Treballs Fi de Grau> Bioquímica i Biotecnologia

Uso y adaptación de herramientas bioinformáticas para el análisis metabolómico de orina basado en 1H-RMN

  • Dades identificatives

    Identificador: TFG:2944
    Handle: http://hdl.handle.net/20.500.11797/TFG2944
  • Autors:

    Hernández Cacho, Adrián
  • Altres:

    Data d'alta al repositori: 2020-12-14
    Resum: La metabolómica es la ciencia que estudia los metabolitos presentes en las células, tejidos o incluso organismos completos. Conocer el estado metabólico de un sistema biológico nos permite saber si este funciona con plena normalidad o sufre alguna anomalía. Para conocer el metaboloma de un sujeto, es necesario poder acceder a este mediante una matriz biológica, como, por ejemplo, la orina. La orina ha sido siempre una importante fuente de información médica ante un posible estado patológico en diferentes órganos o tejidos de un sujeto, ya que, al ser un fluido residual, contiene una gran cantidad de metabolitos procedentes de diferentes vías metabólicas. Además, el proceso de recogida de muestras es sencillo y no invasivo, necesita menos pretratamiento en comparación con otros biofluidos, convirtiéndola en una matriz atractiva para los estudios metabolómicos. Mediante Resonancia Magnética Nuclear (RMN), podemos identificar y cuantificar los metabolitos presentes en la orina, siendo la Resonancia Magnética Nuclear de protón (1H-RMN) una técnica robusta para dichos estudios debido a su alto rendimiento, reproducibilidad y fácil manipulación. Por otra parte, la cuantificación de metabolitos de bajo peso molecular por RMN es un proceso difícilmente automatizable para muestras de orina debido a su alta variabilidad interindividual. En este trabajo se pretende automatizar la cuantificación de metabolitos de bajo peso molecular en muestras de orina mediante 1H-RMN adaptando un software de Biosfer Teslab optimizado para llevar a cabo la misma función en muestras de sangre. Primero, se identificaron los metabolitos presente en las muestras de orina. Para ello, se usó el software TopSpin. Después, se estudió que referenciado es el idóneo para poder cuantificar automáticamente los metabolitos. Se comparan los métodos de referenciado global y referenciado local de señales, se determinó que este último es el idóneo para muestras de orina por ser más preciso y se referenciaron las señales de los espectros. Posteriormente, se deconvolucionaron las señales referenciadas adaptando el software de Biosfer Teslab para cada señal. Se obtuvieron las áreas de las señales y se cuantificó la concentración de los metabolitos. Metabolomics is the science that studies metabolites present in cells, tissues, or even entire organisms. Knowing the metabolic state of a biological system allows us to know if it works normally or if it suffers from any abnormality. To know the metabolome of a subject, it is necessary to be able to access it through a biological matrix, such as urine. Urine has always been an important source of medical information regarding a possible disease state in different organs or tissues of a subject. As a residual fluid, it contains a large amount of metabolites from different metabolic pathways. In addition, the sample collection process is simple and non-invasive, requiring less pre-treatment compared to other biofluids, making it an attractive matrix for metabolomic studies. By means of Nuclear Magnetic Resonance (NMR), we can identify and quantify the metabolites present in urine, being Proton Nuclear Magnetic Resonance (1H-NMR) a robust technique for such studies due to its high performance, reproducibility and easy manipulation. On the other hand, the quantification of low molecular weight metabolites by NMR is a process that is difficult to automate for urine samples due to its high inter-individual variability. This work aims to automate the quantification of low molecular weight metabolites in urine samples using 1H-NMR by adapting a Biosfer Teslab software optimized to carry out the same function in blood samples. First, the metabolites present in the urine samples were identified. To do this, TopSpin software was used. Later, it was studied which method of signal referencing is the ideal to be able to automatically quantify metabolites. The methods of global referencing and local referencing of signals were compared, the latter was determined to be the most suitable for urine samples as it was more precise. Subsequently, the referenced signals were deconvolved by adapting the Biosfer Teslab software for each signal. The signal areas were obtained, and the concentration of the metabolites was quantified. La metabolòmica es la ciència que estudia els metabòlits presents a les cèl·lules, teixits o inclús organismes complerts. Conèixer l’estat metabòlic d’un sistema biològic ens permet conèixer si aquest funciona amb plena normalitat o pateix alguna anomalia. Per conèixer el metaboloma d'un subjecte, és necessari poder accedir a aquest mitjançant una matriu biològica, com, per exemple, l'orina. L'orina ha estat sempre una important font d'informació mèdica davant d'un possible estat patològic en diferents òrgans o teixits d'un subjecte, ja que, a l'ésser un fluid residual, conté una gran quantitat de metabòlits procedents de diferents vies metabòliques. A més, el procés de recollida de mostres és senzill i no invasiu, necessita menys pretractament en comparació amb altres biofluids, convertint-la en una matriu atractiva per als estudis metabolòmics. Mitjançant Ressonància Magnètica Nuclear (RMN), podem identificar i quantificar els metabòlits presents en l'orina, sent la Ressonància Magnètica Nuclear de protó (1H-RMN) una tècnica robusta per a aquests estudis a causa del seu alt rendiment, reproductibilitat i fàcil manipulació. D'altra banda, la quantificació de metabòlits de baix pes molecular per RMN és un procés difícilment automatitzable per a mostres d'orina per la seva alta variabilitat interindividual. En aquest treball es pretén automatitzar la quantificació de metabòlits de baix pes molecular en mostres d'orina mitjançant 1H-RMN adaptant un programari de Biosfer Teslab optimitzat per a dur a terme la mateixa funció en mostres de sang. Primer, es van identificar els metabòlits present en les mostres d'orina. Per a això, es va usar el programari topspin. Després, es va estudiar que es fa referència és l'idoni per poder quantificar automàticament els metabòlits. Es comparen els mètodes de referència global i referenciat local de senyals, es va determinar que aquest últim és l'idoni per a mostres d'orina per ser més precís i es van referenciar els senyals dels espectres. Posteriorment, es varen deconvolucionar els senyals referenciats adaptant el programari de Biosfer Teslab per a cada senyal. Es van obtenir les àrees dels senyals i es va quantificar la concentració dels metabòlits
    Matèria: Bioquímica i biotecnologia
    Idioma: spa
    Àrees temàtiques: Bioquímica y biotecnología Biochemistry and biotechnology Bioquímica i biotecnologia
    Departament: Bioquímica i Biotecnologia
    Estudiant: Hernández Cacho, Adrián
    Curs acadèmic: 2019-2020
    Títol en diferents idiomes: Uso y adaptación de herramientas bioinformáticas para el análisis metabolómico de orina basado en 1H-RMN Use and adaptation of bioinformatic tools for the metabolomic analysis of urine by 1H-NMR Ús i adaptació d'eines bioinformátiques per l'anàlisi metabolòmic d'orina basat en 1H-RMN
    Data de la defensa del treball: 2020-07-16
    Drets d'accés: info:eu-repo/semantics/openAccess
    Paraules clau: bioinformática, metabolómica, RMN bioinformatics, metabolomics, NMR bioinformàtica, metabolòmica, RMN
    Confidencialitat: No
    Crèdits del TFG: 9
    Títol en la llengua original: Uso y adaptación de herramientas bioinformáticas para el análisis metabolómico de orina basado en 1H-RMN
    Director del projecte: Poblet Icart, Maria Montserrat
    Ensenyament(s): Biotecnologia
    Entitat: Universitat Rovira i Virgili (URV)
  • Paraules clau:

    Bioquímica y biotecnología
    Biochemistry and biotechnology
    Bioquímica i biotecnologia
    Bioquímica i biotecnologia
  • Documents:

  • Cerca a google

    Search to google scholar