Estabelecimento do perfil metabolómico volátil da urina e saliva, como estratégia não-invasiva, para a deteção de potenciais biomarcadores de diferentes tipos de cancro

Com este trabalho pretendeu-se estabelecer o perfil metabolómico volátil de amostras de fluidos biológicos, nomeadamente saliva e urina, de pacientes com cancro da mama e do pulmão e de indivíduos saudáveis (grupo controlo), utilizando a Microextração em Fase Sólida em modo headspace (HS-SPME) seguida de Cromatografia Gasosa acoplada à Espectrometria de Massa (GC-MS). Efetuou-se a comparação entre os perfis voláteis dos grupos estudados com o objetivo de identificar metabolitos que possam ser considerados como potenciais biomarcadores dos tipos de cancro em estudo. De modo a otimizar a metodologia extrativa, HS-SPME, foram avaliados os diferentes parâmetros experimentais com influência no processo extrativo. Os melhores resultados foram obtidos com a fibra CAR/PDMS, usando um volume de 2 mL de saliva acidificada, 10% NaCl (m/v) e 45 minutos de extração a uma temperatura de 37±1°C. Para a urina foi utilizada a mesma fibra, 4 mL de urina acidificada, 20% NaCl (m/v) e 60 minutos de extração a 50±1°C. Nas amostras de saliva e urina, foram identificados 243 e 500 metabolitos voláteis respetivamente, sendo estes pertencentes a diferentes famílias químicas. Posteriormente, utilizou-se a análise discriminante por mínimos quadrados parciais (PLS-DA) que permitiu observar uma boa separação entre os grupos controlo e oncológicos. Nas amostras salivares o grupo de pacientes com cancro da mama foi maioritariamente caracterizado pelo metabolito ácido benzeno carboxílico e o grupo de pacientes com cancro do pulmão pelo ácido hexanóico. Na urina o grupo de pacientes com cancro da mama foi maioritariamente caracterizado pelo metabolito 1-[2-(Isobutiriloxi)-1-metiletil]-2,2-dimetilpropil 2-metilpropanoato e o grupo de pacientes com cancro do pulmão pelo o-cimeno. Além da metodologia PLS-DA foi realizada a validação cruzada de monte carlo (MCCV) tendo-se obtido uma elevada taxa de classificação, sensibilidade e especificidade o que demonstra a robustez dos dados obtidos.