Search

Orientadores: Fernanda Ramos Gadelha, Danilo Ciccone Miguel Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Biologia Resumo: O Trypanosoma cruzi é um protozoário geneticamente diverso causador da doença de Chagas (DC) que é considerada uma doença negligenciada de preocupação mundial. Em sua fase crônica é capaz de gerar uma grande incapacitação em seus portadores que podem ser assintomáticos, ou, evoluir para um comprometimento cardíaco, digestivo ou ambos. Até o momento, não existe um consenso a respeito da causa da diversidade das manifestações clínicas desta doença, havendo a necessidade da descoberta de marcadores moleculares de identificação da evolução da DC e de fármacos mais eficientes. Na tentativa de investigar a contribuição do parasita na patogênese da DC, realizamos a análise proteômica, utilizando espectrometria de massas nanoflow LC-MS / MS, de oito isolados de T. cruzi obtidos de pacientes com as diferentes formas clínicas da doença. Os isolados provenientes de portadores da mesma forma clínica foram agrupados. As proteínas foram identificadas através do software MaxQuant fazendo uso do banco de dados UniProt. Os resultados foram estatisticamente processados fazendo uso dos testes t-student e ANOVA. Em seguida, as proteínas identificadas foram submetidas ao banco de dados de tripanossomatídeos TriTrypDB para a realização de análises de ontologia genética e verificação do envolvimento das proteínas identificadas nos componentes celulares, processos biológicos e funções moleculares. Além disso, foram realizadas análises de enriquecimento de vias metabólicas para detectar as vias mais expressas. Embora sejam parasitas envolvidos em diferentes manifestações da doença foi identificada uma grande quantidade de proteínas caracterizadas e putativas compartilhadas entre os grupos analisados (1614 proteínas), o que configura um metabolismo central comum entre os parasitas. Por outro lado, identificamos diferenças pontuais, onde o grupo dos isolados indeterminados, cardíacos, digestivo e cardiodigestivo apresentaram respectivamente 46, 88, 37 e 46 proteínas exclusivas, além de níveis distintos de expressão de proteínas compartilhadas entre os grupos analisados. Nas análises de enriquecimento o grupo indeterminado apresentou-se sempre menos enriquecido que os demais grupos. Com os resultados obtidos neste trabalho ressalta-se a existência de um metabolismo central compartilhado por diferentes isolados de T. cruzi e diferenças pontuais nos diferentes grupos. Uma discussão das proteínas mais abundantes encontradas e a contribuição para o metabolismo do parasita é discutida Abstract: Trypanosoma cruzi is a genetically diverse protozoan that causes Chagas disease (CD) and is considered a neglected disease of worldwide interest. In its chronic phase, it is capable of causing great incapacitation in its patients, who can be asymptomatic, progress to cardiac, digestive or both. So far, there is no consensus on the cause of the diversity of clinical manifestations of this disease, with the need to discover molecular markers to identify the evolution of CD and more effective drugs. In an attempt to investigate the contribution of the parasite in the pathogenesis of CD, we performed proteomic analysis, by means of LC-MS / MS nanoflow mass spectrometry, of eight T. cruzi isolates obtained from patients with different clinical forms of the disease. Isolates from carriers of the same clinical form were pooled. Proteins were identified using MaxQuant software using the UniProt database. The results were processed statistically using t-student and ANOVA tests. Then, the identified proteins were submitted to the TriTrypDB trypanosomatids database for analysis of genetic ontology and verification of the involvement of the identified proteins in cellular components, biological processes and molecular functions. Furthermore, enrichment analyzes of metabolic pathways were performed to detect the most expressive pathways. Although the parasites are involved in different manifestations of the disease, a large amount of characterized and putative proteins shared between the analyzed groups (1614 proteins) was identified, which configures a common central metabolism among the parasites. On the other hand, we identified specific differences, where the group of indeterminate isolates, cardiac, digestive and cardiodigestive presented respectively 46, 88, 37 and 46 exclusive proteins, in addition to distinct levels of expression of proteins shared between the analyzed groups. Furthermore, in enrichment analyses, the indeterminate group was always less enriched than the other groups. The results obtained in this work emphasize the existence of a central metabolism shared by different T. cruzi isolates and specific differences in different groups. A discussion of the most abundant proteins found and their contribution to parasite metabolism is discussed Mestrado Bioquímica Mestra em Biologia Funcional e Molecular CNPQ 134289/2019 FAPESP 2015/24595-9

Recent advancement in bioinformatics offers the ability to identify informative genes from high dimensional gene expression data. Selection of informative genes from these large datasets has emerged as an issue of major concern among researchers. Gene functionality and regulatory mechanisms can be understood through the analysis of these gene expression data. Here, we present a computational method to identify informative genes for breast cancer subtypes such as Basal, human epidermal growth factor receptor 2 (Her2), luminal A (LumA), and luminal B (LumB). The proposed In Silico Markers method is a wrapper feature selection method based on Least Absolute Shrinkage and Selection Operator (LASSO), Covariance Matrix Adaptation Evolution Strategy (CMA-ES) and Support Vector Machine (SVM) as a classifier. Moreover, the composite measure consisting of relevance, redundancy, and rank score of frequently appeared genes are used to select informative genes. The informative genes are validated by statistical and biologically relevant criteria. For a comparative evaluation of the proposed approach, biological similarity score designed on semantic similarity measure of GO terms are investigated. Further, the proposed technique is evaluated with 7 existing gene selection techniques using two-class annotated breast cancer subtype datasets. The utilization of this method can bring about the discovery of informative genes. Furthermore, under multiple criteria decision-making set-up, informative genes selected by the In Silico Markers are found to be admirable than the compared methods selected genes.

CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior Durante o curso da evolução biológica de eucariotos, organismos com diferentes graus de complexidade emergiram. Para fins práticos, o número de tipos celulares distintos tem sido comumente utilizado como um proxy para a complexidade biológica. Também durante o curso da evolução, novas proteínas emergiram em Eukarya como resultado de evolução de novo, duplicações gênicas seguidas por divergência e, em vários casos, embaralhamento de domínios (domain shuffling). Utilizamos uma abordagem estatística e de genômica comparativa para estudar a evolução da complexidade biológica em eucariotos, pesquisando por funções biológicas (representadas como a frequência de domínios de proteínas e de funções gênicas codificadas em uma ampla gama de genomas eucarióticos) associadas ao seu número de tipos celulares diferentes. Para tal, inicialmente selecionamos 41 proteomas não-redundantes eucarióticos de alta qualidade em termos de completude do repertório gênico, estimado pelo software BUSCO, e que possuam informação sobre o número de tipos celulares. Para os proteomas selecionados, realizamos a anotação dos mesmos usando o programa InterProscan, de modo a detectarmos quais são os domínios protéicos (identificados no banco de dados Pfam) e quais funções biológicas (identificados por termos Gene Ontology) codificados nestes genomas. Buscamos dois tipos de associação entre as frequências de domínios/termos GO em cada proteoma não-redundante e o número de diferentes tipos de células para as espécies correspondentes. Uma das associações consiste na correlação de Spearman, sendo o outro tipo de modelo corrigido de modo a levar em consideração a história filogenética das espécies analisadas, de modo a eliminar possíveis dependências dos dados em função da origem evolutiva comum dos organismos em análise. Para ambos computamos valores p, os quais são posteriormente corrigidos em função do cenário de múltiplas hipóteses (BH). Consideramos como positivos os modelos onde obtivemos valores p corrigidos menores que p ≤ 0.05. Encontramos 256 domínios Pfam e 304 funções biológicas que desempenham papéis importantes nos processos de matriz extracelular, interação célula-célula, fatores de transcrição, hormônios, processos regulatórios e fatores-chave para diferenciação celular e processos de desenvolvimento corporal. Em conjunto, nossa abordagem destaca importantes processos biológicos associados ao aumento da complexidade em Eukarya, sugerindo sua importância para o estabelecimento da complexidade biológica existente. During the course of biological evolution, organisms with different degrees of complexity have arisen. For practical purposes, the number of distinct cell types has been commonly used as a proxy for biological complexity. Also during the course of evolution, new proteins emerged in Eukarya as the result of de novo gene evolution, gene duplications followed by divergence and, in several cases, functional domain shuffling. We used a statistical comparative genomics approach to study the evolution of biological complexity in Eukarya by searching for biological functions (represented as the frequency of protein domains and gene functions coded in a wide range of eukaryotic genomes) associated with their number of cell types. We selected 41 high-quality non-redundant eucaryotic proteomes in terms of gene repertoire completeness as estimated by BUSCO and, for each proteome was annotated to identify protein domains (Pfam) and biological functions (Gene Ontology - GO - terms) using InterProScan. We compute two classes of association metrics for the frequencies of each Pfam/GO term and the number of cell types. One class consists on traditional Spearman correlation, while the other is corrected to take into account the common ancestry relationships across species data, therefore correcting for this bias. For each linear model we computed p-values, and we applied multiple hypothesis correction (BH methods) to take into account the multiple-comparison problem. We considered as positive models with corrected p-values smaller than 0.05 resulting in 256 Pfam domains and 304 GO terms significantly associated with biological complexity. Among these sets we found several domains that play important roles in extracellular matrix processes, cell-cell interaction, transcription factors, hormones, regulatory processes and key factors for cell differentiation and body development processes. Taken together, our approach highlights important biological processes associated with the increase of complexity in Eukarya, suggesting their importance for the establishment of extant biological complexity.

Sabe-se que a qualidade de um produto é o fator fundamental para que o mesmo possa ser inserido no mercado e o setor brasileiro de carne bovina tem se preocupado não só com o aumento da produção, mas também com a qualidade da carne produzida. No entanto, produtores enfretam dificuldades para obter a melhoria de características como a quantidade de gordura subcutânea e entremeada, ganho de peso, além da pelagem e da circunferência escrotal. Diversas metodologias foram desenvolvidas no intuito de obter resultados mais rápidos e mais acurados, como o uso de genes candidatos e análises individuais e adjacentes de SNPs que controlam a manifestação de características de interesse econômico, assim como estudos que visam elucidar a arquitetura biológica e metabólica envolvida na característica. Diante do exposto, o presente estudo tem como objetivo realizar uma análise funcional de genes obtidos de regiões genômicas previamente idenficadas por estudos de associação ampla do genoma (GWAS). Foram prospectadas pelo banco de dados Ensembl, 36 regiões genômicas associadas com com espessura de gordura subcutânea (EGS), marmoreio (MARM), área de olho de lombo (AOL), peso ao sobreano (PESO), pelagem (PELO) e circunferência escrotal (CE). Os 220 genes encontrados foram submetidos à anotação funcional pela ferramenta Database for Annotation, Visualization, and Integrated Discovery (DAVID) para verificar suas funcionalidades nas categorias processo biológico, componente celular, função molecular e vias metabólicas, e foram obtidas 186 anotações. Para a verificação das vias metabólicas, foi utilizado o banco de dados Kyoto Encyclopedia of Genes and Genomes (KEGG). Posteriormente, foram selecionados os genes candidatos a partir da filtragem de termos ontológicos e de vias metabólicas relacionados com tecido adiposo, tecido muscular, desenvolvimento e proliferação celular, pelagem e bolsa escrotal, sendo estes obtidos pelos bancos de dados QuickGO e Integrative Visual Analysis Tool for Biological Networks and Pathways (VisANT). Outro critério de seleção utilizado para a seleção de genes foi a identificação prévia dos mesmos na literatura. Após esta filtragem, foram selecionados 29 genes considerados como potenciais candidatos para as características avaliadas, sendo dois genes para EGS, três para MARM, 15 para AOL, seis para PESO, um para PELO e cinco para CE. Os resultados obtidos neste estudo podem na seleção de animais geneticamente superiores em programas de melhoramento da raça Canchim. Made available in DSpace on 2018-12-17T23:38:12Z (GMT). No. of bitstreams: 1 Analisefuncionaldegenescandidatos.pdf: 528394 bytes, checksum: 2aaa1add52f19bbaacfbcf385b724b9c (MD5) Previous issue date: 2018-12-17 Título em inglês: Functional analysis of candidated genes for economic interest traits in Charbray cattle. Orientador: Prof. Dr. Fábio José Carvalho Faria; Co-orientadora: Dra. Fabiane Siqueira, Embrapa Gado de Corte - CNPGC, Matrícula: 3229534

O Brasil tem um dos maiores rebanhos bovinos comerciais do mundo, mas a qualidade da carne é altamente variável. O rebanho nacional é em grande parte composto de raças Bos indicus, que em geral têm carne menos macia do que o gado Bos taurus, diminuindo o valor do produto. Objetivou-se nesse estudo identificar regiões genômicas e vias biológicas relevantes associadas com a maciez da carne em bovinos da raça Nelore Mocho. Além disso, objetivou-se também avaliar diferentes protocolos de controle de qualidade dos SNPs e as possíveis influências nos resultados de GWAS. Os dados consistiram em valores de WBSF do músculo Longissimus dorsi, após maturação de sete dias, de 427 animais Nelore Mocho. Os animais foram genotipados em marcadores SNP Illumina BovineHD Beadchip (777k) ou Chip GGP-Indicus (77k). Todos os SNPs passaram por um Call Rate de 90% para posterior imputação utilizando o software FImput. Para averiguar os diferentes protocolos de qualidade e suas influências no GWAS foram utilizados 590.915 marcadores. Os efeitos dos diferentes QCs foram verificados utilizando 16 protocolos com três limiares para MAF (MAF < 0,01;< 0,05 e < 0,10) e HWP (p < 0,01; < 0,0001 e < 0,00001) e suas possíveis combinações. Os GWASs foram realizados utilizando método P3D/EMMAx com os marcadores restantes de cada QC. No GWAS realizado para posterior análise das vias utilizou-se 369.007 marcadores após a exclusão de SNPs baseada nos filtros Call Rate < 90%, HWP p < 0,01 e MAF < 0,01. Grupo de abate e sexo foram incluídos no modelo como efeitos fixos. Marcadores significativos (p < 0,0001) foram localizados em todas as análises, e os cromossomos com maior quantidade de SNPs significativos dos diferentes QCs foram 3, 17, 20, 21, 25 e 27. No estudo de vias foram localizados SNPs significativos nos cromossomos 3, 13, 17, 20, 21 e 25, que explicaram maior proporção da variação, indicando que existem QTLs associados à maciez da carne nessas regiões do genoma. As análises dos diferentes QCs evidenciaram efeito do controle de qualidade dos SNPs sobre o GWAS e o filtro para MAF influenciou de maneira mais ampla os resultados. Foi realizada uma análise de enriquecimento de vias baseando-se nos SNPs do GWAS, utilizando o procedimento FatiGO. Apenas os genes com no mínimo um SNP significativo (p < 0,01) foram considerados. Foram utilizados 22.365 genes anotados, incluindo 1.010 genes significativos. Um total de 22 termos GO e duas entradas IP foram consideradas enriquecidas com genes significamente associados com a maciez da carne. Várias dessas categorias funcionais como atividade da proteína tirosina quinase e serina/treonina quinase, ligantes ao íon cálcio e fatores de crescimento, podem estar relacionadas com WBFS em bovinos da raça Nelore Mocho. Estes resultados ajudam elucidar as vias relacionadas com essa característica de extrema importância econômica para o Brasil, já que o Nelore é a raça de gado de corte dominante no país. Brazil has one of the largest commercial cattle herds worldwide, but its meat quality is highly variable. The national herd is largely composed of Bos indicus breeds, which in general have less tender meat than Bos taurus cattle, decreasing the product value. This study was carried out to identify relevant regions and biological pathways associated with meat tenderness in Polled Nellore cattle. It was also aimed to evaluate the effect of different quality control protocols in GWAS for meat tenderness in Polled Nellore cattle. The data consisted of Warner-Bratzler shear force (WBSF) values of Longissimus muscle after 7 days of ageing, from 427 Polled Nellore animals. The animals were genotyped using either the Illumina BovineHD Beadchip (777k) or the GGP-Indicus Chip (77k). SNPs were excluded when Call Rate < 90%, then the imputation from the GGP to the HD Chip was performed using the FImput’s software. To study the different quality control protocols and their influence in GWAS, 590,915 markers were used. The effect of different QCs were verified using 16 protocols with three thresholds for MAF (MAF < 0.01; < 0.05 and < 0.10) and HWP (p < 0.01; < 0.0001 and < 0.00001) and their possible combinations. GWASs were performed using the PD3/EMMAx method with the remaining markers of each QC. For GWAS performed for pathway analysis, 369,007 markers were used after SNPs were excluded when Call rate < 90%, HWP p < 0.01 and MAF < 0.01. Group of slaughter and sex were included as fixed effects. Significant markers (p < 0.0001) were found in all analysis, in which the chromosomes with more significant SNPs of the different QCs were 3, 17, 20, 21, 25 and 27, and in the pathway study were located on chromosomes 3, 13, 17, 20, 21 and 25 explaining great proportion of variation, indicating possible QTLs associated with meat tenderness in those genomic regions. The analyses of different QCs showed that there is an effect of quality control over GWAS, and the filter for MAF influenced the results more broadly. A pathway enrichment analysis based on SNPs from GWAS was performed using FatiGO’s procedure. 22,365 annotated genes, including 1,010 significant genes were used. Thus, 22 GO terms and two IP entries were deemed enriched. Several of these functional categories, such as protein tyrosine and serine/threonine kinase activity, calcium ion binding and growth factors can be related to WBSF in Polled Nellore cattle. These results help to elucidate the metabolic pathways related to this trait, which is of extreme economic and social importance to Brazil as Nellore is the dominant beef cattle breed in the country. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES

Modelos ocultos de Markov (HMMs - hidden Markov models) são ferramentas essenciais para anotação automática de proteínas. Por muitos anos, bancos de dados de famílias de proteínas baseados em HMMs têm sido disponibilizados para a comunidade científica (e.g. TIGRfams). Muitos esforços também têm sido dedicados à geração automática de HMMs de famílias de proteínas (e.g. PANTHER). No entanto, HMMs manualmente curados de famílias de proteínas permanecem como o padrão-ouro para anotação de genomas. Neste contexto, este trabalho teve como principal objetivo a geração de cerca de 80 famílias de proteínas microbianas relevantes para produção de bioenergia, baseadas em HMMs. Para gerar os HMMs, seguimos um protocolo de curadoria manual, gerado neste trabalho. Partimos de uma proteína que tenha função experimentalmente comprovada, esteja associada a uma publicação e tenha sido manualmente anotada com termos da Gene Ontology, criados pelo projeto MENGO¹ (Microbial ENergy Gene Ontology). Os próximos passos consistiram na (1) definição de um critério de seleção para inclusão de membros à família; (2) busca por membros via BLAST; (3) geração do alinhamento múltiplo (MUSCLE 3.7) e do HMM (HMMER 3.0); (4) análise dos resultados e iteração do processo, com o HMM preliminar usado nas buscas adicionais; (5) definição de uma nota de corte (cutoff) para o HMM final; (6) validação individual dos modelos. As principais contribuições deste trabalho são 74 HMMs (manualmente curados) disponibilizados via web (http://mengofams.lbi.iq.usp.br/), onde é possível fazer buscas e o download dos modelos, um protocolo detalhado sobre a curadoria manual de HMMs para famílias de proteínas e uma lista com proteínas candidatas a reanotação. Hidden Markov Models (HMMs) are essential tools for automated annotation of protein sequences. For many years now protein family resources based on HMMs have been made available to the scientific community (e.g. TIGRfams). Much effort has also been devoted to the automated generation of protein family HMMs (e.g Panther). However, manually curated protein family HMMs remain the gold standard for use in genome annotation. In this context, this work had as main objectives the generation of appoximately 80 protein families based on HMMs. We follow a standard protocol, that was generated in this work, to create the HMMs. At first, we start from a protein with experimentally proven function, associated to a publication and that was manually annotated with new terms from Gene Ontology provided by MENGO¹ (Microbial ENergy Gene Ontology). The next steps consists of (1) definition of selection criteria to capture members of the family; (2) search for members via BLAST; (3) generation of multiple alignment (MUSCLE 3.7) and the HMM (HMMER 3.0); (4) result analysis and iteration of the process, using the preliminary HMM; (5) cutoff definition to the final HMM; (6) individual validation of the models using tests against NCBIs NR database. The main deliverables of this work are 74 HMMs manually curated available in the site project (mengofams.lbi.iq.usp.br) that allows browsing and download of all HMMs curated so far, a standard protocol manual curation of protein families, a list with proteins that need to be reviewed.

Nowadays, the amount of biological data available by universities, hospitals and research centers has increased exponentially due the use of bioinformatics, with the development of methods and advanced computational tools, and high-throughput techniques. Due to this significant increase in the amount of available data, new strategies for capture, storage and analysis of data are necessary. In this scenario, a new research area is developing, called biocuration. The biocuration is becoming a fundamental part in the biological and biomedical research, and the main function is related with the structuration and organization of the biological information, making it readable and accessible to mens and computers. Seeking to support a fast and reliable understanding of new domains, different initiatives are being proposed, and the Gene Ontology (GO) is one of the main examples. The GO is one the main initiatives in bioinformatics, whose main goal is to standardize the representation of genes and their products, providing interconnections between species and databases. Thus, the main objective of this research is to propose a computational architecture that uses principles of never-ending learning to help biocurators in new GO classifications. Nowadays, this classification task is totally manual. The proposed architecture uses semi-supervised learning combining different classifiers used in the classification of new GO samples. In addition, this research also aims to build high-level knowledge in the form of simple IF-THEN rules and decision trees. The generated knowledge can be used by the GO biocurators in the search for important patterns present in the biological data, revealing concise and relevant information about the application domain. Nos dias atuais, a quantidade de dados biológicos disponibilizados por universidades, hospitais e centros de pesquisa tem aumentado de forma exponencial, devido ao emprego da bio-informática, através do desenvolvimento de métodos e técnicas computacionais avançados, e de técnicas de high-throughput. Devido a esse significativo aumento na quantidade de dados disponibilizados, gerou-se a necessidade da criação de novas estratégias para captura, armazenamento e principalmente analise desses dados. Devido a esse cenário, um novo campo de trabalho e pesquisa vem surgindo, chamado biocuragem. A biocuragem está se tornando parte fundamental na pesquisa biomédica e biológica, e tem por principal função estruturar e organizar a informação biológica, tornando-a legível e acessível a homens e computadores. Buscando prover um rápido e confiável entendimento de novos domínios, diferentes iniciativas estão sendo propostas, tendo no Gene Ontology (GO) um dos seus principais exemplos. O GO se destaca mundialmente sendo uma das principais iniciativas em bioinformática, cuja principal meta e padronizar a representação dos genes e seus produtos, provendo interconexões entre espécies e bancos de dados. Dessa forma, objetiva-se com essa pesquisa propor uma arquitetura computacional que utiliza princípios de aprendizado de maquina sem-fim para auxiliar biocuradores do GO na tarefa de classificação de novos termos, tarefa essa, totalmente manual. A arquitetura proposta utiliza aprendizado semi-supervisionado combinando diferentes classificadores na rotulação de novas instâncias do GO. Além disso, essa pesquisa também tem por objetivo a construção de conhecimento de alto-nível na forma de simples regras SE-ENTÃO e árvores de decisão. Esse conhecimento gerado pode ser utilizado pelos biocuradores do GO na busca por padrões importantes presentes nos dados biológicos, revelando informações concisas e relevantes sobre o domínio da aplicação.

Bipolar disorder (BD) is a common disorder that affects approximately 1% of the population. It is associated with both chronic and acute severe features, such as low remission rates and a high prevalence of clinical and psychiatric comorbidities. The aim of the present article is to synthesize data from various articles that investigated genetic polymorphisms associated with BD. The 129 articles selected identified 79 (85.87%) genes associated with BD. This analysis identified the five genes that are the most cited in the literature: CANAC1C, DAOA, TPH2, ANK3 and DISC1. Of the 92 genes identified in these articles, 33 (35.87%) showed no association with BD. This analysis showed that, despite recent advances with respect to the role of genetic polymorphism in predisposition to BD, further research is still required to elucidate its influence on this disorder. Transtorno bipolar (TB) é uma doença comum que afeta aproximadamente 1% da população. Apresenta características crônicas e agudas graves, com índices de remissão de baixa e alta prevalência de comorbidades clínicas e psiquiátricas. O objetivo do presente artigo é sintetizar dados de vários artigos que investigaram polimorfismos genéticos associados com TB. Dentre os 129 artigos selecionados, identificaram-se 79 (85,87%) genes associados com TB. Essa análise identificou cinco genes que são os mais citados na literatura: CANAC1C, DAOA, TPH2, ANK3 e DISC1. Dos 92 genes identificados nesses artigos, 33 (35,87%) não mostraram associação com TB. Essa análise mostrou que, apesar dos avanços recentes com relação ao papel do polimorfismo genético na predisposição para TB, mais pesquisas ainda são necessárias para elucidar sua influência sobre esse transtorno.

Tese de mestrado. Tecnologias de Informação aplicadas às Ciências Biológicas e Médicas. Universidade de Lisboa, Faculdade de Ciências, 2009, A correcta compreensão de como funcionam os sistemas biológicos depende do estudo dos mecanismos que regulam a expressão genética. Estes mecanismos controlam em que momento e durante quanto tempo é utilizada a informação codificada num gene, e podem actuar em diversas etapas do processo de expressão genética. No presente trabalho, a etapa em análise é a transcrição, na qual a sequência de ADN de um gene é transformada numa sequência de ARN, que posteriormente dará origem a uma proteína. A regulação da transcrição centra-se na acção de uma classe de proteínas reguladoras denominadas factores de transcrição. Estes ligam-se à cadeia de ADN na região próxima do início de um gene (a região promotora), potenciando ou inibindo a ligação da proteína responsável pelo processo de transcrição. Os factores de transcrição têm especificidade para pequenas sequências de ADN (denominados motivos de ligação) que estão presentes nas regiões promotoras dos genes que regulam. Um gene pode ser regulado por diferentes factores de transcrição; um factor de transcrição pode regular diferentes genes; e dois factores de transcrição podem ter motivos de ligação iguais. A regulação dos genes que codificam factores de transcrição é ela própria regulada, podendo sê-lo por uma série de mecanismos que incluem a interacção com outros factores de transcrição. O conhecimento de como genes e proteínas interagem entre si permite a criação de modelos que representam o modo como o sistema em questão (seja um processo biológico ou uma célula) se comporta. Estes modelos podem ser representados como redes de regulação genética, que embora possam diferir estruturalmente, os seus componentes elementares podem ser descritos da seguinte forma: os vértices representam genes (ou as proteínas codificadas) e as arestas representam reacções moleculares individuais, como as interacções entre proteínas através das quais os produtos de um gene afectam os de outro. A representação de regulações genéticas em redes de regulação genética promove, entre outros aspectos, a descoberta de grupos de genes que, sendo co-regulados, participam no mesmo processo biológico. Tal como referido anteriormente, os factores de transcrição podem ser regulados por outros factores de transcrição, o que significa que existem dois tipos de regulações: directas e indirectas. Regulações directas dizem respeito a pares gene-factor de transcrição em que a expressão do gene é regulada pelo factor de transcrição considerado no par; regulações indirectas dizem respeito a pares em que a expressão do gene é regulada por um factor de transcrição cuja expressão é regulada pelo factor de transcrição considerado no par. Existem dois tipos de métodos experimentais que permitem a identificação de regulações genéticas: métodos directos, que identificam regulações directas; métodos indirectos, identificam regulações mas sem ser possível diferenciar entre directas e indirectas. Os métodos directos avaliam a ligação física do factor de transcrição ao gene, enquanto os métodos indirectos avaliam a existência de alterações nos padrões de expressão dos genes devido à influência dos factores de transcrição (isto é, se a acção de um determinado factor de transcrição se deixar de sentir, quais os genes cuja transcrição sofrerá alterações, e com que intensidade). Dos quatro métodos descritos em seguida, os dois primeiros são directos e os dois últimos indirectos:Chip (imunoprecipitação de cromatina) – esta técnica é utilizada na investigação de interacções in vivo entre DNA e proteínas [1,2]. CHIP-chip – esta técnica consiste numa adaptação da anterior, sendo realizada à escala genómica: um microarray representativo do genoma completo de um organismo é exposto a um dado FT, permitindo a identificação de todos os genes que este regula [3].Microarrays – a utilização de microarrays permite a avaliação de alterações de expressão genética em grande escala, considerando o genoma completo de um organismo ou apenas uma via metabólica [4]. Proteómica – esta abordagem inclui diversos métodos que permitem a identificação dos genes regulados por um determinado factor de transcrição através do estudo do nível de expressão das proteínas codificadas pelos genes [5]. O conhecimento existente sobre regulações genéticas encontra-se disponível essencialmente na literatura. Embora actualmente exista um número elevado de bases de dados biológicas públicas, a grande maioria contém dados sobre entidades biológicas mas não sobre regulações genéticas de forma explícita. Com o objectivo de colocar à disposição da comunidade científica dados existentes sobre regulações genéticas em Saccharomyces cerevisiae, foi criada uma base de dados portuguesa, denominada Yeastract, mantida por curação manual de literatura científica. Devido à crescente quantidade de artigos publicados actualmente, é de extrema importância o desenvolvimento de ferramentas automáticas que auxiliem o processo de curação manual. No caso concreto da Yeastract, surgiu a necessidade de criar uma ferramenta que auxiliasse o processo de identificação de artigos científicos que descrevam regulações genéticas em S. cerevisiae. Esta ferramenta é composta por dois componentes: um primeiro que identifica factores de transcrição nos resumos dos artigos e que verifica se os resumos contêm descrições de regulações genéticas; um segundo que avalia se as regulações hipotéticas que o artigo contém correspondem a regulações válidas do ponto de vista biológico. Este segundo componente foi denominado GREAT (Gene Regulation EvAluation Tool) e constitui o objectivo do meu trabalho. A ferramenta que desenvolvi recebe como input uma lista de artigos em cujos resumos foram identificados factores de transcrição e, na validação das regulações, explora dados obtidos exclusivamente de bases de dados biológicas de acesso público. Esses dados são utilizados na avaliação dos seguintes aspectos: participação de um gene e de um factor de transcrição no mesmo processo biológico; existência do local de ligação do factor de transcrição na região promotora do gene; método experimental com que a regulação foi identificada. O resultado de cada um destes aspectos é utilizado por um método de aprendizagem automática, árvores de regressão ou árvores modelo, para o cálculo de um score de confiança, a atribuir a cada potencial regulação. Artigos que contenham regulações com scores elevados serão curados manualmente para extracção das regulações genéticas. Foi implementado com sucesso um primeiro protótipo do GREAT. No entanto, do ponto de vista biológico, os resultados obtidos não foram satisfatórios, pelo que se realizou uma análise detalhada dos dados utilizados. Esta análise revelou questões importantes, essencialmente relacionadas com a insuficiência de dados disponíveis, e permitiu a identificação de medidas que poderão ser implementadas no actual protótipo para a resolução dos problemas encontrados., The understanding of biological systems is dependent on the study of the mechanisms that regulate gene expression. These mechanisms control when and for how long the information coded in a gene is used, and can act several of the steps in the gene expression process. In the present work, the step of interest is the transcription, where the DNA sequence of a gene is transformed into an RNA sequence, which will later be used to synthesise a protein. The knowledge about gene regulations is mainly available in the literature. Although there are currently multiple public biological databases, the majority of those contain data on biological entities but not explicitly on gene regulations. In order to provide the scientific community with data on Saccharomyces cerevisiae transcription regulations, a Portuguese public repository maintained by manual curation of scientific literature, named Yeastract, was created. Due to the increasing amount of papers published nowadays, the development of automatic tools that can help the curation process is of great importance. In the specific case of Yeastract, a tool was needed to help in the identification of papers describing gene regulations of S. cerevisiae. This tool was created with two components: one that identifies transcription factors in the papers’ abstracts and verifies if they describe gene regulations; the other that evaluates if the hypothetical regulations the paper contains correspond to valid regulations from a biological point of view. This second component was named GREAT, Gene Regulation EvAluation Tool, and is the goal of my work. The tool I developed uses data obtained exclusively from public biological databases to validate the regulations. That data is used in the evaluation of three aspects: the participation of a gene and a transcription factor in the same biological process; the existence of the transcription factor binding motif in the gene promoter region; the experimental method with which the regulation was identified. The output of these features is used by a machine learning method, either regression or model trees, to calculate a confidence score to attribute to each putative gene regulation. Papers containing regulations with high scores will be manually curated to extract the gene regulations. Although a first prototype of GREAT was implemented, from a biological point of view the results obtained are unsatisfactory. This prompted a detailed analysis of the data used, which uncovered important questions that need to be addressed in order to further improve this tool.

Made available in DSpace on 2009-02-10T13:12:01Z (GMT). No. of bitstreams: 1 07-6.pdf: 368594 bytes, checksum: 280f4f0728bc77ca9435eb9bb3fcb3ba (MD5) Previous issue date: 2007-03 Made available in DSpace on 2014-11-14T16:23:53Z (GMT). No. of bitstreams: 1 07-6.pdf: 368594 bytes, checksum: 280f4f0728bc77ca9435eb9bb3fcb3ba (MD5) Previous issue date: 2007-03