Traducido del inglés al español - www.onlinedoctranslator.
com
ARTÍCULO
Huella digital metabólica para el diagnóstico de fibromialgia y
otros trastornos reumatológicos
Recibido para publicación, 11 de septiembre de 2018, y en forma revisada, 28 de noviembre de 2018 Publicado, Papers in Press, 6 de diciembre de 2018, DOI 10.1074/jbc.RA118.005816
XKevin V. Hackshaw‡1, Didem P. Aykas§, Gregory T. Sigurdson§, Planes Marcales§, Francesca Madai‡, Lianbo Yu¶,
Charles AT Buffington-, M. Mónica Giusti§y Luis Rodríguez-Saona§
Desde el‡Departamento de Medicina Interna, División de Reumatología e Inmunología, el§Departamento de Ciencia y Tecnología de
los Alimentos, y el¶Centro de Bioestadística y Bioinformática, Universidad Estatal de Ohio, Columbus, Ohio 43210 y el
-
Departamento de Medicina y Epidemiología, Escuela de Medicina Veterinaria, Universidad de California, Davis, California 95616
Editado por Norma M. Allewell
El diagnóstico y tratamiento de la fibromialgia (FM) sigue siendo un desafío
debido a la falta de biomarcadores confiables. Nuestro objetivo fue
desarrollar un método rápido basado en biomarcadores para diagnosticar la
FM mediante el uso de espectroscopia vibratoria para diferenciar a los
pacientes con FM de aquellos con artritis reumatoide (AR), osteoartritis (OA) o
lupus eritematoso sistémico (LES) e identificar metabolitos asociados con
estas diferencias. Se recogieron muestras de sangre de pacientes con
diagnóstico de FM (norte-50), AR (norte-29), OA (norte-19), o LES (norte-23). Se
prepararon muestras de manchas de sangre y se recolectaron los espectros
con microespectroscopía portátil FT-IR y FT-Raman y se sometieron a análisis
de metabolómica por ultra-HPLC (uHPLC), acoplado a una matriz de
fotodiodos (PDA) y MS/MS en tándem. Las firmas espectrales IR y Raman
únicas se identificaron mediante el análisis de reconocimiento de patrones y
agruparon a todos los participantes del estudio en clases (FM, RA y SLE) sin
clasificaciones erróneas (pags<0,05 y distancias entre clases > 2,5). Además,
los espectros se correlacionaron (r-0,95 y 0,83 para IR y Raman,
respectivamente) con la intensidad del dolor de la FM medida con las
evaluaciones de la versión revisada del cuestionario de impacto de la
fibromialgia (FIQR). Los esqueletos de proteínas y los ácidos piridina-
carboxílicos dominaron esta discriminación y podrían servir como
biomarcadores para síndromes como la FM. uHPLC-PDA-MS/MS proporcionó
información sobre los metabolitos que difieren significativamente entre los
grupos de enfermedades, no solo en términos molecularesmetro/z-ymetro/z
sino también en cromatogramas UV-visible. Concluimos que la espectroscopia
vibratoria puede proporcionar una prueba diagnóstica confiable para
diferenciar la FM de otros trastornos y para establecer biomarcadores
serológicos del dolor asociado con la FM.
Fibromialgia (FM)2es miembro de una clase de trastornos llamados
"síndromes de sensibilidad central" (1–4) o “traslape crónico
Los autores declaran no tener conflictos de interés con los contenidos
de este artículo.
1Con el apoyo de una subvención de la Columbus Research Foundation. A quien
la correspondencia debe dirigirse a: Ohio State University, 480 Medical Center
Dr., Rm. S2056, Columbus, OH 43210. Tel.: 614-293-4837; Correo electrónico:
Kevin.Hackshaw@osumc.edu.
2Las abreviaturas utilizadas son: FM, fibromialgia; ACR, Colegio Americano de
reumatología; ANA, anticuerpo antinuclear; ANOVA, análisis de varianza; ATR,
reflectancia total atenuada; BDI: índice de depresión de Beck; IMC, índice de masa
corporal; CCP, proteína citrulinada cíclica; PCR, proteína C reactiva; VSG: velocidad de
sedimentación globular; FIQR, versión revisada del cuestionario de impacto de la
fibromialgia; FT, transformada de Fourier; IR, espectroscopia infrarroja; CIE, distancias
entre clases; IPM: índice de dolor de McGill; NIR, infrarrojo cercano; OA, artrosis
© 2019 Hackshaw et al. Publicado bajo licencia exclusiva por la Sociedad Americana de Bioquímica y Biología Molecular, Inc.
cro
condiciones de dolor” (5), todos los cuales presentan importantes
desafíos diagnósticos y terapéuticos para la medicina. La FM
permanece sin diagnosticar en hasta 3 de 4 personas con la afección,
con un promedio de 5 años entre el momento del inicio de los síntomas
y el diagnóstico, lo que resulta en un tratamiento tardío y
potencialmente subóptimo (6). La FM parece ser el resultado de
combinaciones variables de sensibilización del sistema central de
respuesta a amenazas, desregulación de la función neuroendocrina y
procesamiento nociceptivo anormal. El síndrome se manifiesta
clínicamente como dolor y sensibilidad generalizados en ubicaciones
anatómicas reproducibles, acompañado de trastornos del sueño
asociados y una variedad de condiciones comórbidas.2, 3, 7–10).
La fibromialgia es la causa más común de dolor crónico generalizado
en los Estados Unidos (3, 7, 8), y las mujeres tienen de 4 a 9 veces más
probabilidades de ser diagnosticadas con FM que los hombres (7, 8). La
evidencia actual sugiere que la FM pertenece a un continuo mucho más
amplio de síndromes de dolor crónico, que incluye el síndrome de
fatiga crónica, síndrome del intestino irritable y otros síndromes
gastrointestinales funcionales, síndrome temporomandibular, migraña
y cistitis intersticial/síndrome de dolor vesical, entre otros, todos con
considerable superposición (1, 3, 7, 8). Las estimaciones sugieren que al
menos el 2% de la población adulta en los Estados Unidos puede verse
afectada por la FM, con un impacto anual general considerando el
ausentismo laboral, la pérdida de productividad y la atención médica
que rivaliza con los costos de la artritis reumatoide (11–13).
El diagnóstico de FM ha evolucionado a partir de basarse principalmente
en la evidencia de múltiples puntos sensibles dolorosos según lo
promulgado en los criterios del American College of Rheumatology (ACR) de
1990 (14) a uno que abarca más globalmente y se basa en una combinación
de dolor más una multitud de otros síntomas. Los criterios ACR de 2010
incluían criterios de gravedad de los síntomas junto con el dolor y otros
síntomas somáticos (10), y en 2016, los criterios de FM se refinaron aún más
para agregar distinciones adicionales para ayudar a evitar clasificar
erróneamente a los pacientes con síndromes de dolor miofascial regional
como si tuvieran FM (9). Actualmente, la fibromialgia se diagnostica sobre la
base de los siguientes hallazgos: 1) presencia de
es; PC, componente principal; PCA, análisis de componentes principales; PDA,
detección de matriz de fotodiodos; PLSR, regresión de mínimos cuadrados parciales;
AR, artritis reumatoide; FR: factor reumatoide; SECV, SE de validación cruzada; SIMCA,
modelado independiente suave de analogía de clases; LES, lupus eritematoso
sistémico; SLEDAI: índice de actividad de la enfermedad del lupus eritematoso
sistémico; SSS, escala de severidad de los síntomas; uHPLC, cromatografía líquida de
ultra alta resolución; WPI: índice de dolor generalizado; 3D, tridimensional; DSDNA,
ADN de doble cadena.
J. Biol. química(2019) 294(7) 2555–25682555
Prueba de mancha de sangre para la fibromialgia
dolor generalizado, definido como dolor en al menos cuatro de las cinco
regiones del cuerpo; 2) síntomas presentes en un nivel similar durante al
menos 3 meses; 3) índice de dolor generalizado (WPI) - 7 y puntuación de la
escala de gravedad de los síntomas (SSS) - 5 o WPI de 4 a 6 y puntuación SSS
- 9; y 4) el diagnóstico de FM es válido independientemente de otros
diagnósticos. Algunos estudios han demostrado que un diagnóstico solo
mejora la satisfacción con la salud de los pacientes con FM, con menos
síntomas informados a largo plazo y reducciones en el costo de la utilización
de recursos médicos por parte de los pacientes (12, 13).
Desafortunadamente, no existe una prueba de diagnóstico confiable para
FM. Tal prueba sería un paso significativo hacia un diagnóstico e
intervención más tempranos para esta afección, lo que ayudaría a mejorar
los resultados de los pacientes, contener los costos de atención médica y/o
legales y, potencialmente, proporcionar pistas sobre la etiopatogenia del
síndrome. Nuestro grupo ha publicado recientemente el primer enfoque
metabolómico en dos síndromes de sensibilidad central, la cistitis intersticial
(15) y FM (dieciséis). Aislamos una fracción de bajo peso molecular de sangre
humana usando ultrafiltración centrífuga a través de una membrana
semipermeable (filtrado), dejando solutos de alto peso molecular en el
retenido (dieciséis). La fracción de bajo peso molecular se analizó mediante
microespectroscopia IR, que proporcionó un patrón espectral único basado
en grupos funcionales (p.ejmetilo, carbonilo, indol, etc.) en muestras de
suero que vibraron de manera predecible después de absorber la luz IR. El
análisis de reconocimiento de patrones de los espectros nos permitió
discriminar a los pacientes con FM de aquellos con artritis reumatoide (AR) u
osteoartritis (OA) que parecían ser metabólicamente similares (dieciséis). El
enfoque no identificó de manera concluyente los metabolitos responsables
de la diferenciación espectral diagnóstica, aunque los cambios en el
catabolismo del triptófano parecían estar involucrados (dieciséis). Otro
enfoque de la metabolómica ha implicado LC/quadrupole-TOF/MS con
análisis estadístico multivariante destinado a discriminar FM (norte-22)
pacientes y controles (norte-21) del análisis de plasma sanguíneo (17). Según
los investigadores, la lisofosfocolina dominó el perfil de metabolitos, lo que
sugiere que puede haber biomarcadores potenciales adicionales para el
diagnóstico de FM (17). Recientemente, Malatjiet al.(18) utilizaron
metabolómica de RMN para identificar un perfil de biomarcador de
diagnóstico para la FM en la orina, identificando metabolitos asociados con
indicadores de síntomas de dolor y fatiga (ácido succínico, taurina y creatina)
y perturbaciones en el microbioma intestinal (ácidos hipúrico, 2-
hidroxiisobutírico y láctico ).
La tecnología de espectroscopia vibratoria se está desarrollando
actualmente para uso clínico de rutina en muchas áreas de la medicina (
19), incluido el cáncer (20 –22), urología (23), y reumatología (24, 25).
Las capacidades de huellas dactilares de espectroscopia vibracional (IR
medio y Raman) ofrecen un análisis rápido, de alto rendimiento y no
destructivo de una amplia gama de tipos de muestras que producen
una "huella dactilar" química característica con un perfil de firma único.
La espectroscopia Raman ofrece una atractiva técnica de huellas
dactilares debido al requisito mínimo o nulo de preparación de la
muestra, las capacidades sin contacto y no destructivas y la débil
respuesta Raman del agua, lo que permite la medición en soluciones
acuosas y en sustancias encerradas en recipientes transparentes, como
bolsas o viales, sin necesidad de abrirlos. a ellos (26). Sin embargo, un
obstáculo importante en las muestras biológicas ha sido la interferencia
de la fluorescencia. Las unidades portátiles Raman tradicionales están
equipadas con longitudes de onda de excitación láser visible, como 532
y 785 nm, para aumentar la dispersión Raman.
2556J. Biol. química(2019) 294(7) 2555–2568
señal. Desafortunadamente, estas longitudes de onda de excitación más cortas
aumentan el fondo de fluorescencia, lo que oscurece la señal Raman. Para reducir
la limitación de la fluorescencia, los espectrómetros Raman pueden equiparse con
una longitud de onda de excitación más larga (NIR, 830 -1064 nm), pero esto da
como resultado una intensidad de señal Raman disminuida. Para hacer frente a
esta limitación de la señal, recientemente se puso a disposición una nueva
generación de detectores de semiconductores (matriz de arseniuro de indio y
galio) (27). Además, el fenómeno de espectroscopia Raman mejorada en superficie
mejora (106–107) debido al gran campo electromagnético inducido por resonancia
de plasmón de superficie localizada mediante el uso de nanoestructuras metálicas
(típicamente oro y plata) que se encuentran en las proximidades de la superficie
metálica. Dichos refinamientos dan como resultado límites más bajos de detección
de la espectroscopia Raman mejorada en la superficie en el nivel de ppb o de una
sola molécula (28).
Los avances en instrumentación y técnicas de reconocimiento de
patrones hacen que esta tecnología sea ideal para la detección y el análisis
rápidos de muestras biológicas, lo que permite la separación de espectros en
grupos discretos que permiten la clasificación de individuos en función de
sutiles diferencias fisiológicas. El reconocimiento de patrones resuelve el
problema de pertenencia a clases (29) mediante el uso de métodos no
supervisados y supervisados. En las técnicas no supervisadas, no hay
información disponible previa al análisis con respecto a la estructura de
grupo de las muestras (30). Estas técnicas generalmente se aplican para
descubrir agrupaciones de muestras dentro de los datos, revelar cualquier
espectro anormal en un conjunto de datos y determinar la variación natural
entre las muestras. El análisis de componentes principales (PCA) se utiliza
para reducir grandes conjuntos de datos en un número más pequeño de
variables ortogonales denominadas componentes principales (PC), que
llevan la varianza principal de las variables originales. Por lo tanto, PCA
reduce la dimensionalidad de los conjuntos de datos al mismo tiempo que
retiene la información presente en los datos (29). La clasificación supervisada
utiliza un grupo de muestras como conjunto de entrenamiento, en el que las
categorías de cada muestra se conocen antes del análisis. Luego se evalúa el
rendimiento del conjunto de entrenamiento comparando las predicciones
realizadas por el modelo con las verdaderas categorías de las muestras
utilizadas para la validación (31). Los métodos de clasificación supervisados
incluyen K-vecinos más cercanos, modelado suave independiente de
analogía de clase (SIMCA), análisis discriminante lineal, análisis discriminante
de mínimos cuadrados parciales. Entre las técnicas supervisadas más
comunes se encuentra SIMCA, que permite la visualización de patrones de
agrupamiento entre muestras (31). En SIMCA, se realiza un PCA en cada
clase del conjunto de datos y se retiene una cantidad suficiente de
componentes principales para dar cuenta de la mayor parte de la variación
dentro de cada clase (32). Una característica importante de SIMCA es que
solo asigna una muestra desconocida a la clase para la que tiene una alta
probabilidad. Si la varianza residual de una muestra excede el límite superior
para cada clase modelada en el conjunto de datos, la muestra no se asigna a
ninguna de las clases representadas en el conjunto de datos.
Los objetivos del presente estudio fueron desarrollar métodos simples,
rápidos, sensibles y robustos para el diagnóstico de la FM basados en la
"huella dactilar" altamente característica de IR medio y Raman a partir de
gotas de sangre seca de muestras de sangre periférica obtenidas por
punción digital combinada. con técnicas supervisadas de reconocimiento de
patrones. Además, evaluamos las capacidades de identificación de LC-MS/MS
para ayudar en un enfoque metabolómico para la elucidación de
biomarcadores y proporcionar información para comprender mejor la
etiología y la patogenia de la FM.
 Prueba de mancha de sangre para la fibromialgia

tabla 1
Datos demográficos para FM (norte-50), AR (norte-29), LES (norte-23), y OA (norte-19) sujetos
El valor medio se muestra entre corchetes y el mínimo y el máximo se muestran entre corchetes.
FM REAL ACADEMIA DE BELLAS ARTES LES OA
Años de edad) 45,5 - 10,3 {44,5} 25, 68 48 51,5 - 11,2 {54} 25, 70 21 44,9 - 9,8 {46} 23, 59 21 60,4 - 8,1 {61} 46, 74 14
Sexo mujeres, 2 hombres mujeres, 8 hombres mujeres, 2 hombres mujeres, 5 hombres
IMC 34,0 - 8,4 {34,5} 18, 55,6 31,7 - 9,6 {31,4} 18,8, 61,6 31,3 - 5,9 {30,1} 21, 44,8 36,5 - 8,5 {36,5} 22,5, 52,0
FIQR 59,3 - 20,8 {59,4} 25,1, 89,5
VSG 37,5 - 9,6 {33} 2, 93 32,6 - 17,1 {30} 4, 67
Ana 11/50 8/29 16/23
DSDNA 23/10

Tabla 2
Medicamentos tomados por FM (norte-50), AR (norte-29), LES (norte-23), y OA (norte-19) sujetos
medicamentosa medicamentosa
Tema Tema Tema medicamentosa
no. FM LES
REAL ACADEMIA DE BELLAS ARTES OA no. FM REAL ACADEMIA DE BELLAS ARTES LES OA no. para FM

1 1, 3, 5 9, 15 20 1, 9 18 1, 2 15 2, 18, 20, 27 2, 9 35 1, 2
2 2, 4 22, 27 18, 20 4, 9 19 30 15, 18, 23 18, 21 2, 9, 27 36 1, 2, 7, 9, 26
3 5, 26, 27 2, 18, 26 18 9 20 1, 4 9, 12, 24, 26, 27 1, 18, 19 37 3, 27
4 27 15 2, 4, 18 9, 27 21 2, 7, 26 2, 15, 27, 28 1, 2, 3, 18, 20 38 1, 2, 5
5 2, 4, 27 1, 2, 15, 18 16, 18 2, 6, 27 22 1, 2, 8 9, 23 2, 6,8, 16, 18 39 3, 4
6 2, 5 4, 15, 33 17, 19 6, 27 23 1, 2, 7, 9, 26 20, 27, 29 30 40 3, 7, 26
7 8,9 2, 15, 32 16, 18, 20 2, 26 24 3, 27 17, 20, 22 41 3
8 1, 7 18, 35 17, 18, 20 3, 4 25 1, 2, 5 42 30
9 1, 2, 6, 9 9, 15 15, 18 26 3, 4 15, 20, 28 43 2, 6, 26
10 3, 8 15, 31 3, 15 1, 2, 6, 27 27 3, 7, 26 2, 15, 18, 20 44 2, 4
11 dieciséis 1, 12, 22 2, 18, 20 2, 6, 9, 27 28 3 15, 31 45 1, 3, 6
12 2, 6, 12 18, 26 2, 9, 26 29 30 46 2, 6, 12
13 1, 2, 6, 26 28 18, 26 2, 9, 11, 26 30 2, 6, 26 47 2, 5, 8
14 2, 4, 12 2, 4, 18, 20 9, 18, 27 9, 27 31 2, 4 48 1, 2
15 30 12, 15, 22, 23, 31 1, 2, 18, 26 9 32 1, 3, 6 49 2, 10
dieciséis 5 9, 27, 34 15, 18, 20 4, 26 33 2, 6, 12 50 1
17 1,6 20,23 18, 27 3, 27 34 2, 5, 8
aLos medicamentos enumerados son los siguientes: tricíclicos (amitriptilina, doxepina, nortriptilina, imipramina, trazodona) - 1; gabapentina - 2; pregabalina - 3; duloxetina - 4;
venlafaxina - 5; fluoxetina - 6; milnaciprán - 7; topiramato - 8; medicamentos antiinflamatorios no esteroideos - 9; ciclobenzaprina - 10; metaxalona - 11;
tizanidina - 12; carisprodol - 13; baclofeno - 14; metotrexato - 15; azatioprina - 16; micofenolato - 17; hidroxicloroquina - 18; belimumab - 19; prednisona - 20;
ciclofosfamida - 21; adalimumab - 22; etanercept - 23; infliximab - 24; tofacitinib - 25; tramadol - 26; hidrocodona - 27; rituximab - 28; abatacept - 29; ninguno -
30; leflunomida - 31; tocalizumab - 32; sulfasalazina - 33; golimumab - 34; auranofina - 35; - sin valor o no obtenido.

Tabla 3
Resultados
Coeficientes de correlación de Pearson entre las puntuaciones del cuestionario de
síntomas autoinformados y otras medidas de laboratorio que evalúan
Características clínicas de los sujetos
enfermedades
Las características clínicas de los sujetos con FM se muestran en tabla 1.
Se recogieron manchas de sangre en 50 sujetos (48 mujeres, 2 hombres). La
edad media fue de 45,5 a 10,3 años. La media del índice de masa corporal
(IMC) fue de 34,0 - 8,4 kg/m2con un rango de 18,0 –55,6 kg/m2. La puntuación
media de la versión revisada del cuestionario de impacto de la fibromialgia
(FIQR) fue de 59,3 a 20,8 con un rango de 33,7 a 89,5. La media del índice de
depresión de Beck (BDI) fue de 27,1 a 12,8 con un rango de 7,0 a 56. La
media del índice de dolor de McGill (MPI) fue de 25,9 a 10,2. Once de 50
sujetos con FM fueron positivos para anticuerpos antinucleares (ANA); sin
embargo, todos cumplieron con los criterios ACR para FM primaria sin
evidencia de lupus eritematoso sistémico (LES) u otro trastorno subyacente
del tejido conectivo. Los medicamentos concurrentes se enumeran para
cada individuo con FM enTabla 2. El número de medicamentos tomados por
cada sujeto de FM osciló entre 1 (norte-8) a 5 (norte-1). Análisis de
correlación de FIQRversusBDI, FIQRversusMPI, velocidad de sedimentación
globular (VSG)versus PCR, VSGversusfactor reumatoideo (FR), VSGversus 9,6 kg/m2con un alcance de 42,8 kg/m2. La VSG media fue de 37,5 - 24,9 mm/
proteína citrulinada cíclica (CCP) y ESRversusEl índice de actividad de la h con un rango de 128 mm/h. La PCR media fue de 12,4 - 12,2 mg/litro. 28 de
enfermedad del LES (SLEDAI) se presenta enTabla 3. Coeficientes de Pearson 29 sujetos fueron positivos para RF. 20 sujetos fueron CCP-positivos. Nueve
correspondientes ypagslos valores son 0.686 ypags de los sujetos con AR eran ANA-positivos; sin embargo, todos cumplieron
0,005 (estadístico- con los criterios ACR para AR sin evidencia de LES o trastorno del tejido
significativa) para la correlación entre el FIQR y el BDI y conectivo superpuesto. Los medicamentos concurrentes para cada persona
0.334 ypags 0,05 para FIQRversusIPM. con AR se enumeran enTabla 2. El número de medicamentos tomados por
Las características clínicas de los sujetos con AR se muestran en tabla 1. cada sujeto con AR osciló entre 1 (norte-2) a 5 (norte-2). Valores de
Se recogieron manchas de sangre en 29 sujetos (21 mujeres, 8 hombres). La correlación de Pearson correspondientes ypagslos valores fueron los
edad media fue de 51,5 a 11,2 años. El IMC medio fue 31,7 - siguientes: VSGversusPCR, 0,292 (pags-0,14); VSG

J. Biol. química(2019) 294(7) 2555–25682557

Prueba de mancha de sangre para la fibromialgia
Figura 1. Espectros representativos del suero de un paciente con FM recolectados por FT-Raman (línea roja) y FT-IR (línea negro) microespectroscopia.
versusradiofrecuencia, 0.484 (pags-0,01, estadísticamente significativo); y VSG
versusPCCh, 0,663 (pags-0,09).
Las características clínicas de los sujetos con LES se muestran en tabla 1.
Se recogieron manchas de sangre en 23 sujetos (21 mujeres, 2 hombres). La
edad media fue de 44,9 a 9,8 años. El IMC medio fue de 31,3 - 5,9 kg/m2con
un rango de 23,8 kg/m2. La VSG media fue de 32,6 - 17,1 mm/h con un rango
de 63,0 mm/h. La PCR media fue de 7,2 a 7,4 mg/litro con un rango de 25,4.
16 sujetos dieron positivo para ANA en el momento de la extracción de la
muestra de sangre, mientras que siete dieron negativo para ANA. Los
valores de SLEDAI para todos los sujetos oscilaron entre 2 y 26 con una
media de 11,4 a 7,0. Los medicamentos concurrentes para cada persona con
LES se enumeran enTabla 2. El número de medicamentos tomados por cada
sujeto con LES osciló entre 1 (norte-3) a 5 (norte-2). Valor de correlación de
Pearson (pagsvalor) para VSGversusSLEDAI fue 0,489 (pags-0,15) (Tabla 3).
Las características clínicas de los sujetos con OA se muestran en
tabla 1. Se recogieron manchas de sangre en 19 sujetos (14 mujeres, 5
hombres). La edad media fue de 60,4 a 8,1 años. El IMC medio fue de
36,5 - 8,5 kg/m2con un rango de 29.5. Los medicamentos concurrentes
para cada individuo con OA se enumeran enTabla 2. El número de
medicamentos tomados por cada sujeto con OA osciló entre 0 (norte-1)
a 4 (norte-3).
Espectroscopia IR y Raman
Un representante de FT-Raman (línea roja) y FT-IR (línea negro)
el espectro microespectroscópico del suero de un paciente con FM
se presenta enFigura 1. Estos espectros destacan la naturaleza
complementaria de las técnicas. El espectro FT-IR estuvo dominado
por los fuertes modos de vibración del agua (modo de estiramiento
OH centrado en 3400 cm1), glucosa (C-OH estirando a 1040 cm1),
polisacáridos (vibración anular CO y CC a 1110 cm1), lípidos (CH3y
CH2bandas elásticas a 2940 y 2880 cm1), y una señal débil en los
1450 –1200 cm1rango asociado con proteínas, compuestos que
transportan fosfato y lípidos. Por el contrario, el espectro FT-Raman
mostró bandas principales centradas en 650, 830, 900, 1040, 1240 y
1445 cm.1
2558J. Biol. química(2019) 294(7) 2555–2568
asociado con vibraciones de grupos de aminoácidos aromáticos, glicanos,
colágeno y contenido mineral de las muestras. Aunque las espectroscopias
FT-IR y Raman miden las energías vibratorias de las moléculas, se rigen por
diferentes reglas de selección. FT-IR mide la absorción de la luz IR por parte
de la muestra debido a los cambios en el momento dipolar de la molécula,
mientras que Raman se basa en la dispersión inelástica de la luz causada por
los cambios en la polarizabilidad de la molécula (33). Debido a las diferencias
en la actividad vibratoria entre Raman y FT-IR, algunos modos están activos
en ambas espectroscopias, pero otros solo están activos en Raman o FT-IR.
En general, los estiramientos y curvas simétricos tienden a ser Raman-
activos, mientras que las vibraciones que implican fuertes momentos
dipolares se observan más intensamente mediante espectroscopia IR. Por lo
tanto, las vibraciones de estiramiento de carbonilo, hidroxilo o amina suelen
ser muy fuertes en un espectro FT-IR, mientras que las vibraciones de los
enlaces dobles o triples de carbono y los grupos aromáticos son muy fuertes
en un espectro Raman.34).
Proyección de clase de SIMCA (Figura 2yTabla 4) generados a partir de
espectros FT-IR dieron como resultado un agrupamiento distinto de las
muestras de acuerdo con su clase de enfermedad (FM (norte-30), AR (norte-
20), o LES (norte-30)). El gráfico 3D se usó para visualizar la agrupación
entre muestras (patrones de muestra, agrupaciones o valores atípicos),
con cadasímboloen el grupo que representa el espectro de cada
muestra. Los límites de clase (elipseque rodean a cada grupo) se
definen utilizando un intervalo de confianza del 95% proyectado sobre
los primeros tres componentes principales y mostraron clases bien
separadas de acuerdo con el diagnóstico clínico de los sujetos. La
validación cruzada identificó tres PC (clase FM), cuatro (clase RA) y
cuatro (clase SLE) que explicaron la mayor parte de la variación en el
conjunto de datos, minimizando el riesgo de sobreajuste y generando
así un modelo sólido de biomarcadores en el proceso de
entrenamiento . Una estadística que brindó información sobre la
capacidad de SIMCA para discriminar entre clases fue la distancia entre
clases (ICD), una medida (distancia de Mahalanobis entre los centroides
de las clases) derivada estadísticamente en el multivariado

Figura 2. Proyecciones de clase SIMCA y estadística de poder de discriminación (línea roja, discriminación entre FM y RA;línea negro, discriminación entre FM y
LES) para la clasificación de muestras de suero de FM, AR y LES evaluadas por espectroscopía ATR-IR (norte-30 FM, 20 RA, 20 SLE).
Tabla 4
Distancias entre clases entre grupos de enfermedades basadas en
análisis FT-IR y Raman (IR:norte-30 FM, 20 RA y 20 SLE; Rama:norte-40
fm, norte-23 AR, ynorte-25 SLE) (SIMCA,pags<0.05)
CIE
FM REAL ACADEMIA DE BELLAS ARTES
FT-IR
FM 0.0
REAL ACADEMIA DE BELLAS ARTES 4.5 0.0
LES 4.0 3.8
raman
FM 0.0
REAL ACADEMIA DE BELLAS ARTES 1.3 0.0
LES 11.7 12.7
espacio que indica la distancia entre clusters. Una distancia de clase
superior a 3,0 se considera significativa para diferenciar dos grupos de
muestras como clases diferentes (35, 36). Los ICD fueron en gran
medida independientes entre sí con valores ICD de 4.5 (FM y RA), 4.0
(FM y SLE) y 3.5 (RA y SLE) y sin superposición de clases (Tabla 4).
Además, la estadística de clasificación errónea mostró un 100% de éxito
en la clasificación de muestras. Estadística de poder de discriminación
de SIMCA (Figura 2) identificaron las variables más discriminantes (es
decirbiomarcadores candidatos) entre clases; cuanto mayor es el poder
de discriminación, más influye una variable en la clasificación (35). Las
principales bandas de IR responsables de la agrupación de las tres
clases estaban en la región de 1700 y 1400 cm.
1 , correspondiente a la amida I (1640 cm1) y amida II
(1555cm 1) vibraciones y contribuciones de lípidos y
proteínas (-comoCH2y CH 3).
Análisis SIMCA del poder discriminante para sujetos FM y RA (
Figura 2) mostró las contribuciones únicas de las conformaciones
de la columna vertebral alifática (1432 cm1;-sCH2) de proteínas y
grupos aromáticos (1515 cm 1). Lechowiczet al.(24) reportado
que la banda a 1424 cm 1fue el más efectivo en distinguir
guishing RA de individuos que no son RA. Los autores indicaron
que la banda a 1430 cm1se ha asignado a HCH y OCH vibración
de flexión en el plano de proteínas que contienen aminoácidos
de prolina y triptófano (24). La señal a 1515 cm1
es consistente con el tramo CC de compuestos aromáticos (36).
Análisis SIMCA de espectros Raman (Fig. 3A) mostró marcadas
diferencias bioquímicas entre sujetos con LES (5 PC) y sujetos con
FM (5 PC) y AR (4 PC), con distancias entre clases de 12
Prueba de mancha de sangre para la fibromialgia
unidades que indican enormes diferencias entre estas clases. Por otro
lado, el modelo mostró discriminación marginal entre FM y RA (ICD -
1.3), mientras que el modelo de validación cruzada no dio
clasificaciones erróneas. La proyección de clase 3D (Fig. 3A) mostró
LES cierta superposición de grupos entre las muestras de FM y RA, pero
esta superposición puede ser engañosa porque el gráfico no tiene en
cuenta la varianza relevante omitida al usar más de tres PC y, por lo
tanto, el gráfico 3D no puede mostrar de manera realista la naturaleza
0.0
multidimensional del modelo. . El hecho de que los grupos FM y RA
estén más cerca en el espacio refleja patrones Raman más similares en
comparación con SLE; por lo tanto, un análisis SIMCA de dos clases
0.0
generado para FMversusLos sujetos con AR mejoraron la separación de
grupos. Resultó en una distancia entre clases de 2,5 mediante el uso de
5 PC y dio como resultado modelos con cero errores de clasificación.
Además, la precisión predictiva del modelo generado con espectros
Raman se evaluó utilizando un conjunto de validación externo (Fig. 3B)
proporcionando la pertenencia a clases correcta para todos los sujetos
y demostrando la robustez y sensibilidad del modelo para el
diagnóstico de FM y síndromes reumáticos relacionados.
El modelo SIMCA de tres clases mostró que la región discriminante (620 –
1120 cm1) estuvo dominado por las bandas centradas en 660 y 907 cm1,
característica de las vibraciones del anillo de piridina y los modos de
estiramiento de la alanina del esqueleto C-C (esqueleto de la proteína) (37),
respectivamente (Fig. 3C,línea roja). Curiosamente, un análisis SIMCA de dos
clases de sujetos FM y RA (Fig. 3C,línea negro) reveló que la mayor parte de
la importancia de la variable en el modelo anterior estaba influenciada por
las características de la muestra de SLE. La gráfica de poder discriminante (
Fig. 3C,línea negro) para FMversusRA estaba dominado por una banda
centrada en 840 cm1atribuido a los residuos de tirosina en las proteínas (38).
Los análisis multivariados de los espectros IR y Raman produjeron
modelos robustos que indican que los péptidos en el fluido sanguíneo
filtrado son marcadores de diagnóstico efectivos. Además, el análisis de
reconocimiento de patrones destacó la importancia de las moléculas de
ácido aromático y carboxílico, que podrían respaldar la asociación entre
grupos de aminoácidos ácidos y fenólicos como moléculas candidatas
que incluyen triptófano y sus metabolitos.
La espectroscopia vibratoria explica los resultados de la intensidad del dolor
Figura 4muestra la correlación entre los datos espectrales FT-IR de tarjetas de
manchas de sangre recolectadas de 20 pacientes y su correspondencia
J. Biol. química(2019) 294(7) 2555–25682559
Prueba de mancha de sangre para la fibromialgia

Figura 3.A, proyecciones de clase SIMCA (norte-40 FM;norte-23 AR;norte-25 LES).B, rendimiento del modelo SIMCA utilizando un conjunto de validación independiente (norte-10 FM;
norte-6 AR;norte-7 SLE) comparando predicciones con categorías verdaderas.C, estadística de poder de discriminación (línea roja, discriminación entre FM y RA;línea negro,
discriminación entre FM y SLE) para la clasificación de muestras de suero de FM, RA y SLE evaluadas por espectroscopía FT-Raman.

Figura 4. Modelo PLSR que correlaciona los datos espectrales de IR y las puntuaciones de actividad de la enfermedad autoinformada transformada logarítmicamente (FIQR) para sujetos con enfermedad de
FM (PLSR) y el vector de regresión para el modelo PLSR (norte-20).

responder a la actividad de la enfermedad de FM mediante el uso de
puntajes de actividad de la enfermedad autoinformada (FIQR). La
variable dependiente (puntajes FIQR) se transformó usando la función
logarítmica (log FIQR) y se usó la regresión de mínimos cuadrados
parciales (PLSR), una técnica de regresión lineal multivariada, para
desarrollar un modelo predictivo que proporcionó una excelente
relación lineal (r-0.94) y SE de validación cruzada (SECV) de 1.1 (100.041)
para puntajes FIQR (rango 35–90) usando las primeras cuatro variables
latentes (Figura 4). El SECV evalúa la precisión predictiva del modelo de
mínimos cuadrados parciales combinado con la sensibilidad del modelo
a espectros individuales en el conjunto de entrenamiento; en otras
palabras, mide la capacidad del modelo para predecir nuevas muestras.
Figura 4muestra el vector de regresión para el modelo PLSR, pesos
estimados que se aplican a las variables mientras se ajusta la relación
bilineal entre variables independientes (espectros) y variables
dependientes (puntuaciones). Las bandas que se correlacionan con la
actividad de la enfermedad FIQR se centraron en 1625, 1580 y 1522 cm1
. La banda que fue más importante para explicar las puntuaciones FIQR
se asoció con las frecuencias de estiramiento del anillo de imidazolio
con un pico fuerte típico centrado en aproximadamente 1580 cm1
correspondiente al grupo funcional -CN-. La banda centrada en 1522 cm
1corresponde a la flexión N-H en el plano y al estiramiento C-N de los
aminoácidos (amida II), mientras que la señal en 1646
cm1es atribuible a la contribución de la estructura secundaria
-hélice de la frecuencia de la amida I (41).
De manera similar, los datos espectrales Raman de las tarjetas de
manchas de sangre recopiladas de 30 pacientes se correlacionaron con la
actividad de la enfermedad FM mediante el uso de la transformación
logarítmica de las puntuaciones de la actividad de la enfermedad
autoinformada (FIQR). El modelo predictivo PLSR dio una adecuada relación
lineal (r-0,88) y SECV de 1,1 (100.043) para puntajes FIQR (rango 45–90) usando
las primeras cuatro variables latentes (Figura 5). Las bandas que se
correlacionan con la actividad de la enfermedad FIQR (Figura 5) se centraron
en 1450 cm1y en la región de 2000 a 2200 cm1, que están asociados con CH2y
CH3deformación en proteínas y la contribución de CN sp1bonos,
respectivamente (42).
En general, los modelos de regresión PLSR para la actividad de la enfermedad
mostraron un ajuste similar con reflectancia total atenuada (ATR)-IR que con
Raman después de la transformación logarítmica de las puntuaciones FIQR. La
técnica del microscopio FT-Raman limitó las fuentes de variación espectral
asociadas con los cambios de potencia de la fuente (láser) en la muestra, la
longitud del camino óptico, los efectos de la matriz y la posición de la muestra.
Nuestro enfoque de espectroscopia vibratoria generó datos que muestran el
potencial para calificar rápidamente los síntomas fisiológicos de los pacientes a
partir de datos espectrales. Aunque necesitamos extender estos estudios a un
tamaño de muestra más grande, los resultados fuertemente

2560J. Biol. química(2019) 294(7) 2555–2568

 Prueba de mancha de sangre para la fibromialgia

Figura 5. Modelo PLSR que correlaciona datos espectrales Raman y la transformación logarítmica de las puntuaciones de actividad de la enfermedad autoinformada (FIQR) para sujetos con
enfermedad FM (PLSR) y vector de regresión para el modelo PLSR (norte-30).

Figura 6. Relación entre las intensidades medias (y SD (barras de error)) demetro/z(detección de iones positivos y negativos) de extractos de muestras de sangre de diferentes grupos de
enfermedades por inyección directa (norte-10).*,metro/zcon diferencias significativas entre enfermedades (ANOVA,pags0,05).

sugieren que la espectroscopia vibracional puede identificar tanto marcadores de
enfermedad como de estado.
Análisis metabolómico por LC de ultra alto rendimiento
(uHPLC)-PDA-MS/MS
De cada grupo de enfermedades, se analizaron 10 muestras
seleccionadas al azar mediante uHPLC-PDA-MS/MS con y sin el uso de una
columna C18. Sin el uso de una columna,metro/zlos valores oscilaron entre
74,75 y 365,40 con detección de iones positivos; Se detectaron 34 iones
predominantes (Figura 6). Bajo la detección de iones negativos, se
detectaron 19 iones principales que van desde 79,55 a 343,40 (Figura 6).
Ninguno de los detectadosmetro/zLos valores eran exclusivos de
un grupo de enfermedades específico bajo detección de iones positivos o
negativos o sus intensidades relativas. Sin embargo, después de determinar
las proporciones demetro/zintensidades a la media, las proporciones de
algunas selecciones fueron significativamente diferentes entre los grupos de
enfermedades (Figura 6yTabla 5).
En el modo de detección de iones positivos, las proporciones demetro/z
74.75 y 184.85 diferían significativamente según análisis de varianza
(ANOVA) (Tabla 5). Para todos los grupos, lametro/z184,85 también se
encontraba en la mayor intensidad y, por lo tanto, se seleccionó para el
escaneo de iones de producto. Los fragmentos mayoritarios de este ion
fueron, en orden de intensidad relativa decreciente, 45,65 (100%), 57,50
(75%), 30,05 (45%), 32,05 (13%), 42,20 (8%), 27,90 (7%). , y 93,00 7%).

J. Biol. química(2019) 294(7) 2555–25682561

Prueba de mancha de sangre para la fibromialgia
Tabla 5
listado dem/z(detección de iones positivos y negativos) de extractos de
muestras de sangre de diferentes grupos de enfermedades de inyección
directa y pasando a través de un C18columna con diferencias significativas,
según rata
* VerFigura 2para la caracterización de C18picos de columna 2 y 3.
Para intentar identificar este compuesto, elmetro/zdel compuesto
intacto y sus fragmentos se buscaron en la base de datos del
metaboloma humano (39). Sin embargo, ningún espectro de masas
comparativo coincidió fuertemente con el espectro de estemetro/z.
Identificación de estemetro/zy otros requerirán una evaluación y/o
desarrollo posterior de una biblioteca espectral MS/MS. A pesar de
la menor cantidad de iones detectados en modo negativo, las
proporciones de tresmetro/zdifería significativamente: 95,65,
217,90 y 290,15 (Tabla 5). De estosmetro/z,95.65 mostró la mayor
intensidad.
El uso del enfoque de inyección directa minimiza la pérdida de cualquier
compuesto de interés potencial. Sin embargo, también existe el riesgo de
que algunos componentes de la muestra o los solventes puedan enmascarar
posibles analitos objetivo que podrían diferenciar los diferentes grupos de
enfermedades. Para mejorar la resolución y la detección de otros
metabolitos, los extractos de muestra se analizaron mediante HPLC-PDA-MS/
MS después de la separación en una columna C18. En términos de apariencia
cromatográfica general, todas las muestras mostraron una gran abundancia
de compuestos muy polares, observados como grandes picos al eluir de la
columna en los primeros 1,5 min (Figura 7). En las condiciones de uHPLC
utilizadas, el volumen vacío de la columna fue
0,35 min, correspondiente al pico 1 observado. Los espectrogramas de los
picos 2 y 3 mostraron que estos eran el resultado de metabolitos de cada
muestra; se observó coelución entre estos picos, evidenciada además por
espectros de absorbancia similares ymáximo(Figura 7). Es importante destacar
que el uso de una columna mejoró la detección de analitos por MS/MS. El
espectro MS del pico 2 mostró 42metro/z,oscilando entre 104,20 y 268,85; de
estos iones, las proporciones de cinco diferían significativamente entre los
grupos de enfermedades (Tabla 5). Como se observa a partir de la inyección
directa, la relación de las intensidades demetro/z184,85 fue
significativamente diferente entre los diferentes grupos de enfermedades.
Con el uso del C18, se demostró que este compuesto es muy polar.
Análogamente para el pico 3, 34metro/zfueron detectados (104.20 -348.10),
con cinco de estos significativamente diferentes entre los grupos de
enfermedades (Tabla 5).
También se observa en los cromatogramas deFigura 7, HPLC
utilizando un C18la columna también separó efectivamente algunos
metabolitos menos polares (12–18 min). Para mejorar la visualización
de estos picos, los cromatogramas max-plot (detección de 260 a 450
nm) de 7 a 22 min se ampliaron y se presentaron comoFigura 8. Todos
2562J. Biol. química(2019) 294(7) 2555–2568
cuatro grupos de enfermedades mostraron patrones cromatográficos PDA
similares, con el mismo número de picos principales.Picos X,Y, yZ parecía ser
exclusivo de los grupos de enfermedades RA y SLE; sin embargo, estos picos
solo se observaron en 1 o 2 muestras de cada uno de estos grupos y, por lo
tanto, se consideraron valores atípicos. Se seleccionó la detección de
absorbancia de 260 a 450 nm para abarcar tantas longitudes de onda
absorbidas por estos compuestos mientras se reduce el ruido de la región
ultravioleta lejana. El espectro de absorbancia del pico 12 mostró la mayor
máximo de 397 nm, entrando en la región visible de la luz, mientras que la
mayoría de los picos mostraronmáximode 260 –280 nm, típico de los anillos
aromáticos. El pico 13 también mostró una comparativamente mayormáximode
294 nm (Figura 8). De particular interés, el pico 13 del grupo FM parecía estar
visualmente en una proporción más baja que los otros picos en comparación
con los diferentes grupos de enfermedades. El análisis multivariado de estos
cromatogramas también mostró una diferencia significativa entre los grupos
de enfermedades, distancias entre clases - 2.2 (Tabla 6yFigura 9). La
proyección de clase dio como resultado la agrupación distinta de los cuatro
grupos de enfermedades. La región de discriminación de estos
cromatogramas UV-visible varió de 14 a 17 min, correlacionándose bien con
las diferencias observadas visualmente, como el pico 13 (Figura 8). Se
identificaron picos en cinco tiempos de retención diferentes como variables
discriminatorias.
Discusión
Este estudio evaluó la viabilidad de la espectroscopia vibratoria para diferenciar a las personas con FM de aquellas con otras
afecciones reumáticas, como AR, LES y OA. Además, queríamos determinar si varios grados de severidad de FM eran bioquímicamente
distinguibles entre sí utilizando un medio novedoso de detección rápida. Las ventajas de una metodología de este tipo, si se desarrolla
y perfecciona hasta la reproducibilidad, serían la capacidad de identificar subconjuntos de tratamiento específicos para FM, así como
identificar nuevos objetivos diferenciados entre sí metabólicamente por espectroscopia (UV-visible, MS y vibracional). Los resultados
del estudio encontraron una firma espectral Raman única que agrupaba a todos los sujetos en clases (FM, RA y SLE) sin clasificaciones
erróneas. El poder de discriminación estuvo dominado por las vibraciones de la columna vertebral en proteínas y ácidos nucleicos, y
también indicó diferencias minerales en la sangre como biomarcador. Además de Raman (diferenciando FM de SLE y RA), HPLC-PDA-
MS/MS también distinguió entre grupos de enfermedades con ciertos metabolitos existentes en proporciones significativamente
diferentes, lo que resultó en cromatogramas UV-visible discriminatorios. Además, los estudios preliminares demostraron la capacidad
de Raman para diferenciar entre FM grave y leve según las evaluaciones de la enfermedad FIQR. Dos estudios recientes han
identificado el valor de subcategorizar a los pacientes con FM en función de síntomas similares, con el fundamento de que tales
agrupaciones podrían proporcionar un medio para una evaluación e intervención clínica más individualizada ( y también indicó
diferencias minerales en sangre como biomarcador. Además de Raman (diferenciando FM de SLE y RA), HPLC-PDA-MS/MS también
distinguió entre grupos de enfermedades con ciertos metabolitos existentes en proporciones significativamente diferentes, lo que
resultó en cromatogramas UV-visible discriminatorios. Además, los estudios preliminares demostraron la capacidad de Raman para
diferenciar entre FM grave y leve según las evaluaciones de la enfermedad FIQR. Dos estudios recientes han identificado el valor de
subcategorizar a los pacientes con FM en función de síntomas similares, con el fundamento de que tales agrupaciones podrían
proporcionar un medio para una evaluación e intervención clínica más individualizada ( y también indicó diferencias minerales en
sangre como biomarcador. Además de Raman (diferenciando FM de SLE y RA), HPLC-PDA-MS/MS también distinguió entre grupos de
enfermedades con ciertos metabolitos existentes en proporciones significativamente diferentes, lo que resultó en cromatogramas UV-
visible discriminatorios. Además, los estudios preliminares demostraron la capacidad de Raman para diferenciar entre FM grave y leve
según las evaluaciones de la enfermedad FIQR. Dos estudios recientes han identificado el valor de subcategorizar a los pacientes con
FM en función de síntomas similares, con el fundamento de que tales agrupaciones podrían proporcionar un medio para una
evaluación e intervención clínica más individualizada ( HPLC-PDA-MS/MS también distinguió entre grupos de enfermedades con
ciertos metabolitos existentes en proporciones significativamente diferentes, lo que resultó en cromatogramas UV-visible
discriminatorios. Además, los estudios preliminares demostraron la capacidad de Raman para diferenciar entre FM grave y leve según
las evaluaciones de la enfermedad FIQR. Dos estudios recientes han identificado el valor de subcategorizar a los pacientes con FM en
función de síntomas similares, con el fundamento de que tales agrupaciones podrían proporcionar un medio para una evaluación e intervención clínica má
Mediante el uso de uHPLC-PDA-MS/MS, se observaron diferencias en
los perfiles metabólicos de muestras de suero de pacientes con FM, RA,
OA y LES en términos de compuestos muy polares y menos polares, que
pueden estar correlacionados con el Raman. y los hallazgos de IR, que
diferenciaron los grupos de enfermedades en función de la
 Prueba de mancha de sangre para la fibromialgia

Figura 7. Cromatogramas uHPLC-PDA promediados (260 – 450 nm) de extractos de muestras de sangre de diferentes grupos de enfermedades (intensidades promediadas dentro de cada
grupo,norte-10).

Figura 8. Cromatogramas uHPLC-PDA promediados (260 a 450 nm) de extractos de muestras de sangre de diferentes grupos de enfermedades de 7 a 12 min (intensidades
promediadas dentro de cada grupo,norte-10).losárea sombreadaengrisindica los tiempos de retención que se encontraron responsables de la discriminación entre enfermedades
(verFigura 9).

Tabla 6 entre los grupos de enfermedades eran compuestos pequeños con metro/z
Distancias entre clases entre grupos de enfermedades según la absorbancia 300.
(260 - 450 nm) durante el análisis uHPLC-PDA,t-14 –17 minutos (norte-10)
(SIMCA/PLSR,pags<0.05) También se encontró que los componentes menos polares, que eluyen más tarde

distancias entre clases durante las ejecuciones de uHPLC, diferencian entre los grupos de enfermedades.

FM OA
REAL ACADEMIA DE BELLAS ARTES LES La absorbancia UV-visible de 280 nm era común a muchos de
FM 0.0 estos picos separados, lo cual es típico de los compuestos compuestos por
REAL ACADEMIA DE BELLAS ARTES 5.5 0.0 anillos aromáticos. Trabajos previos han encontrado que algunos de los
OA 2.2 5.7 0.0
LES 3.5 3.5 3.9 0.0 metabolitos distintivos de los pacientes con FM están relacionados con el
metabolismo y el catabolismo del triptófano (16, 42). Debido a su fracción
aromática, el triptófano es uno de los pocos aminoácidos capaz de una
grupos de aminoácidos máticos, glicanos, colágeno y contenido mineral de absorbencia de 280 nm y, de hecho, es responsable de la absorción de la luz
las muestras. Se observaron diferencias en los metabolitos de elución ultravioleta por parte de muchas proteínas. Quizás las diferencias en los
temprana a partir de los datos del espectro de masas. En general, las cromatogramas UV entre los grupos de enfermedades pueden ser
muestras de pacientes con FM y OA parecían compartir más similitudes parcialmente el resultado de estos metabolitos o derivados de aminoácidos.
metabólicas en comparación con las de los grupos con AR o LES; esto se Estos hallazgos sugieren que la combinación de métodos analíticos HPLC-
observó tanto en los datos espectrales de masas más polares (Tabla 5) y los PDA-MS/MS puede ser útil en el diagnóstico de FM de diferentes clases de
componentes de elución posterior de los cromatogramas UV-visibles (Figura "síndromes de sensibilidad central".
8). Esto contrastaba parcialmente con los hallazgos previos en los que los En nuestro estudio actual, registramos los medicamentos que los
grupos RA y OA eran metabólicamente similares y distintos del grupo FM. pacientes estaban tomando en el momento de su análisis de gotas de
dieciséis). Algunos de los metabolitos que más distinguieron a la FM de los sangre para todas las enfermedades. No hubo ninguna señal/efecto de
otros grupos de enfermedades incluyeron hemo, disulfuro de cisteína-GSH y medicación evidente que pudiera discernirse mediante espectroscopia o MS/
NAD.dieciséis). Sin embargo, estos metabolitos más grandes no se MS entre la cohorte actual; sin embargo, el efecto de los medicamentos en
encontraron en proporciones significativas en las condiciones de este estos análisis estuvo más allá del alcance de este estudio actual. Requeriría
estudio. Los metabolitos difieren poblaciones de control sin medicación con similares

J. Biol. química(2019) 294(7) 2555–25682563

Prueba de mancha de sangre para la fibromialgia
Figura 9. Proyecciones de clase SIMCA para la clasificación de muestras de suero de pacientes con FM, AR, OA y LES separadas por perfiles cromatográficos durante el
análisis uHPLC-PDA, detección de 260 a 450 nm y tiempos de retención de picos discriminatorios.
características demográficas (edad, IMC, sexo, etc.) y clínicas (FIQR, BDI, MPI)
que se compararán con una población correspondientemente emparejada
en un medicamento específico para determinar qué efectos del
medicamento podrían tener en estos resultados. Sería de interés determinar
los posibles cambios estáticos y prospectivos a lo largo del tiempo
provocados por varios grupos de medicamentos (tricíclicos, serotonina,
inhibidores de la recaptación de norepinefrina, etc.).
Existe una amplia gama de opiniones sobre la FM entre los médicos.
Muchos médicos carecen de la formación necesaria para diagnosticar con
precisión esta condición. Como resultado, los pacientes con síntomas mal
explicados a menudo se agrupan en la categoría de FM, aunque sus
características clínicas pueden encajar mejor con otros diagnósticos. Los
ejemplos pueden incluir el trastorno de ansiedad generalizada, el trastorno
somatomorfo y los síndromes de piernas inquietas, entre muchos otros.
Algunos médicos intentan adherirse a los criterios de clasificación
actualizados para el diagnóstico de FM (1, 9, 10, 14), mientras que otro
segmento de la población médica muestra un nivel de escepticismo acerca
de la enfermedad que disuade a muchos pacientes incluso de buscar un
diagnóstico debido a la preocupación de que se piense que sus síntomas son
completamente "psicológicos". A pesar de que muchos adoptaron los
criterios recientemente revisados, se reconoce cada vez más que el uso de
estos criterios para el diagnóstico está plagado de errores debido a un nivel
significativo de subjetividad en los elementos de la encuesta (WPI y SSS) (9).
Para los médicos, un diagnóstico de FM a menudo proporciona una explicación
para los síntomas difíciles de entender. Para los pacientes, un diagnóstico de FM
puede ofrecerles cierta confirmación de que los síntomas son reales y no
psicológicos. El desarrollo de nuevos criterios para FM ha ayudado un poco con la
uniformidad del diagnóstico clínico en los informes publicados.
Desafortunadamente, para la mayoría de los pacientes con FM, los criterios de
diagnóstico actualizados todavía fallan en lo que respecta a proporcionar una
medida objetiva que confirme la enfermedad, que es lo que buscan muchos
pacientes con FM. En consecuencia, a pesar de los criterios revisados, no existe un
estándar de oro para definir o diagnosticar la FM. Los resultados de la Encuesta
Nacional de Entrevistas de Salud de los Estados Unidos de 2012 revelaron que la
mayoría de los pacientes que recibieron un diagnóstico de FM de un profesional de
la salud no cumplieron con los criterios de FM publicados (43). Además, el uso de
los criterios de diagnóstico actualizados no se ha traducido en ahorros en los
costos de atención médica. Suponemos que la razón de esto es que los verdaderos
ahorros de costos (como evitar pruebas innecesarias como pruebas magnéticas
2564J. Biol. química(2019) 294(7) 2555–2568
resonancia magnética, tomografía computarizada, análisis de sangre repetidos,
etc.) solo ocurrirá una vez que hayamos descubierto un biomarcador reproducible
que sea ampliamente aceptado entre médicos y pacientes. abrazoset al.(44)
demostraron que el diagnóstico inicial de FM conduce a reducciones modestas en
los costos de atención médica durante 1 a 2 años después del diagnóstico, pero
esos ahorros iniciales se disiparon y los costos y la utilización de la atención
médica aumentaron posteriormente mucho más allá de los niveles previos al
diagnóstico. Los autores teorizaron que la razón por la cual los costos aumentaron
es porque los pacientes permanecieron con dolor después del diagnóstico, y
posiblemente porque en la FM falta un "tratamiento efectivo" (44).
Alternativamente, suponemos que muchos pacientes sienten que el "diagnóstico"
sigue siendo subjetivo, y es posible que la gran mayoría nunca logre la satisfacción
hasta que tengamos un estándar de oro o biomarcador ampliamente aceptado.
Desafortunadamente, las terapias actuales aprobadas por la Administración de
Drogas y Alimentos para la FM no han podido mostrar una eficacia superior sobre
las técnicas de atención plena o el entrenamiento de salud (45, 46).
Por lo tanto, nuestros estudios tienen una gran importancia tanto para el
desarrollo de un biomarcador reproducible como para la identificación de
nuevas dianas terapéuticas potenciales para el tratamiento. Con los avances
en las metodologías descritas aquí y la posterior identificación de
metabolitos diferenciadores, pueden avanzar las técnicas para el tratamiento
de la FM y los trastornos relacionados.
materiales y métodos
Pacientes
Todos los estudios que involucran sujetos humanos fueron aprobados por la
Junta de Revisión Institucional de la Universidad Estatal de Ohio y cumplen con los
principios de la Declaración de Helsinki. Luego de la aprobación de la junta de
revisión institucional (2015H0312), se obtuvieron muestras de sangre de pacientes
con FM (norte-50), AR (norte-29), LES (norte-
23), y OA (norte-19) en las clínicas de reumatología de la Universidad Estatal
de Ohio ubicadas en Care Point East. Los criterios para el diagnóstico de FM
incluyeron los siguientes: edad de 18 a 80 años con antecedentes de FM y
cumplimiento de los criterios ACR revisados actuales (9, 10). También
requerimos que ningún trauma físico o infección antes del inicio de la FM
pudiera identificarse como el factor iniciador principal en su FM. Los
diagnósticos de AR y LES se basaron en los criterios ACR para cada trastorno
(47, 48). Pacientes con FM, AR, LES y OA

fueron evaluados utilizando diagnósticos médicos y psiquiátricos
excluyentes actuales o históricos (p.ejcáncer o trastorno del tejido
conectivo, esclerosis múltiple, insuficiencia cardíaca congestiva,
diabetes, trastorno bipolar, depresión melancólica). Además, las
muestras se recolectaron solo de pacientes que habían estado bajo el
cuidado del investigador clínico (KVH) durante al menos 6 meses. Este
requisito adicional se aplicó para proporcionar una protección adicional
para la precisión del diagnóstico de los pacientes para garantizar que
obtuviéramos muestras de pacientes cuyo trastorno se había
diagnosticado correctamente.
Cuestionarios
Los síntomas autoinformados se obtuvieron de todos los sujetos. El FIQR es un
instrumento de autoevaluación de 10 elementos que mide el funcionamiento
físico, el estado laboral, la depresión, la ansiedad, el sueño, el dolor, la rigidez, la
fatiga y el bienestar. Es la herramienta de evaluación más utilizada para medir el
impacto general de la FM en la calidad de vida (49).
El cuestionario de dolor de McGill es un instrumento fiable y válido para
indicar tanto los aspectos descriptivos del dolor como su intensidad. Esta
herramienta se utiliza para evaluar el nivel de gravedad del dolor
generalizado de los sujetos. Este instrumento utiliza palabras descriptivas
sensoriales, afectivas y evaluativas para medir la experiencia subjetiva del
dolor del paciente. Se obtienen puntajes para tres clases de descriptores
verbales, así como una medida general del dolor actual, donde los puntajes
más altos indican una mayor intensidad del dolor. Se ha demostrado que
esta herramienta es eficaz en poblaciones con dolor agudo y crónico (50).
El Inventario de depresión de Beck es un cuestionario autoadministrado
de 21 ítems con confiabilidad y validez establecidas (51, 52). Es ampliamente
utilizado para medir la depresión en poblaciones de pacientes. Se puede
utilizar para cuantificar la dimensión psicológica/conductual del impacto de
FM. Para cada elemento del inventario, los sujetos eligen una de las cuatro
declaraciones para describir cómo se han sentido durante la última semana;
las puntuaciones más altas indican una mayor depresión. El BDI genera una
puntuación total (rango 0-63) y dos subpuntuaciones (cognitiva/afectiva,
rango 0-42; somática, rango 0-21).
El estudio más utilizado de la actividad del lupus se llama SLEDAI (49). Es
una lista de 24 artículos, incluidos 16 artículos clínicos y 8 artículos de
resultados de laboratorio. Estos elementos se califican en función de su
presencia o ausencia dentro de los 10 días anteriores a la extracción de
sangre obtenida para el diagnóstico de LES. Otras evaluaciones de la
enfermedad incluyen la tasa de sedimentación de eritrocitos (ESR), la
proteína C reactiva (CRP), el factor reumatoide (RF), la proteína citrulinada
cíclica (CCP) y el anticuerpo antinuclear (ANA).
preparación de la muestra
Se recolectó sangre de los sujetos y se aplicó a tarjetas de manchas
de sangre, que luego se secaron y transportaron al laboratorio de
espectroscopia Rodríguez-Saona para su análisis. La variación en el
tamaño de las manchas de sangre se minimizó mediante la recolección
de muestras en tarjetas (Whatman 903 Protein Saver Snap Apart Card,
GE Healthcare) con círculos preimpresos como guías para estandarizar
el volumen de sangre aplicado; cuando se aplica a su borde, cada
círculo contiene 50 l de sangre. Al llegar al laboratorio, se perforaron
muestras de 3 mm de la tarjeta, se extrajeron con 1 ml de tampón de
acetato de amonio (1% en agua) y se mezclaron por sonicación (Sonic
Dismembrator modelo 100, Fisher), y el sobrenadante se transfirió a
Amicon- Dispositivos de filtrado ultra centrífugo (30 K) y centrifugado
(modelo 5415, Eppendorf, Westbury, NY) en
Prueba de mancha de sangre para la fibromialgia
14,000 gramodurante 15 min a 4 °C. Filtro de membrana centrífugo
Se utilizaron dispositivos para eliminar componentes sanguíneos de
gran masa molecular nominal (30 kDa) que interferían con la resolución
de compuestos biomarcadores específicos (15). En general, los filtros de
membrana eliminaron proteínas y aislaron moléculas solubles en agua,
como azúcares, aminoácidos, péptidos y lípidos. Se depositaron en
SpectRIM dos gotas de pequeño volumen (2 l) del líquido filtrado de
sangre de todos los pacientes.TMLos portaobjetos Raman IR (Tienta
Sciences, Inc., Indianapolis, IN) se dejaron secar a temperatura
ambiente (30 min), y se recogieron los espectros Raman de cada gota.
Los espectros Raman se recolectaron en el borde de la muestra seca
porque depositó más material y proporcionó firmas reproducibles de
las muestras. Esmonde-Blancoet al. (53), estudiando los cambios
moleculares asociados con la osteoartritis por espectroscopía Raman,
informaron que las proteínas en las muestras tienden a acumularse en
el borde de las gotas, mientras que los componentes más pequeños y
solubles precipitan en el centro durante la deposición de la gota. En el
caso de la espectroscopia IR, se diluyeron alícuotas de 5 l del filtrado en
metanol (50 l), se mezclaron y se colocaron en el pozo ATR para la
recolección de datos.
Espectroscopia vibracional de muestras.
Los espectros FT-IR se recopilaron utilizando un sistema portátil 5500
equipado con un cristal ZnSe ATR calentado de cinco reflexiones. El
banco óptico incluye un interferómetro de Michelson con un espejo
móvil de cojinete mecánico, un divisor de haz de bromuro de potasio y
un detector de sulfato de triglicina deuterado que funciona a
temperatura ambiente. Para mejorar la relación señal-ruido, se
agregaron conjuntamente 64 escaneos y se promediaron las señales.
La celda ATR se calentó a 40 - 1 °C para que todo el solvente restante se
evaporara antes de la medición.
Los espectros de reflectancia Raman se registraron usando un
microscopio láser Raman dispersivo NRS-4100 (Jasco Inc., Easton,
MD), equipado con un motorX-yescenario; 5, 20 y 100 objetivos
NIR; y un detector de arseniuro de indio galio, que trabaja a una
temperatura de 70 °C. Se recogieron espectros de 2920 a 500 cm1
utilizando una resolución de 1 cm1. La longitud de onda del láser
fue de 1064 nm, la exposición fue de 60 s y la acumulación fue de 2.
Los ajustes de rejilla, rendija y atenuador fueron 150 litros/mm, 200
800 my 25 %, respectivamente. Las mediciones se realizaron
utilizando un objetivo de 20 NIR. Los espectros de reflectancia de
fondo se registraron entre las muestras para minimizar los efectos
del entorno en el espectro de la muestra.
Analisis multivariable
Las diferencias espectrales (espectros IR y Raman y cromatogramas
UV-visibles de detección HPLC-PDA) entre muestras de sujetos con FM y
aquellos con RA, SLE u OA se evaluaron utilizando técnicas estadísticas
multivariadas para resolver la información espectral de interés, para
agrupar las muestras. según la presencia de la condición de salud
(clase), y para correlacionar la severidad de los síntomas con la
información espectral. SIMCA y PLSR se llevaron a cabo utilizando el
software de reconocimiento de patrones Pirouette (Pirouette- versión
4.5, Infometrix Inc., Woodville, WA) como se describió anteriormente (
15). Para todos los análisis multivariados, la única transformación
aplicada a los datos durante el desarrollo fue el centrado en la media
seguido de una segunda derivada (ventana de 35 puntos).
Transformación de la segunda derivada de los espectros
J. Biol. química(2019) 294(7) 2555–25682565
Prueba de mancha de sangre para la fibromialgia
permitió una mayor extracción de información útil y redujo
el ruido espectral.
SIMCA, un método de análisis de datos de reconocimiento de patrones
supervisado que utiliza la matriz de varianza-covarianza, se utilizó para
reducir la dimensionalidad de los conjuntos de datos multivariados al
determinar los componentes principales que mejor explicaban la variación
sistemática (29). A continuación, se utilizó un algoritmo de validación cruzada
para determinar el número de componentes principales que produjeron el
error de predicción mínimo. En SIMCA, los componentes principales
contienen información sobre sistemas químicos y/o biológicos influyentes
que definen las clases; al determinar el estadístico F, se puede calcular un
límite superior para la varianza residual (ruido) para todas las muestras
pertenecientes a cada clase, lo que da como resultado un conjunto de
probabilidades de pertenencia a la clase para cada muestra. Por lo tanto,
una muestra desconocida solo puede asignarse a la clase para la que tiene
una alta probabilidad. Si la varianza residual de una muestra supera el límite
superior de las clases modeladas en el conjunto de datos, no se asigna a
ninguna de las clases; o es un valor atípico o pertenece a una clase no
representada en el conjunto de datos (54). El modelo de clasificación se
desarrolló sobre un conjunto de entrenamiento (80% del número total en
una clase) con diagnóstico de pacientes conocidos, y el desempeño del
modelo se evaluó con un conjunto de validación externa (20% restante de las
muestras) de pacientes que no se utilizaron en el entrenamiento, y sus
predicciones fueron comparadas con categorías verdaderas (sensibilidad del
modelo).
Para distinguir la actividad FM (destellos), las intensidades de la
banda de biomarcadores característicos en el espectro se
correlacionaron con la encuesta de resultados informados por el
paciente (FIQR) para el desarrollo de un algoritmo cuantitativo, PLSR,
para determinar el estado de la enfermedad. PLSR es una regresión
bilineal basada en la extracción de “variables latentes” (29). Estos
factores ortogonales (variables latentes) explican la mayor parte de la
covarianza de laX(espectros) yyvariables PLSR reduce las dimensiones
contenidas en miles de predictores IR en unos pocos factores para
explicar las variaciones tanto en las variables dependientes como en el
dominio espectral. El resultado final es un modelo lineal capaz de
predecir una característica deseada (estado de la enfermedad) en
función de un conjunto seleccionado de predictores (espectros IR). PLSR
ha sido particularmente exitoso en el desarrollo de modelos de
calibración multivariante para el campo de la espectroscopia porque
reduce el impacto de los datos irrelevantes.Xvariaciones (ruido) en el
modelo de calibración, lo que resulta en modelos de calibración más
precisos y reproducibles (50, 55). El desempeño del modelo se evaluó
en base al número de variables latentes, vectores de carga, SECV,
coeficiente de determinación (R- valor) y diagnósticos atípicos.
Análisis metabolómico por uHPLC-PDA-MS/MS
La plataforma de elaboración de perfiles metabólicos no dirigida
empleada para este análisis consistió en uHPLC acoplada a un PDA y
detectores de espectrómetro de masas en tándem (MS/MS) para especies
químicas extraídas de muestras de sangre en condiciones alcalinas descritas
anteriormente. A las muestras de tarjetas de manchas de sangre secas
previamente extraídas de punzones, 1 ml de HPLC-MS grado H2Se añadió O y
las muestras se agitaron en vórtex durante 15 s para homogeneizar. Las
muestras acuosas se filtraron a través de filtros de jeringa de nailon de 0,2 m
(Phenomenex, Torrance, CA) en viales de vidrio para HPLC. Las muestras de
extractos de manchas de sangre se evaluaron mediante uHPLC-PDA-MS/MS
utilizando un sistema uHPLC (Shimadzu Nexera-i LC-2040C)
2566J. Biol. química(2019) 294(7) 2555–2568
acoplado con MS en tándem (Shimadzu LCMS-8040). Las muestras se
evaluaron mediante inyección directa en el sistema sin columna y con el
uso de una columna Pinnacle DB C18, tamaño de partícula de 1,9 m, 50
2,1 mm de longitud (Restek Corp., Bellefonte, PA). Cuando se inyectó
directamente (25 l de muestra) en el sistema, el flujo consistió en 0,2
ml/min de ácido fórmico al 0,1 % en agua. Cuando pasó a través de la
columna (25 l de muestra), la columna se calentó a 40 °C y el flujo
consistió en un gradiente binario de 0,2 ml/min. El gradiente consistió
en solventes A (0.1% de ácido fórmico en H2O) y B (acetonitrilo al 0 % de
B) durante 0 a 5 min, seguido de un aumento de B de 0 a 40 % durante
5 a 20 min. Los datos espectrales se recogieron de 200 a 800 nm.
Las condiciones para MS/MS por ionización por electropulverización incluyeron
lo siguiente: flujo de gas de nebulización de 1,5 litros/min, temperatura de la línea
de desolvatación de 230 °C, temperatura del bloque de calor de 200 °C y flujo de
gas de secado de 15 litros/min.metro/zlos datos se recolectaron bajo modos
positivos y negativos de 25 a 1000metro/zcon el primer barrido de iones totales de
cuadrupolo con tiempos de evento de 100 ms. A partir del análisis de los datos
preliminares obtenidos, los iones de interés se controlaron en las mismas
condiciones ionizantes utilizando barridos de iones precursores y productos con
una energía de colisión de 35,0 eV utilizando gas argón para un evento de colisión
secundaria. Los datos se recopilaron utilizando el software Lab Solutions
(Shimadzu). uHPLC-PDA-MS se realizó en 10 muestras (norte-10) de cada grupo de
enfermedades.
Imputación de datos y análisis estadístico
Para ayudar con la visualización de datos, rawmetro/zlos valores de
intensidad de cada metabolito se reescalaron dividiendo todos los valores de
la muestra por el valor medio de cada metabolito individual, tal como
describe Hackshawet al.(dieciséis). Cada determinación individual demetro/z
luego se expresó como una relación relativa a este valor medio para
determinar los cambios en las concentraciones de metabolitos. Para fines de
análisis estadístico y visualización de datos, se asumió que cualquier valor
faltante estaba por debajo del límite de detección, y estos valores se
imputaron con el mínimo compuesto (imputación de valor mínimo). El
análisis estadístico de los datos de metabolómica se realizó mediante ANOVA
unidireccional (dos colas, -0,05) y la prueba post hoc de diferencia
significativa honesta de Tukey (-0,05) utilizando Minitab 16 (Minitab Inc.,
State College, PA). Los cromatogramas de UHPLC-PDA (detección de 260 a
450 nm) de muestras analizadas con el uso de una columna C18 también se
investigaron mediante análisis multivariable como se describe
anteriormente.
Contribuciones de autor—Diseño del proyecto KVH, evaluación clínica,
coautoría del manuscrito; análisis de espectroscopia vibracional DPA,
análisis de datos; GTS uHPLC-PDA-MS/MS diseño y análisis,
interpretación de datos, coautoría del manuscrito; análisis de
espectroscopia vibracional MP; Diseño de estudio de FM, colección de
muestras, contribuciones de manuscritos; consultor de LY en análisis
estadísticos; diseño del proyecto CATB, coautoría del manuscrito;
Diseño MMG del enfoque metabolómico, interpretación de datos UV-
visible y MS, coautoría del manuscrito; LR-S. diseño de proyectos,
coautoría de manuscritos, supervisión espectroscópica y análisis.
Referencias
1. Yunus, MB (2015) Revisión editorial: una actualización sobre los síndromes de
sensibilidad central y los problemas de nosología y psicobiología.actual Reumatol.
Rvdo.11,70 – 85CrossRefMedline

2. Arnold, LM, Clauw, DJ, McCarberg, BH y FibroCollaborative (2011)
Mejora del reconocimiento y diagnóstico de la fibromialgia.Mayo
Clín. proc.86,457– 464CrossRefMedline
3. Smith, HS, Harris, R. y Clauw, D. (2011) Fibromialgia: un trastorno del procesamiento
aferente que conduce a un síndrome generalizado de dolor complejo.Médico del
dolor.14,E217–E245Medline
4. Harte, SE, Harris, RE y Clauw, DJ (2018) La neurobiología de la sensibilización central.
Aplicación J. biocomportamiento Res.23,e12137Referencia cruzada
5. Maixner, W., Fillingim, RB, Williams, DA, Smith, SB y Slade, GD (2016)
Condiciones de dolor crónico superpuestas: implicaciones para el
diagnóstico y la clasificación.j dolor17,T93–T107CrossRefMedline
6. Yunus, MB (2008) Síndromes de sensibilidad central: un nuevo paradigma y nosología
de grupo para la fibromialgia y condiciones superpuestas, y el tema relacionado de
la enfermedadversusenfermedad.Semin. Artritis Rheum.37,339 –352
CrossRefMedline
7. Dadabhoy, D. y Clauw, DJ (2008) Signos y síntomas musculoesqueléticos: el
síndrome de fibromialgia. enCartilla sobre las enfermedades reumáticas, 13ª
edición. (Klippel, JH, ed) págs. 87–93, Springer, Nueva York
8. Clauw, DJ (1995) Patogénesis del dolor crónico y síndromes de fatiga, con
especial referencia a la fibromialgia.Medicina. Hipótesis44, 369 –378
CrossRefMedline
9. Ablin, JN y Wolfe, F. (2017) Una evaluación comparativa de los criterios de
fibromialgia de 2011 y 2016.J. Reumatol.44,1271-1276CrossRefMedline
10. Wolfe, F., Clauw, DJ, Fitzcharles, MA, Goldenberg, DL, Katz, RS, Mease, P.,
Russell, AS, Russell, IJ, Winfield, JB y Yunus, MB (2010) The American College
de Reumatología criterios diagnósticos preliminares para la fibromialgia y
medición de la gravedad de los síntomas.Res. para el cuidado de la artritis.(
Hoboken)62,600 – 610CrossRefMedline
11. Silverman, S., Dukes, EM, Johnston, SS, Brandeburgo, NA, Sadosky,
A. y Huse, DM (2009) La carga económica de la fibromialgia: análisis
comparativo con la artritis reumatoide.actual Medicina. Res. Opinión25,
829 – 840CrossRefMedline
12. Annemans, L., Wessely, S., Spaepen, E., Caekelbergh, K., Caubère, JP, Le Lay, K.
y Taïeb, C. (2008) Consecuencias económicas en la salud relacionadas con el
diagnóstico del síndrome de fibromialgia .Artritis Rheum.58,895–902
CrossRefMedline
13. White, LA, Birnbaum, HG, Kaltenboeck, A., Tang, J., Mallett, D. y Robinson, RL
(2008) Empleados con fibromialgia: comorbilidad médica, costos de atención
médica y pérdida de trabajo.J. Ocupar. Reinar. Medicina.50,13–24
CrossRefMedline
14. Wolfe, F., Smythe, HA, Yunus, MB, Bennett, RM, Bombardier, C.,
Goldenberg, DL, Tugwell, P., Campbell, SM, Abeles, M. y Clark, P. (1990)
El American College of Rheumatology 1990 Criterios para la clasificación
de la fibromialgia. Informe del Comité de Criterios Multicéntrico. Artritis
Rheum.33,160 –172CrossRefMedline
15. Rubio-Diaz, DE, Pozza, ME, Dimitrakov, J., Gilleran, JP, Giusti, MM, Stella,
JL, Rodriguez-Saona, LE y Buffington, CA (2009) Un biomarcador sérico
candidato para el síndrome de dolor vesical /cistitis intersticial.Analista
134,1133-1137CrossRefMedline
16. Hackshaw, KV, Rodriguez-Saona, L., Plans, M., Bell, LN y Buffington, CAT (2013)
Una prueba de diagnóstico basada en manchas de sangre para el síndrome
de fibromialgia y trastornos relacionados.Analista138,4453– 4462
CrossRefMedline
17. Caboni, P., Liori, B., Kumar, A., Santoru, ML, Asthana, S., Pieroni, E., Fais,
A., Era, B., Cacace, E., Ruggiero, V. , y Atzori, L. (2014) El análisis y el
modelado de metabolómica sugieren una interacción lisofosfocolina-
receptor de PAF en la fibromialgia.Más uno9,e107626CrossRefMedline
18. Malatji, BG, Meyer, H., Mason, S., Engelke, UFH, Wevers, RA, van Reenen, M. y
Reinecke, CJ (2017) Un perfil de biomarcador de diagnóstico para el síndrome
de fibromialgia basado en un estudio de metabolómica de RMN de pacientes
y controles seleccionados.BMC Neurol.17,88CrossRefMedline
19. Eikje, NS, Aizawa, K. y Ozaki, Y. (2005) Espectroscopia vibratoria para la
caracterización molecular y el diagnóstico de tumores de piel benignos,
premalignos y malignos.Biotecnología. año Rvdo.11,191–225
CrossRefMedline
20. Romeo, MJ, Dukor, RK y Diem, M. (2008) Introducción a las imágenes espectrales y
aplicaciones al diagnóstico de los ganglios linfáticos. Enmanual de
Prueba de mancha de sangre para la fibromialgia
Espectroscopia vibratoria(Chalmers, JM y Griffiths, PR, eds) págs. 1–25, Wiley,
Chichester, Reino Unido
21. Kendall, C., Isabelle, M., Bazant-Hegemark, F., Hutchings, J., Orr, L., Babrah, J.,
Baker, R. y Stone, N. (2009) Espectroscopia vibratoria: una herramienta clínica
para el diagnóstico del cáncer.Analista134,1029 –1045CrossRefMedline
22. Osterberg, EC, Laudano, MA y Li, PS (2014) Aplicaciones clínicas y de
investigación de la espectroscopia Raman en urología y andrología.
Traducir Androl. Urol.3,84 – 88Medline
23. Carvalho, CS, Martín, AA, Santo, AME, Andrade, LEC, Pinheiro,
MM, Cardoso, MAG y Raniero, L. (2011) Un estudio de artritis reumatoide mediante
espectroscopia Raman.teor. química Cuenta130,1211-1220Referencia cruzada
24. Lechowicz, L., Chrapek, M., Gaweda, J., Urbaniak, M. y Konieczna, I. (2016) Uso
de la espectroscopia infrarroja transformada de Fourier en el diagnóstico de
la artritis reumatoide: un estudio piloto.mol. Biol. Reps.43,1321-1326
CrossRefMedline
25. Lavine, BK (2000) Agrupación y clasificación de datos analíticos.Encic. Anal.
química10.1002/9780470027318.a5204.pub2Referencia cruzada
26. Santos, MI, Gerbino, E., Tymczyszyn, E. y Gomez-Zavaglia, A. (2015) Aplicaciones
de las espectroscopias infrarroja y Raman a la investigación de probióticos.
Alimentos4,283–305CrossRefMedline
27. Bersani, D. y Lottici, PP (2016) Espectroscopia Raman de minerales y pigmentos
minerales en arqueometría.J. Raman Spectrosc.47,499 –530 Referencia
cruzada
28. Roggo, Y., Chalus, P., Maurer, L., Lema-Martinez, C., Edmond, A. y Jent, N. (2007)
Una revisión de la espectroscopia de infrarrojo cercano y la quimiometría en
tecnologías farmacéuticas.J. Pharm. biomedicina Anal.44,683–700
CrossRefMedline
29. Sjöström, M., Wold, S., Lindberg, W., Persson J. Å., Martens, H. (1983) Un problema de
calibración multivariable en química analítica resuelto mediante modelos de
mínimos cuadrados parciales en variables latentes.Anal. quim. acta150,61–70
Referencia cruzada
30. Aletaha, D., Neogi, T., Silman, AJ, Funovits, J., Felson, DT, Bingham,
CO, 3rd, Birnbaum, NS, Burmester, GR, Bykerk, VP, Cohen, MD, Combe, B.,
Costenbader, KH, Dougados, M., Emery, P., Ferraccioli, G.,et al.(2010) Criterios
de clasificación de la artritis reumatoide de 2010: una iniciativa colaborativa
del American College of Rheumatology/European League Against
Rheumatism.Artritis Rheum.62,2569 –2581CrossRefMedline
31. Yu, C., Gershwin, ME y Chang, C. (2014) Criterios de diagnóstico para el lupus
eritematoso sistémico: una revisión crítica.J. Autoinmune.48,10 –13 Medline
32. Bennett, RM, Friend, R., Jones, KD, Ward, R., Han, BK y Ross, RL (2009) El
cuestionario de impacto de la fibromialgia revisado (FIQR): validación y
propiedades psicométricas.Artritis Res. El r.11,R120CrossRefMedline
33. Muhamadali, H., Chisanga, M., Subaihi, A. y Goodacre, R. (2015) Combinación
de espectroscopia Raman y FT-IR con etiquetado isotópico cuantitativo para la
diferenciación deE. colicélulas a nivel comunitario y unicelular.Anal. química
87,4578 – 4586CrossRefMedline
34. Cheng, Q., Debnath, S., Gregan, E. y Byrne, HJ (2011) Asignaciones de modo
vibracional para nanotubos de carbono de pared simple agrupados usando
espectroscopia Raman a diferentes energías de excitación.aplicación física A102, 309
–317Referencia cruzada
35. Marcello Manfredi, ER (2013) Descubrimiento de biomarcadores a través de métodos estadísticos
multivariados: una revisión de métodos y aplicaciones desarrollados recientemente en proteómica.J.
Proteómica Bioinform.10.4172/jpb.S3-003Referencia cruzada
36. Coates, J. (2000) Interpretación de espectros infrarrojos, un enfoque práctico. En
Enciclopedia de Química Analítica(Meyers, RA, ed) págs. 10815–10837, John Wiley
and Sons Ltd., Chichester, Reino Unido
37. Serban, D., Benevides, JM y Thomas, GJ (2003) La proteína HU emplea
mecanismos similares de reconocimiento de surco menor al unirse a
diferentes sitios de B-DNA: demostración mediante espectroscopia Raman.
Bioquímica42, 7390 –7399CrossRefMedline
38. Ashton, L., Brewster, VL, Correa, E. y Goodacre, R. (2017) Detección de
glicosilación y modificaciones de proteínas de unión al hierro mediante
espectroscopia Raman.Analista142,808 – 814CrossRefMedline
39. Wishart, DS, Feunang, YD, Marcu, A., Guo, AC, Liang, K., Vázquez-Fresno,
R., Sajed, T., Johnson, D., Li, C., Karu, N. , Sayeeda, Z., Lo, E., Assem-
J. Biol. química(2019) 294(7) 2555–25682567
Prueba de mancha de sangre para la fibromialgia
verter, N., Berjanskii, M., Singhal, S.,et al.(2018) HMDB 4.0: la base de datos del
metaboloma humano para 2018.Ácidos Nucleicos Res.46,D608–D617
CrossRefMedline
40. Vincent, A., Hoskin, TL, Whipple, MO, Clauw, DJ, Barton, DL, Benzo, RP y
Williams, DA (2014) Subgrupos de síntomas de fibromialgia basados en
OMERACT: un análisis exploratorio de conglomerados.Artritis Res. El r.
dieciséis,463CrossRefMedline
41. Segura-Jiménez, V., Soriano-Maldonado, A., Álvarez Gallardo, -IC, Estévez-
López, F., Carbonell-Baeza, A., y Delgado-Fernández, M. (2015)
Subgrupos de pacientes con fibromialgia utilizando los criterios del
American College of Rheumatology de 1990 y los criterios diagnósticos
preliminares modificados de 2010: el proyecto al-Ándalus.clin. Exp.
Reumatol.34, S26 –S33Medline
42. Schwarz, MJ, Offenbaecher, M., Neumeister, A., Ewert, T., Willeit, M.,
Praschak-Rieder, N., Zach, J., Zacherl, M., Lossau, K., Weisser, R., Stucky,
G. y Ackenheil, M. (2002) Evidencia de un metabolismo alterado del triptófano
en la fibromialgia.Neurobiol. Dis.11,434 – 442CrossRefMedline
43. Walitt, B., Nahin, RL, Katz, RS, Bergman, MJ y Wolfe, F. (2015) La prevalencia y
las características de la fibromialgia en la encuesta nacional de entrevistas de
salud de 2012.Más uno10,e0138024CrossRefMedline
44. Hughes, G., Martinez, C., Myon, E., Taïeb, C. y Wessely, S. (2006) El impacto de un
diagnóstico de fibromialgia en el uso de recursos de atención médica por parte de
pacientes de atención primaria en el Reino Unido: un estudio observacional basado
en la práctica clínica.Artritis Rheum.54,177–183CrossRefMedline
45. Hackshaw, KV, Planes-Pujolras, M., Rodríguez-Saona, LE, Moore,
MA, Jackson, EK, Sforzo, GA y Buffington, CAT (2016) Un estudio piloto de
entrenamiento de salud y bienestar para la fibromialgia.Musculoesqueleto
BMC. Desorden.17,457CrossRefMedline
46. Robinson, R., Kroenke, K., Williams, D., Chen, Y., Peng, X., Faries, D.,
McCarberg, B., Wohlreich, M. y Mease, P. (2012) Observador longitudinal
2568J. Biol. química(2019) 294(7) 2555–2568
vation de patrones de tratamiento y resultados para pacientes con fibromialgia.
j dolor13,S88Referencia cruzada
47. Melzack, R. (1975) El cuestionario de dolor de McGill: principales propiedades y
métodos de puntuación.Dolor1,277–299CrossRefMedline
48. Stewart, AL, Hays, RD y Ware, JE, Jr. (1988) La encuesta de salud general breve
de MOS: confiabilidad y validez en una población de pacientes.Medicina.
Cuidado26,724 –735CrossRefMedline
49. Gladman, DD, Ibañez, D. y Urowitz, D., M. (2002) Índice de actividad de la
enfermedad del lupus eritematoso sistémico 2000.J. Reumatol.29,288 –291
Medline
50. De Maesschalck, R., Candolfi, A., Massart, DL y Heuerding, S. (1999) Criterios de
decisión para el modelado suave e independiente de la analogía de clase aplicada a
los datos del infrarrojo cercano.Quimio. Intel. Laboratorio. sist.47,65–77 Referencia
cruzada
51. Beck, AT, Epstein, N., Brown, G. y Steer, RA (1988) Un inventario para
medir la ansiedad clínica: propiedades psicométricas.J. Consultar. clin.
psicol.56,893– 897CrossRefMedline
52. Beck, AT, Ward, CH, Mendelson, M., Mock, J. y Erbaugh, J. (1961)
Inventario para medir la depresión.Arco. Psiquiatría general4,561–571
CrossRefMedline
53. Esmonde-White, KA, Mandair, GS, Raaii, F., Jacobson, JA, Miller,
BS, Urquhart, AG, Roessler, BJ y Morris, MD (2009) Espectroscopia Raman del
líquido sinovial como herramienta para el diagnóstico de la osteoartritis.
J. Biomédica. Optar.14,034013CrossRefMedline
54. Kvalheim, OM, y Karstang, TV (1992) La clasificación mediante cruz disjunta
valida los modelos de componentes principales. EnReconocimiento de
patrones multivariados en quimiometría: ilustrado por estudios de casos(
Brereton, RG, ed) págs. 209 a 249, Elsevier, Ámsterdam
55. Bjorsvik, HR y Martens, H. (1982) Análisis de datos: calibración de instrumentos
NIR por regresión PLS. EnManual de análisis de infrarrojo cercano (Burns D,
ed) págs. 159-180, Dekker, Nueva York