Biomarcadores en el diagnóstico fisiológico en carya illinoensis

1. Dr. Luis Alberto Lightbourn Rojas, PhD

3. Respuesta delasPlantasaEstímulosExternos
Dado que las plantas son sésiles, deben ser capaces de percibir su entorno natural y
experimentar cambios en su fisiología en respuesta a esas señales ambientales. En este
proceso la membrana plasmática es fundamental
1) Disrupción osmótica por
afectaciones a la membrana
plasmática
2) Activación de la señalización
mediada por kinasas y segundos
mensajeros
3) Síntesis de factores de
transcripción
4) Activación de genes
Luz UV
Calor
Frío
Sequía
Salinidad
MANEJO

5. Estructura yFuncióndelaMembrana Plasmática

6. RoldelaMembrana enRespuesta aEstrés
Activación
Osmosensores, enzimas, segundos
mensajeros y proteínas kinasas
SíntesisMúltiples factores de
transcripción
Expresión de genes que codifican
Osmoprotectores, proteínas
fibrosas, transportadoers de iones
y acuaporinas
Restauración de la homeostasis a través del establecimiento
del sistema de resistencia adaptativa
Estrés Abiótico Estrés Biótico
Generan disrupción osmótica, con posibles alteraciones en membrana
celular y sus proteínas, lo que desencadena:

7. IniciodelaSeñalizaciónenMembranaPlasmática
Las señales externas usualmente son reconocidas por receptores en la membrana plasmática que
son capaces de controlar procesos moleculares de la activación de la señalización intercelular
coordinada durante las respuestas de crecimiento, desarrollo y estrés
Estas señales son recibidas
inicialmente por las proteínas de
membrana y se transmiten
secuencialmente para activar
elementos de señalización

8. ReceptoresenMembrana Plasmática
Existen diferentes receptores de membrana que actúan como reguladores en la
percepción de señales ambientales. Los receptores de tipo quinasas (RLK) son
considerados como moléculas claves en la regulación del crecimiento y desarrollo de la
planta bajo diferentes condiciones de estrés. La transcripción de los genes RLK es
regulada y modulada en respuesta al estrés a nivel individual o en grupos de genes
Activación de
quinasas
Salinidad
Estrés
Osmótico Sequía Frío
Biomarcadores

9. Factores Ambientales
Activación de factores de transcripción, canales y otros
mecanismos de transporte
Mantenimiento de la Homeostasis
ReddeSeñalización
Los receptores de tipo kinasas (RLK) e histidin kinasas (HK) de la membrana celular
regulan los mecanismos de homeostasis en respuesta al estrés abiótico y biótico, a
través de la activación génica

10. Tipo 1
Predecir las respuestas a las
intervenciones terapéuticas
Tipo 0
Se utiliza para estimar
la aparición o el
desarrollo de una
enfermedad
Tipo 2
En principio se podría utilizar como criterios
de valoración clínicos de sustitución en los
curso de ensayos clínicos
Un biomarcador es una característica que puede ser medida objetivamente y puede
utilizarse como indicador de los procesos biológicos normales y/o procesos
patológicos y/o respuesta farmacológica a un agente terapéutico y/o factor
nutricional
Biomarcadores

11. Los metabolitos son un conjunto de sustancias bioquímicas
producidas por la célula durante procesos metabólicos: azúcares,
lípidos, aminoácidos, etc, que pueden se usados como marcadores
En los estudios de la variabilidad genética la clave es el análisis de
polimorfismos de nucleótido simple (SNPs)
La principal fuente de datos moleculares para descubrir
biomarcadores son los estudios de ADN basados en ​​variaciones, la
expresión de genes (transcriptómica), expresión de proteínas y la
medición de los metabolitos (metabolómica)
Algunos de los biomarcadores son ortogonales, es decir
biomarcadores con relativamente baja dependencia
estadística, biológica o clínica entre ellos
.
FuentesdeBiomarcadores

12. BiomarcadoresRelacionadosaMembrana
Los receptores tipo kinasa (RLK) modulan la expresión de genes que puede ser utilizados
como marcadores del estado fisiológico de la planta
Tipo de
RLK
Gen Función
LRR GHR1 Regula la activación de canales iónicos
SRLK Previene el desarrollo de la raíz en condiciones de salinidad
RLK7 Regula la velocidad de germinación y tolerancia al estrés
oxidativo
OsSIK1 Permite el incremento de superóxido dismutasa que brinda
tolerancia a la sequía y salinidad
RPK1 Resistencia a sequía
PERK PERK4 Inhibe la elongación de la raíz ante perturbaciones de la
homeostasis de Ca+2
CRK/DUF26 CRK36 Media la señalización vinculada al estrés osmótico
RLCK CRLK1 Relacionada a la respuesta ante bajas temperaturas

13. •Grupo de proteínas
Se encuentran asociadas
a membrana
•Estructuralmente
Constituídas por las
subunidades α, β y γ
•Función
Participan en la
transducción de señales
ProteínasGHeterotriméricas-Biomarcadores
Las proteínas G son un grupo de proteínas asociadas a la membrana plasmática, consideradas
como moléculas de señalización

14. Respuesta a Estrés
• Hídrico
• Salino
• Térmico
Respuesta a Hormonas
• Auxinas
• Giberelinas
• Ácido Absícico
Eventos de Desarrollo
• Formación de raíces
• Elongación del hipocótilo
Diversas
• Activación de Canales
• Respuesta a Patógenos
• Respuesta a la Luz
ProteínasGHeterotriméricas-Biomarcadores
• Estas proteínas estan
implicadas en la respuesta
mediada por la membrana
plasmática ante diversos
factores, y puede ser
utilizados como
biomarcadores del estado
fisiológico de la planta

16. CélulasMeristemáticas
• Las plantas mantienen poblaciones
de células madre en los tejidos
jóvenes no diferenciados llamados
“meristemos”, que conservan su
organización a través de la
señalización célula-célula. Los
meristemos mantienen poblaciones
de células no diferenciadas y son
esenciales para la producción de
tejidos especializados

17. CélulasMeristemáticas
• El crecimiento y desarrollo de las
plantas depende de los procesos
continuos que ocurren en las células
meristemáticas. A partir de los
meristemos se originan todos lo
organos post-embrionarios, como
hojas, tallos y flores

18. SeñalizaciónenCélulasMeristemáticas
• Las poblaciones de células madre en los
meristemos son mantenidas a través de
la vía de señalización CLAVATA (CLV), la
cuál se constituye por un pequeño
péptido secretado (CLV3), los
receptores tipo quinasa CLV1 y CRN, así
como por el receptor CLV2

19. SeñalizaciónenCélulasMeristemáticas
• El modelo para la vía de señalización
CLAVATA sugiere que CLV1, CLV2 y CRN
reconocen el péptido CLV3 produciendo la
activación del receptor que conduce a la
represión de la expresión del factor de
transcripción del homodominio Wuschel
(WUS), el cual es un pequeño péptido que
actúa como un centro de organización
requerido para el control de la población de
células madre. En ausencia de este péptido
se produce un aumento en dicha población

20. MarcadoresMolecularesenCélulasMeristemáticas
• Estudios de mutagenesis dirigida hacia
la región exónica de los genes CLV1,
CLV2 y CLV3, ocasiona un aumento en la
población de células madres, lo que se
debe a que las células que
recientemente se habían diferenciado,
se reconvierten en células madre

21. El factor de transcripción SHOOTMERISTEMLESS (STM) en conjunto con WUS se
requieren para controlar los procesos de diferenciación celular en el meristemo
WUS y STM han sido consideradas como
moléculas biomarcadores para
determinar el estado fisiológico de las
células meristemáticas, ya que WUS
actúa para mantener la función de
células madre, mientras que STM es
necesaria para el mantenimiento de un
estado indiferenciado
MarcadoresMolecularesenCélulasMeristemáticas

22. MarcadoresMolecularesenCélulasMeristemáticas
El gen LOG, recientemente reportado, es requerido para mantener las funciones del
meristemo, este gen codifica un tipo de citoquina que se encarga de bioactivar la síntesis
de nuevas citoquinas que inducen la proliferación y diferenciación celular
Región exónica-
intrónica del gen LOG
Ubicación del gen LOG
Deleción del gen LOG
Expresión normal del gen
LOG

24. Retículoendoplásmico
El retículo endoplásmico (RE) es un organelo involucarado en:
Síntesisde
Proteínas
Plegamientode
Proteínas
Ensamblede
Proteínas
Degradación
deProteínas
Reciclajede
Proteínas
Permiteel
mantenimientode
laHomeostasis

25. RetículoEndoplásmico
Enzimas
Que permiten degradar
proteínas defectuosas
Chaperonas
Que permiten el correcto
plegamiento de proteínas
Inducción
De genes que codifican
para chaperonas y enzimas
Esto se logra a través de:

26. TranscriptomayBiomarcadores
 En un estudio realizado en nogal por
Lightbourn et al (2014), según
metodología Wakasa en el cual se
analizó su transcriptoma, el trabajo
incluyó el análisis de 38,076 genes
mediante “RNA-seq”
 Después del análisis bioinformático se
determino que un total de 374 estaban
involucradas en la respuesta a estrés
del RE

27. 2 % transporte
transmembrana
5% proteolisis
2% metabolismo lipídico
3% plegamiento de proteínas
4% regulador de transcripción
9% respuesta a
estrés oxidativo
7% metabolismo
de carbohidratos
20% a procesos de óxido-
reducción
48% funciones diversas
De los 374 genes vinculados al retículo endoplásmico, esta es la distribución con base a
su función
TranscriptomayelRetículo Endoplásmico

28. PosiblesBiomarcadoresdelRetículoEndoplásmico
• Una chaperona del retículo endoplasmíco, denominada GRP94, regula el desarrollo
del meristemo a través del correto plegamiento de las proteínas de la vía CLAVATA
• Apróximadamente la tercera parte del total de las proteínas a la membrana sufren
alguna modificación postraduccional en el retículo.
• Esto se logra a través de la inducción de
genes que codifican chaperonas y enzimas
relacionadas con el plegamiento de
proteínas. Si el estrés es demasiado severo
en la célula el RE induce la muerte celular
programada.

29. BiomarcadoresRelacionadosalRE
• La participación del RE en la
fisiología celular vegetal involucra
varias vías de señalización. En nogal,
las proteínas OsbZIP39 y OsbZIP60
actúan como reguladores
transcripcionaels de ATF6, una
proteína transmembrana que
desencadena un tipo de respuesta
que conduce a la proteolisis de
algunas proteínas mal plegadas
• Mientras que AtbZIP17 y AtbZIP28 tienen un mecanismo de acción similar al anterior
en Arabidopsis.

30. BiomarcadoresRelacionadosalRE
• Por otro lado, la proteína IRE1 actúa como
sensor que es altamente conservado en
plantas, es una proteína transmembrana
que tiene un dominio tipo kinasa y un
dominio tipo ribonuleasa, este último
dominio permite realizar el splicing del
ARNm que codifican para diversos factores
transcripcionales (HAC1, XBP1, AtbZIP60 y
OsbZIP50) resultando en la activación de
una señal que concluirá en la degradación
de ARNm que codifican proteínas durante el
período de estrés.

32. ProyectopermanentedeInvestigación
“Validación de la nutrición coloidal según M.B.L.* e I.M.L.* para maximizar
productividad de cultivos, reducir impacto ambiental y crear nueva
metrología de diagnóstico nutricional basada en correlacionar indicadores
moleculares y la respuesta productiva”

33. Respaldo científico de los beneficios productivos y
ambientales de la tecnología
Genes N, P, K,B, Ca, Zn RT-PCR
Biomarcadores Déficit Nutrimental Método de Detección
ResumenEjecutivodelProyecto

34. ObjetivoGeneraldelProyecto
Maximizar la productividad de cultivos de manera sustentable mediante un
sistema de nutrición coloidal de bajo impacto ambiental y una nueva
metrología basada en biomarcadores de deficiencia nutricional.

35. Identificar y validar la expresión de
biomarcardores candidatos de la
deficiencia de nutrientes
Estandarizar una
técnica de
cuantificación
múltiple y
simultánea de los
biomarcadores
ObjetivosEspecíficosdelProyecto
Estimar las
recomendaciones
correctivas necesarias
para maximizar los
rendimientos de
manera sustentable
Validar el efecto benéfico
de la nutrición coloidal en
la ecología microbiana y
estructura del suelo
Demostrar la
disminución del
impacto ambiental de
la nutrición coloidal

36. Muestras
Datos Omic
Diferencias Entre
tipos de Muestras
Modelado Integral-
Predictivo
Potencial Biomarcador:
Modelos Predictivos
Validación
Independiente
Diagnóstico
Pronóstico
Los principales resultados esperados desde la perspectiva de investigación,
podrían ser (desarrollo de nuevos sistemas de diagnóstico y pronóstico =
biochip) y predicción computacional para la detección y diagnóstico

37. Muestra de Plantas
Integración
de los Datos
Expresión Génica
Acumulación de
Metabolitos
Genes
Metabolitos
Análisis
Multivariado
de Datos
Procesamiento
de Datos
Análisis del
Metaboloma
Análisis del
Transcritoma
MBL
IML
Datos de la
matriz de
metabolitos
Datos de la
expresión de los
genes
Extracción y pre-
Tratamiento
Los modelos de clasificación de enfermedades y predicción de riesgo se
basan en modelos estadísticos multivariantes. Este modelo puede ser
implementado con funciones matemáticas

38. S (t) = = f (x) =
x
1 + x-2
1
1 + e-t
1
1 + e-t
=
1 + x-2
x
Plan
General de
Operación
PGO
DiseñoMultifactorial
Hipótesis Científica
Experimentación
Biológica
Muestreo y Preparación
de la Muestra
Interpretación
Biológica
Quimiometría
Estadística
Medidas Procesamiento
de Datos
2e-t + 1 ≠ 0, et + 1 ≠ 0
X = et
2et + 1
et
2et + 1
X = -

39. 4
Formación y capacitación
de recursos humanos
altamente calificados
5
Expresión de biomarcardores candidatos de la
deficiencia de nitrógeno, fósforo y potasio,
boro, calcio, zinc y actividad fotosintética.
ResultadosEsperadosdelProyecto
6
Registro patentes
posibles identificadas
sobre las áreas de
investigación
mencionadas
Programas de nutrición coloidal
validados científicamente
1
Identificación de
biomarcadores de
desbalances nutricionales 3
Maximización de la
productividad de cultivos
2

40. “La ciencia será siempre una búsqueda,
jamás un descubrimiento real. Es un viaje, nunca
una llegada”
Karl Popper

41. Dr. Luis Alberto Lightbourn Rojas, PhD

42. Para ello se requiere la apropiada
colección de las muestras biológicas
(líquidos y sólidos)
Confiriendo la capacidad de predecir los
acontecimiento, en lugar de tan sólo describirlos
Esto requiere la visualización del análsis, modelado e
integración adecuada de los diferentes tipos de datos
disponibles
La bioinformática y la investigación para el
diseño, implementación y aplicación de
tecnología computacional, métodos y
herramientas para optener datos significativos
“OMICS”
Indicadores
El mayor reto es el
demostrar su eficacia en un
entorno clínico

43. Tipo 1
Predecir las respuestas a las
intervenciones terapéuticas
Tipo 0
Se utiliza para estimar
la aparición o el
desarrollo de una
enfermedad
Tipo 2
En principio se podría utilizar como criterios
de valoración clínicos de sustitución en los
curso de ensayos clínicos
Un biomarcador es una característica que puede ser medida objetivamente y puede
utilizarse como indicador de los procesos biológicos normales y/o procesos
patológicos y/o respuesta farmacológica a un agente terapéutico (factor nutricional)
Biomarcadores

44. CLÍNICA
• Cuestionamientos y requerimientos clínicos
• Extracción de la muestra
• Adquisición de datos fenotípicos
COMPUTACIONAL
• Procesamiento de datos
• Selección de la característica
• Análsis estadístico
• Modelo predictivo
• Refinamiento / Nueva hipótesis
LABORATORIO
• Procesamiento de la muestra
• Generación de datos moleculares “omics”
• Hipótesis
DIAGNÓSTICO
• Evaluación de los individuos sospechosos de sufrir la
enfermedad
PRONÓSTICO
• Predicción del estado
del que sufre la
enfermedad
AdquisicióndeDatos

45. Los metabolitos son un conjunto de sustancias bioquímicas
producidas por la célula durante procesos metabólicos: azúcares,
lípidos, aminoácidos, etc, que pueden se usados como marcadores
En los estudios de la variabilidad genética la clave es el análisis de
polimorfismos de nucleótido simple (SNPs)
La principal fuente de datos moleculares para descubrir
biomarcadores son los estudios de ADN basados en ​​variaciones, la
expresión de genes (transcriptómica), expresión de proteínas y la
medición de los metabolitos (metabolómica)
Algunos de los biomarcadores son ortogonales, es decir
biomarcadores con relativamente baja dependencia
estadística, biológica o clínica entre ellos
.
FuentesdeBiomarcadores

46. EstrategiasparalaObtención deDatos
Basado en muestras clínicas recolectadas
antes del estudio diseñado y antes de
cualquier comparación con muestras
control. Se efectúa con una mira atrás en
los datos de registrados anteriormente
para encontrar evidencia de las
relaciones marcador-enfermedad.
Requiere de covariables (otros
cofactores predictivos)
El modelo se aplica al mismo tiempo en
el que ocurre un fenómeno o proceso,
con una mirada hacia el futuro. La
información se adquiere y analiza para
evaluar la capacidad de predicción o la
discriminación que poseen los
biomarcadores

47. Descubrimiento deBiomarcadores
El objetivo principal es detectar una respuesta a una enfermedad o complicación
durante una etapa en la que se pueda ayudar a la selección del tratamiento
La identificación basada en
umbrales de referencia,
umbrales de discriminación o
umbrales de riesgo
3
La comparación de estados
fisiológicos, fenotípicos o cambios a
través de casos y controles
1
A nivel molecular; la actividad
diferencial de genes,
concentración de proteínas,
metabolitos y vías de señalización
2

48. Las fuentes potenciales de variabilidad experimental están relacionados
con la extracción de la muestra, almacenamiento y procesamiento de
datos. Provocando variabilidad inter laboratorio debido a diferencias en
reactivos y protocolos experimentales
Se vislumbra como un poderoso complemento a nivel
molecular para la célula en un determinado momento
Un desafío clave en el desarrollo de biomarcadores es la reducción
de la variabilidad experimental y ruido en los datos, así como
asegurar la reproducibilidad de la toma de muestra, análisis y
evaluación de datos
AdquisicióndelaMuestrayAnálsisdeDatos

49. Muestras
Datos Omic
Diferencias Entre
tipos de Muestras
Modelado Integral-
Predictivo
Potencial Biomarcador:
Modelos Predictivos
Validación
Independiente
Diagnóstico
Pronóstico
Los principales resultados esperados desde la perspectiva de investigación,
podrían ser (desarrollo de nuevos sistemas de diagnóstico y pronóstico =
biochip) y predicción computacional para la detección y diagnóstico

50. Muestra de Plantas
Integración
de los Datos
Expresión Génica
Acumulación de
Metabolitos
Genes
Metabolitos
Análisis
Multivariado
de Datos
Procesamiento
de Datos
Análisis del
Metaboloma
Análisis del
Transcritoma
MBL
IML
Datos de la
matriz de
metabolitos
Datos de la
expresión de los
genes
Extracción y pre-
Tratamiento
Los modelos de clasificación de enfermedades y predicción de riesgo se
basan en modelos estadísticos multivariantes. Este modelo puede ser
implementado con funciones matemáticas

51. S (t) = = f (x) =
x
1 + x-2
1
1 + e-t
1
1 + e-t
=
1 + x-2
x
Plan
General de
Operación
PGO
DiseñoMultifactorial
Hipótesis Científica
Experimentación
Biológica
Muestreo y Preparación
de la Muestra
Interpretación
Biológica
Quimiometría
Estadística
Medidas Procesamiento
de Datos
2e-t + 1 ≠ 0, et + 1 ≠ 0
X = et
2et + 1
et
2et + 1
X = -

52. Acceso a datos e información
Análisis de datos para predicción
Información de laboratorio
Biomarcadores
Búsqueda
Información aportada por los datos
Búsqueda en la literatura
Selección del marcador óptimo
Clasificación y valoración del riesgo
Estimación de la significacía
STAT: Análisis estadístico
ML: Estadística y aprendizaje
GNT: Teoría de redes
IV: Información, visualización
KE: Ingeniería de aprendizaje
SD: Desarrollo de software
SM: Modelado de sistemas complejos

53. “La ciencia será siempre una búsqueda,
jamás un descubrimiento real. Es un viaje, nunca
una llegada”
Karl Popper