Aplicações metabonômicas usando ressonância magnética nuclear de 1H: diagnóstico não-invasivo de câncer de próstata e urológico & classificação de oliva extra virgem de produção orgânica

• Main Author: SILVA, Ronaldo Dionísio da
• Other Authors: http://lattes.cnpq.br/6974730097895255
• Language: Portuguese
• Published: Universidade Federal de Pernambuco 2018
• Subjects: Química; Química analítica
• Online Access: https://repositorio.ufpe.br/handle/123456789/24852

Submitted by Pedro Barros ([e-mail]) on 2018-06-20T19:34:27Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Ronaldo Dionísio da Silva.pdf: 5744365 bytes, checksum: f3f1f36d5ae2f6d75e738dc9a04341cf (MD5) === Made available in DSpace on 2018-06-20T19:34:27Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) TESE Ronaldo Dionísio da Silva.pdf: 5744365 bytes, checksum: f3f1f36d5ae2f6d75e738dc9a04341cf (MD5) Previous issue date: 2017-02-23 === CNPQ === No presente estudo, foram construídos modelos metabonômicos baseados nos espectros de RMN para (1) o diagnóstico não-invasivo de câncer de próstata (CP), e câncer urológico (bexiga ou rim) [CB/CR]; e (2) para estudo em química dos alimentos – para discriminar amostras de azeite de oliva extra virgem frente ao seu modo de produção (Produção orgânica ou convencional). Para os estudos clínicos, foram utilizadas amostras de soro e urina. Dois modelos utilizando o formalismo LDA foram construídos para diagnosticar CP: primeiro, utilizando vinte e três amostras de soro – onze voluntários saudáveis (S) e doze de pacientes diagnosticados com CP, e o segundo modelo foram usadas dezoito amostras de urina – oito voluntários saudáveis (S) e dez diagnosticados com CP. Para diagnostico de câncer urológico, foram utilizadas dezoito amostras de urina – oito voluntários saudáveis (S) e dez diagnosticados com câncer de bexiga ou rim (CB/CR). O modelo metabonômico CP versus S, usando amostras de soro, foi construído usando quatro variáveis (bins) discriminantes, foi estatisticamente significativo (p < 0,001), com valores preditivos, positivo e e negativo (VPP e VPN) iguais a 91,7% e 100%, sensibilidade de 100% e especificidade de 91,7%, respectivamente. As variáveis discriminantes foram atribuídas às estruturas lipídicas (VLDL e LDL), ao grupo citrato e a L-histidina. O modelo CP versus S, utilizando amostras de urina e usando três variáveis discriminantes foi construído, obtendo valores de VPP e o VPN iguais a 92,3% e 100%, respectivamente. Enquanto os valores de sensibilidade e especificidade foram iguais a 100% e 87,5%, respectivamente. As variáveis discriminantes foram atribuídas a sacarídeos e a trigonelina. O modelo para diagnóstico de câncer urológico (CB/CR) foi construído usando três variáveis, resultando em 100% de classificações corretas. As variáveis discriminantes foram atribuídas a sacarídeos, trigonelina e ao grupo hipurato. Para o estudo com amostras de azeite extra virgem, foram utilizadas quarenta amostras, sendo dezesseis amostras de azeite de produção orgânica (O) e vinte e quatro amostras de produção convencional. Os modelos metabonômicos foram construídos usando o formalismo LDA, utilizando cinco variáveis discriminantes, obtendo 100% de classificação correta para as amostras orgânicas e 91,7% para amostras de azeite convencional. O poder de predição total do modelo foi de 95,0%. As variáveis discriminantes foram atribuídas aos ácidos linoleído/linolênico e ao glicerol. A estratégia metabonômica mostrou-se promissora ferramenta analítica para classificação de amostras de azeite de oliva extra virgem frente ao seu modo de produção. Todos os modelos construídos foram validados usando validação cruzada === Herein, metabonomics models were built from NMR spectral data for (1) noninvasive clinical diagnosis of prostate cancer (CP) and urological cancer (bladder or kidney); and (2) for food chemistry study – to distinguish samples of extra virgin olive oil (EVOO) from its production mode (organic agriculture or conventional one). For the clinical studies, we used serum and urine samples. Two models using LDA formalism were constructed to CP diagnosis: first, using twenty-three serum samples, eleven from healthy volunteers (S) and twelve from patients; the second model used eighteen urine samples – eight healthy volunteers (S) and ten from patients. For urological cancer diagnosis (CB/CR), eighteen urine samples were used – eight healthy volunteers (S) and ten diagnosed with bladder or kidney cancer. CP versus S metabonomics model, using serum samples and four discriminant variables (bins), was statistical significance (p <0.001), with positive and negative predictive values (PPV and NPV) equals to 91,7% and 100%, sensitivity equal to 100% and specificity equal to 91.7%, respectively. The discriminant variables were attributed to lipidic structures (VLDL and LDL), citrate and L-histidine. CP versus S model, using urine samples and three discriminant variables, returned PPV and NPV equal to 92.3% and 100%, respectively. While the sensitivity and specificity values were equal to 100% and 87.5%, respectively. The discriminant variables were attributed to saccharides and trigonelline. Urological cancer (CB/CR) diagnosis model, using three variables, correctly classified 100% of samples. In this study, discriminant variables were attributed to trigonelline, hippurate and saccharides. In EVOO study, we used forty samples – sixteen produced by organic agriculture system (O) and twenty-four produced by conventional one (C). Metabonomics model was built using LDA formalism and five bins, correctly classifying 100% and 91.7% of organic EVOO and conventional EVOO, respectively. Therefore, metabonomics model presented 95.0% accuracy. The most important variables for classification were assigned to linoleice/linolenic acids and glycerol. This model showed to be promising as analytical tool for classification of samples from your production mode. All metabonomics models were evaluated by Leave-One-Out-Cross-Validation (LOOCV).