Bartrina J, et al. Obesidad infantil y juvenil en España. Resultados del Estudio Enkid (1998-2000).Med Clin(Barc). 2003; 121: 725-32. [ Links ]

5. Aranceta J, Pérez Rodrigo C, Muñoz M. Perfil nutricional de los ancianos institucionalizados en España. En: Muñoz M, Aranceta J, Guijarro JL (eds). Libro blanco de la alimentación del anciano en España. Madrid: Panamericana; 2004. [ Links ]

6. Rankinen T, Zuberi A, Chagnon YC, et al. The Human Obesity Genet Map: The 2005 update. Obesity 2006; 14 (4): 529-644. [ Links ]

7. Frayling TM, Timpson NJ, Weedon MN, et al. A common variant in the FTO gene is associated with body mass index and predisposes to childhood and adult obesity. Science 2007. 316: 889-94. [ Links ]

8. Crawford DC, Nickerson DA. Definition and clinical importance of haplotypes. Annu Rev Med. 2005; 56: 303-20. [ Links ]

9. Klerk M, Verhoef P, Clarke R, et al. MTHFR 677C-->T polymorphism and risk of coronary heart disease: A Meta-analysis. JAMA. 2002; 288:2023. [ Links ]

10. Kohara K, Fujisawa M, Ando F, et al. MTHFR Gene Polymorphism as a Risk Factor for Silent Brain Infarcts and White Matter Lesions in the Japanese General Population: The NILS-LSA Study. Stroke. 2003; 34:1130. [ Links ]

11. Tsai, AW, Cushman, M, Tsai, MY, et al. Serum homocysteine, thermolabile variant of methylene tetrahydrofolate reductase (MTHFR), and venous thromboembolism: Longitudinal Investigation of Thromboembolism Etiology (LITE). Am J Hematol. 2003; 72:192. [ Links ]

12. Bezemer, ID, Doggen, CJ, Vos, HL, Rosendaal, FR. No Association Between the Common MTHFR 677C->T Polymorphism and Venous Thrombosis: Results From the MEGA Study. Arch Intern Med. 2007; 167:497. [ Links ]

13. Kupferminc MJ, Eldor A, Steinman N, et al. Increased frequency of genetic thrombophilia in women with complications of pregnancy. N Engl J Med. 1999; 340:9. [ Links ]

14. Altomare I, Adler A, Aledort LM. The 5, 10 methylenetetrahydrofolate reductase C677T mutation and risk of fetal loss: a case series and review of the literature. Thromb J. 2007, 5:17 (epub 17-10-2007). [ Links ]

15. Homocysteine Lowering Trialists' Collaboration. Lowering blood homocysteine with folic acid based supplements: meta-analysis of randomized trials. BMJ. 1998; 316:894-8. [ Links ]

16. Wald, DS, Bishop, L, Wald, NJ, et al. Randomized trial of folic acid supplementation and serum homocysteine levels. Arch Intern Med. 2001; 161:695. [ Links ]

17. Zoungas S, McGrath BP, Branley P, et al. Cardiovascular morbidity and mortality in the Atherosclerosis and Folic Acid Supplementation Trial (ASFAST) in chronic renal failure: a multicenter, randomized, controlled trial. J Am Coll Cardiol. 2006; 47:1108. [ Links ]

18. Bazzano LA, Reynolds K, Holder KN, He J. Effect of folic acid supplementation on risk of cardiovascular diseases: a meta-analysis of randomized controlled trials. JAMA. 2006; 296:2720. [ Links ]

19. den Heijer M, Willems HP, Blom HJ, et al. Homocysteine lowering by B vitamins and the secondary prevention of deep vein thrombosis and pulmonary embolism: A randomized, placebo-controlled, double-blind trial. Blood. 2007; 109:139. [ Links ]

20. Ordovas JM. Gene interactions with diet influence the risk of cardiovascular disease. Am J Clin Nutr. 2006; 83(suppl): 443S-6S. [ Links ]

21. Zeisel HS. Nutrigenomics and metabolomics will change clinical nutrition and public health practice: insights from studies on dietary requierements for choline, Am J Clin Nutr. 2007; 86; 542-8. [ Links ]

22. Sessler AM, Ntambi JM. Polyunsaturated fatty acid regulation of gene expression. J Nutr .1998;128:923-6. [ Links ]

23. Fernández ML, West KL. Mechanisms by which Dietary Fatty Acids Modulate Plasma Lipids. J Nutr. 2005; 135:2075-8. [ Links ]

24. Fernández-Quintela A, Churruca I, Puy Portillo M. The role of dietary fat in adipose tissue metabolism. Pub Health Nutr. 2007; 10 (10A): 1126-31. [ Links ]

25. Clarke SD, Gasperikova D, Nelson C, et al.Fatty acid regulation of gene expression: a genomic explanation for the benefits of the mediterranean diet. Ann N Y Acad Sci 2002;967:283-98. [ Links ]

26. Pariza MW, Park Y, Cook ME. The biologically active isomers of conjugated linoleic acid. Prog Lipid Res. 2001;40(4):283-98. [ Links ]

27. House RL, Cassady JP, Eisen EJ, et al. Conjugated linoleic acid evokes de-lipidation through the regulation of genes controlling lipid metabolism in adipose and liver tissue. Obes Rev. 2005;6(3):247-58. [ Links ]

28. Tricon S, Burdge GC, Kew S, et al. Opposing effects of cis-9,trans-11 and trans-10,cis-12 conjugated linoleic acid on blood lipids in healthy humans. Am J Clin Nutr. 2004;80(3):614-20. [ Links ]

29. Tricon S, Burdge GC, Jones EL, et al. Effects of dairy products naturally enriched with cis-9,trans-11 conjugated linoleic acid on the blood lipid profile in healthy middle-aged men. Am J Clin Nutr. 2006;83(4):744-53. [ Links ]

30. Terpstra AH. Effect of conjugated linoleic acid on body composition and plasma lipids in humans: an overview of the literature. Am J Clin Nutr. 2004;79(3):352-61. [ Links ]

31. Choi Y, Kim YC, Han YB, et al. The trans-10,cis-12 isomer of conjugated linoleic acid downregulates stearoyl-CoA desaturase 1 gene expression in 3T3-L1 adipocytes. J Nutr. 2000;130(8):1920-4. [ Links ]

32. Park Y, Storkson JM, Ntambi JM, et al. Inhibition of hepatic stearoyl-CoA desaturase activity by trans-10, cis-12 conjugated linoleic acid and its derivatives. Biochim Biophys Acta 2000;1486(2-3):285-92. [ Links ]

33. Park Y, Storkson JM, Albright KJ, et al. Evidence that the trans-10,cis-12 isomer of conjugated linoleic acid induces body composition changes in mice. Lipids. 1999 Mar;34(3):235-41. [ Links ]

34. Brown JM, Boysen MS, Chung S, et al. Conjugated linoleic acid (CLA) induces human adipocyte delipidation: autocrine/paracrine regulation of MEK/ERK signaling by adipocytokines. J Biol Chem. 2004; 279: 26735–47. [ Links ]

35. Riserus U, Smedman A, Basu S, Vessby B. Metabolic effects of conjugated linoleic acid in humans: the Swedish experience. Am J Clin Nutr. 2004; 79: 1146S–1148S. [ Links ]

36. Riserus U, Vessby B, Arner P, Zethelius B. Supplementation with trans10cis12-conjugated linoleic acid induces hyperproinsulinaemia in obese men: close association with impaired insulin sensitivity. Diabetologia. 2004;47(6):1016-9. [ Links ]

37. Moloney F, Yeow TP, Mullen A, et al. Conjugated linoleic acid supplementation, insulin sensitivity, and lipoprotein metabolism in patients with type 2 diabetes mellitus. Am J Clin Nutr. 2004; 80(4):887-95. [ Links ]

38. Moloney F, Toomey S, Noone E, et al. Antidiabetic Effects of cis-9, trans-11–Conjugated Linoleic Acid May Be Mediated via Anti-Inflammatory Effects in White Adipose Tissue. Diabetes. 2007; 56:574–582. [ Links ]

39. Poirier H, Shapiro JS, Kim RJ, Lazar MA. Nutritional Supplementation With trans-10, cis-12–Conjugated Linoleic Acid Induces Inflammation of White Adipose Tissue. Diabetes. 2006; 55: 1634-41. [ Links ]

40. Silveira MB, Carraro R, Monereo S, Tébar J. Conjugated linoleic acid (CLA) and obesity. Pub Health Nutr. 2007; 10 (10A): 1181-6. [ Links ]

41. Morgan HD, Sutherland HG, Martin DI, Whitelaw E. Epigenetic inheritance at the agouti locus in the mouse. Nat Genet. 1999; 23:314–8. [ Links ]

42. L.H. Lumey, Decreased birthweights in infants after maternal in utero exposure to the Dutch famine of 1944–1945. Paediatr Perinat Epidemiol. 1992; 6: 240–53. [ Links ]

43. Barker DJ. Fetal growth and adult disease. Br J Obstet Gynaecol. 1992;99:275–6. [ Links ]

44. Hales CN, Barker DJ.The thrifty phenotype hypothesis. Br Med Bull. 2001;60:5–20. [ Links ]

45. Barker DJ. The fetal origins of diseases of old age. Eur J Clin Nutr. 1992;46(suppl):S3–9. [ Links ]

46. Osmond C, Barker DJ, Winter PD, et al. Early growth and death from cardiovascular disease in women. BMJ. 1993;307:1519–24. [ Links ]

47. Barker DJ, Osmond C, Simmonds SJ, Wield GA. The relation of small head circumference and thinness at birth to death from cardiovascular disease in adult life. BMJ. 1993;306:422–6. [ Links ]

48. Rich-Edwards J, Stampfer M, Manson J, et al. Birthweight, breastfeeding, and the risk of coronary heart disease in the Nurses Health Study. Am J Epidemiol. 1995;141:S78. [ Links ]

49. Frankel S, Elwood P, Sweetnam P, et al. Birthweight, adult risk factors and incident coronary heart disease: the Caerphilly Study. Public Health. 1996;110:139–43. [ Links ]

50. Leon DA, Koupilova I, Lithell HO, et al. Failure to realise growth potential in utero and adult obesity in relation to blood pressure in 50 year old Swedish men. BMJ. 1996;312:401–6. [ Links ]

51. Ravelli GP, Stein ZA, Susser MW. Obesity in young men after famine exposure in utero and early infancy. N Engl J Med. 1976;295:349–53. [ Links ]

52. Gluckman PD, Hanson MA.Living with the past: evolution, development and patterns of disease. Science. 2004; 305:1773–1776. [ Links ]

53. Hales CN, Barker DJ, Clark PM, et al. Fetal and infant growth and impaired glucose tolerance at age 64. BMJ. 1991;303:1019–22. [ Links ]

54. Phipps K, Barker DJ, Hales CN, et al. Fetal growth and impaired glucose tolerance in men and women. Diabetologia. 1993;36:225–8. [ Links ]

55. Phillips DI, Barker DJ, Hales CN, et al. Thinness at birth and insulin resistance in adult life. Diabetologia. 1994;37:150–4. [ Links ]

56. Vickers MH, Breier BH, Cutfield WS, et al. Fetal origins of hyperphagia, obesity and hypertension and its postnatal amplification by hypercaloric nutrition. Am J Physiol. 2000; 279:E83–E87. [ Links ]

57. Gluckman PD, Hanson MA, Spencer HG. Predictive adaptive responses and human evolution. Trends Ecol Evol. 2005; 20 (10): 527-33. [ Links ]

58. Rickard IJ, Lummaa V. The Predictive Adaptive Response and metabolic syndrome: Challenges for the hypothesis. Trends Endocrinol Metab. 2007; 18 (3): 94-9. [ Links ]

59. Pinto S, Roseberry AG, Liu H, et al. Rapid rewiring of arcuate nucleus feeding circuits by leptin. Science. 2004; 304:110 –115. [ Links ]

60. Bouret SG, Draper SJ, Simerly RB. Trophic action of leptin on hypothalamic neurons that regulate feeding. Science. 2004; 304:108 –110. [ Links ]

61. Islam M, Sjo¨holm Å, Emilsson V. Fetal pancreatic islets express functional leptin receptors and leptin stimulates proliferation of fetal islet cells. Int J Obes Relat Metab Disord. 2000, 24:1246–53. [ Links ]

62. Vickers MH, Gluckman PD, Coveny AH, et al. Neonatal Leptin Treatment Reverses Developmental Programming. Endocrinology. 2005;146: 4211–6. [ Links ]

63. Miralles O, Sánchez J, Palou A, Picó C. A Physiological Role of Breast Milk Leptin in Body Weight Control in Developing Infants. Obesity. 2006; 14:-1371-77. [ Links ]

64. Uysal FK, Onal EE, Aral YZ, et al. Breast milk leptin: its relationship to maternal and infant adiposity. Clin Nutr. 2002;21:157– 60. [ Links ]

65. Ucar B, Kirel B, Bor O, et al. Breast milk leptin concentrations in initial and terminal milk samples: relationships to maternal and infant plasma leptin concentrations, adiposity, serum glucose, insulin, lipid and lipoprotein levels. J Pediatr Endocrinol Metab. 2000;13:149 –56. [ Links ]

66. Kramer MS. Do breast-feeding and delayed introduction of solid foods protect against subsequent obesity? J Pediatr. 1981;98:883–7. [ Links ]

67. von Kries R, Koletzko B, Sauerwald T, et al. Breast feeding and obesity: cross sectional study. BMJ. 1999;319:147–50. [ Links ]

68. Armstrong J, Reilly JJ. Breastfeeding and lowering the risk of childhood obesity. Lancet. 2002;359:2003– 4. [ Links ]

69. Hediger ML, Overpeck MD, Kuczmarski RJ, Ruan WJ. Association between infant breastfeeding and overweight in young children. JAMA. 2001;285:2453– 60. [ Links ]

70. Li L, Parsons TJ, Power C. Breast feeding and obesity in childhood: cross sectional study. BMJ. 2003;327:904 –5. [ Links ]

71. Kaati G, Bygren LO, Edvinssons S. Cardiovascular and diabetes mortality determined by nutrition during parents and grandparents slow growth period. Eur J Hum Genet. 2002; 10:682-8. [ Links ]

72. Baker J, Liu JP, Robertson EJ, Efstratiadis A. Role of insulinlike growth factors in embryonic and postnatal growth. Cell. 1993; 75:73–82. [ Links ]

73. Constancia M, Hemberger M, Hughes J, et al. Placental-specific IGF-II is a major modulator of placental and fetal growth. Nature. 2002; 417: 945–8. [ Links ]

74. Pietiläinen K, Rissanen A, Laamanen M, et al. Growth Patterns in Young Adult Monozygotic Twin Pairs Discordant and Concordant for Obesity. Twin Res. 2005; 7 (5): 421-429. [ Links ]

75. Kaiser J. Developmental biology. Endocrine disrupters trigger fertility problems in multiple generations. Science. 2005; 308:1391–2. [ Links ]

76. Feil R. Environmental and nutritional effects on the epigenetic regulation of genes Mutat Res. 2006; 600: 46–57. [ Links ]

77. Pembrey ME. Time to take epigenetic inheritance seriously. Eur J Hum Genet. 2002; 10:669–71. [ Links ]

78. Yu YH, Zhu H. Chronological changes in metabolism and functions of cultured adipocytes: a hypothesis for cell aging in mature adipocytes. AJP- Endo 2004; 286:402-10. [ Links ]

79. Silveira MB, Carraro R, Gómez-Pan A. El aparato digestivo como órgano endocrino: nuevas perspectivas en el tratamiento de la obesidad. Med Clín (Barc). 2006; 127: 300-5. [ Links ]

80. Slawik M, Vidal-Puig AJ. Lipotoxicity, overnutrition and energy metabolism in aging. Aging Res Rev. 2006; 5: 144-164. [ Links ]

81. Unger RH, Orci L. Lipoapoptosis: its mechanism and its diseases. Biochim Biophys Acta. 2002;1585: 202–212. [ Links ]

82. Shulman GI. Cellular mechanisms of insulin resistance in humans. Am J Cardiol. 1999; 84: 3J-10J. [ Links ]

83. Recasens M, Ricart W, Fernandez-Real JM. Obesidad e inflamación. Rev Med Univ Navarra 2004;48(2):49-54. [ Links ]

84. Ruiz-Torres A, Lozano R, Melón J, et al. On how insulin may influence ageing and become atherogenic throughout IGF-1 receptor pathway: In vitro studies with human vascular smooth muscle cells. Gerontology. 2005; 51:225-230. [ Links ]