Perfiles metabólicos urinarios en relación con las variaciones de la carga de entrenamiento en futbolistas

Rodas G, Ferrer E, Sanjuan JD, Quintás G. UPLC-MS and multivariate analysis reveal metabolic pathway adaptations to training in professional football players. Talanta. 2025 Aug 15;291:127893. doi: 10.1016/j.talanta.2025.127893.

El entrenamiento de los futbolistas profesionales combina sesiones diseñadas para optimizar tanto el rendimiento físico como la recuperación y la salud general del jugador. Una parte crucial de este proceso es el control de la carga externa (distancias recorridas, velocidad, aceleraciones), medida con sistemas de seguimiento electrónico (EPTS). Sin embargo, estos parámetros no reflejan por sí solos el estrés fisiológico interno ni la respuesta metabólica del organismo. Por ello, sigue siendo necesario medir la carga interna, ya que de ella dependen la individualización del entrenamiento y la prevención de la fatiga y la lesión.

El ejercicio físico desencadena profundas adaptaciones a nivel genómico, proteómico y metabólico. La metabolómica, al estudiar los metabolitos presentes en fluidos biológicos, se ha convertido en una herramienta clave para comprender la respuesta fisiológica al entrenamiento. Esta disciplina no solo capta cambios metabólicos inmediatos, sino que también refleja ajustes derivados de la regulación génica y la expresión proteica, lo que la convierte en un marcador muy sensible del impacto del ejercicio. Por ello, ha ganado relevancia en los últimos años en el campo de la fisiología del deporte.

Diversos estudios han mostrado que el ejercicio altera rutas fundamentales como el metabolismo del ATP, la glucólisis, la β-oxidación de ácidos grasos, la utilización de cuerpos cetónicos y la activación de sistemas antioxidantes. A corto plazo, el esfuerzo intenso provoca modificaciones en el metabolismo energético muscular (ATP-fosfocreatina, glucólisis rápida, catabolismo de purinas) y en rutas asociadas a la fatiga. A más largo plazo, estas alteraciones se reflejan en perfiles metabólicos urinarios y plasmáticos que pueden correlacionarse con la carga externa monitorizada por EPTS. Por ejemplo, se han documentado cambios en metabolitos derivados de los aminoácidos aromáticos (fenilalanina, tirosina, triptófano), en el metabolismo de histidina, purinas y hormonas esteroideas.

El problema radica en que la mayoría de estudios metabolómicos en deporte han empleado análisis univariados (t-test, regresiones simples), centrados en metabolitos aislados. Sin embargo, el metabolismo funciona como una red interconectada donde múltiples metabolitos se regulan de manera conjunta. Así, los métodos univariados ofrecen una visión incompleta. Para superar esta limitación, el presente trabajo introduce estrategias multivariadas, especialmente la regresión de mínimos cuadrados parciales (PLS), junto con técnicas de validación cruzada por clúster y selección inversa de características, con el fin de identificar no solo metabolitos individuales, sino rutas metabólicas completas relacionadas con la carga de entrenamiento.

El estudio se basó en 93 muestras de orina de futbolistas profesionales del FC Barcelona (categoría sub-18), recogidas a lo largo de diez meses de temporada, y correlacionadas con datos de carga externa acumulada obtenidos por EPTS. El objetivo principal fue determinar cómo se adaptan los perfiles metabólicos urinarios a las variaciones de la carga de entrenamiento y qué rutas metabólicas son más representativas de dicha adaptación.

El análisis inicial permitió detectar más de 2600 señales (features) mediante UPLC-MS, de las cuales unas 180 se anotaron como metabolitos pertenecientes a 50 rutas metabólicas de la base de datos KEGG. El análisis univariado identificó alteraciones significativas en el metabolismo de fenilalanina e histidina, asociadas a la carga externa acumulada. Estas rutas ya habían sido descritas previamente en relación con el ejercicio, reflejando procesos vinculados al catabolismo proteico, al equilibrio del nitrógeno y a la fatiga muscular.

Sin embargo, al aplicar modelos multivariados PLS y complementarlos con validación cruzada por clúster (cluster-CV), surgieron nuevas asociaciones más amplias. Los resultados mostraron que, además de fenilalanina e histidina, las rutas del triptófano, purinas y tirosina fueron las que más contribuyeron a explicar la relación entre el perfil metabólico y la carga de entrenamiento. Esto es relevante porque estas rutas no se habían detectado en el análisis univariado, lo que confirma que el enfoque multivariado capta efectos combinados y sinérgicos entre metabolitos que no serían visibles si se estudian de manera aislada.

La selección inversa de características (backward feature elimination) refinó aún más el modelo, reduciendo el número de metabolitos a un subconjunto de 40–60 que explicaban de manera óptima la relación entre metaboloma y carga externa. Entre ellos, destacaban de nuevo metabolitos de las rutas de triptófano, purinas, tirosina y fenilalanina.

Estas observaciones tienen gran interés fisiológico:

• Metabolismo del triptófano: juega un papel esencial en la síntesis proteica, la función inmune, la inflamación y la producción de metabolitos de la vía de las quinureninas, que influyen en la fatiga central. Alteraciones en esta ruta se han relacionado previamente con la adaptación al entrenamiento y con el envejecimiento muscular.
• Metabolismo de la tirosina: está vinculado a la síntesis de catecolaminas (dopamina, noradrenalina, adrenalina), fundamentales en la respuesta al estrés del ejercicio, la regulación de la función muscular y la producción de energía.
• Metabolismo de las purinas: refleja la degradación y resíntesis de nucleótidos de adenina (AMP, ADP, ATP). Su alteración es un indicador clásico del uso energético muscular y del balance entre producción y consumo de energía durante el ejercicio intenso.
• Metabolismo de la fenilalanina e histidina: ya señalados en los análisis univariados, se relacionan con procesos de oxidación, regulación del nitrógeno, catabolismo proteico y marcadores de daño muscular.

El hallazgo clave del estudio es que los métodos multivariados proporcionan una visión más completa de la adaptación metabólica, superando las limitaciones de los análisis univariados tradicionales. Estos enfoques permiten descubrir biomarcadores más integradores, que no dependen de un metabolito aislado, sino de redes metabólicas interconectadas.

Desde un punto de vista práctico, este tipo de análisis podría complementar los actuales indicadores de carga interna (frecuencia cardiaca, percepción subjetiva del esfuerzo, creatina quinasa), ofreciendo una herramienta más precisa para el seguimiento del estado fisiológico del deportista. En particular, monitorizar las variaciones en las rutas del triptófano, purinas, fenilalanina y tirosina podría servir como marcador de la adaptación al entrenamiento, optimizando la programación de cargas y reduciendo riesgos de fatiga o lesión.

Los autores destacan que todavía se requieren mejoras en la anotación de metabolitos mediante MS/MS y en la validación clínica mediante técnicas dirigidas y cuantitativas. Sin embargo, el estudio constituye un avance metodológico importante al mostrar que la integración de análisis multivariados con enfoques funcionales en metabolómica amplía la interpretación biológica y favorece la traslación hacia la práctica deportiva.

Conclusión

El trabajo demuestra que combinar UPLC-MS no dirigida con estrategias multivariadas avanzadas permite identificar rutas metabólicas clave relacionadas con la carga de entrenamiento en futbolistas profesionales. Más allá de los hallazgos concretos —alteraciones en las rutas del triptófano, purinas, fenilalanina, tirosina e histidina—, el aporte principal es metodológico: los análisis multivariados permiten descubrir adaptaciones metabólicas que los métodos univariados no detectan, ofreciendo una visión más completa y práctica para la monitorización personalizada del deportista.

Acceso libre al artículo original en: https://www.fisiologiadelejercicio.com/wp-content/uploads/2025/08/UPLC-MS-and-multivariate-analysis-reveal-metabolic-pathway.pdf