Firmas metabómicas de plasma de todos los cánceres y de causa específica: un estudio basado en la población con múltiples plataformas.

El análisis metabolómico tiene como objetivo detectar, identificar y cuantificar una amplia gama de biomoléculas de bajo peso molecular presentes en fluidos biológicos, tejidos y células (Johnson et al., ^[2016]). Refleja las alteraciones en etapas finales del genoma, transcriptoma y proteoma, ofreciendo así una mayor comprensión de los procesos patológicos subyacentes a las enfermedades (Adam et al., ^[2021]; Li et al., ^[2020]; Liu et al., ^[2022]). Existe evidencia sustancial que sugiere que la reprogramación del metabolismo energético celular es una característica central del cáncer, apoyando eficazmente las demandas de la proliferación tumoral descontrolada (Schiliro & Firestein, ^[2021]). Esta desregulación metabólica da lugar a un fenotipo metabólico característico, que emerge como un nuevo enfoque diagnóstico para diversos cánceres humanos, incluyendo el cáncer de mama (Xiao et al., ^[2022]), hígado (Liu et al., ^[2022]) y colorrectal (Yachida et al., ^[2019]), entre otros (Wang et al., ^[2021]). Además, puede ayudar en la estadificación y el pronóstico del tumor, o servir como biomarcador para la respuesta terapéutica (Li et al., [2022a]; Luo et al., ^[2020]). Previamente, se ha demostrado que existen alteraciones en la expresión de numerosos metabolitos plasmáticos en varios tipos de cáncer, en lugar de en un único tipo. Por ejemplo, las mutaciones en los genes de la isocitrato deshidrogenasa (IDH), IDH-1 e IDH-2, se producen en pacientes con glioma maligno (60-90%), condrosarcoma (50-70%), colangiocarcinoma (10-20%) y leucemia mieloide aguda (10-20%) (Cairns & Mak, ^[2013]). Estas mutaciones resultan en la producción excesiva de ácido 2-hidroxiglutárico (2-HG), un metabolito cuya acumulación interfiere con las vías metabólicas y de señalización celular normales implicadas en la tumorigénesis y la progresión (Dang et al., ^[2009]). Además, en un estudio de cohorte de cáncer de próstata, se encontró que los niveles elevados de ácidos grasos poliinsaturados omega-6 estaban positivamente correlacionados con un mayor riesgo de cáncer, mientras que los ácidos grasos poliinsaturados omega-3 estaban inversamente asociados con el riesgo de cáncer (Leitzmann et al., ^[2004]). De manera similar, ciertos ácidos grasos poliinsaturados se asociaron con un mayor riesgo de cáncer de mama en un estudio de casos anidados (Saadatian-Elahi et al., ^[2002]).

A pesar de la extensa investigación que examina los metabolitos como posibles biomarcadores del cáncer, los estudios previos típicamente emplearon diseños de casos y controles o se centraron únicamente en subclases específicas de metabolitos, como los aminoácidos libres en el plasma, sin contar con conjuntos de datos de replicación (Adam et al., ^[2021]; Huang et al., ^[2021]; Stevens et al., ^[2023]). Por lo tanto, existe la necesidad de explorar sistemáticamente la asociación entre numerosos metabolitos circulantes involucrados en diferentes vías metabólicas y diferentes tipos de cáncer, con el fin de descubrir nuevos biomarcadores, incluyendo la evaluación de su papel causal en el desarrollo y la progresión del cáncer. Con este fin, incluimos una amplia gama de metabolitos plasmáticos de dos plataformas de metabolómica comúnmente utilizadas y un estudio de cohorte poblacional prospectivo para la evaluación del cáncer.

Métodos

Población de estudio

El estudio se llevó a cabo en el Rotterdam Study (RS), que es una cohorte poblacional prospectiva y en curso de personas mayores. En 1990 (RS-I), se invitó a participar en el estudio a todos los residentes de 55 años o más que vivían en Ommoord, un distrito de Rotterdam en los Países Bajos. De los 10.215 habitantes invitados, 7.983 aceptaron participar en los exámenes iniciales. En 2000 (RS-II), se añadieron al estudio 3.011 participantes (de 4.472 invitados) que habían cumplido 55 años o se habían mudado al distrito de estudio desde el inicio del estudio. En 2006 (RS-III) se inició una ampliación adicional de la cohorte en la que se incluyeron 3.932 sujetos. En 2016 (RS-IV), se realizó la ampliación más reciente de la cohorte con 3.005 personas de 40 años. A principios de 2021, el Rotterdam Study comprendía en total 17.931 participantes de 40 años o más. Se han publicado previamente más detalles sobre los objetivos y el diseño del estudio (Ikram et al., ^[2020]). El estudio actual examinó los perfiles de expresión de subconjuntos del RS de las visitas cuarta (ERGO-4) y quinta (ERGO-5) basándose en la cohorte inicial, utilizando dos plataformas de metabolómica. Las muestras de plasma se evaluaron utilizando la plataforma de metabolómica Nightingale, que consistió en un grupo de 2.735 participantes de la cuarta visita a RS-I (RS-I-4), y un grupo de 77 participantes de la segunda visita a RS-II (RS-II-2) en ERGO-4, y un grupo de 496 participantes de la tercera visita a RS-II (RS-II-3) y un grupo de 1.749 participantes de la segunda visita a RS-? (RS- -2) en ERGO-5. Además, los metabolitos plasmáticos medidos por la plataforma Metabolon estaban disponibles en subconjuntos de RS-I-4 (n = 1.479) en ERGO-4 y RS-III-2 (n = 1.509) en ERGO-5. Los participantes en el Rotterdam Study recibieron seguimientos regulares a intervalos de aproximadamente 3 a 5 años. En cada visita, los participantes completaron cuestionarios, se sometieron a exámenes físicos y proporcionaron muestras de sangre en ayunas. Incluimos a los participantes para los que se dispuso de datos sobre metabolitos circulantes e información sobre el cáncer en la línea de base. Dada la duración del seguimiento y el tamaño de la muestra, los análisis longitudinales se llevaron a cabo solo en la visita ERGO-4 (RS-I-4 y RS-II-2), excluyendo a los participantes con cáncer prevalente. Una ilustración completa del enfoque y el diseño del estudio se muestra en la figura general 1.

Población de estudio

El estudio se llevó a cabo en el Rotterdam Study (RS), que es una cohorte poblacional prospectiva y en curso de personas mayores. En 1990 (RS-I), se invitó a participar en el estudio a todos los residentes de 55 años o más que vivían en Ommoord, un distrito de Rotterdam en los Países Bajos. De los 10.215 habitantes invitados, 7.983 aceptaron participar en los exámenes iniciales. En 2000 (RS-II), se añadieron al estudio 3.011 participantes (de 4.472 invitados) que habían cumplido 55 años o se habían mudado al distrito de estudio desde el inicio del estudio. En 2006 (RS-III) se inició una ampliación adicional de la cohorte en la que se incluyeron 3.932 sujetos. En 2016 (RS-IV), se realizó la ampliación más reciente de la cohorte con 3.005 personas de 40 años. A principios de 2021, el Rotterdam Study comprendía en total 17.931 participantes de 40 años o más. Se han publicado previamente más detalles sobre los objetivos y el diseño del estudio (Ikram et al., ^[2020]). El estudio actual examinó los perfiles de expresión de subconjuntos del RS de las visitas cuarta (ERGO-4) y quinta (ERGO-5) basándose en la cohorte inicial, utilizando dos plataformas de metabolómica. Las muestras de plasma se evaluaron utilizando la plataforma de metabolómica Nightingale, que consistió en un grupo de 2.735 participantes de la cuarta visita a RS-I (RS-I-4), y un grupo de 77 participantes de la segunda visita a RS-II (RS-II-2) en ERGO-4, y un grupo de 496 participantes de la tercera visita a RS-II (RS-II-3) y un grupo de 1.749 participantes de la segunda visita a RS-? (RS- -2) en ERGO-5. Además, los metabolitos plasmáticos medidos por la plataforma Metabolon estaban disponibles en subconjuntos de RS-I-4 (n = 1.479) en ERGO-4 y RS-III-2 (n = 1.509) en ERGO-5. Los participantes en el Rotterdam Study recibieron seguimientos regulares a intervalos de aproximadamente 3 a 5 años. En cada visita, los participantes completaron cuestionarios, se sometieron a exámenes físicos y proporcionaron muestras de sangre en ayunas. Incluimos a los participantes para los que se dispuso de datos sobre metabolitos circulantes e información sobre el cáncer en la línea de base. Dada la duración del seguimiento y el tamaño de la muestra, los análisis longitudinales se llevaron a cabo solo en la visita ERGO-4 (RS-I-4 y RS-II-2), excluyendo a los participantes con cáncer prevalente. Una ilustración completa del enfoque y el diseño del estudio se muestra en la figura general 1.

Evaluación de los metabolitos plasmáticos

Los biomarcadores metabólicos en la plataforma Nightingale se cuantificaron mediante el análisis de muestras de plasma en ayunas con EDTA utilizando metabolómica de resonancia magnética nuclear (RMN) de alto rendimiento (Nightingale Ltd, Helsinki, Finlandia). La plataforma cuantificó simultáneamente 249 metabolitos (168 metabolitos individuales y 81 relaciones), incluyendo lípidos convencionales, análisis de subfracciones de lipoproteínas de concentraciones de lípidos dentro de 14 subfracciones, composición de ácidos grasos y una variedad de metabolitos de bajo peso molecular, como aminoácidos, cuerpos cetónicos y metabolitos relacionados con el metabolismo de los azúcares. Se ha descrito previamente información adicional sobre los experimentos y las aplicaciones de esta plataforma de metabolómica RMN (Ikram et al., ^[2020]; Soininen et al., ^[2009]).

Además, se midieron 1.387 metabolitos circulantes mediante la plataforma Metabolon HD4 no dirigida. Estos metabolitos provienen de diferentes vías bioquímicas, incluyendo lípidos, aminoácidos, xenobióticos, nucleótidos, cofactores y vitaminas, péptidos, carbohidratos, metabolitos relacionados con la energía y metabolitos no caracterizados. La cuantificación en esta plataforma se realizó utilizando cromatografía líquida de ultra alto rendimiento acoplada a espectrometría de masas en tándem (UHPLC-MS/MS), una técnica desarrollada por Metabolon, Inc. El preprocesamiento de los datos se realizó antes del análisis de los datos. Primero, se excluyeron 14 participantes con datos faltantes mayores de 5 veces la desviación estándar (DE) de la media de los datos faltantes en todos los participantes. Luego, se excluyeron todos los metabolitos con datos faltantes mayores de 5 veces la DE de la media de los datos faltantes en todos los metabolitos y con un coeficiente de variación mayor del 30% en las muestras de control interno (NIST Standard Reference Material). Los metabolitos restantes se transformaron logarítmicamente utilizando una transformación log2. Finalmente, eliminamos los metabolitos con datos faltantes mayores del 30% y luego imputamos los datos faltantes en los metabolitos restantes (n = 1.137) con el límite inferior de detección. En general, los metabolitos restantes de esta plataforma incluidos en nuestro estudio fueron n = 1.086 en la subcohorte ERGO-4 y n = 990 en la subcohorte ERGO-5 (para obtener más detalles, consulte el material suplementario). De estos, el número de metabolitos plasmáticos superpuestos fue de 939.

Evaluación del cáncer

Los datos sobre los casos de cáncer se obtuvieron a través de los datos de los médicos de cabecera y se vincularon con un laboratorio de patología local en Rotterdam (PATHAN), una base de datos nacional de patología (PALGA) y una base de datos de altas hospitalarias. El cáncer se definió como cualquier tumor maligno primario, excluyendo los casos de cáncer de piel no melanoma. Solo se incluyeron en el análisis los casos de cáncer confirmados por patología para excluir la posibilidad de diagnósticos falsos positivos de cáncer. Los diagnósticos de cáncer fueron codificados y clasificados de forma independiente por dos médicos según la Clasificación Internacional de Enfermedades, 10ª revisión (CIE-10). En caso de discrepancias, se buscó un consenso mediante la consulta con un médico especializado en medicina interna. La fecha del diagnóstico se basó en la fecha de la biopsia (para los tumores sólidos) y la evaluación de laboratorio (para los tumores hematológicos), o, si no estuviera disponible, la fecha del ingreso o la carta de alta del hospital. En caso de múltiples cánceres en un mismo participante, solo se incluyó el primer diagnóstico en el análisis.

Para que se ajuste a los objetivos del estudio y se pueda abordar las limitaciones en el poder estadístico, los casos de cáncer incidentes se definieron como el resultado primario. Los cánceres específicos se designaron como resultados secundarios y se analizaron solo para los tipos de cáncer con ≥ 25 casos. Los tipos de cáncer con menos casos no se evaluaron por separado debido a la insuficiencia de poder estadístico. Además, también se consideraron como resultados secundarios los cánceres prevalentes y específicos en la línea de base.

Evaluación de las covariables

Se utilizaron entrevistas realizadas en el domicilio de los participantes para evaluar su edad, sexo y estado de tabaquismo (actual/ex-fumador/nunca fumador). El índice de masa corporal se calculó en base al peso en kilogramos dividido por la altura en metros al cuadrado. Los participantes se clasificaron en los siguientes grupos según su nivel educativo: educación primaria, educación general básica/intermedia o formación profesional básica (básico), formación profesional intermedia o educación general superior (intermedio) y formación profesional superior o educación universitaria (avanzado). El consumo de alcohol se evaluó en gramos de etanol por día. Además, se evaluó por entrevista el historial de uso de medicamentos hipolipemiantes (sí/no). Se obtuvieron muestras de sangre de los participantes durante la visita al centro de investigación.

Análisis estadísticos

Las características basales se describieron utilizando la mediana y el rango intercuartílico (RIC) para las variables continuas y las proporciones para las variables categóricas. Los valores de los biomarcadores individuales se transformaron en logaritmo natural para aproximar la normalidad y luego se estandarizaron a la misma escala mediante puntajes z [media = 0, DE = 1].

Los participantes contribuyeron con tiempo de observación al estudio desde la fecha de la extracción de sangre hasta la aparición de cáncer, la muerte, la última actualización del estado de salud cuando se sabía que estaban libres de cáncer o el 1 de enero de 2015, lo que ocurriera primero. Se utilizó el modelo de regresión de riesgos proporcionales de Cox con riesgos en competencia para estimar las razones de riesgo (RR) y los intervalos de confianza del 95% (IC) para los metabolitos y las asociaciones con el riesgo de cáncer, teniendo en cuenta que el Estudio de Róterdam fue un estudio de cohorte de personas mayores. Los residuos de Schoenfeld se utilizaron para probar el supuesto de riesgos proporcionales. Posteriormente, se probaron posibles asociaciones no lineales utilizando splines cúbicos restringidos multivariados y no se encontraron evidencias de desviación de la linealidad. Para reducir los resultados falsos positivos, se utilizó el procedimiento de Benjamini-Hochberg para ajustar los valores de P a la tasa de descubrimiento falso (FDR). En este estudio, se consideró estadísticamente significativo un P corregido por FDR < 0,05. Mientras tanto, se utilizaron modelos de regresión logística multivariable para investigar la asociación entre los niveles de metabolitos y la prevalencia de cáncer en la línea de base. Específicamente, se compararon los participantes diagnosticados con cáncer en la línea de base con los participantes sanos (libres de cáncer). El modelo básico (Modelo 1) se ajustó para la edad, el sexo, las diferencias de tiempo, la subcohorte y los medicamentos hipolipemiantes, mientras que el modelo multivariable (Modelo 2) se ajustó aún más para el índice de masa corporal (IMC), el estado de tabaquismo, el consumo de alcohol y el nivel educativo. Es importante destacar que el sexo no se ajustó en los modelos 1 y 2 para los cánceres de mama y próstata. Además, se realizaron análisis de subgrupos utilizando las subcohortes ERGO-4 y ERGO-5 por separado en los análisis transversales. Cuando se utilizó solo ERGO-5 o ERGO-4, no se realizó ningún ajuste para las diferencias de tiempo. Cabe destacar que los análisis de subgrupos se realizaron en la plataforma Nightingale y se realizó un metaanálisis de los resultados de la plataforma Metabolon en dos subcohortes (metabolitos plasmáticos superpuestos, n = 939) utilizando un modelo de efectos fijos. El efecto de la heterogeneidad se estimó mediante I2, que describe el porcentaje de la variación total en el metaanálisis atribuible a la heterogeneidad del estudio. Además, los tumores hematológicos constituyen un grupo heterogéneo de neoplasias. La categorización como una sola entidad puede haber introducido un sesgo de clasificación debido a las limitaciones del tamaño de la muestra. Para abordar esto, se realizó un análisis de sensibilidad, excluyendo a los participantes diagnosticados con cánceres hematológicos tanto en el estudio transversal (n = 28 [plataforma Nightingale], n = 17 [plataforma Metabolon]) como en el estudio longitudinal (n = 42 [plataforma Nightingale], n = 21 [plataforma Metabolon]). Posteriormente, se reevaluó la asociación entre los metabolitos circulantes y el riesgo de cáncer utilizando el mismo modelo. Para aproximar una ventana preclínica, se realizaron análisis longitudinales adicionales restringidos a un período de seguimiento de ≥ 5 años. Estos análisis se realizaron por separado para cada tipo de cáncer y se aplicaron los mismos modelos de riesgos proporcionales de Cox con riesgos en competencia y ajustes de covariables que en los análisis longitudinales con el seguimiento completo. Para mitigar el posible sesgo resultante de los valores faltantes, los datos faltantes de las covariables (que oscilan entre el 0,04% y el 1,8%) se imputaron utilizando una técnica de imputación múltiple (n = 5 imputaciones).

Todos los análisis se realizaron en el software estadístico SPSS (SPSS, versión 25; IBM Crop) y en el software R versión 4.1.1 (Statistical Computing R Foundation). Utilizamos diferentes paquetes de R para la manipulación y el procesamiento de datos, "MICE" para la interpolación múltiple, "survival" para los análisis longitudinales y "ggplot2", "pheatmap" para la visualización.

Resultados

En la línea de base, el estudio incluyó 5057 y 2538 participantes con datos de cáncer y datos de metabolómica plasmática obtenidos por las plataformas Nightingale y Metabolon, respectivamente (Tabla 1). Estos participantes mostraron una superposición parcial, lo que significa que un sujeto puede tener datos de metabolitos circulantes de ambas plataformas (Fig. S1). Las características basales no fueron significativamente diferentes entre las plataformas. Cabe destacar que los subgrupos de cáncer tenían una edad media más alta en comparación con los participantes sin cáncer en ambas plataformas, lo que es consistente con el envejecimiento como un factor de riesgo conocido para el cáncer. Además, las tablas S1-S2 presentan las características basales de los subgrupos ERGO-4 y ERGO-5 en diferentes plataformas. Los participantes en ERGO-5 mostraron una edad media ligeramente más joven en comparación con los de ERGO-4.

A través de un análisis transversal de los datos de metabolómica de ambas plataformas en las subcohortes del Estudio de Róterdam, identificamos 10, 68 y 7 metabolitos, así como sus proporciones, que se asociaron significativamente con la prevalencia de todos los cánceres (Tablas S3-S4), tumores hematológicos (Tablas S5-S6) y cánceres colorrectales (Tablas S7-S8), respectivamente. La Figura 2 muestra estos metabolitos significativos en el modelo multivariable 2, con FDR < 0,05. Entre estos, el perfluorooctanosulfonato (PFOS) y un metabolito circulante no anotado X-12.816 mostraron asociaciones inversas significativas y consistentes tanto con el cáncer colorrectal como con todos los cánceres. No se encontraron metabolitos significativamente asociados con la prevalencia de cáncer de mama o próstata (Tablas S9-S12). En los análisis de subgrupos de los datos de la plataforma Metabolon de las visitas ERGO-4 y ERGO-5, que incluyeron 147 y 51 metabolitos no superpuestos, tres metabolitos únicos de la visita ERGO-5 mostraron una asociación significativa con la prevalencia de cáncer de mama (Tabla S11).

En el análisis longitudinal, el período de seguimiento para el subgrupo ERGO-4 fue de 8,13 (± 3,2) años para los participantes con la plataforma Nightingale y de 8,05 (± 3,2) años para la plataforma Metabolon. Un total de 410 (14,6%) participantes en el grupo Nightingale y 208 (18,4%) en el grupo Metabolon fueron diagnosticados con cánceres incidentes. Esto incluyó 85 casos de cáncer de pulmón, 72 de cáncer de mama, 71 de cáncer de próstata, 63 de neoplasias hematológicas y 118 de cáncer colorrectal. El análisis de regresión de riesgos proporcionales de Cox con riesgos en competencia identificó 19 y 11 metabolitos significativamente asociados con neoplasias hematológicas incidentes y cáncer colorrectal (FDR < 0,05, modelo 2) en ambas plataformas, respectivamente (Tablas S13-S16). Además, identificamos una correlación positiva entre los niveles de expresión de las glicoproteínas acetiladas (GlycA) y todos los cánceres incidentes (RR, 1,24 [IC del 95%, 1,11-1,37], FDR = 2,22 × 10-2) (Tablas S17-S18). Además, dos y tres metabolitos circulantes se asociaron significativamente con el cáncer de pulmón y el cáncer de próstata incidentes, respectivamente (Tablas S19-S22). No se encontraron metabolitos asociados con el cáncer de mama incidente (Tablas S23-S24). En los análisis de subgrupos de los datos de la plataforma Metabolon de las visitas ERGO-4 y ERGO-5, que incluyeron 147 y 51 metabolitos no superpuestos, tres metabolitos únicos de la visita ERGO-5 mostraron una asociación significativa con la prevalencia de cáncer de mama (Tabla S11).

En el análisis longitudinal, el período de seguimiento para el subgrupo ERGO-4 fue de 8,13 (± 3,2) años para los participantes con la plataforma Nightingale y de 8,05 (± 3,2) años para la plataforma Metabolon. Un total de 410 (14,6%) participantes en el grupo Nightingale y 208 (18,4%) en el grupo Metabolon fueron diagnosticados con cánceres incidentes. Esto incluyó 85 casos de cáncer de pulmón, 72 de cáncer de mama, 71 de cáncer de próstata, 63 de neoplasias hematológicas y 118 de cáncer colorrectal. El análisis de regresión de riesgos proporcionales de Cox con riesgos en competencia identificó 19 y 11 metabolitos significativamente asociados con neoplasias hematológicas incidentes y cáncer colorrectal (FDR < 0,05, modelo 2) en ambas plataformas, respectivamente (Tablas S13-S16). Además, identificamos una correlación positiva entre los niveles de expresión de las glicoproteínas acetiladas (GlycA) y todos los cánceres incidentes (RR, 1,24 [IC del 95%, 1,11-1,37], FDR = 2,22 × 10-2) (Tablas S17-S18). Además, dos y tres metabolitos circulantes se asociaron significativamente con el cáncer de pulmón y el cáncer de próstata incidentes, respectivamente (Tablas S19-S22). No se encontraron metabolitos asociados con el cáncer de mama incidente (Tablas S23-S24). Un resumen de los metabolitos significativamente asociados con los cánceres incidentes de diferentes tipos se muestra en la Fig. 3.

Para explorar posibles alteraciones metabólicas preclínicas tempranas, realizamos un análisis longitudinal adicional restringiendo el seguimiento a ≥ 5 años. Aunque el número de casos de cáncer incidentes se redujo en ambas plataformas (N = 342, Tabla S25), varios patrones siguieron siendo significativos. En particular, 56 metabolitos se asociaron significativamente con neoplasias hematológicas incidentes dentro de la ventana de 5 años (FDR < 0,05, Modelo 2; Tablas S26-S27). Estos metabolitos se superpusieron sustancialmente con los identificados en el análisis de prevalencia de neoplasias hematológicas y en el análisis de seguimiento completo, involucrando principalmente componentes lipídicos relacionados con HDL, ésteres de colesterol y proporciones de triglicéridos a lípidos en múltiples subclases de lipoproteínas (Tabla 2, Figura S2A). Del mismo modo, 15 metabolitos se asociaron significativamente con el cáncer colorrectal incidente en el análisis de 5 años (FDR < 0,05, Modelo 2, Tablas S28-S29). En particular, el PFOS (RR, 0,44 [IC del 95%, 0,34-0,56]; FDR = 1,67 × 10-7) y el perfluoroctanoato (PFOA) (RR, 0,48 [IC del 95%, 0,35-0,66]; FDR = 1,62 × 10-2) se superpusieron con los hallazgos de los análisis transversales y longitudinales completos (Tabla 2, Figura S2B). GlycA también siguió asociado significativamente con la incidencia de todos los cánceres (Tablas S30-S31). Además, 3 y 15 metabolitos se asociaron con el cáncer de pulmón y el cáncer de próstata incidentes, respectivamente (Tablas S32-S35); sin embargo, ninguno se superpuso con los correspondientes análisis transversales o longitudinales completos, aunque varias direcciones de efecto fueron consistentes. No se observaron asociaciones significativas para el cáncer de mama (Tablas S36-S37). En nuestros análisis de sensibilidad, examinamos las asociaciones entre los metabolitos plasmáticos y todos los cánceres después de excluir a los participantes con tumores hematológicos. Con esta exclusión, la significación estadística de los resultados disminuyó en el estudio transversal, 9 de los 10 metabolitos asociados previamente con la prevalencia de todos los cánceres perdieron significación estadística (Tablas S38-S39). Sin embargo, a pesar de esta pérdida de significación, estos 9 metabolitos mostraron una dirección de efecto consistente. En el estudio longitudinal, la asociación para las glicoproteínas acetiladas siguió siendo significativa (FDR = 1,29 × 10-2, Tablas S40-S41).

Discusión

En este estudio poblacional, investigamos la asociación entre 1386 metabolitos circulantes plasmáticos, evaluados por dos plataformas de metabolómica ampliamente utilizadas, y diferentes tipos de cáncer. Nuestro análisis transversal identificó varios metabolitos circulantes significativamente asociados con la prevalencia de todos los cánceres, tumores hematológicos y cánceres colorrectales. Además, varios metabolitos se asociaron significativamente con todos los cánceres incidentes, tumores hematológicos, cáncer colorrectal, cáncer de pulmón y cáncer de próstata en el estudio longitudinal. En particular, 17 y 2 de los metabolitos identificados se asociaron comúnmente con los tumores hematológicos y el cáncer colorrectal en los estudios transversales y longitudinales. Estos hallazgos sugieren la expresión aberrante de los metabolitos circulantes como posibles biomarcadores varios años antes del diagnóstico de cáncer, lo que también podría proporcionar una mejor comprensión de la patogénesis del cáncer.

Los metabolitos circulantes en el plasma pueden responder a los cambios en la fisiopatología del cáncer y también ofrecer una advertencia temprana de la evolución de los perfiles metabólicos precancerosos (Breeur et al., ^[2022]; Harewood et al., ^[2024]; Huang et al., ^[2021]). Por ejemplo, Ozturk et al. (Ozturk, ^[2021]) informaron de niveles más altos de triglicéridos (TG) y niveles más bajos de colesterol total (TC) en el grupo de tumores hematológicos (n = 98) en comparación con los controles normales (n = 40). Aunque el estudio no exploró más a fondo las diversas subclases de lipoproteínas de diferente densidad, pudimos replicar los hallazgos anteriores en varios subgrupos. Descubrimos que los TG en las lipoproteínas de alta densidad (HDL) y las HDL pequeñas/medianas/grandes estaban significativamente y positivamente asociados con los tumores hematológicos prevalentes, mientras que el TC y el colesterol en las lipoproteínas de densidad intermedia/baja densidad/HDL estaban negativamente asociados. Además, un estudio poblacional a gran escala con 15.864 neoplasias hematológicas, con un seguimiento de 8,3 años, mostró la asociación significativa de niveles más bajos de colesterol de lipoproteínas de alta densidad (HDL-C) con un mayor riesgo de cáncer hematológico, lo que coincide con nuestros resultados (Jeong et al., ^[2021]). Se observaron alteraciones metabólicas similares en diferentes subclases de tumores hematológicos, como Alford et al. (Alford et al., ^[2018]) demostró una disminución de los niveles de colesterol antes del diagnóstico de linfoma, y Pedersen et al. (Pedersen et al., ^[2020]) vinculó los niveles más bajos de HDL-C con el riesgo de linfoma no Hodgkin (LNH) y mieloma múltiple. Estudios previos también han demostrado que los niveles altos de TG y los niveles bajos de HDL-C están asociados con la leucemia linfoblástica aguda y el LNH, y los sugieren como posibles biomarcadores para los cánceres de la sangre (Dessì et al., ^[1995]; Kuliszkiewicz-Janus et al., ^[2008]).

A pesar de estos hallazgos, el mecanismo subyacente al metaboloma aberrante en pacientes con tumores hematológicos aún no está claro. En general, los niveles reducidos de HDL-C pueden ser un fenómeno secundario impulsado por el metabolismo de las células cancerosas, ya que las células malignas inducen la lipogénesis y acumulan ésteres de colesterol para la biosíntesis de nuevas membranas (Choi et al., ^[2021]; Jeong et al., ^[2021]; Pedersen et al., ^[2020]). El HDL-C también puede influir en los procesos del microambiente celular, afectando la redistribución de otros lípidos en la periferia (Lazaris et al., ^[2021]). Sin embargo, estudios recientes han demostrado que las diferentes subclases de HDL difieren en su función y capacidad para promover la excreción de colesterol (Akinkuolie et al., ^[2014]; de Leeuw et al., ^[2021]; von Eckardstein et al., ^[2023]). Camont et al. (Camont et al., ^[2011]) encontraron que las HDL pequeñas tienen propiedades antioxidantes y antiinflamatorias más fuertes que las HDL grandes ricas en lípidos, lo que podría explicar la asociación que encontramos entre los niveles más bajos de HDL-C/ésteres de colesterol (CE) y un mayor riesgo de tumor sanguíneo. Nuestro estudio identificó 17 metabolitos lipídicos significativamente asociados con el riesgo de tumor hematológico, con expresiones anormales que ocurren hasta ocho años antes del diagnóstico, particularmente en las HDL-C/CE pequeñas. Estos hallazgos sugieren que las subclases de HDL pueden ser informativas para el estudio de la fisiopatología de los tumores sanguíneos, y que los cambios en el metabolismo de los lípidos requieren una mayor investigación.

También encontramos la asociación entre el PFOS y el cáncer colorrectal. Sin embargo, los hallazgos epidemiológicos sobre la asociación entre el PFOS/PFOA y el cáncer colorrectal aún no son concluyentes (Barry et al., ^[2013]; Innes et al., ^[2014]; Li et al., [2022b]; Rhee et al., ^[2023]). El PFOS y el PFOA son contaminantes ambientales ubicuos y persistentes que pueden afectar la regulación metabólica, la inflamación y los factores relacionados con el desarrollo de precursores del cáncer colorrectal (Durham et al., ^[2023]). Un gran estudio transversal realizado por Innes et al. (Innes et al., ^[2014]) encontró una asociación inversa significativa entre el PFOS y el PFOA y el cáncer colorrectal, lo que coincide con nuestros resultados. Wimsatt et al. (Wimsatt et al., ^[2016]) encontraron que en un modelo de ratón de poliposis adenomatosa familiar, el PFOS inhibió significativamente el crecimiento espontáneo del tumor tanto en ratones machos como hembras, de forma dependiente de la dosis. Sin embargo, un estudio de cohorte sueco encontró una asociación positiva entre el cáncer de recto y la exposición al PFOS (Li et al., [2022b]). El estudio del Panel Científico Americano C8 no encontró asociación entre la exposición al PFOA y el cáncer colorrectal (Barry et al., ^[2013]). Estas discrepancias podrían deberse a diferencias en el diseño del estudio o en la modelización de la exposición (como la dosis, la ventana de exposición), lo que destaca la necesidad de estudios bien diseñados para dilucidar los efectos del PFOS y el PFOA en la patología del tracto gastrointestinal.

Este estudio tiene varias fortalezas importantes. En primer lugar, realizamos análisis observacionales exhaustivos utilizando datos de un estudio de cohorte poblacional prospectivo para explorar el potencial de biomarcadores de los metabolitos circulantes y los cánceres comunes. En segundo lugar, la disponibilidad de varias covariables nos permitió realizar ajustes relativamente rigurosos para posibles factores de confusión. No obstante, este estudio tiene algunas limitaciones que deben tenerse en cuenta. En primer lugar, no pudimos analizar subgrupos de subtipos de cáncer, como los tumores hematológicos y el cáncer de pulmón, debido al tamaño limitado de la muestra de cánceres. En segundo lugar, no relacionamos las diferencias metabólicas con vías metabólicas específicas definidas y validamos nuestros hallazgos en cohortes adicionales. En tercer lugar, aunque los análisis controlaron cuidadosamente los posibles factores de confusión, el posible efecto residual y no medido de los factores de confusión podría haber influido en las asociaciones. Finalmente, la mayoría de los participantes de Rotterdam son europeos, lo que puede limitar la generalización de nuestros resultados a otras etnias. Por lo tanto, los estudios futuros deben evaluar la relación causal entre los niveles plasmáticos de los metabolitos identificados y el riesgo de desarrollo de cáncer mediante la incorporación de cohortes independientes adicionales, preferiblemente de diferentes grupos étnicos.

Conclusión

Este estudio identificó varios metabolitos circulantes asociados con los tumores hematológicos y el cáncer colorrectal en los análisis transversales y longitudinales, que tienen el potencial de servir como biomarcadores. Nuestros resultados también proporcionan información sobre los fundamentos metabólicos de la fisiopatología del cáncer. Estos hallazgos pueden sentar las bases para la búsqueda en curso de biomarcadores específicos que puedan ayudar en la detección temprana y el manejo del cáncer.

Información complementaria

A continuación, se muestra el enlace al material complementario electrónico.