Un panel de biomarcadores de ARN para el diagnóstico de la enfermedad de Alzheimer a partir de sangre entera

El diagnóstico de la enfermedad de Alzheimer (EA) sigue siendo principalmente clínico, basándose en la historia del paciente, pruebas cognitivas y, a veces, imágenes cerebrales. Los enfoques emergentes incluyen técnicas avanzadas de neuroimagen y el uso de biomarcadores proteicos en líquido cefalorraquídeo y plasma. Sin embargo, estos métodos presentan limitaciones como altos costos y necesidad de infraestructuras especializadas. En contraste, el análisis de la expresión de ARN en muestras de sangre podría lograrse con un alto grado de sensibilidad y precisión en entornos de atención primaria, proporcionando una plataforma ideal para un diagnóstico oportuno y preciso de la EA. Se analizaron muestras de sangre periférica de 50 pacientes con EA y 50 sujetos sanos utilizando un enfoque de secuenciación de ARN del transcriptoma completo para determinar diferencias en la expresión de (i) ARNm, (ii) lncRNAs, (iii) miRNAs, (iv) circRNAs y (v) isoformas de ARNm con splicing alternativo. Se utilizaron múltiples pipelines de análisis paralelos para identificar un conjunto de biomarcadores de ARN putativos. Se usó un ensayo de validación en dos pasos para identificar transcritos diferencialmente expresados y formar un panel de biomarcadores de ARN para EA. El panel final de la enfermedad de Alzheimer incluye solo ARNm, ya que los ARN no codificantes carecieron de robustez suficiente en sangre entera para la traducción clínica bajo nuestros criterios. Los niveles de expresión de los cuatro biomarcadores de ARN seleccionados en cada paciente con EA fueron comparados con los de controles sanos para calcular una puntuación predictiva de EA (ADps), logrando un valor predictivo positivo superior al 90% y una especificidad superior al 95%. Los cuatro biomarcadores de ARN pueden identificar de manera fiable a pacientes con enfermedad de Alzheimer utilizando una pequeña cantidad de sangre periférica y muestran un fuerte potencial como herramienta mínimamente invasiva y rentable para el diagnóstico temprano. Sin embargo, su precisión predictiva y poder discriminativo podrían establecerse con mayor precisión mediante el análisis de una cohorte más grande y bien definida de EA.