Objetivos:Avaliar a relação entre o polimorfismo 3111 T/C do gene CLOCK (rs1801260) e a presença de obesidade, bem como a duração do sono, em crianças de 6 a 13 anos. Em adultos, essa variante genética foi associada à duração do sono, níveis de grelina, peso e padrão alimentar. Embora, em crianças, a curta duração do sono tenha sido relacionada à obesidade, até o momento nenhum estudo foi direcionado no sentido de identificar possíveis mecanismos moleculares dessa associação.Métodos:Peso, altura e circunferências foram transformados em escores-Z para idade e sexo. A genotipagem foi realizada pela metodologia Taqman. Um questionário sobre horas de sono foi entregue aos pais. Testes estatísticos apropriados foram realizados.Resultados:Foram avaliadas 370 crianças (45% meninos, 55% meninas, idade média 8,5±1,5 anos). A prevalência de excesso de peso foi de 18%. A duração do sono foi, em média, 9,7 horas, sendo inversamente relacionada à idade (p < 0,001). A distribuição genotípica foi: 4% CC, 31% TC e 65% TT. Houve uma tendência de maior prevalência de excesso de peso em crianças que dormiam menos de 9 h (23%), quando comparadas às que dormiam mais de 10 h (16%, p = 0,06). O genótipo não se correlacionou significativamente a nenhum dos desfechos avaliados.Conclusões:O polimorfismo CLOCK 3111 T/C não está significativamente associado ao excesso de peso ou à duração do sono em crianças desta localidade.

Objectives:To evaluate the association between 3111T/C polymorphism of the CLOCK gene and the presence of obesity and sleep duration in children aged 6-13 years. In adults, this genetic variant has been associated with duration of sleep, ghrelin levels, weight, and eating habits. Although short sleep duration has been linked to obesity in children, no study has aimed to identify the possible molecular mechanisms of this association to date.Methods:Weight, height, and circumferences were transformed into Z-scores for age and gender. Genotyping was performed using TaqMan methodology. A questionnaire regarding hours of sleep was provided to parents. The appropriate statistical tests were performed.Results:This study evaluated 370 children (45% males, 55% females, mean age 8.5 ± 1.5 years). The prevalence of overweight was 18%. The duration of sleep was, on average, 9.7 hours, and was inversely related to age (p < 0.001). Genotype distribution was: 4% CC, 31% CT, and 65% TT. There was a trend toward higher prevalence of overweight in children who slept less than nine hours (23%) when compared to those who slept more than ten hours (16%, p = 0.06). Genotype was not significantly correlated to any of the assessed outcomes.Conclusions:The CLOCK 3111T/C polymorphism was not significantly associated with overweight or sleep duration in children in this city.

Modelos preditivos de crescimento são algoritmos derivados de análises de regressão linear múltipla contendo variáveis que influenciam o crescimento em resposta ao tratamento com GH em determinado grupo de indivíduos durante determinado período. A partir do conhecimento da importância relativa de cada variável, são geradas fórmulas matemáticas que permitem obter uma medida objetiva do potencial de crescimento de cada indivíduo em resposta ao tratamento com GH em diferentes situações. Tais algoritmos podem, portanto, ser utilizados como ferramentas para a decisão fundamentada em evidência das estratégias de tratamento com GH a serem utilizadas em diferentes crianças com baixa estatura, a fim de se obter o máximo de custo-efetividade com a menor dose cumulativa possível. Já foram desenvolvidos diversos modelos de previsão de resposta ao tratamento com GH em diferentes causas de baixa estatura, porém estes ainda apresentam baixa aplicabilidade clínica por causa do baixo poder preditivo e da baixa precisão da previsão, o que tem gerado crescente interesse pela incorporação de variáveis adicionais, como marcadores bioquímicos e genéticos que possam melhorar a acurácia da previsão e, assim, permitir que, no futuro, o tratamento com GH possa ser individualizado conforme as necessidades específicas de cada criança.

Growth prediction models are algorithms derived from multiple regression analyses including variables that influence growth responses to GH therapy in a defined group of subjects over a defined period of time. Mathematical equations can be derived from the knowledge acquired with the relative importance of each variable, which provide objective measurements of each subject's growth potential in response to GH therapy on different situations. Therefore, these equations can be used as tools to improve evidence-based decision regarding to growth promoting treatment strategies to be used in each child, optimizing cost-effectiveness with the lowest cumulative GH dose. Several models have already been developed to predict growth responses to GH for different short stature causes, but they still have low clinical usefulness, due to their low predictive power and low prevision accuracy. This has lead to a growing interest in the addition of new variables, such as biochemical or genetic markers, which could improve prevision accuracy and then allow, in the future, GH therapy individualization according to the specific needs of each child.