XXXIII Congreso Nacional de la Sociedad Española de Trombosis y Hemostasia

Comunicaciones Orales 153 CO-169  Identificación de un perfil de biomarcadores específicos de tromboembolismo venoso mediante análisis de proteómica diferencial no dirigida Fernández-Pardo Á. 1 , Martos L. 1 , Hervás D. 2 , Valero L. 3 , Oto J. 1 , Plana E. 4 , Cid A. R. 5 , Haya S. 5 , Bonanad S. 5 , España F. 1 , Medina P. 1 , Gadea J. 6 , Navarro S. 1 1 Grupo de Investigación en Hemostasia, Trombosis, Arteriosclerosis y Biología Vascular, y 2 Unidad de Bioestadística. IIS La Fe - Hospital Universitario y Politécnico La Fe. Valencia. 3 Servicio de Proteómica. SCSIE. Universidad de Valencia. Valencia. 4 Grupo de Investigación en Hemostasia, Trombosis, Arteriosclerosis y Biología Vascular. IIS La Fe. Servicio de Angiología y Cirugía Vascular. Hospital Universitario y Politécnico La Fe. Valencia. 5 Servicio de Hematología. Hospital Universitario y Politécnico La Fe. Valencia. (6) IBMCP. Universidad Politécnica de Valencia – CSIC. Valencia Introducción: La trombosis venosa es una enfermedad mul- tifactorial y poligénica en la que contribuyen diversos factores de riesgo. Sin embargo, aproximadamente un 40% de pacientes con tromboembolismo venoso (TEV) cursan sin factores de riesgo conocidos y en un 20%-30% de los casos es recurrente. Por ello, es necesaria la identificación de nuevos biomarcadores específicos del TEV, que podrían interaccionar con los ya conocidos, identificando nuevas rutas asociadas con esta patología. Con este objetivo, nos planteamos desarrollar un método de proteómica avanzada que nos permita establecer un perfil característico de proteínas plasmáticas en pacientes con enfermedad trombótica. Métodos: Seleccionamos muestras de plasma citratado de 18 pacientes con historia de TEV y 18 voluntarios sanos. En primer lugar, se realizó una depleción de las 14 proteínas mayoritarias en muestras de plasma humano mediante un sistema de HPLC con una columna específica para ello ( MARS. Agilent Technologies ). Estas proteínas nos colapsarían cualquier análisis impidiendo identificar proteínas de una abundancia menor, y que son el objetivo de nues- tro estudio. A continuación, generamos una librería de espectros MS/MS ( Protein-Pilot Progroup algorithm ), identificando un total de 522 proteínas con un umbral ≥ 95%. El estudio de proteómica diferencial no dirigido se realizó mediante SWATH LC-MS/MS. Los resultados se analizaron mediante análisis de regresión logís- tica con penalización ELASTIC NET ( R v3.2.3), identificando las variables que tienen la información discriminante. Resultados: Obtuvimos un listado de 28 proteínas capaces de diferenciar entre pacientes con TEV y controles (Figura 1) , con un fold-change que osciló entre -2,9 y 2,6, y un modelo predicti- vo con un área bajo la curva ROC aparente de 0,9969 (IC 95%: 0,9884-1) (Figura 2) . A continuación, identificamos cada una de las proteínas y las rutas biológicas en las que participan ( UniProt, ProteinDataBase, String, SwissProt ), encontrando proteínas que participan en la coagulación, activación plaquetar, metabolismo lipídico, activación del complemento, glicosilación, o respuesta del sistema inmunitario. Así como, un conjunto de 16 proteínas con una función no conocida dentro de la patología trombótica. Conclusiones: Nuestros resultados demuestran la utilidad de la proteómica no dirigida, y pueden jugar un papel importante en futuras estrategias para el diagnóstico, tratamiento y seguimiento de pacientes con TEV. El siguiente paso consistirá en ampliar el estudio para incluir un mayor número de individuos y corroborar nuestros resultados, así como, las implicaciones de estas proteínas en el sistema de la coagulación, siendo susceptibles de describir nuevos cofactores a tener en cuenta en la patología trombótica. ISCIII (PI12/00027, RD12/0042/0029, PI14/00512, PI14/00079, FI14/00269, CPII15/00002), FEDER, Generalitat Valenciana (PROMETEOII/2015/017), IIS La Fe (2014/0421, 2014/0718, 2016/0820), ProteoRed (PRB2-ISCIII PT13/0001, FEDERPT13/0001). Figura 1. Heatmap correspondiente a las 28 proteínas identificadas capa- ces de diferenciar entre pacientes y controles. Podemos ver como se diferencian 2 grupos de proteínas con infraexpresión y sobreexpresión con respecto al grupo control. Figura 2. Estimación del área bajo la curva (AUC) aparente correspondiente a la capacidad de predicción del modelo de regresión logística sobre el que se han ajustado los datos ( pROC del software R v3.2.3 ), y que incluye las 28 proteínas identificadas capaces de diferenciar entre pacientes y controles. Controles pacientes