Otra razón para comer tu brócoli

La diabetes tipo 2 se está haciendo más común a nivel mundial, y no todos los pacientes pueden ser tratados exitosamente con los fármacos existentes. Axelsson et al. analizaron el patrón de la expresión génica asociada con la diabetes tipo 2 y lo compararon con las firmas génicas de miles de fármacos candidatos para hallar compuestos que pudieran contrarrestar los efectos de la diabetes. El candidato principal de este análisis fue el sulforafano, un compuesto natural hallado en el brócoli y en otros vegetales. Los autores mostraron que el sulforafano inhibe la producción de glucosa en células cultivadas y mejora la tolerancia a la glucosa en roedores con dietas altas en grasa o altas en fructosa. Por otra parte, en un ensayo clínico, el extracto de germen de brócoli fue bastante bien tolerado y mejoró la glucosa en ayuno en pacientes humanos con obesidad y diabetes tipo 2 desregulada.

RESULTADOS

Las firmas patológicas basadas en redes fueron conectadas a firmas de fármacos

Primero, analizamos los datos de expresión génica global en tejido hepático, de un cruce F2 entre ratones C57BL/6J ApoE−/− y C3H/HeJ ApoE−/− con un total de 334 ratones (169 hembras y 165 machos). Este cruce, denominado el cruce B × H, resume una variedad de fenotipos relacionados con el síndrome metabólico, incluyendo la dislipidemia, mayor peso corporal, e hiperglucemia (17, 18). Analizamos la superposición topológica de datos de expresión génica e identificamos grupos de genes coexpresados (“módulos”), abarcando un total de 1,720 genes, los cuales fueron relacionados con la hiperglucemia.

Luego, utilizamos cuatro diferentes criterios para seleccionar, de los 1,720 genes, los que fuera más probable que estuvieran involucrados en la fisiopatología de la diabetes. Primero, analizamos la conectividad (familias) como una medida de la expresión génica para identificar nodos de redes altamente conectados (7). Luego, utilizamos modelación bayesiana para identificar reguladores clave de la redes de coexpresión (19). En tercer lugar, utilizamos variantes de riesgo genético relacionadas con la DT2 para establecer la generación de la firma patológica construyendo una red de interacción proteína-proteína con un total de 319 genes, centrada en aquellos que están muy cercanos a las variantes de riesgo conocidas de la DT2 (20). En cuarto lugar, utilizamos datos de polimorfismos de nucleótido simple relacionados con rasgos de la expresión génica (eSNPs), en muestras hepáticas humanas para identificar genes con eSNPs que también fueran variantes de riesgo para la DT2, ya que se ha sugerido que dichos genes causan enfermedades metabólicas (21). La base para utilizar estos cuatro criterios fue la de incorporar tanto topología de redes como información genética para centrarse en aquellos de los 1,720 genes que fuera probable que tuvieran el mayor impacto fisiopatológico con base en previos informes y características que son importantes para las redes de enfermedades metabólicas (8, 17, 19, 21).

Se utilizó el método de dejar uno fuera, con modelación lineal, para establecer los pesos de cada criterio. Se realizaron interacciones del modelo lineal por cada uno de las cuatro variables de los criterios. Resolver el sistema de ecuaciones resultante proporcionó un coeficiente para cada variable, el cual fue utilizado como un factor de peso para reflejar la importancia relativa de la variable. Finalmente, calculamos una puntuación para cada uno de los 1,720 genes de los cuatro criterios y la utilizamos como un filtro para generar una firma patológica de 50 genes para la DT2 en tejido hepático (tabla S1).

Posteriormente, compilamos una biblioteca de 3,852 firmas de fármacos de conjuntos de datos públicamente disponibles en el Gene Expression Omnibus (GEO), o en el Instituto Europeo de Bioinformática, con base en experimentos con tratamientos de compuestos de líneas celulares o tejidos principales, analizados por chips Affymetrix, Agilent, o Illumina (ver tabla S2 para una lista de los compuestos). La firma de la diabetes hepática y cada una de las firmas patológicas fueron analizadas utilizando un indicador de enriquecimiento basado en la prueba Kolmogorov-Smirnov (KS). El indicador de enriquecimiento promedio KS para los 10 fármacos principales era considerablemente más alto cuando se utilizaba la firma patológica filtrada de 50 genes, en comparación con utilizar 50 genes aleatoriamente seleccionados de los 1,720 genes, o utilizar los 1,720 genes (puntuaciones KS >2-veces mayores; P < 0.001; los fármacos principales diferían dependiendo de cuál firma patológica era utilizada), lo que sugería que la firma patológica filtrada por los cuatro criterios genera datos más robustos. La firma patológica que exhibió la mayor coincidencia con la firma de diabetes hepática de 50 genes se derivó de estudios de hepatocitos humanos tratados con sulforafano (SFN) (número de acceso GEO GSE20479) (22). En la tabla S3 se presenta una lista completa de todos los compuestos.

El sulforafano (SFN) reduce la producción de glucosa en células de hepatocarcinoma.

Varios otros métodos podrían potencialmente ser usados para comparar las firmas patológica y de fármacos, y es crítico que las predicciones de los especialistas en bioinformática sean validadas tanto in vitro como in vivo. Por lo tanto, nosotros investigamos a mayor detalle el compuesto con la coincidencia más alta, el SFN. El SFN es un isotocianato que existe de manera natural en los vegetales crucíferos como el brócoli. Este compuesto activa el factor nuclear erythroid 2–factor relacionado 2 (NRF2), modificando la conformación del acompañante citoplásmico proteína 1 tipo Kelch relacionada con ECH (KEAP1), liberando de esta forma NRF2 para la translocación al núcleo y la activación transcripcional de genes con elementos de respuesta antioxidante (ARE) en sus fomentadores (23). Aunque la absorción del SFN en las células da como resultado un estallido inicial de especies de oxígeno reactivo, después, activa rápidamente el sistema KEAP1-NRF2-ARE para inducir enzimas antioxidantes e incrementar el glutatión celular para un efecto antioxidante general (24). Como impulsor de antioxidantes endógenos, el SFN ha sido ampliamente estudiado por sus efectos protectores en diferentes modelos experimentales relacionados con el estrés oxidante y la quimio protección (25), trastornos inflamatorios (26), y esteatosis hepática (27, 28). A la fecha, el SFN no ha sido implicado en el tratamiento de la sobre producción de glucosa hepática en la DT2.

Estudiamos, primeramente, el efecto del SFN en la producción de glucosa usando células H4IIE, una línea celular de hepatocarcinoma en ratas. La pre incubación con SFN a un nivel de entre 0.5 y 10 μM durante 24 horas dio como resultado un decremento, dependiente de la dosis, de la producción de glucosa durante una incubación subsecuente de cinco horas en un tampón libre de glucosa al que se agregó un suplemento de sustratos gluconeogenéticos (41% de decremento a 3 μM; P = 0.0009; Fig. 1A). El SFN en dosis de hasta 3 μM no indujo apoptosis (fig. S1A). La metformina también redujo la producción de glucosa de una manera dependiente de la dosis (Fig. 1B). La adición de insulina al tampón redujo la producción de glucosa en un 40%, en células de control. Estos efectos combinados del SFN y la insulina en la producción de glucosa fueron solamente aditivos (Fig. 1A). En contraste, observamos efectos de sinergia de la metformina y la insulina en la producción de glucosa (P = 0.005 para el análisis de los efectos aditivos versus los efectos sinérgicos con 250 μM de metformina; Fig. 1B y Materiales y Métodos).

Fig. 1 Efectos del SFN en la producción de glucosa en células H4IIE de hepatocarcinoma.

La producción de glucosa (GP) fue evaluada durante una incubación de 5 horas en un tampón libre de glucosa con ácido pirúvico, L-lactato, y L-glutamina (tampón GP).

(A) La GP en presencia o ausencia de 10 nM de insulina (INS) en el tampón GP evaluados después de una pre incubación de 24 horas con o sin SFN como se indica (n=5). * denota células de control (ctrl) contra células tratadas con SFN; # denota células tratadas con insulina en ausencia, versus presencia de SFN.

(B) Como en (A), con o sin pre incubación de metformina (met) durante 24 horas en vez de SFN (n = 5).

(C) GP evaluada después de 16 horas de pre tratamiento con 250 μM de ácido palmítico (palma) seguida de 24 horas con o sin 3 μM de SFN (n = 4).

(D) Imnunotransferencia (inmunoblot) representativo y resumen de estadísticas que muestran la translocación nuclear de la proteína NRF2 después de una hora de incubación con SFN en las dosis indicadas. Se utilizó la Nucleoporina 62 (NUP62) como control de carga (n = 3).

(E) GP después de la descomposición de Nrf2 (Nrf2-KD) o tratamiento con un siRNA de control negativo seguido de una pre incubación de 24 horas con o sin 3 μM de SFN (n = 5).

(F) expresión de ARNm de genes involucrados en la gluconeogénesis después de un tratamiento con 3 μM de SFN durante 24 horas. Se realizó un análisis estadístico utilizando datos de transformación log2 (n = 4 a 6).

(G) Inmunotransferencia (inmunoblot) representativo y resumen de estadísticas de la expresión de la proteína PCK1 después de la descomposición de Nrf2 (Nrf2-KD) o tratamiento con un siRNA de control negativo seguido de pre incubación durante 24 horas con o sin 3 μM de SFN (n = 4). a.u., unidades arbitrarias.

(H) GP después de la descomposición de Pck1 (Pck1-KD) o tratamiento con un siRNA de control negativo. Posteriormente, las células fueron tratadas con o sin 3 μM de SFN o 250 de μM metformina durante 24 horas como se indica (n = 5). * denota control contra SFN, metformina, o insulina en células tratadas con un siRNA de control negativo; # denota control contra SFN, metformina, o insulina en células Pck1-KD. Los datos son medias ± EEM. *P < 0.05; **P < 0.01; ***P < 0.001; #P < 0.05; ##P < 0.01.

También pre tratamos células H4IIE con altas concentraciones de ácido palmítico (250 μM) para reproducir condiciones diabetogénicas. El tratamiento con ácido palmítico incrementó la producción de glucosa en un 34%, conforme a observaciones previas (29, 30). El tratamiento concomitante con SFN, no sólo previno la sobre producción de glucosa sino que también redujo la producción global de glucosa en un 45% (P = 0.0011; Fig. 1C).

Fecha: 14 de junio de 2017

Link: http://stm.sciencemag.org/content/9/394/eaah4477

Science Translational Medicine  

Vol. 9, Edición 394, eaah4477

DOI: 10.1126/scitranslmed.aah4477

Autores: Annika S. Axelsson1, Emily Tubbs1, Brig Mecham2, Shaji Chacko3, Hannah A. Nenonen1, Yunzhao Tang1, Jed W. Fahey4, Jonathan M. J. Derry5, Claes B. Wollheim1,6, Nils Wierup1, Morey W. Haymond3, Stephen H. Friend5, Hindrik Mulder1 and Anders H. Rosengren1,5,7,*

MATERIALES SUPLEMENTARIOS

www.sciencetranslationalmedicine.org/cgi/content/full/9/394/eaah4477/DC1

Nota: Instituto Nutrigenómica no se hace responsable de las opiniones expresadas en el presente artículo.