Anda di halaman 1dari 16

BIOMARKER BERBASIS OMICS: APLIKASI METABOLOMIK DI

GANGGUAN NEUROPSYCHIATRIC

Sumit Sethi1, Ph.D. dan Elisa Brietzke1 *, MD, Ph.D. 1 Laboratorium Interdisipliner untuk Neuroscience
Klinis (LiNC), Departemen Psikiatri, Universidade Federal de São Paulo - UNIFESP, São Paulo,

Abstrak

Salah satu perhatian utama masyarakat modern adalah untuk mengidentifikasi biomarker diduga yang
berfungsi sebagai alat diagnostik awal yang berharga untuk mengidentifikasi suatu bagian dari pasien
dengan peningkatan risiko untuk mengembangkan gangguan neuropsikiatri. Identifikasi biomarker pada
gangguan neuropsikiatri diusulkan untuk menawarkan sejumlah manfaat penting bagi kesejahteraan
pasien termasuk prediksi penyakit yang akan datang, ketepatan diagnostik dan tingkat deskripsi penyakit
yang akan memandu pilihan pengobatan. Saat ini, pendekatan metabolisme telah membuka kemungkinan
baru dalam diagnosa gangguan yang menghancurkan seperti gangguan neuropsikiatri. Teknologi berbasis
metabolisme memiliki potensi untuk memetakan perubahan biokimia awal pada penyakit dan karenanya
memberikan kesempatan untuk mengembangkan biomarker prediktif yang dapat digunakan sebagai
indikator kelainan patologis sebelum pengembangan gejala klinis gangguan neuropsikiatri. Ulasan ini
menyoroti berbagai strategi '- omics' untuk penemuan biomarker pada gangguan neuropsikiatri. Kami
juga menyoroti hasil awal dari studi metabolomik pada gangguan kejiwaan seperti skizofrenia, gangguan
bipolar, dan gangguan kecanduan. Ulasan ini juga akan menyajikan masalah dan tantangan mengenai
penerapan pendekatan metabolomik sebagai alat diagnostik rutin di laboratorium klinis dalam konteks
dengan gangguan neuropsikiatri.

Kata kunci: Biomarker; Gangguan bipolar; Kecanduan Narkoba; Metabolomik; Skizofrenia

1. Pendahuluan
Jutaan orang mengalami gangguan mental seperti gangguan depresi mayor (MDD), gangguan bipolar
(BD), skizofrenia (SCZ), dan kecanduan. Menurut Organisasi Kesehatan Dunia (WHO), masalah
gangguan neuropsikiatrik di seluruh dunia adalah 13% lebih tinggi daripada yang lain seperti
penyakit kardiovaskular dan kanker (WHO, 2008). Meskipun perbaikan yang signifikan telah
dibuat dalam pengobatan gangguan neuropsikiatri, banyak pasien tidak menanggapi terapi saat
ini, memiliki respon yang tidak memadai atau tidak mampu mentoleransi mereka.
Sayangnya, pemahaman kami tentang patofisiologi gangguan ini masih terbatas. Salah satu alasan untuk
ini adalah kenyataan bahwa sebagian besar gangguan mental bukanlah kondisi kesatuan tetapi
mungkin merupakan kompleks dari dimensi psikopatologis yang belum dapat diidentifikasi.
Selain itu, pengetahuan saat ini juga tidak lengkap dalam memprediksi siapa yang akan dan siapa
yang tidak akan menanggapi pengobatan tertentu. Keraguan seperti itu mengkhawatirkan bagi
pasien dan keluarga yang terus-menerus terlibat dalam pemilihan 'coba-dan-coba' dalam mencari
'pas yang tepat' dan bagi dokter sehingga beralih ke penggantian obat yang luas (Weiden dan
Buckley, 2007) dan polifarmasi (Tranulis et al ., 2008). Jadi, ada persyaratan lebih lanjut untuk
meningkatkan kesadaran dalam studi gangguan kejiwaan dalam upaya untuk mengenali pada
tingkat sistem - keseluruhan perubahan yang dapat berkontribusi pada patogenesis lingkungan ini.
Sidik jari molekuler spesifik penyakit dapat didefinisikan dengan baik dengan mengintegrasikan
penggunaan metodologi throughput tinggi pada inti genomik, proteomik, metabolomik dan
pendekatan "omics" lainnya dan dapat membantu memetakan sistem yang tidak teratur yang
terlibat dalam patogenesis penyakit. Selanjutnya, pemetaan global jalur tidak seperti biasanya
pada gangguan kejiwaan, dapat mengarah pada identifikasi biomarker penyakit dan respons
(Quinones dan Kaddurah-Daouk, 2009).
Ulasan ini merangkum aspek-aspek umum dari penelitian biomarker dan bagaimana kelainan metabolik
pada gangguan kejiwaan dapat berkontribusi pada identifikasi biomarker yang khas. Kami juga
membahas tantangan dan potensi pendekatan metabolisme yang ada dalam proses penemuan
biomarker.
2. Penelitian Penemuan Biomarker
Penggunaan istilah "biomarker" sudah ada sejak tahun 1980 (Jeffrey, 2005). Pada tahun 1998, Kelompok
Kerja Definisi Biomarker Kesehatan Institut Nasional menggambarkan biomarker sebagai
“karakteristik yang diukur dan dievaluasi secara obyektif sebagai indikator program biologi
normal, perkembangan patogen, atau respons farmakologis terhadap intervensi terapeutik”
(Aronson, 2005; Strimbu dan Tavel, 2010). Dalam metabolisme, biomarker dapat diukur dalam
sampel biologis apa pun, misalnya, darah, urin, atau saliva (Bogdanov et al., 2008; Holmes et al.,
2008b; Kaddurah-Daouk et al., 2009) dan dapat menjadi indikator penyakit ciri-ciri (atau penanda
risiko), keadaan penyakit, atau tingkat penyakit (perkembangan).
Biomarker dapat dipertimbangkan untuk memperluas semua cara untuk memasukkan karakter genom
tetap kami. Pada tingkat sub-seluler dan jaringan pencarian telah menanyakan transkriptomik,
proteomik, metabolomik, lipidomik, imunologis, dan epigenetik biologis (Gambar 1). Perhatian
baru-baru ini dalam penemuan biomarker didorong oleh teknik biologi molekuler baru yang
kemampuannya untuk menemukan penanda yang relevan dengan cepat tanpa persepsi terperinci
ke dalam mekanisme suatu penyakit.
2.1. Biomarker dalam Genomik
Gangguan mental meliputi spektrum penyakit yang luas dalam sistem saraf pusat (SSP) dengan gejala
bervariasi dari disfungsi kognitif hingga perubahan emosi, pikiran, atau kinerja (Krystal and
State, 2014). Karena sifat kompleks gangguan otak, tidak berguna untuk mengetahui
mekanisme menggunakan metodologi konvensional, di mana hanya jalur kecil di sekitar gen
target spesifik yang diperiksa. Baru-baru ini, teknologi genom telah secara progresif
diterapkan untuk penyelidikan gangguan neuropsikiatri (McCarroll et al., 2014). Hebatnya,
studi asosiasi genome-wide (GWAS) telah secara signifikan meningkatkan pengetahuan
tentang dasar genetik gangguan kejiwaan (Ozomaro et al., 2013; Luykx et al., 2015). Studi
GWA didasarkan pada fakta bahwa beberapa polimorfisme nukleotida tunggal (SNP) dalam
haplotipe yang didefinisikan memberikan informasi yang sama untuk hubungan dengan
varian penyebab, sehingga mengurangi SNP yang akan diuji untuk asosiasi. Karena sebagian
besar SNP umum terletak di daerah genomik tanpa fungsi yang jelas (misalnya, daerah
intronik atau daerah antar gen), identifikasi varian 'sebab-akibat' yang mendasar, atau
identifikasi fungsi terkait perlu upaya lebih lanjut. Banyak SNP dikaitkan dengan
memprediksi respons pengobatan (baik dalam hal efikasi terapeutik dan profil efek samping)
terhadap intervensi farmakologis. Salah satu tantangan untuk keberhasilan GWAS di masa
depan adalah menerapkan temuan dengan cara yang mempercepat pengembangan obat dan
diagnostik serta integrasi studi genetik yang lebih baik ke dalam proses pengembangan obat
dan fokus pada peran variasi genetik dalam menjaga kesehatan sebagai cetak biru untuk
merancang obat-obatan baru dan diagnostik (Iadonato dan Katze, 2009).
Profil ekspresi gen limfosit telah muncul sebagai bidang penelitian yang sangat menarik dalam
pemeriksaan biomarker perifer (Tsuang et al., 2005). Banyak penelitian telah berfokus pada
profil ekspresi gen darah manusia, perbandingan antara penyakit dan kelompok kontrol yang
sehat, dan pencocokan silang dengan data ekspresi gen otak manusia post-mortem
(Le-Niculescu et al., 2007). Iga et al. (2007) mempelajari ekspresi gen perifer sebelum dan
sesudah pengobatan pasien depresi mayor dan melaporkan level tinggi histone deacetylase 5
(HDAC5) dan protein pengikat elemen respons siklik-AMP yang mengikat protein 1
(CREB1) sebelum pengobatan, dengan penurunan yang signifikan setelah 8 minggu.
pengobatan antidepresan. de Jong et al. (2012) melakukan penelitian ekspresi gen perifer
besar dengan subyek SCZ medikasi (= 92), SCZ tidak medikasi (= 29), dan 118 kontrol
sehat. Mereka fokus pada penentuan jaringan ekspresi bersama yang terkait dengan SCZ,
namun demikian perawatan, di mana mereka menemukan bahwa jaringan yang paling
penting bercabang dari gen ABCF1, sebuah gen yang dikendalikan oleh kompleks
histokompatibilitas utama, dan ditempatkan di wilayah genetika yang terkait dengan SCZ
(Debnath et al., 2013). Pada tahun 2005, Tsuang et al. menemukan biomarker putatif delapan
gen yang mampu membedakan individu dengan BD, SCZ, dan kontrol dengan akurasi 95%
menggunakan ekspresi gen berbasis darah. Meskipun sebagian besar pekerjaan telah
ditempatkan pada penanda genetik murni dari respon pengobatan (Cruceanu et al., 2011;
Narasimhan dan Lohoff, 2012), variasi genetik saja mungkin tidak menjelaskan respon,
menunjukkan bahwa faktor lain mungkin terlibat.
2.2. Biomarker dalam Transkriptomik
Metodologi lain untuk penemuan biomarker saat ini dalam gangguan kejiwaan utama adalah chip gen
microarray throughput tinggi yang mencakup seluruh transkriptom manusia dan mampu
mengidentifikasi kelimpahan mRNA (misalnya profil ekspresi). Pemeriksaan untuk
perubahan ekspresi gen yang terkait dengan SCZ adalah jalur penelitian yang paling dipakai
menuju identifikasi biomarker (Pickard, 2015). Dalam satu penelitian, seluruh darah
diperoleh dari 52 pasien SCZ yang naif-antipsikotik dan 49 kontrol sehat. Secara
keseluruhan, 792 gen yang diekspresikan secara berbeda diekspos melalui analisis microarray
dan proses adhesi sel diakui sebagai istilah ontologi gen yang terlalu banyak diwakili.
Metode jaringan saraf kemudian dianggap untuk mengekspresikan set gen diagnostik
(Takahashi et al., 2010). Studi lain dari ekspresi gen darah dilaporkan pada pasien yang
didiagnosis dengan subyek SCZ medikasi yang digunakan sebagai dasar untuk tes diagnostik
dan yang mampu mengidentifikasi secara tepat status penyakit di 89,3% dan 70% kasus SCZ
dan kontrol sehat, masing-masing ( Maschietto et al., 2012).
Selain itu, untuk array mRNA tradisional, pendekatan transkriptomi yang agak baru dan menjanjikan
telah dibentuk menggunakan microRNAs (miRNAs). miRNA adalah RNA non-coding kecil
(~ 22 nt) yang melakukan fungsi pengaturan sel dan jaringan yang berkaitan dengan
pengembangan dan homeostasis (Kocerha et al., 2009). Namun, sejak penemuan miRNAs
(Lee et al., 1993) sejumlah studi miRNA telah ditunjukkan pada gangguan kejiwaan utama
(Dwivedi, 2014). Meskipun, banyak pertimbangan telah diberikan pada peran miRNAs,
terutama di SCZ (Perkins et al., 2007; Beveridge et al., 2008). Data miRNA baru-baru ini
telah ditempatkan ke dalam Ekspresi Gen Omnibus yang menghadirkan ekspresi miRNA
yang berubah di korteks frontal pasien depresi utama (NCBI Accession Number GSE17440).
Jumlah miRNAs saat ini berdiri di 706 menurut Sanger miRBase merilis 13,0 miRNA
database (http://microrna.sanger.ac.uk/indaklanjut) (Griffiths-Jones et al., 2008). Peningkatan
dalam pemanfaatan dan penemuan ini sebagian merupakan hasil dari pengembangan
microarrays miRNA baru-baru ini oleh Illumina, Affymetrix, Biosystems Terapan, dan
Agilent yang berhasil mencari semua miRNA manusia yang dikenal pada satu waktu.
2.3. Biomarker dalam Proteomik
Dalam beberapa tahun terakhir, proteomik telah muncul sebagai pendekatan yang layak digunakan
tidak hanya untuk mengenali biomarker diagnostik dan terapi baru, tetapi juga untuk
menyelidiki diagnostik klinis dan pengembangan obat untuk gangguan kejiwaan (Patel, 2014;
Sethi et al., 2015). Teknologi berbasis proteinomik untuk penemuan biomarker telah
menggembirakan karena perubahan dalam ekspresi protein dan kelimpahan, struktur, atau
fungsinya dapat digunakan sebagai indikator kelainan patologis sebelum perluasan gejala
klinis gangguan neuropsikiatri. Alat berbasis genomik telah memberikan persepsi penting
dalam penelitian ilmu saraf dan psikiatri, tetapi ketika menyangkut penggunaan klinis, ia
tidak berhasil mengembangkan pilihan diagnostik dan terapeutik pada gangguan otak
(Hünnerkopf et al., 2007). Sebaliknya, dengan menggunakan identifikasi protein berdasarkan
analisis spektrometri massa (MS) tinggi, kemungkinan akan mengurai jalur transduksi sinyal
dan jaringan interaksi yang kompleks pada tingkat protein (Hünnerkopf et al., 2007).
Penelitian menggunakan pendekatan proteomik sebagian besar telah meningkatkan
pemahaman kita tentang gangguan kejiwaan dan mengidentifikasi biomarker yang relevan.
Saat ini, teknologi baru seperti pendekatan berbasis proteomik telah memungkinkan untuk
melihat persepsi baru dalam konteks dengan gangguan neuropsikiatrik, karenanya
pendekatan target standar yang luar biasa (Martinsde-Souza et al., 2010a; 2010b). Identifikasi
kuantitatif dan kualitatif dari pola protein dalam jaringan otak post-mortem, cairan
serebrospinal (CSF), plasma atau serum menggunakan alat proteomik telah meningkatkan
pengetahuan tentang etiologi dan mekanisme jalur penyakit kejiwaan (Hünnerkopf et al.,
2007). Menariknya, pendekatan ini menetapkan pemeriksaan berbasis darah pertama untuk
membantu dalam diagnosis SCZ, berdasarkan pada identifikasi serangkaian tes biomarker
molekuler (Martins-de-Souza et al., 2012). Baru-baru ini, analisis proteomik episode pertama
pasien SCZ setelah pengobatan risperidon dalam sampel plasma menyelidiki perubahan
signifikan dalam apolipoprotein AI (APOA-I) dan protein pengikat nukleotida guanin,
stimulasi alfa (GNAS) dan mengusulkan bahwa APOA-I mungkin menjadi biomarker baru
terkait dengan efek samping metabolik pada episode pertama SCZ yang diobati dengan
risperidone (Song et al., 2014).
Sejumlah studi praklinis juga menyarankan bahwa faktor neurotropik yang diturunkan dari otak
(BDNF), suatu neurotropin mapan, memainkan peran penting dalam patofisiologi berbagai
gangguan kejiwaan (Teche et al., 2013; Munkholm et al., 2014). ; Akyol et al., 2015) yang
mengatur pertumbuhan saraf, kelangsungan hidup dan fungsi otak orang dewasa (Yukimasa
et al., 2006; Calabrese et al., 2014). Namun, investigasi klinis BDNF pada gangguan
kejiwaan adalah kontradiktif. Beberapa laporan telah menyatakan penurunan kadar BDNF
dalam darah pada pasien dengan SCZ (Yang et al., 2011; Akyol et al., 2015; Zhang et al.,
2015a), BD (Machado-Vieira et al., 2007; de Oliveira et al. ., 2009), dan MDD (Sen et al.,
2008; Bocchio-Chiavetto et al., 2010; Polyakova et al., 2015), sedangkan yang lain telah
mengkonfirmasi temuan yang berlawanan (Durany et al., 2001; Jevtović et al. , 2011;
Munkholm et al., 2014). Namun demikian, beberapa meta-analisis studi kasus-kontrol
memeriksa perubahan BDNF setelah pengobatan farmakologis pada gangguan kejiwaan
(Goldstein dan Young, 2013; Pagsberg et al., 2014; Yan et al., 2014). Studi tambahan
diperlukan untuk memeriksa apakah BDNF dapat menginformasikan pemahaman,
pengobatan, dan pencegahan gangguan kejiwaan tersebut di atas.
2.4. Biomarker di Metabolomics
Metabolomics - "omics" strategi terbaru, menawarkan alat yang kuat untuk menggambarkan
gangguan dalam jalur metabolisme dan jaringan pada penyakit manusia. Metabolomik
memiliki potensi untuk memetakan perubahan biokimia awal pada penyakit dan karenanya
memberikan kesempatan untuk mengembangkan biomarker prediktif yang dapat memicu
gangguan sebelumnya. Accepted Manuscript 10 (Kaddurrah-Daouk et al., 2008). Bahkan,
metabolomik tampaknya menjanjikan untuk diagnosis dan identifikasi fitur metabolisme
kunci yang menggambarkan keadaan patologis dan fisiologis tertentu (Mamas et al., 2011).
Aplikasi metabolomik terkini mencakup area luas, termasuk: (i) diagnosis penyakit; (ii)
penemuan dan pengembangan obat (Gomase et al., 2008); (iii) farmakometabolomik dan
obat-obatan yang dipersonalisasi (Kaddurah-Daouk et al., 2008); (iv) nutrigenomik (Ryan
dan Robards, 2006); (v) teknik metabolisme / bioteknologi (Buchholz et al., 2002).
Penggunaan metabolomik dalam pemeriksaan untuk biomarker baru di area klinis yang
berbeda didasarkan pada hipotesis bahwa penyakit menyebabkan gangguan jalur biokimia
yang mengarah ke karakteristik sidik jari metabolik dari lokasi dan sifat penyakit (Lindon et
al., 2003). Faktanya, tanda tangan metabolomik telah dilaporkan untuk beberapa penyakit
(Tabel 1) termasuk MDD (Huang dan Lin, 2015), SCZ (Paredes et al., 2014; Pickard, 2015),
penyakit jantung dan pembuluh darah jantung (Rizza et al. , 2014), diabetes (Zhang et al.,
2015b), BD (McIntyre et al., 2014), kecanduan obat (DinisOliveira, 2014), dan juga kanker
(Xiang et al., 2015).
Aspek lain dari metabolomik sebagai alat untuk penemuan biomarker adalah kemampuannya untuk
memahami hubungan dan interaksi antara keadaan metabolisme individu dan aspek
lingkungan (diet, gaya hidup, aktivitas mikroba usus dan genetika) di bawah serangkaian
kondisi tertentu (Nicholson, 2006 ; Holmes et al., 2008a; Quinones dan Kaddurah-Daouk,
2009) dan menyediakan fenotip metabolik (metabotyping) dalam kesehatan dan penyakit
(Holmes et al., 2008b; Nicholson et al., 2012). Sebagai contoh, GWAS telah menemukan
hubungan antara variasi genotipe dan fenotip penyakit (Adamski dan Suhre, 2013), dan
secara analog, asosiasi lebar metabolik (MWAS) telah mengungkapkan hubungan fenotip
metabolik dengan risiko penyakit pada populasi umum dan untuk menghubungkan
metabotipe ini dengan faktor risiko penyakit (Holmes et al., 2008a; 2008b). Keuntungan
utama yang diterima dari Manuskrip 11 dari pendekatan MWAS adalah bahwa biomarker
yang dihasilkan adalah titik akhir metabolisme yang asli dan penyelidikan terhadap gangguan
jalur ini dapat menghasilkan target terapi baru. Oleh karena itu, studi MWAS memiliki
potensi untuk memberikan wawasan baru ke dalam mekanisme penyakit dan patofisiologi
yang pada akhirnya dapat mengarah pada target obat baru.
Secara keseluruhan, biomarker berbasis metabolomik harus terbukti bermanfaat untuk diagnosis dan
skrining penyakit, penilaian toksisitas dan kemanjuran terapi, stratifikasi pasien, penemuan
obat, dan pemantauan respons pasien terhadap pengobatan (Griffiths et al., 2010).
2.5. Biomarker dalam Lipidomik
Lipidomik adalah analisis komprehensif spesies lipid molekuler dengan jalur kuantisasi dan
metaboliknya (German et al., 2007). Karena lipid mempertahankan keanekaragaman fungsi
biologis dalam proses kehidupan seperti pembentukan membran sel, penyimpanan energi dan
pensinyalan sel, mereka dapat diproyeksikan untuk mencerminkan banyak status
metabolisme dalam kesehatan dan penyakit (Gross dan Han, 2006; Zhao et al., 2015). Hingga
kini, beberapa penelitian telah mengungkapkan bahwa lipidomik tampaknya penting dalam
menentukan spesies molekuler lipid baru yang berfungsi sebagai biomarker potensial dalam
banyak penyakit terkait lipid. Aplikasi komprehensif lipidomik dalam penemuan biomarker
lipid potensial telah dilakukan untuk penyakit metabolik tertentu seperti obesitas (Yetukuri et
al., 2007), diabetes (Han et al., 2007), penyakit kardiovaskular (Brindle et al., 2002) dan
kanker (Tung et al., 2008). Salah satu biomarker lipid yang paling banyak digunakan adalah
kolesterol, yang dalam bentuk kolesterol total darah dan / atau kolesterol lipoprotein densitas
tinggi (HDL), telah digunakan dalam perhitungan risiko penyakit kardiovaskular selama
lebih dari 50 tahun (Meikle et al. , 2009).
Dalam satu penelitian, Kaddurah-Daouk dan rekan (2007) menggunakan platform lipidomik khusus
dan menemukan perubahan dalam kelas lipid yang berbeda (Phosphatidylcholine,
Phosphatidylethanolamine, Triacylglycerol) ditemukan dalam plasma pasien SCZ setelah 2-3
minggu pengobatan obat antipsikotik atipikal. Sebuah studi baru-baru ini juga telah
menunjukkan bahwa regulasi ke bawah yang signifikan dari beberapa asam lemak tak jenuh
ganda (PUFA) n3 dan n6 dalam komposisi lipid fosfatidyletanolamin (PE) dan fosfatidilkolin
(PC) dalam plasma darah dari episode pertama SCZ (McEvoy et al., 2013). Perubahan
metabolisme lipid ini dapat menunjukkan kerentanan metabolisme pada pasien dengan SCZ
yang terjadi pada awal perkembangan penyakit. Terlepas dari aplikasi pada penyakit
manusia, strategi penemuan biomarker yang digerakkan lipidomik juga telah digunakan
dalam bidang nutrisi dan kesehatan yang diperlukan untuk promosi kesehatan dan
pencegahan penyakit (Draisma et al., 2008).
2.6. Biomarker dalam Epigenetika
Epigenetika adalah studi modifikasi DNA nuklir jangka panjang (mis., Metilasi atau modifikasi
nukleosom) yang sering dipengaruhi oleh lingkungan dan menampilkan dirinya sebagai
perubahan dalam ekspresi gen (Pickard, 2015). Keberuntungan data baru dan pengetahuan
yang berkaitan dengan epigenetik yang diperoleh dalam beberapa tahun terakhir menyoroti
masa depan yang menarik untuk penelitian epigenetik. Karena lebih banyak tanda epigenetik
dikaitkan dengan penyakit tertentu, alat dapat dikembangkan untuk meningkatkan diagnosis
dan penilaian tingkat keparahan penyakit. Ada juga minat besar dalam epigenetik terapi.
Beberapa obat, seperti inhibitor DNA methyltransferase dan inhibitor histone deacetylase,
sudah digunakan dalam pengobatan kanker (Esteller, 2007).
Penerapan epigenetik untuk deteksi dan diagnosis gangguan kejiwaan adalah bidang penelitian baru
dan berpotensi menjanjikan (Nishioka et al., 2012). Beberapa baris bukti yang diperoleh dari
penelitian tersebut menunjukkan bahwa gen RELN, encoding reelin, secara epigenetik
diubah pada pasien dengan psikosis, sehingga mengurangi ekspresi reelin (Peedicayil, 2007).
Reelin adalah glikoprotein matriks ekstraseluler yang terlibat dalam membimbing neuron dan
sel glial radial ke posisi yang benar di otak yang sedang berkembang dan dalam transmisi
saraf, pembentukan memori dan plastisitas sinaptik di otak orang dewasa (Fatemi, 2005).
2.7. Biomarker dalam Sistem Kekebalan Tubuh Dianggap sebagai hormon sistem kekebalan
tubuh, sitokin memainkan peran penting dalam infeksi dan peradangan dan merupakan
molekul sinyal utama dari sistem kekebalan yang memberikan efek pada SSP dan sistem
kekebalan tubuh. Modifikasi dalam jaringan sitokin dapat dikaitkan dengan patofisiologi
gangguan neuropsikiatri atau bahkan etiologinya. Sejumlah hipotesis mengenai tingkat
sitokin proinflamasi yang menyimpang dalam serum, plasma, dan CSF pasien dengan SCZ
dan gangguan mood utama (Dowlati et al., 2010; Miller et al., 2011; Kalia et al., 2015;
Pickard, 2015 ). Potvin et al. (2008) mengemukakan hipotesis disproporsi Th1 / Th2 bahwa
peningkatan kadar perifer in vivo IL-1RA, sIL-2R, dan IL-6 dan penurunan sekresi IL-2 in
vitro pada pasien SCZ yang memberikan bukti pembentukan suatu sindrom inflamasi pada
SCZ. Kanba dan Kato (2014) menyatakan hipotesis mikroglial yang mengaktifkan mikroglia
SSP melepaskan sitokin proinflamasi dan radikal bebas yang menyebabkan neurogenesis
abnormal, degradasi neuronal, dan kelainan materi putih berkontribusi terhadap patofisiologi
SCZ.
Ada peningkatan konsentrasi IL-6 pada pasien dengan SCZ dan pasien episode pertama,
menunjukkan bahwa kelainan sistem kekebalan mungkin endofenotipe SCZ. Namun, tidak
ada perbedaan dalam tingkat IL-6 dibandingkan dengan kontrol yang ditemukan pada pasien
rawat jalan dengan pengobatan yang stabil dan pada pasien dengan psikosis yang resisten
terhadap pengobatan (Miller et al., 2011). Baru-baru ini, García-Bueno et al. (2014)
menggunakan satu set analisis biokimia dan molekuler untuk mengidentifikasi patologi
inflamasi dalam sampel plasma dan sel mononuklear darah perifer (PBMC) dari 117 pasien
yang baru-baru ini didiagnosis dengan SCZ dan 106 kontrol yang cocok diterapkan. Untuk
NFkB (meningkat), iNOS (meningkat), COX2 (meningkat), IκBα (menurun) dan PPAR
(menurun), perubahan semuanya menunjukkan respons inflamasi aktif. Dalam studi lain,
jaringan sitokin IL-1, IL-6, dan TNF diaktifkan di SCZ dan BD, baik itu secara tidak
konsisten karena hanya sekitar setengah studi yang dapat menemukan aktivasi (Brietzke et
al., 2009; Kim et al. , 2009; Song et al., 2009).
3. Tinjauan
Metabolomik Metabolomik di dunia saat ini memiliki kewajiban untuk memberikan gambaran terperinci
tentang jalur metabolisme dan mekanismenya, baik pada manusia, hewan atau tumbuhan. Kata
asal berasal dari bahasa Yunani meta yang berarti perubahan dan nomos yang berarti seperangkat
aturan atau seperangkat hukum (Crockford et al., 2008). Metabolomics (juga dikenal sebagai
metabonomics atau metabolic profiling) adalah "studi sistematis sidik jari kimia unik yang
ditinggalkan oleh proses seluler spesifik" - tepatnya, studimetabolit molekul kecil
(​profil<1500Da) (Daviss, 2005). Metabolom menunjukkan pengumpulan semua
metabolit dalam sel biologis, jaringan, organ atau organisme, yang merupakan produk
akhir dari proses seluler (Jordan et al., 2009). Sementara data ekspresi gen mRNA dan
analisis proteomik tidak menyatakan keseluruhan cerita tentang apa yang mungkin terjadi
dalam sel, profil metabolik dapat memberikan gambaran instan fisiologi sel itu.
Meskipun metabolom dapat didefinisikan dengan cukup mudah, saat ini tidak
menjanjikan untuk menganalisis rentang metabolit lengkap dengan metode analisis
tunggal. Pada Januari 2007, para peneliti di University of Alberta dan University of
Calgary menyelesaikan rancangan pertama metabolisme manusia. Mereka
mengumpulkan sekitar 2.500 metabolit, 1.200 obat dan 3.500 komponen makanan yang
dapat disajikan dalam tubuh manusia, seperti yang dijelaskan dalam literatur. Konfirmasi
ini, dibuka di Human Metabolome Database (www.hmdb.ca) dan berdasarkan analisis
informasi yang ada dalam literatur ilmiah saat ini, masih jauh dari lengkap (De Luca dan
St Pierre, 2000). Dengan demikian, data suplemen metabolomik diperoleh dari bidang
lain seperti - genomik, transkriptomik, dan proteomik - menambahkan bagian terakhir
pada pendekatan sistem untuk studi patofisiologi penyakit, identifikasi biomarker dan
aksi obat (Quinones dan Kaddurah-Daouk, 2009). Selain teknik analitik, metabolomik
juga menggunakan analisis statistik multivariat (mis., Analisis komponen utama, analisis
diskriminatif kuadrat parsial, analisis diskriminatif parsial kuadrat-ortogonal parsial)
untuk mempelajari pola dalam data (tanpa bias) yang menampilkan varian maksimum.
(Le Gall, 2015). Lebih disukai, metabolomik pada akhirnya akan memberikan kontribusi
peta komprehensif pengaturan jalur metabolisme, dan karenanya, interaksi protein yang
dikodekan oleh genom dengan faktor lingkungan, termasuk paparan obat.
4. Tanda-tanda Metabolik pada Gangguan Jiwa
Kami telah mulai mengeksplorasi prevalensi metabolisme global dan gangguan metabolisme
pada penyakit kejiwaan. Kami berusaha untuk memastikan biomarker untuk penyakit,
perkembangan penyakit, dan respons terhadap terapi dan menentukan jalur yang terlibat
dalam gangguan kejiwaan seperti BD, SCZ dan gangguan kecanduan. Tabel 1
menunjukkan jalur / fungsi metabolit / kemungkinan biomarker yang diidentifikasi dalam
model hewan dan studi berbasis manusia dari berbagai gangguan neuropsikiatri.
Contoh-contoh yang disediakan di bawah ini menunjukkan bagaimana penggunaan
platform metabolisme canggih memungkinkan analisis global dan terpadu jalur biokimia
dan perubahan metabolisme yang terjadi dalam suatu gangguan. Lebih disukai, pemetaan
global kelainan biokimia ini akan memfasilitasi patogenesis penyakit yang meremehkan
dan identifikasi biomarker yang relevan secara klinis.
4.1. Metabolomik dalam Gangguan Bipolar
BD adalah kondisi kejiwaan yang parah dan melemahkan yang ditandai oleh keadaan mood
mania dan depresi yang berganti-ganti. Patofisiologi gangguan dan mekanisme aksi
terapi yang digunakan untuk pengobatannya masih kurang dipahami (Scolaand
Andreazza, 2014). Lan dan rekan (2009) mengidentifikasi peningkatan kadar
glutamat, creatine dan ​myo-inositol​di ​post-mortem jaringan otak dari pasien BD
sementara penurunan rasio glutamat / glutamin dan meningkatkan tingkat dan ​γ​asam
-aminobutyricpada tikus jaringan otak setelah perawatan kronis dengan valproate dan
litium, masing-masing, menunjukkan bahwa keseimbangan neurotransmisi neuron
penghambat / penghambat merupakan pusat gangguan.
Dalam penelitian lain, analisis metabolisme plasma pasien BD yang telah menerima ketamin
dalam studi crossover yang dikontrol plasebo menunjukkan perbedaan dalam
biokimia yang berbeda antara pasien responsif dan non-responsif yang disebabkan
oleh perubahan mitokondria β-oksidasi asam lemak yang menunjukkan penyakit.
disregulasi terkait fungsi mitokondria dan jaringan (Diazgranados et al., 2010; Zarate
et al., 2012; Villaseñor et al., 2014).
Baru-baru ini, sebuah studi naturalistik pada dua pasien dengan tipe BD I ditunjukkan untuk
menentukan apakah penanda biologis (metabolit monoamine dan BDNF) terkait
dengan beralih antara keadaan depresi dan manik. Data ini menyarankan bahwa level
plasma MHPG (3-methoxy-4-hydroxyphenylglycol) yang terkait dengan level
noradrenalin di otak, dapat digunakan sebagai biomarker dari kondisi mood pada BD
I (Kunita et al., 2015).
4.2. Metabolomik dalam Skizofrenia
Beberapa penelitian metabolomik baru-baru ini telah ditunjukkan dalam upaya untuk lebih
mendefinisikan jalur dimodifikasi dalam SCZ dan pengobatannya (Quinones dan
Kaddurah-Daouk, 2009; Yao et al., 2012; Yang et al., 2013). Fukushima et al. (2014)
mengidentifikasi 13 metabolit yang diatur berbeda dalam serum pasien SCZ
dibandingkan dengan kontrol dan menunjukkan bahwa stres oksidatif mungkin
terlibat dalam patogenesis SCZ.
Aplikasi lain dari platform metabolomik dan alat informatika telah mengakui perubahan
dalam energi dan metabolisme neurotransmitter di sub-wilayah korteks prefrontal
dorsolateral pasien SCZ (Khaitovich et al., 2008) dan pada model hewan dari
pengobatan obat antipsikotik (McLoughlin et al., 2009). Demikian pula, penelitian
metabolomik yang menarik pada ​post-mortem jaringanmenawarkan dukungan pada
konsep bahwa penyimpangan pada tingkat neurotransmisi glutamatergik dan sintesis
mielin memainkan peran penting dalam SCZ (Tkachev et al., 2007). Namun,
sebagian besar penelitian profil global menggunakan ​post-mortem jaringan otaktelah
dilakukan pada subyek yang telah diobati dengan berbagai dosis obat antipsikotik
seumur hidup (Halim et al, 2008; Chan et al., 2011).
Studi metabolomik baru-baru ini mengevaluasi sampel serum dari mereka yang
​ 45), psikosis non-afektif lainnya (​n=
mendiagnosis gangguan psikotik primer (​n= ​ 57),
psikosis afektif (​n​= 37) dan kontrol sehat yang cocok. Peningkatan tryglyceride
jenuh, prolin, glutamat dan laktat diidentifikasi - dengan hasil yang sangat signifikan
untuk prolin yang tampaknya terbatas pada diagnosis SCZ. Profil lipid / glutamat
cocok dengan disfungsi metabolisme energi di SCZ dengan pengaturan kompensasi
metabolisme asam lemak / keton tubuh (Orešic et al., 2011).
Masih dukungan tambahan untuk patologi ini berasal dari studi metabolomik dari 112 pasien
SCZ dan 110 subyek sehat, (Yang et al., 2013). Pelatihan dan uji coba mendeteksi
gliserat, piruvat, glutamat, 2-hidroksibutirat, dan myo-inostiol. Satu set penggolong
gabungan dari gliserat, asam eicosenoic, 2-hydroxybutyrate, piruvat dan profil sistein
ditemukan 90% akurat dalam mendiagnosis SCZ pada set tes.
4.3. Metabolomik dalam Gangguan Aditif
Beberapa penelitian sedang berlangsung untuk memperkirakan tanda tangan pada pecandu
yang menggunakan narkoba. Memetakan "tanda tangan" metabolik ini dapat
menawarkan pemahaman baru ke dalam mekanisme adiktif dan berpotensi
mengidentifikasi biomarker dan target terapi. Hasil awal menunjukkan bahwa jalur
neurotransmitter, jalur purin, dan jalur yang terkait dengan stres oksidatif semua
tampaknya dipengaruhi oleh kokain atau opioid (Patkar et al., 2009). Until now, it
was observed that cocaine changes the metabolism of glucose and biogenic amine
differently between cerebral areas, being utmost in the thalamus for the glycolysis
metabolome (Kaplan et al., 2013). Recently, Zaitsu and colleagues (2014) examined
plasma metabolic profiling in different drugs-induced conditioned place preference
(CPP) animal models by GC-MS. They demarcated altered 3-hydroxybutyric acid,
L-tryptophan, cystine, and ​n-​ propylamine in morphine (MOR)-addicted animals.
Methamphetamine (MA) addiction induced significant changes in ​n-​ propylamine and
lauric acid whereas, threonine, cystine, and spermidine levels were significantly
increased in the plasma of cocaine (COC)-addicted animals.
Further metabolomics studies in nicotine-addicted animal model comprise a NMR
spectroscopy-based metabolomics analysis in two brain regions explored the
mechanism by which nicotine increased behavioral response to COC. This study
showed that nicotine priming can supply a beneficial environment of metabolites for
reinforcing rewarding effects of COC (Li et al., 2014a).
Another drug of abuse, heroin, is rapidly deacetylated ​in vivo (very short half-life of ~2–4
min) to an active metabolite, 6-acetylmorphine, which is subsequently slowly
hydrolyzed to MOR (Dinis-Oliveira et al., 2012). Hence, 6-acetylmorphine has been
used as the target metabolite to identify heroin abuse in practice, but its half-life is
also short (~30 min) to document heroin consumption. The identification of
endogenous compounds that can be used as metabolic biomarkers of heroin abuse
would represent an alternative approach of significant importance to detect hidden
effects. Zheng et al​. (2013) recognized tryptophan, 5-hydroxytryptamine and
5-hydroxyindoleacetate as potential biomarkers of long-term heroin addiction.
5. Analytical Tools for Metabolome Analysis
Metabolomics tools allow us to study the metabolome, the repertoire of small molecules present
in cells and tissue (Tyagi et al., 2010). Hundreds to thousands of metabolites can be
separated and measured in samples of interest such as plasma, CSF, urine or cell extracts
using a diversity of commonly use metabolomics platforms such as NMR, GC-MS,
LC-MS, and liquid chromatography electrochemical array detection (Milne et al., 2013;
Zhang et al., 2015c).
The choice of metabolomic analytical instrumentation and software is generally goal-specific, as
each type of instrument has definite strengths. Liquid chromatography followed by
coulometric array detection, for example, has been used in the identification of signatures
in amyotrophic lateral sclerosis (Dupuis et al., 2010) and Parkinson's disease (Bogdanov
et al., 2008). It is outstanding for mapping neurotransmitter (eg, dopamine and serotonin)
and oxidative stress pathways. Gas chromatography in conjunction with mass
spectroscopy is often used in the analysis of lipid subsets (Kaddurah-Daoul et al., 2007).
LC-MS is often used to obtain the largest possible biochemical profile data subset where
metabolite concentrations might cover a broad range of information with regard to
disease pathophysiology (Adamowicz and Tokarczyk, 2015; Domingues et al., 2015). In
addition to standard high-sample-throughput applications, NMR spectroscopy is a
quantitative nondestructive, noninvasive, nonequilibrium perturbing technique that
delivers comprehensive data on solution-state molecular structures, including the atomic
positions of isotopic labels (eg, ​13​C, ​15​N, or ​2​H) in different isotopomers created during
stable isotope tracer studies (Fan and Lane, 2008). For example NMR-based
high-throughput analysis has been successfully in psychiatric patients including, MDD,
SCZ and BD (Holmes et al., 2006; Lan et al., 2009; Martins-de-Souza, 2014).
6. Future Directions as a tool for Biomarker Discovery and Clinical Implications
The study of metabolism at the global or '-omics' level, stated to as metabolomics, is a new but
rapidly growing field that has the potential to impact our understanding of molecular
mechanisms of disease. It has the potential to permit mapping of early biochemical
changes in disease and hence offer an opportunity to develop predictive biomarkers to
major psychiatric disorders that can trigger earlier interventions.
Discovery of possible biomarkers for major psychiatric disorders will require a paradigm shift in
biomarker-discovery approach. Presently, the field utilizes mostly a traditional
reductionist approach in which focus is given to the examination of individual parts and
their associations to a complex condition (Bousman et al., 2010). Although this approach
has enhanced our understanding of major psychiatric disorders and supported in
narrowing our search for possible biomarkers, it is excessively naive in its ability to
provide robust biomarkers for complex phenomena in a diversity of contexts. Replication
and blinded studies are required to confirm markers identified. Connecting central and
peripheral changes in psychiatric disorders is crucial towards defining if and how
biochemical changes in plasma are related to changes in the brain. Combining
metabolomics with imaging and other omics approaches might be powerful ways to
achieve these goals.
The advent of a variety of biomarker discovery approaches moves us a step closer to identifying
possible biomarkers that could revolutionize public health. Achieving this vision needs
that new biomarker-discovery efforts continue pushing forward with innovative and
sound methodological strategies, minimizing limitations discussed here to avoid improper
application of technology and over-interpretation of data.
7. Summary and Conclusions
Psychiatric disorders are a major problem for public health worldwide. Development of
biomarkers that could potentially improve diagnosis, predict treatment response or even
the development of a mental disorder in at-risk individuals is a high-priority research
topic. One of the major challenges that lie even today for the clinical diagnosis of mental
disorders is the phenotypical heterogeneity that probably reflects neurobiological
heterogeneity. Also, there is a requirement of precise attention on rare disease research as
a model to study personalized medicine approaches for small cohorts of subjects.
“Omics” strategies and development of clinical bioinformatics linking the identified
molecular profiles with current clinical descriptions will focus on constructing a solid
foundation for the molecular characterization of rare diseases for small patient
populations. Longitudinal studies are needed to approve and expand on these initial
findings.
In future, metabolomics might be the instrumental tool need to identify shared underpinnings
between several psychiatric diagnoses, reveal biological bases of precise symptoms and
ultimately implement personalized care to patients with psychiatric disorders (Ozomaro
et al., 2013).