Search

Los efectos negativos del cambio climático están poniendo en riesgo la seguridad alimentaria mundial con 828 millones de personas pasando hambre, casi 16 veces la población de Colombia. Ante este escenario, las leguminosas como el frijol común han ofrecido una solución basada en la naturaleza como fuente de alimento para las comunidades rurales de América Latina gracias a su alto contenido de nutrientes. Por ello, es imperativo acelerar el mejoramiento genético molecular del frijol común para que pueda ser cultivado en regiones afectadas por el cambio climático extremo, una de las cuales es la costa colombiana. Por lo tanto, para cerrar esta brecha, este estudio tuvo como objetivo acoplar un panel avanzado de líneas interespecíficas de frijol común (Phaseolus vulgaris L.) × frijol tepary (P. acutifolius A. Gray) con algoritmos de regresión bayesianos para identificar nuevas fuentes de adaptación. a las subregiones húmedas y secas de la costa caribeña de Colombia, donde el frijol común presenta típicamente una mala adaptación a las olas de calor extremo. Se genotiparon mediante secuenciación (GBS) un total de 87 líneas avanzadas con ancestros interespecíficos, lo que condujo al descubrimiento de 15 645 marcadores de polimorfismo de un solo nucleótido (SNP). Se registraron tres componentes de rendimiento y dos variables de biomasa para cada genotipo y se ingresaron en varios modelos de regresión bayesiana para identificar los principales genotipos con los mejores valores de mejoramiento genético en tres localidades de la costa de Colombia. Exploramos el análisis comparativo de varios enfoques de regresión donde el modelo con el mejor desempeño en todos los rasgos y entornos fue BayesC. Además, comparamos la utilización de todos los marcadores y solo aquellos determinados como asociados por modelos GWAS a priori. Una mejor capacidad de predicción con el conjunto completo de SNP fue indicativa de falta de heredabilidad como parte de las reconstrucciones de GWAS. Además, los conjuntos de SNP óptimos por entorno y característica se determinaron en los 500 marcadores más explicativos de acuerdo con sus efectos de regresión β. Estos 500 SNP se superpusieron en promedio en un 5,24 % entre localidades, lo que reforzó la naturaleza ambientalmente dependiente de la adaptación poligénica. Finalmente, recuperamos los valores genéticos estimados genómicos (GEBV) y seleccionamos los 10 genotipos principales para cada entorno y rasgo como parte de un esquema de recomendación dirigido a la adaptación estrecha. Los genotipos y marcadores SNP identificados en este estudio como candidatos para el estrés abiótico tienen el potencial de ser utilizados en los siguientes ciclos como parte del programa de mejoramiento de frijol a largo plazo para las regiones tropicales costeras., The negative effects of the climate change are risking global food security with 828 million people facing hunger, which is almost 16 times the population of Colombia. Given this scenario, legumes as common bean has offered a nature-based solution to source nutrients for rural communities in Latin America thanks to their high content of nutrients. For this reason, it is imperative to speed up the molecular genetic breading of common beans so that they can be cultivated in regions affected by extreme climate change, one of which is coastal Colombian. Therefore, in order to bridge this gap, this study aimed coupling an advanced panel of common bean (Phaseolus vulgaris L.) × tepary bean (P. acutifolius A. Gray) inter-specific lines with Bayesian regression algorithms to identify novel sources of adaptation to the humid and dry sub-regions at the Caribbean coast of Colombia, where common bean typically exhibits maladaptation to extreme heat waves. A total of 87 advanced lines with inter-specific ancestries were genotyped by sequencing (GBS), leading to the discovery of 15,645 single-nucleotide polymorphism (SNP) markers. Three yield components and two biomass variables were recorded for each genotype and inputted in several Bayesian regression models to identify the top genotypes with the best genetic breeding values across three localities in coastal Colombia. We explored the comparative analysis of several regression approaches where the model with the best performance in all traits and environments was BayesC. Also, we compared the utilization of all markers and only those determined as associated by a priori GWAS models. Better prediction ability with the complete SNP set was indicative of missing heritability as part of GWAS reconstructions. Furthermore, optimal SNP sets per environment and trait were determined to the top 500 most explicative markers according to their β regression effects. These 500 SNPs on average overlapped in 5.24 % across localities, which reinforced the environmentally dependent nature of polygenic adaptation. Finally, we retrieved the genomic estimated breeding values (GEBVs), and selected the top 10 genotypes for each environment and trait as part of a recommendation scheme targeting narrow adaption. The genotypes and SNP markers identified in this study as candidates for abiotic stress have the potential to be used in the following cycles as part of the long-term bean breeding program for coastal tropical regions.

La tecnología actual de secuenciación masiva de ADN, sumada al creciente número de bases de datos con información genómica, permiten que la genómica personalizada sea una realidad, y con ella, la llegada a la clínica de nuevos métodos para la prevención y diagnóstico de enfermedades. Aquí presentamos el desarrollo de una plataforma computacional novedosa y flexible de análisis e interpretación de genomas humanos, que entre otras prestaciones, es capaz de detectar las variantes responsables de distintas enfermedades. El análisis de genomas humanos en la plataforma incluye diversas etapas, como el control de calidad, el alineamiento de los datos, la identificación de los distintos tipos de variantes, su anotación y filtrado, para finalmente obtener una interpretación de la información genómica. Durante todo el proceso se utilizan herramientas de visualización de la información para su interpretación. Adicionalmente, incluye un módulo de análisis de datos de expresión génica para estudiar y comparar dos o más condiciones clínicas o biomédicas. En este proceso, se utiliza la información fenotípica del individuo, así como también bases de datos públicas con información biológica, molecular y clínica. Una de las principales aplicaciones de la plataforma fue el desarrollo de GenIO [1], una herramienta web para la asistencia a médiques genetistas en el análisis de enfermedades raras. Las enfermedades raras tienen una prevalencia menor a cinco habitantes por cada diez mil, son generalmente crónicas y potencialmente mortales, teniendo el 80 % de ellas componentes genéticos. Se estima que unas 300 millones de personas en el mundo son afectadas por alguna de ellas. Con los métodos tradicionales se logra diagnosticar a tan solo el 5 % de los casos, aunque con las tecnologías de secuenciación masiva se llega a un 26 %. Con GenIO se alcanza una tasa de diagnóstico superior a otros métodos, ya que permite llegar a un diagnóstico en al menos el 40 % de los casos. Una de las ventajas principales de esta herramienta es que gracias a su diseño puede ser utilizada por genetistas sin la necesidad de contar con asistencia bioinformática adicional, acercando así esta tecnología a médiques de todo el mundo. Como parte de las tareas de desarrollo de la plataforma, realizamos colaboraciones en distintos proyectos de investigación. Participamos en la creación de una herramienta de exploración para el control de calidad de datos genéticos (target sequencing experiments) [2], el análisis genómico sobre la vacuna terapéutica CSF-470 para melanoma, tanto en las líneas celulares que componen la vacuna, como en líneas resistentes y en pacientes [3] [4], el análisis de datos de ADN, ARN y micro ARN de pacientes con leucemia mieloide crónica en el marco de diferentes estudios sobre esta enfermedad [5] [6], entre otros proyectos [7] [8]. Consideramos a su vez que el trabajo realizado sienta bases para futuras investigaciones y desarrollos computacionales en el campo de la biomedicina. The current technology of massive DNA sequencing, together with the growing number of databases with genomic information, allows personalised genomics to become a reality, and with it, the arrival of new clinical methods for the prevention and diagnosis of diseases. Here we present the development of a novel and flexible computational platform for the analysis and interpretation of human genomes, which, among other features, is able to detect variants responsible for different diseases. The analysis of human genomes on the platform includes several stages, such as quality control, data alignment, identification of the different types of variants, annotation and filtering, and finally an interpretation of the genomic information. Throughout the whole process, information visualisation tools are used for its interpretation. Additionally, it includes a gene expression data analysis module to study and compare two or more clinical or biomedical conditions. In this process, the phenotypic information of the individual is used, as well as public databases with biological, molecular and clinical information. One of the main applications of the platform was the development of GenIO [1], a web tool to assist medical geneticists in the analysis of rare diseases. Rare diseases have a prevalence of less than five inhabitants per ten thousand, are generally chronic and life-threatening, and 80 % of them have genetic components. It is estimated that 300 million people worldwide are affected by one of them. Traditional methods can diagnose only 5 % of cases, but mass sequencing technologies can diagnose up to 26 %. With GenIO a diagnosis rate higher than with other methods is achieved, as it can help reaching a diagnosis in at least 40 % of cases. One of the main advantages of this tool is that thanks to its design, it can be used by geneticists without the need for additional bioinformatic assistance, thus bringing this technology closer to doctors all over the world. As part of the platform’s development work, we are collaborating on a number of research projects. We participated in the creation of a screening tool for the quality control of genetic data (target sequencing experiments) [2], the genomic analysis of the therapeutic vaccine CSF-470 for melanoma, both in the cell lines that make up the vaccine, and in resistant lines and patients [3] [4], the analysis of DNA, RNA and micro RNA data from patients with chronic myeloid leukaemia in the framework of different studies on this disease [5] [6], among other projects [7] [8]. We believe that the work carried out here lays the foundations for future research and computational developments in the field of biomedicine. Fil: Koile, Daniel Isaac. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.

En la última década y principalmente durante la pandemia por COVID-19, la bioinformática tuvo un crecimiento exponencial convirtiéndose en una disciplina indispensable para el desarrollo científico y tecnológico de Argentina y el mundo. Debido a su naturaleza interdisciplinaria, muchos estudiantes y profesionales participan actualmente en eventos nacionales e internacionales en bioinformática para mejorar su formación y promover proyectos en beneficio de la sociedad. En 2022 desde el RSG Argentina nos propusimos organizar la 7ma edición del Simposio Argentino de Jóvenes Investigadores en Bioinformática (7SAJIB) en español y en modalidad híbrida (virtual + presencial), con el objetivo de promover la inclusión, el acceso abierto del conocimiento y la participación activa de estudiantes de distintos niveles de Argentina y otros países hispanohablantes. Como todos los años, el SAJIB pretende ser un espacio de encuentro para la creación de nuevas redes de contacto y colaboración académica, ampliando los horizontes de la transferencia de conocimiento y las bases del método científico a nuevos sectores sociales, así como el desarrollo de la investigación en Bioinformática y Biología Computacional en nuevas regiones de Argentina.

El splicing se encuentra presente a lo largo de las distintas especies de organismos eucariotas, representando una pieza clave en la inmensa mayoría de los procesos de regulación. Para que el mismo pueda llevarse a cabo, debe darse el reconocimiento de una serie de señales. En particular, los sitios donores y aceptores de splicing definen los límites del intrón y su reconocimiento constituye uno de los primeros pasos dentro del ciclo de splicing. A lo largo del genoma, estos sitios presentan una cierta variabilidad en su secuencia, la cual se encuentra relacionada con la posibilidad de regular su reconocimiento y establecer diversos patrones de splicing alternativo. Por otro lado, este reconocimiento se encuentra influido por la acción de una gran variedad de factores en trans que son reclutados al lugar donde se está llevando a cabo el splicing. En la primera parte de esta tesis, buscamos analizar la variabilidad de secuencia que presentan los sitios donores a lo largo de diversas especies eucariotas. Para esto construimos un modelo estadístico de máxima entropía para determinar patrones de correlación no triviales entre los distintos pares de posiciones que constituyen los sitios donores de splicing, en busca de determinar cuáles de éstos son comunes entre las 30 especies analizadas, y cuáles son característicos de solo algunos grupos. Si bien el proceso de splicing conserva un gran número de elementos en común en los organismos eucariotas, en los últimos años múltiples estudios han destacado la posible relevancia funcional de pequeñas diferencias entre las especies. Así logramos establecer patrones de correlación característicos en los sitios donores de splicing que distinguen a las especies vegetales de los metazoos y los hongos. En la segunda parte, nos abocamos al estudio del efecto sobre el splicing de PRMT5, un factor que, mediante la metilación de proteínas, participa de la regulación de múltiples procesos moleculares. Se ha propuesto que la acción de PRMT5 podría favorecer el reconocimiento de sitios donores débiles. Con el objetivo de determinar en qué medida el efecto que tiene PRMT5 sobre los patrones de splicing se encuentra influído por señales en cis, se realizaron experimentos de secuenciación de ARN (RNA-Seq) en plantas de Arabidopsis thaliana mutantes de PRMT5, pertenecientes a dos ecotipos distintos: Columbia (Col-0) y Landsberg erecta (Ler). De esta manera se buscó analizar el efecto que tiene la mutación ante la variabilidad genética que presentan estos ecotipos. Para poder discriminar los cambios relacionados con variaciones de las secuencias en cis, se analizó también híbridos F1 Col-0 X Ler y Ler X Col-0. Mediante estos análisis se llegó a la conclusión de que una parte importante de los patrones de splicing afectados por la mutación de PRMT5 dependen de señales en cis, teniendo una particular relevancia la fortaleza del sitio donor. Splicing is present throughout eukaryotic organisms, representing a key part in a large number of regulatory processes. To be carried out, there must be recognition of a series of signals present both within and around the intron. In particular, the splicing donor and acceptor sites define the boundaries of the intron and are critical for its proper recognition. Throughout the genome, these sites present a certain variability in their sequence, which is related to the possibility of regulating their recognition and establishing different patterns of alternative splicing. On the other hand, this recognition is influenced by the action of a wide variety of factors in trans that are recruited. In the first part of this work, we analyzed the sequence variability of donor sites across various eukaryotic species. We built a maximum entropy statistical model to determine non-trivial correlation patterns between the different pairs of positions that constitute the splicing donor sites, seeking to determine which of these are common among the 30 species analyzed, and which are characteristic of just some groups. Although the splicing process preserves a large number of elements in common between the different species, in recent years multiple studies have highlighted the possible functional relevance of small interspecific differences. Using this approach, we were able to establish characteristic correlation patterns in splice donor sites that distinguish plant species from metazoans and fungi. In the second part of this thesis, we study the effect of PRMT5 on splicing. PRMT5 is a Protein arginine methyltransferase that participates in the regulation of multiple molecular processes, such as chromatin modification and alternative splicing. It has been proposed that the action of PRMT5 could favor the recognition of weak donor sites. In order to deter mine to what extent the effect PRMT5 has on splicing patterns is influenced by cis signals, sequencing experiments were performed (RNA-Seq) in PRMT5 wildtype and mutant Arabi-dopsis thaliana plants belonging to two different ecotypes: Columbia (Col-0) and Landsberg erecta (Ler). In this way, we sought to analyze the effect that the mutation has on the genetic variability that these ecotypes have. In order to discriminate the changes related to variations in the cis sequences, F1 Col-0 X Ler and Ler X Col-0 hybrids were also analyzed. Through these analyses, it was concluded that an important part of the splicing patterns affected by the PRMT5 mutation depend on cis signals, having a particular relevance the strength of the donor site. Fil: Beckel, Maximiliano Sebastián. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.

La deficiencia de hormonas hipofisarias o hipopituitarismo congénito (HC) suele presentarse con fenotipos altamente variables y usualmente se ve asociada a otros defectos congénitos. Numerosos genes han sido descritos en la etiología de HC, sin embargo, se estima que solo el 16% de los pacientes recibe un diagnóstico genético certero, dejando a la mayoría de los casos familiares y esporádicos inconclusos. En este trabajo de tesis implementamos un panel de testeo de genes, utilizando secuenciación de single-molecule molecular inversión probes. Este panel consta de un conjunto de 104 genes, los cuales incluyen genes previamente reportados y genes candidatos a causar HC. Capturamos ADN genómico de 265 pacientes argentinos pediátricos con HC, ya sea aislado o con otras anomalías. Encontramos variantes candidatas patogénicas, posiblemente patogénicas y de significado incierto (VUS) en el 56% de los casos. Con el fin de validar los efectos de variantes VUS en los genes ya descritos como causantes de la patología, LHX3, LHX4, y GLI2, realizamos ensayos funcionales in-vitro, utilizando líneas celulares humanas. Para evaluar las variantes en LHX3/4 se co-transfectaron células HEK293T con plásmidos de expresión conteniendo los cDNAs de LHX3/4 wild type (WT) ó mutados, junto con plásmidos reporteros. Estos últimos, contienen el gen de la luciferasa río abajo de los promotores de ɑGSU ó GH-1, para LHX3 y 4, respectivamente. Para el análisis funcional de GLI2 utilizamos la línea celular NIH/3T3-CG, la cual fue transfectada establemente para expresar GFP ante la presencia de la forma activa de GLI2. El gen Gli2 endógeno fue knockeado por CRISPR-Cas9. Utilizamos entonces esta nueva línea reportera para evaluar la capacidad de GLI2 WT ó mutado de restaurar la expresión de GFP. Mediante estos distintos experimentos funcionales, concluímos que las variantes LHX3:p.Pro187Ser LHX4:p.Arg84His, p.Gln100His y p.Trp204Leu y GLI2:p.Ser1404Lfs afectan a la activación del gen reportero, mientras que las variantes LHX3:p.Leu220Met, GLI2:p.Ala203Thr y p.Leu761Pro tiene actividad equivalente a las proteínas WT en sus respectivos ensayos. Por otro lado, evaluamos una variante sinónima en POU1F1 y una variante intrónica en PNPLA6, ambas identificadas por secuenciación completa de exoma y genoma respectivamente y predichas como disruptores del splicing. Análisis del ARN de los pacientes confirmaron que ambas variantes afectan la longitud del ARN mensajero, probablemente afectando la función de la proteína o su presencia. Por último, proponemos la creación de un catálogo funcional para variantes en los genes POU1F1 y GLI2. Para ello, construímos todas las posibles variantes de nucleótido único en el exón 2 de POU1F1, región involucrada en splicing, por mutagénesis de saturación. Luego de transfectar células COS7 con los plásmidos conteniendo todas las variantes, se secuenció el ARN transcripto y se evaluó la proporción de las distintas isoformas de POU1F1 ó la pérdida completa del exón. Asimismo, desarrollamos los primeros pasos para evaluar de manera equivalente múltiples variantes en el dominio de transactivación de GLI2. Creemos que el análisis funcional de variantes potencialmente patogénicas se vuelve crítico a la hora de definir un diagnóstico molecular preciso. En este trabajo queda plasmada esta necesidad, y se muestra que la identificación de variantes causantes de HC es una tarea complicada debido a la variación fenotípica y penetrancia incompleta. Se debe seguir trabajando en la creación de un catálogo entero de efectos de variantes en genes causantes de la patología, disponible para los/as médicos/as, de forma de simplificar la interpretación de variantes nóveles encontradas y reducir así la odisea de diagnóstico. Congenital hypopituitarism (CH) presents with highly variable phenotypes and is often associated with other birth defects. Several genes have been described in CH etiology, however only an estimated 16% of patients receive a genetic diagnosis, thus the majority of familial and sporadic cases have unknown genetic origin. We implemented a target panel genetic screening using single-molecule molecular inversion probes sequencing to identify causative mutations in a set of 104 previously reported and candidate associated genes. We captured genomic DNA from 265 argentinean pediatric patients with CH, either alone or with other abnormalities. We found candidate pathogenic, likely pathogenic and uncertain significance variants (VUS) in 56% of the cases. In order to validate the effects of VUS in known causative genes LHX3, LHX4, and GLI2, we performed in-vitro functional assays to study the activity of the mutated proteins. To test LHX3/4 variants we co-transfected HEK293T cells with wild type (WT) or mutated LHX3/4 variant plasmids and the luciferase reporter gene downstream of ɑGSU promoter or GH1 promoter respectively, and the luciferase assay was performed. For GLI2 functional analysis, we used the cell line NIH/3T3-CG, which was stably transfected to express GFP under the presence of GLI2 activated form. Endogenous Gli2 was knocked out by CRISPR-Cas9 and clones were selected for absence of GFP expression upon activation of the sonic hedgehog pathway. We tested the ability of transfected WT or mutated GLI2 expression plasmids to restore GFP fluorescence. We concluded that variants LHX3:p.Pro187Ser LHX4:p.Arg84His, p.Gln100His and p.Trp204Leu and GLI2:p.1404Lfs impair activation of the reporter gene, while the LHX3:p.Leu220Met and GLI2:p.L761P have WT activity on their respective assays. We also tested a synonymous variant in POU1F1 and an intronic variant in PNPLA6, both found in whole exome and whole genome sequencing respectively, that splicing predictors assessed as splicing disruptive. Minigen experiments confirmed that both variants affect the length of the resulting ARN, possibly affecting protein function or availability. Finally, we proposed to create a catalog of functional testing of variants for POU1F1 and GLI2. We created all possible SNV in exon 2 of POU1F1 by saturation mutagenesis in a minigen plasmid, transfected cells and then extracted and sequenced ARN transcribed from the plasmid. That allowed us to test whether each variant affected the proportion of alpha, beta isoforms of POU1F1, or promoted exon skipping. Finally, we developed the first steps to test in a similar fashion multiple variants of GLI2. Identification of disease causing variants in CH is complicated by phenotypic variation and incomplete penetrance. Functional testing of potential pathogenic variants becomes critical to arrive at a definitive molecular diagnosis. Further work needs to be done to have a full catalog of variant effects in known causative genes available to clinicians in order to simplify the interpretation of novel found variants and reduce diagnostic odyssey. Fil: Vishnopolska, Sebastián Alexis. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.

En los últimos años se ha ido generalizando el uso de datos de salud en formato electrónico (EHR) que se han recogido de forma masiva en sistemas EHR. Aunque inicialmente dichos datos tenían una función puramente administrativa se han ido extendiendo sus objetivos hasta abarcar tanto un uso médico como de investigación. Un ejemplo de EHR lo constituye el conjunto de datos MIMIC III, que recoge datos de salud de más de 55000 pacientes ingresados en cuidados intensivos. Este estudio se ha centrado en obtener un modelo de predicción de mortalidad a 30 días en pacientes ingresados con insuficiencia respiratoria aguda mediante técnicas de machine learning (ML) y comparar su resultado con 2 scores de uso habitual en UCI: OASIS y SAPS II. Para encontrar el mejor modelo de clasificación se han usado tanto algoritmos de ML como redes neuronales profundas. El mejor modelo obtenido en el grupo test se corresponde con la regresión logística, logrando un AUC de 0.71. Este resultado es ligeramente superior al obtenido con los scores SAPS II y OASIS (AUC 0.69 y 0.63, respectivamente). Podemos concluir, por tanto, que el uso de técnicas de ML puede mejorar los scores habituales de predicción de mortalidad. No obstante, aún existe un rendimiento limitado al aplicar dichas técnicas a cohortes específicas de pacientes, por lo que se hacen necesarios más estudios de este tipo en los que se aplique ML para predecir mortalidad a pacientes que comparten procesos patológicos similares, más que aplicar dichas técnicas de forma general. En els últims anys s'ha anat generalitzant l'ús de dades de salut en format electrònic (EHR) que s'han recollit de manera massiva en sistemes EHR. Encara que inicialment aquestes dades tenien una funció purament administrativa s'han anat estenent els seus objectius fins a abastar tant un ús mèdic com de recerca. Un exemple de EHR el constitueix el conjunt de dades MIMIC III, que recull dades de salut de més de 55000 pacients ingressats en vigilància intensiva. Aquest estudi s'ha centrat en obtenir un model de predicció de mortalitat a 30 dies en pacients ingressats amb insuficiència respiratòria aguda mitjançant tècniques de machine learning (ML) i comparar el seu resultat amb 2 scores d'ús habitual en UCI: OASI i SAPS II. Per a trobar el millor model de classificació s'han usat tant algorismes de ML com xarxes neuronals profundes. El millor model obtingut en el grup test es correspon amb la regressió logística, aconseguint un AUC de 0.71. Aquest resultat és lleugerament superior a l'obtingut amb els scores SAPS II i OASIS (AUC 0.69 i 0.63, respectivament). Podem concloure, per tant, que l'ús de tècniques de ML pot millorar els scores habituals de predicció de mortalitat. No obstant això, encara existeix un rendiment limitat en aplicar aquestes tècniques a cohorts específiques de pacients, per la qual cosa es fan necessaris més estudis d'aquest tipus en els quals s'apliqui ML per a predir mortalitat a pacients que comparteixen processos patològics similars, més que aplicar aquestes tècniques de manera general. In recent years, the use of electronic health data (EHR) has become increasingly widespread and has been massively collected in EHR systems. Although these data initially had a purely administrative function, their objectives have been extended to include both medical and research use. An example of an EHR is the MIMIC III dataset, which collects health data from more than 55,000 intensive care inpatients. This study has focused on obtaining a 30-day mortality prediction model for patients admitted with acute respiratory failure using machine learning (ML) techniques and comparing its result with 2 commonly used ICU scores: OASIS and SAPS II. Both ML algorithms and deep neural networks were used to find the best classification model. The best model obtained in the test group corresponds to logistic regression, achieving an AUC of 0.71. This result is slightly higher than that obtained with the SAPS II and OASIS scores (AUC 0.69 and 0.63, respectively). We can conclude, therefore, that the use of ML techniques can improve the usual mortality prediction scores. However, there is still limited performance when applying these techniques to specific cohorts of patients, so more studies of this type are needed in which ML is applied to predict mortality in patients who share similar pathological processes, rather than applying these techniques in a general way.

Today, the number of genetic diseases is around 10000 conditions, affecting to 6%-8% of all populations. This review shows us how the discovery of genetic variants in our genome, this facilitated to know with precision about the mechanisms physiopathological, and hence to recognize those target points susceptible to modifications, through therapeutical strategies different with palliative proposals, increase life expectancy, or improve qualities of life. These therapies are diverse, using drugs for polygenic diseases, nutritional therapy, special formulas, enzyme replacement therapies, hematopoietic stem cell transplant, substrate reduction, oligonucleotides, and gene therapy. These genetic diseases are heterogeneous clinically with a very low frequency; nevertheless, open to the possibility of research in new strategies for more genetic disease, that today, furthermore, are orphans. El número de enfermedades genéticas se estima que podrían ser más de 10 000 condiciones diferentes, afectando alrededor del 6-8% de la población. La presente revisión nos muestra la importancia del descubrimiento de las variantes patogénicas en nuestro genoma que nos permite conocer con mayor precisión cuales son los mecanismos fisiopatológicos, y por lo tanto conocer puntos dianas susceptibles de modificaciones, mediante diferentes estrategias terapéuticas para poder palear los síntomas y signos, aumentar la expectativa de vida, mejorando así la calidad de vida de los pacientes que tienen algunas de estas enfermedades genéticas. Las diferentes terapias que existen en la actualidad son muy diversas como fármacos de uso en patologías comunes, terapia nutricional, fórmulas especiales, terapias de reemplazo enzimático, trasplante de órganos y células hematopoyéticas, reducción de sustrato, oligonucleótidos y la terapia génica. Al ser las enfermedades genéticas clínicamente heterogéneas, abre la posibilidad de poder investigar cada vez más nuevas estrategias en un mayor número de enfermedades que en la actualidad están olvidadas. &nbsp

[ES] El desarrollo de las tecnologías de secuenciación de lectura larga como Pacific Bioscience (PacBio) o Oxford Nanopore han permitido un enorme avance en la secuenciación, no solo de genomas, sino también de ARN mensajero. La mayor longitud de las lecturas ha permitido el descubrimiento de transcritos noveles que las tecnologías de secuencia corta no habían sido capaces de detectar. Esto se debe, principalmente, a la capacidad de secuenciar la totalidad del transcrito del extremo 5’ al 3’, lo que permite prescindir del ensamblaje y reconstrucciones necesarias con las tecnologías de short-read. A pesar de la eficacia demostrada por los softwares de mapeo y ensamblaje utilizados, estos pueden generar artefactos y no resuelven correctamente loci complejos. Es por ello por lo que muchos transcritos no son detectados al mapear sus lecturas con otros transcritos similares. Evitar este paso es crucial para tener una visión más clara de la estructura y los eventos de splicing que ocurren en cada gen, motivo por el cual cada vez se utilizan más las lecturas largas para estudios de secuenciación transcriptómica. Junto al desarrollo de toda esta tecnología se hizo necesaria la aparición de nuevas herramientas bioinformáticas que permitiesen el tratamiento y análisis de estos datos generados. En el caso concreto de los estudios transcriptómicos resaltan especialmente aquellos dedicados al análisis, a la clasificación e, incluso, al descubrimiento de nuevas isoformas producto de eventos de splicing. El splicing alternativo es uno de los principales mecanismos productores de diversidad en los seres vivos, y resulta muy importante en casi todos los procesos biológicos. Sin embargo, la mayoría de estas herramientas necesitan el apoyo de un genoma de referencia para clasificar y analizar las secuencias generadas. Esto dificulta su uso en aquellas especies que; o bien, carecen de este; o bien, no tienen suficiente calidad, como son la mayoría de las especies no-modelo. En la actualidad existen algunas herramientas de software que abordan el problema del análisis de datos de transcriptómica de long reads sin la utilización de una anotación de referencia. Sin embargo, quedan por desarrollar métodos que describan adecuadamente los transcriptomas resultantes. El objetivo de este Trabajo de fin de grado es la optimización y validación de un pipeline capaz de clasificar transcritos procedentes de proyectos de secuenciación con long-reads que no usan una anotación de referencia en su análisis. Esta clasificación es doble; por un lado, agrupa aquellos transcritos procedentes de un mismo gen y; por otro, clasifica estos en función del evento de splicing que parece haber sufrido (retención intrónica, cambios exónicos, UTRs alternativas, etc). El pipeline, principalmente, programado en Python, utiliza diversos métodos que incluyen el mapeo, agrupamiento o ensamblaje, utilizando desde k-mers hasta grafos de Bruijn. Además, la metodología desarrollada se aplica a un caso real: el análisis transcriptómico de la especie Micropterus salmoides, utilizando un proyecto de secuenciación de RNA realizado previamente con la tecnología de secuenciación SMRT (PacBio)., [EN] The development of long-read sequencing technologies such as Pacific Bioscience (PacBio) or Oxford Nanopore has enabled a huge advance in sequencing, not only of genomes, but also of messenger RNA. Longer read lengths have enabled the discovery of novel transcripts that short sequencing technologies had not been able to detect. This is mainly due to the ability to sequence the entire transcript from the 5' to the 3' end, which makes it possible to dispense with the assembly and reconstructions required with short-read technologies. Despite the efficiency demonstrated by the mapping and assembly software used, these can generate artefacts and do not correctly resolve complex loci. This is why many transcripts are not detected when mapping their reads to other similar transcripts. Avoiding this step is crucial to get a clearer picture of the structure and splicing events occurring in each gene, which is why long reads are increasingly used for transcriptomic sequencing studies. Along with the development of all this technology, new bioinformatics tools were needed to process and analyse the data generated. In the specific case of transcriptomic studies, those dedicated to the analysis, classification and even discovery of new isoforms resulting from splicing events stand out. Alternative splicing is one of the main diversity-producing mechanisms in living beings and is very important in practically all biological processes. However, most of these tools need the support of a reference genome to classify and analyse the sequences generated. This makes it difficult to use them in species that either lack a reference genome or do not have one of sufficient quality. The aim of this final degree project is the optimisation and validation of a pipeline capable of classifying transcripts from sequencing projects with long-reads. This classification is twofold: on the one hand, it groups transcripts from the same gene and, on the other, it classifies them according to the splicing event they appear to have undergone (intronic retention, exonic changes, alternative UTRs, etc.). The pipeline, mainly programmed in Python, uses a variety of methods including mapping, clustering or assembly, using everything from k-mers to bruijn graphs. In addition, it will be applied to a real case: transcriptomic analysis of the Micropterus salmoides species will be performed, using an RNA sequencing project previously carried out with SMRT sequencing technology (PacBio).

[ES] La investigación en el campo del microbioma humano ha permitido dilucidar el gran impacto que tienen en nuestra salud los microbios que habitan en nuestro tracto digestivo. Las intereacciones dieta-hospedador microbiota también han permitido concluir que existe un gran potencial biomédico/biotecnológico sobre ciertas especies predominantes en nuestro intestino y que podrían contribuir de manera importante en el mantenimiento del mismo, con un amplio impacto a nivel sistémico. Por ello, el conocimiento en profundidad de la fisiología, genética y las funciones metabólica codificadas en los genomas de dichos microorganismos representa un aspecto relevante en la caracterización tanto de cepas con potencial probiótico como de biomarcadores de enfermedades no comunicables. El presente proyecto tienen como objetivo secuenciar, ensamblar y evaluar desde un punto de vista funcional el genoma de un aislado de la especie Blautia spp., que mediante estudios clínicos previos ha demostrado tener un posible papel en la obesidad infantil y en la prevención del tono inflamatorio intestinal subyacente a dicha condición mórbida., [EN] Research in the field of the human microbiome has made possible to elucidate the great impact that the microbes that inhabit our digestive tract have on our health. Diet-host-microbiota interactions have also led to the conclusion that there is a big biomedical/biotechnological potential for certain predominant species in our intestine and that they could contribute significantly to its maintenance, with a broad impact at the systemic level. Therefore, in-depth knowledge of the physiology, genetics and metabolic functions encoded in the genomes of these microorganisms represents a relevant aspect in the characterization of both strains with probiotic potential and biomarkers of non-communicable diseases. The objective of this project is to sequence, assemble and evaluate from a functional point of view the genome of an isolate of a Blautia spp. species, which through previous clinical studies has been shown to have a possible role in childhood obesity and in the prevention of tone intestinal inflammation underlying said morbid condition.

Several tools have been developed to extract knowledge from the vast amount of data in genomics. The success of the knowledge extraction process depends to arge extent on how easy to learn and use are the tools for bioinformaticians. User interface design is neglected frequently in the genomic tool development process. As a result, user interfaces contain usability problems that make knowledge extraction a complex task. User-Centered Design (UCD) is a design approach that can be applied to improve the usability of interfaces. A fundamental principle of UCD is to design the UI based on users’ knowledge, their needs, objectives, and tasks to ensure that the resulting user interface meets the real user needs. We apply the UCD approach to design, evaluate and improve CitrusGenome, a tool that enables bioinformaticians to extract knowledge from genomic data. Following the UCD process, we first conduct user research to define user needs by applying UCD techniques such as interviews and task analysis. Then, we design a user interface that meets those user needs by using GenomIUm. GenomIUm is a systematic method that guides the design process of user interfaces in the genomic domain. We have performed two UCD iterations and, after each iteration, the user interfaces were validated by bioinformaticians. Some usability problems were found in each iteration. Therefore, we refined the user interface by solving the usability problems and incorporating such solutions into the final design. Finally, bioinformaticians using the refined user interface reported a reduction in the complexity of extracting knowledge from genomic data. We conclude that UCD techniques, together with GenomIUm, can be a useful strategy to design user interfaces that are easier to learn and use in the genomic domain

The present Master's Final Work has focused on the achievement of two objectives: the creation of a database of epitopes of the multitasking proteins present in the MultitaskProtDB-II database and the obtaining of mimotopes of the multitasking proteins with a protein structure analogous to 1iok_A, in order to check if they present mimicry with human proteins associated with pathologies. Epitope prediction was performed with Ellipro, if its PDB code was known and with Bepipred-2.0, if not, after obtaining the sequence in FASTA format from Uniprot. In a first phase, a sequence alignment was performed with Uniprot Align (using Clustal Omega), accurately identifying the analogous epitopes of the six proteins which, in turn, have been analyzed in Tomtom, obtaining 19 consensus mimotopes. In a second phase, a comparative analysis of the mimotopes in FASTM has been carried out, obtaining a list of forty human proteins with a high degree of similarity, from which has been created a database of associated pathologies, extracted from Open Targets and DisGeNet, for each protein on the list. Finally, from the list of ELM motifs analogous to each mimotope provided by Tomtom, a database of proteins with motifs analogous to the first 3 mimotopes has been created and, too, a database with the associated pathologies of the proteins with motifs analogous to the first mimotope. El presente Trabajo Fin de Máster se ha centrado en la consecución de dos objetivos: la creación de una base de datos de epítopos de las proteínas multitarea presentes en la base de datos MultitaskProtDB-II y la obtención de mimotopos de las proteínas multitarea con estructura proteica análoga a 1iok_A, para comprobar si presentan mimetismo con proteínas humanas asociadas a patologías. La predicción de epítopos se realizó con Ellipro, si se conocía su código PDB y con Bepipred-2.0, en caso contrario, tras obtener la secuencia en formato FASTA de Uniprot. En una primera fase, se realizó un alineamiento de secuencias con Uniprot Align (utilizando Clustal Omega), identificando con precisión los epítopos análogos de las seis proteínas que, a su vez, se han analizado en Tomtom, obteniendo 19 mimotopos consenso. En una segunda fase, se ha realizado un análisis comparativo de los mimotopos en FASTM, obteniendo una lista de cuarenta proteínas humanas con un alto grado de similitud, a partir de la cual se ha creado una base de datos de patologías asociadas, extraída de Open Targets y DisGeNet, para cada proteína de la lista. Finalmente, a partir de la lista de motivos ELM análogos a cada mimotopo proporcionada por Tomtom, se ha creado una base de datos de proteínas con motivos análogos a los 3 primeros mimotopos y, también, una base de datos con las patologías asociadas de las proteínas con motivos análogos al primer mimotopo. El present Treball Fi de Màster s'ha centrat en la consecució de dos objectius: la creació d'una base de dades de epítopos de les proteïnes multitasca presents en la base de dades MultitaskProtDB-II i l'obtenció de mimotopos de les proteïnes multitasca amb estructura proteica anàloga a 1iok_A, per a comprovar si presenten mimetisme amb proteïnes humanes associades a patologies. La predicció de epítopos es va realitzar amb Ellipro, si es coneixia el seu codi PDB i amb Bepipred-2.0, en cas contrari, després d'obtenir la seqüència en format FASTA de Uniprot. En una primera fase, es va realitzar un alineament de seqüències amb Uniprot Align (utilitzant Clustal Omega), identificant amb precisió els epítopos anàlegs de les sis proteïnes que, al seu torn, s'han analitzat en Tomtom, obtenint 19 mimotopos consens. En una segona fase, s'ha realitzat una anàlisi comparativa dels mimotopos en FASTM, obtenint una llista de quaranta proteïnes humanes amb un alt grau de similitud, a partir de la qual s'ha creat una base de dades de patologies associades, extreta de Open Targets i DisGeNet, per a cada proteïna de la llista. Finalment, a partir de la llista de motius ELM anàlegs a cada mimotopo proporcionada per Tomtom, s'ha creat una base de dades de proteïnes amb motius anàlegs als 3 primers mimotopos i, també, una base de dades amb les patologies associades de les proteïnes amb motius anàlegs al primer mimotopo.

El SARS-CoV2 es un virus de la familia Coronaviridae, causante de la enfermedad COVID-19, capaz de producir un síndrome respiratorio agudo severo. Este agente, es el responsable de la situación de pandemia mundial declarada en el primer trimestre del 2020 y que aún sigue vigente, en la que se han infectado más de 277 millones de personas en todo el mundo, falleciendo más de 5 millones como causa directa de la enfermedad. Se ha establecido hasta el momento una serie de variables clínicas relacionadas con un peor pronostico de esta patología (HTA, dislipemia, sedentarismo, etc) y variables genéticas, tales como genes codificantes de HLA III, HLA-A, HLA-B, HLA-C, IFN, TNF¿, IL-6 e IL-8 entre otros. En este trabajo se estudian los cambios en la expresión generada en el transcriptoma de pacientes infectados por SARS-CoV2 y que han desarrollado diferentes grados de severidad del síndrome secundario a la infección. Se ha realizado un análisis mediante RNA-seq empleando diversas herramientas bioinformáticas. Como resultado se obtienen 2042 genes diferencialmente expresados entre pacientes clasificados como grave (CV) frente a aquellos clasificados como críticos (UCI). De esta manera, encontramos algunos genes que pueden explicar distintos niveles de gravedad del COVID-19, tales como PGLYRP1, HDAC9 y FUT4 . Asimismo existen otros con potencial real para su futuro análisis: ABCF1, ABHD16A y IER3 entre otros. SARS-CoV2 is a virus of the Coronaviridae family, which causes the disease COVID-19, capable of producing severe acute respiratory syndrome. This agent is responsible for the global pandemic situation declared in the first quarter of 2020 and which is still in force, in which more than 277 million people have been infected worldwide, with more than 5 million dying as a direct cause of the disease. A series of clinical variables related to a worse prognosis of this pathology (hypertension, dyslipidemia, sedentary lifestyle, etc) and genetic variables, such as genes coding for HLA III, HLA-A, HLA-B, HLA-C, IFN, TNF¿, IL-6 and IL-8 among others, have been established so far. In this work we study the changes in the expression generated in the transcriptome of patients infected by SARS-CoV2 and who have developed different degrees of severity of the syndrome secondary to the infection. An RNA-seq analysis has been performed using several bioinformatics tools. As a result, we obtained 2042 genes differentially expressed between patients classified as severe (CV) versus those classified as critical (ICU). Thus, we found some genes that can explain different levels of severity of COVID-19, such as PGLYRP1, HDAC9 and FUT4 . There are also others with real potential for future analysis: ABCF1, ABHD16A and IER3 among others. El SARS-CoV2 és un virus de la família Coronaviridae, causant de la malaltia COVID-19, capaç de produir una síndrome respiratòria aguda sever. Aquest agent, és el responsable de la situació de pandèmia mundial declarada en el primer trimestre del 2020 i que encara continua vigent, en la qual s'han infectat més de 277 milions de persones a tot el món, morint més de 5 milions com a causa directa de la malaltia. S'ha establert fins al moment una sèrie de variables clíniques relacionades amb un pitjor pronostico d'aquesta patologia (HTA, dislipèmia, sedentarisme, etc) i variables genètiques, com ara gens codificants de HLA III, HLA-A, HLA-B, HLA-C, IFN, TNF, IL-6 i IL-8 entre altres. En aquest treball s'estudien els canvis en l'expressió generada en el transcriptoma de pacients infectats per SARS-*CoV2 i que han desenvolupat diferents graus de severitat de la síndrome secundària a la infecció. S'ha realitzat una anàlisi mitjançant RNA-seq emprant diverses eines bioinformàtiques. Com a resultat s'obtenen 2042 gens diferencialment expressats entre pacients classificats com a greu (CV) enfront d'aquells classificats com a crítics (UCI). D'aquesta manera, trobem alguns gens que poden explicar diferents nivells de gravetat del COVID-19, com ara PGLYRP1, HDAC9 i FUT4 . Així mateix existeixen uns altres amb potencial real per a la seva futura anàlisi: ABCF1, ABHD16A i IER3 entre altres.

Electrical impedance spectroscopy (EIS) is a technique widely used to obtain electrical characteristics of a tissue or material, without the need to destroy the sample. Measurements can be made extracellularly or intracellularly. The aim of this study is to evaluate the efficiency of the Analog Discovery 2 measuring instrument to perform EIS measurements for the study of plant physiology, such as water stress. To do this, it will be necessary to carry out an initial study of the electrodes to be used and their optimal placement. Two types of electrodes will be used, one invasive and the other non-invasive. Next, the effect of water stress on the samples and its characterisation in the values obtained with EIS will be studied with samples and a reference instrument, the HP4294A precision impedance analyser. Finally, the impedance measurements made with the AD2 on a plant, Dracena Compacta, will be evaluated with the optimum electrodes studied. The reference values obtained in the second part of the study will be used to conclude the possibility of carrying out EIS measurements. On the other hand, the possibility of carrying out biopotential measurements with this instrument will also be studied.

[ES] Las modificaciones postranscripcionales de las bases del RNA están muy extendidas en los eucariotas y se han relacionado con la maduración, la estabilidad y ciertas interacciones. Sin embargo, el estudio de estas modificaciones de manera global es aún incipiente y no se conoce con certeza el papel que podrían desempeñar en la respuesta a estrés en plantas. Por tanto, el objetivo de este trabajo consiste en inferir modificaciones de RNA diferenciales en plantas bajo infección de por un patógeno, hop stunt viroid (HSVd). Se ha utilizado una estrategia computacional basada en High-throughput Annotation of Modified Ribonucleotides (HAMR), una herramienta de predicción basada en el patrón de incorporación diferencial en la transcripción reversa de ribonucleótidos con modificaciones químicas. Para ello se compararon los resultados de HAMR para el análisis diferencial con el fin de encontrar potenciales modificaciones de RNA. Previo al análisis con HAMR, a las secuencias se les debió eliminar los adaptadores empleados en la secuenciación y se filtraron por calidad de secuenciación usando el software Trimmomatic. Además, para poder ejecutar el programa se necesitaron los resultados del mapeo de cada librería de secuencias frente al genoma de referencia de la variedad Chinese long por lo que se empleó el software STAR. El resultado de este mapeo sirvió para la ejecución de HAMR y poder realizar el análisis de las posibles modificaciones postranscripcionales., [EN] Post-transcriptional modifications of RNA bases are widespread in eukaryotes and have been linked to maturation, stability, and certain interactions. However, the global study of these modifications is still in its infancy and therefore the role that these modifications might play in the stress response of plants is not well understood yet. Therefore, the aim of this work is to infer differential RNA modifications in plants under infection by a pathogen, hop stunt viroid (HSVd). A computational strategy based on High-throughput Annotation of Modified Ribonucleotides (HAMR), a prediction tool based on the differential incorporation pattern in reverse transcription of chemically modified ribonucleotides, was used. For this purpose, HAMR results for differential analysis were compared to find potential RNA modifications. Prior to HAMR analysis, the adapters were removed from the raw sequences and these were filtered by sequencing quality using Trimmomatic software. In addition, in order to run the program, the results of the mapping of each sequence library against the reference genome of the Chinese long variety using STAR software were required. The result of this mapping was used for the execution of HAMR in order to carry out the analysis of the possible post-transcriptional modifications.

[ES] La metagenómica es una disciplina que surge ante la imposibilidad de aislar y cultivar la (amplia) mayoría de los organismos microbianos que viven en los ecosistemas naturales. El término hace referencia al estudio del conjunto de genomas de los organismos que habitan una muestra natural, al fin de describir, quiénes son y cuáles son sus potencialidades genéticas. Gracias a los considerables avances en el campo de la biología molecular, las nuevas tecnologías de secuenciación masiva (Next Generation Sequencing, NGS) y la bioinformática, la metagenómica se postula como una de las disciplinas con mayor progreso, en la actualidad, en el campo de la ecología microbiana. Una parte fundamental del análisis metagenómico son las herramientas bioinformáticas empleadas para analizar los resultados de secuenciación; aunque esta disciplina puede considerarse bastante reciente, existen ya una gran variedad de bases de datos, pipelines (flujo de trabajo) y programas. Con respecto a los pipelines, estos se desarrollan para la integración de diversos paquetes de software complementarios y para la automatización de los procesos; no obstante, al aumentar la complejidad del análisis aparecen obstáculos que dificultan el uso de pipelines de alto rendimiento: incompatibilidad entre los diferentes paquetes de software, requisitos de actualización contradictorios, gestión de un elevado número de archivos intermedios y temporales u optimización de los recursos de computación. A fin de solventar todos estos problemas, recientemente ha surgido un lenguaje específico de dominio (DLS) llamado Nextflow. Este permite la adaptación de pipelines escritos en cualquier lenguaje de programación. La elección de Nextflow para el desarrollo de un pipeline para análisis metagenómicos se justifica por características como el uso de tecnologías de contenedores multi-escala, su integración en repositorios de software, la paralelización y la definición de canales de entrada y salida para el inicio automático de cada sub-proceso. Además, el modelo de flujo de datos mejora a otras herramientas alternativas; ya que, el procesamiento ¿top-down¿ no necesita gran espacio de almacenamiento. En definitiva, Nextflow se presenta como una solución flexible y robusta debido a la simplificación, al control del flujo de datos y a la gestión de los resultados que se recogen de los análisis metagenómicos. En esta tesis, se presenta un pipeline de análisis basado en Nextflow que recoge los pasos principales del análisis metagenómico. El pipeline propuesto proporciona al usuario una herramienta que evita el proceso de instalación de los programas necesarios en el análisis y ejecuta los pasos más dispendiosos desde el punto de vista comunicacional en el análisis metagenómico. El pipeline recibe como entrada los datos brutos a analizar, procedentes de una o más muestras y continua con los pasos de control de calidad, ensamblado, anotación y cuantificación de cada anotación. Finalmente, proporciona, de forma clara y resumida, los resultados necesarios para los siguientes análisis estadísticos descriptivos y/o diferenciales; actuando de forma transparente, robusta y altamente reproducible, acelerando los tiempos de ejecución, ahorrando espacio de almacenamiento para el análisis y optimizando así los recursos informáticos disponibles., [EN] Metagenomics is a discipline that arose from the impossibility of isolating and cultivating most of microbial organisms that live in natural ecosystems. The term refers to the study of the genomes of the organisms that inhabit a natural sample in order to describe which microorganisms they are and what their genetic potentialities are. Because of the considerable advances in the field of molecular biology, Next Generation Sequencing technologies (NGS) and bioinformatics, metagenomics is currently one of the most advanced disciplines in the field of microbial ecology. The analysis of sequencing results is performed by bioinformatic tools that are an essential part of metagenomic analysis; although this discipline may be considered quite recent, a wide variety of databases, pipelines (workflows) and programs have been developed. Pipelines are used for the integration of different and complementary software packages, and for the automation of processes. However, as the complexity of the analysis increases, obstacles which hinder the use of high-performance pipelines appear: incompatibility between different software packages, conflicting upgrade requirements, management of a large number of intermediate and temporary files, and optimization of computing resources. In order to overcome all these problems, a domain-specific language (DLS) called Nextflow has recently emerged. Nextflow allows the adaptation of pipelines written in any programming language. The choice of Nextflow for the development of a metagenomic analysis pipeline is justified by features such as the use of multi-scale containerization, its integration with software repositories, parallelization and the definition of input and output channels for the automatic start of each sub-process. In addition, the data flow model improves other alternative tools, because the top to bottom processing does not require large storage space. In conclusion, Nextflow stands to be a flexible and robust solution owing to the simplification, data flow control and management of the results collected from metagenomic analysis. In this thesis, a Nextflow-based analysis pipeline, that captures the main steps of metagenomic analysis, is presented. The workflow provides the user with a tool that avoids the process of installing the necessary programs for the analysis and executes the most complex and communicatively problematic stages in metagenomic analysis. The pipeline receives as input the raw data to be analyzed from one or more samples and it continues with the steps of quality control, assembly, annotation, and quantification of each annotation. Finally, it provides, in a clear and summarized way, the necessary results for the following descriptive and/or differential statistical analysis, acting in a transparent, robust and highly reproducible way, speeding up execution times, saving storage space for the analysis, and optimizing the available informatic resources.

Trabajo de Fin de Máster en Ingeniería Informática. Curso 2020-2021., [ES]El objetivo del trabajo es llevar a cabo un análisis computacional sobre la secuencia de ADN de una levadura de la familia s. Pombe con el fin de buscar patrones periódicos que puedan indicar cómo se forman los nucleosomas en el proceso de compactación del ADN en el núcleo celular., [EN]The objective of the work is to carry out a computational analysis on the dna sequence of a yeast of the s. Pombe family in order to look for periodic patterns that can indicate how nucleosomes are formed in the process of dna compaction in the cell nucleus

Los procesos biológico sal interior de las células, tales como la expresión génica, son el resultado de una serie de interacciones entre diferentes tipos de moléculas y reacciones que toman lugar dentro de un determinado sistema biológico. Dichos procesos pueden ser aproximados de forma práctica a través del uso de ecuaciones diferenciales. Sin embargo, en la experimentación, el producto de un proceso de expresión génica puede variar a lo largo de una población de células homogéneas. Dicha población puede ser estudiada in silico mediante la estimación de los parámetros que caracterizan su comportamiento. Los métodos computacionales por los cuales se simula y se modela la expresión de una población son tareas que requieren de un gran conocimiento tanto a nivel biológico como de los algoritmos utilizados para su aproximación. Por lo tanto, el objetivo de este trabajo es proponer una herramienta para el modelado de la expresión génica de poblaciones celulares. En primer lugar, se recopilaron los aspectos fundamentales tenidos en cuenta por el paradigma de la biología de sistemas, para plantear una metodología de diseño de la herramienta e implementar algunos algoritmos que permitan obtener una introducción en el área. En este trabajo, se desarrolla una interfaz de usuario mediante la cual las personas interesadas en aprender sobre sistemas biológicos en poblaciones celulares puedan comprender conceptos básicos sobre la definición del sistema, su simulación a partir de diferentes fuentes de variabilidad y su posterior modelado para estimar los parámetros que las caracterizan. La herramienta se implementa en software de uso libre, de tal manera que sea posible acceder a ella de forma abierta. Así, permitiendo una potencial modificación, mejora, o uso de los algoritmos que integran la herramienta. Por último, se evalúa la usabilidad de la herramienta mediante la elaboración de la documentación de su uso y la creación de una experiencia educativa dirigida a estudiantes de Ingeniería Biomédica, en la cual se presenta todo el proceso de modelado de una población celular a través de un caso de estudio Biological processes inside cells, such as gene expression, are the outcome of a series of interactions between different kinds of molecules and reactions that take place in a biological system. These processes can be approximated in a practical way usingdifferential equations. However, in experimentation, the product of a gene expression process might be different throughout a homogeneous cell population. In silico, such a population can be studied through the estimation of the parameters that characterize its behavior.Computational methods used to simulate and model the expression of a population are tasks that require having a good knowledge of both at abiological level and algorithms for their approximation. Therefore, the aim of this work is to propose a tool for modeling the gene expression of cell populations. First, fundamental aspects of the biological system paradigm are gathered to present a tool design methodology and implement some algorithms that allow to introduce beginners to the field. Inthis work, a user interface is developed so it could help others interested in biological systems in cell populations to obtain insights about basic topics on biological systems definition, simulatingfrom several variability sources and subsequent modelling to estimate parameters.Freely usable software is used for the tool implementation;thus, it is possible to get open access to it and potentially modify, enhance,or use the implemented algorithms.Lastly, tool usability is assessed through the creation of user documentation and a learning experience aimed at students ofBiomedical Engineering.The latter presents the general process of modelling a cell population describing a case study Proyecto de grado (Ingeniero Biomédico)-- Universidad Autónoma de Occidente, 2021 Pregrado Ingeniero(a) Biomédico(a)

Fil: Martínez Pérez, Elizabeth. Fundación Instituto Leloir. Laboratorio de Biología Estructural; Argentina. Martínez Pérez, E. (2021). Patrones mutacionales en cáncer. (Tesis de doctorado). Universidad Nacional de Quilmes, Bernal, Argentina. El cáncer es uno de los problemas de salud más importantes a nivel mundial y, a pesar de avances recientes en diagnóstico y terapia, la mortalidad sigue siendo inaceptablemente alta. Es la segunda causa de muerte con una estimación global de 14 millones de nuevos casos y 8.2 millones de muertes cada año. Es una enfermedad de evolución clonal, donde una célula adquiere mutaciones y/o alteraciones epigenéticas que la vuelven más apta. El resultado de un tratamiento está fuertemente determinado por las alteraciones en su genoma; de ahí la idea de las terapias personalizadas dirigidas a una o múltiples dianas moleculares. La terapia inmunológica ha demostrado buenos resultados en el tratamiento de algunos tumores, sin embargo solo un 35% de los pacientes se benefician de esta por lo que es necesario encontrar mejores marcadores para predecir su efectividad. El principal objetivo de esta tesis ha sido encontrar patrones entre las mutaciones en los pacientes con cáncer utilizando técnicas bioinformáticas y el análisis de datos públicamente disponibles. Hemos abordado tres temas, las relaciones entre las mutaciones por su utilidad en las terapias dirigidas, las mutaciones que generan resistencia a medicamentos y la carga mutacional total (TMB) como biomarcador de pacientes con beneficio clínico ante la inmunoterapia. Como resultados se obtuvieron relaciones entre mutaciones con significación estadística, algunas de ellas son excluyentes, mientras que otras son comutaciones. Tanto el tipo de relación como las mutaciones implicadas en ella son importantes al momento de seleccionar una terapia multi dirigida. Se encontraron 3 características de las mutaciones drivers (o sea causantes de la enfermedad), lo que nos permite sugerir mutaciones como drivers que aún no son consideradas como tal. Además, se determinó que la mayoría de las mutaciones de resistencia a drogas ocurren cerca del sitio de unión a la misma y en el caso de las quinasas también en el lazo de activación. Por último, se definieron paneles de genes tumor-específicos para predecir con mayor precisión el TMB. Estos paneles son más económicos que los paneles comerciales (Foundation-One y MSK-Impact) ya que requieren secuenciar menos pares de bases. Además contribuimos al estudio de proteínas desordenadas (o con regiones desordenadas) durante estadías en el exterior como colaboraciones. Cancer is one of the most important health problems in the world, and despite recent advances in diagnosis and therapy, mortality remains unacceptably high. It is the second leading cause of death with a global estimate of 14 million new cases and 8.2 million deaths each year. Cancer is a disease of clonal evolution, where cells acquire mutations and / or epigenetic alterations that give them adaptive advantages with respect to the normal cells. The goal of a treatment is strongly determined by the alterations in his/her genome; hence the idea of personalized therapies directed at one or multiple molecular targets. Immunotherapy has shown good results in the treatment of some tumors, however only 35% of patients benefit from it, so it is necessary to find better markers to predict its effectiveness. The main goal of this thesis has been to find patterns between mutations in cancer patients using bioinformatic techniques and the analysis of public available data. We have approached three problems: the relationships between mutations due to their usefulness in designing targeted therapies; the study of mutations that generate drug resistance; and the prediction of the total mutational burden (TMB) as a biomarker of patients immunotherapy benefit. Our results show a relationship between mutations with statistical significance some of them are mutually exclusive, while others co-occur. Knowing both, the type of relationship and the mutations are important to select a multi-targeted therapy. We found 3 characteristics of driver mutations that allow us to suggest new mutations as drivers not considered as such yet. By other hand, we determined that most of the drug resistance mutations occur near their binding site and, in the case of kinases also in the activation loop. Finally, tumor-specific gene panels were defined to accurately predict TMB. These panels are cheaper than currently used commercial panels (Foundation-One and MSK-Impact) as they require fewer base pairs to be sequenced. Also, we contribute to the study of disordered proteins (or with disordered regions) during my stays abroad in collaborative works.

Fil: Marchetti, Julia. Universidad Nacional de Quilmes; Argentina. Marchetti, J. (2021). Desarrollo de herramientas bioinformáticas basadas en métodos evolutivos y estructurales para el estudio de proteínas. (Tesis de doctorado). Universidad Nacional de Quilmes, Bernal, Argentina. A lo largo de los años se hizo cada vez más evidente la necesidad de contar con el conocimiento de la estructura tridimensional de una proteína, ya que permite entender numerosos aspectos de la misma. La conservación de la estructura proteica durante la evolución reafirma, a nivel molecular, la importancia de la relación estructura-función, concepto fundacional en Biología. El presente trabajo se centra en el estudio de un conjunto específico de proteínas llamadas Proteínas Intrínsecamente Desordenadas (Intrinsically Disordered Protein IDPs por sus siglas en inglés y llamadas así de aquí en adelante). Estas proteínas presentan características estructurales y dinámicas únicas convirtiéndolas en un desafío para la Biología. Se trata de proteínas ‘recientes’ en el mundo de la Biología Estructural históricamente gobernada por la aparente abundancia de las paradigmáticas proteínas globulares que cuentan con una estructura definida y son paradigmas de la palabra ‘proteínas’ en cualquier libro de texto de Bioquímica. ¿Cuán desestructuradas son las IDPs? ¿Sigue siendo válido el concepto de la relación estructura-función? ¿La ausencia de estructura tiene alguna consecuencia esencial en el proceso de sustitución de los aminoácidos? Si bien las IDPs pueden no tener estructura, no escapan a otros principios fundacionales como el enunciado por Theodosius Dobzhansky: ‘nada tiene sentido en biología si no es a la luz de la evolución’ (Dobzhansky, 1973) y es por ello que en este trabajo de tesis nos enfocamos en dilucidar la relación entre la ausencia de estructura y el proceso de evolución molecular de las IDPs. En el capítulo 1 de esta tesis se dan nociones introductorias que son importantes para el desarrollo de la tesis tales como el concepto del ensemble(1) nativo, plegado de proteínas, diversidad conformacional y una breve introducción sobre la biología de las proteínas intrínsecamente desordenadas. Luego se desarrollan conceptos introductorios de evolución molecular, modelos de evolución y métodos de evaluación de modelos. En el capítulo 2 nos enfocamos en encontrar posibles restricciones estructurales que restringen la divergencia de la secuencia en las IDPs. En el capítulo 3 mostramos el impacto diferencial de las velocidades de evolución sitio-específicas para regiones ordenadas y regiones desordenadas de las IDPs y su relación con características estructurales de las mismas. En el capítulo 4 estudiamos la importancia de determinadas conformaciones en el ensemble de las IDPs en cuanto a definir el estado nativo, y de ahí su importancia en la función biológica de la proteína. En el capítulo 5 contiene las conclusiones generales de este trabajo y perspectivas a futuro.

El lupus eritematoso sistémico (LES) es una enfermedad compleja y altamente heterogénea que afecta múltiples órganos, incluyendo articulaciones, corazón, sistema hematopoyético, sistema nervioso y riñón, siendo este último el de peor pronóstico y el que conlleva a nefritis lúpica (NL). Aunque la etiopatogénesis del LES aún no se conoce con claridad, se cree que la susceptibilidad genética y las modificaciones epigenéticas aberrantes favorecen su desenlace. Para establecer una terapia precisa es necesario evaluar de manera eficiente y objetiva el compromiso de órganos y la actividad de la enfermedad, lo cual es muy difícil por las pocas pruebas de laboratorio clínico disponibles en la actualidad. En las últimas décadas la búsqueda de nuevos biomarcadores de LES ha sido una tendencia y se han identificado varios promisorios a nivel de genómica, metabolómica, proteómica y transcriptómica. En esta revisión se resume el estado del arte relacionado con estudios transcriptómicos que han identificado diversos transcritos potencialmente útiles como biomarcadores del LES y la NL Systemic Lupus Erythematosus is a complex and highly heterogeneous disease affecting multiple organs such as joints, heart, hematopoietic system, nervous system and kidney, the latter being the worst prognosis and leading to lupus nephritis (LN). While the etiopathogenesis of SLE is still not completely clear, is believed that genetic susceptibility and aberrant epigenetic modifications favor the outcome of the disease. In order to establish an accurate therapy, it is necessary to efficiently and objectively assess organ involvement and disease activity, which is very dificult due to the clinical laboratory tests currently available. In recent decades, the search for new SLE biomarkers has been a trend and many promising biomarkers have been identified at the genomic, metabolomic, proteomic and transcriptomic levels. In this review we summarize the state of the art related to transcriptomic studies that have identified various potentially useful transcripts as biomarkers of SLE and NL. Systemic Lupus Erythematosus is a complex and highly heterogeneous disease affecting multiple organs such as joints, heart, hematopoietic system, nervous system and kidney, the latter being the worst prognosis and leading to lupus nephritis (LN). While the etiopathogenesis of SLE is still not completely clear, is believed that genetic susceptibility and aberrant epigenetic modifications favor the outcome of the disease. In order to establish an accurate therapy, it is necessary to efficiently and objectively assess organ involvement and disease activity, which is very dificult due to the clinical laboratory tests currently available. In recent decades, the search for new SLE biomarkers has been a trend and many promising biomarkers have been identified at the genomic, metabolomic, proteomic and transcriptomic levels. In this review we summarize the state of the art related to transcriptomic studies that have identified various potentially useful transcripts as biomarkers of SLE and NL.

Trabajo de fin de Grado. Grado en Estadística. Curso académico 2020-2021., [ES]La cantidad de datos existentes ha crecido exponencialmente, lo que dificulta su tratamiento con métodos tradicionales. Por ello, se han desarrollado las técnicas de aprendizaje automático, capaces de manejar tal volumen de información. En este trabajo se van a explicar conceptos básicos pertenecientes al ámbito del aprendizaje automático, como el big data, la minería de datos o la inteligencia artificial, así como diferenciar los tipos de aprendizaje automático que hay (supervisado, no supervisado, semisupervisado y por refuerzo). También se quiere mostrar el funcionamiento de diversas técnicas de aprendizaje automático, a través de sus algoritmos con base matemática y estadística o mediante código en lenguajes de programación estadísticos (r y python, principalmente). Una vez comprendidos los conceptos mencionados previamente, se pretende ver las aplicaciones que puede tener el aprendizaje automático en el terreno de la bioinformática, en especial, en la rama de la genómica., [EN]The amount of data we count on has grown exponentially, which makes its processing with traditional methods difficult. Therefore, machine learning techniques have been developed. They are able to handle such a volume of in formation. In this paper, basic concepts belonging to the field of machine learning will be explained, such as big data, data mining or artificial intelli gence. We will also differentiate the types of machine learning: supervised, unsupervised, semisupervised and machine learning by reinforcement. We also want to show how different machine learning techniques work through their algorithms with a mathematical and statistical basis or through code in sta tistical programming languages (r and python, principally). Once the above mentioned concepts are understood, we will see the machine learning applica tions in the field of bioinformatics, specially in the branch of genomics.

ilustraciones, fotografías, graficas Trypanosoma cruzi causa la enfermedad de Chagas, patología distribuida globalmente y carente de tratamientos efectivos, lo que hace pertinente la búsqueda de estrategias alternas de control. La dinámica del dinucleótido de nicotinamida y adenina (NAD+) es determinante en la homeostasis celular, y, las proteínas que participan en ella son promisorios blancos farmacológicos. La síntesis del NAD+ es citosólica en T. cruzi, por lo que un sistema intracelular de distribución debe existir; proteínas de la Familia de Transportadores Mitocondriales (MCF) cumplen esta función en eucariotas, y se espera que el parásito cuente con homólogos capaces de movilizar al dinucleótido. Tres secuencias candidato a transportador de NAD+ de T. cruzi fueron caracterizadas; el estudio in silico de las proteínas TcNdt1 y TcNdt2 mostró que estructuralmente conservan características de la MCF, y por docking molecular se determinó que están dotadas de elementos capaces de interactuar específicamente con el dinucleótido. Por su parte, el candidato TcNdt3 es una proteína atípica de la MCF con una duplicación de sus elementos estructurales. En los 3 candidatos se predice una localización mitocondrial o glicosomal, al igual que la presencia sitios blanco de modificaciones postraduccionales. Ensayos de complementación realizados con las cepas Δndt1 y Δndt2 de Saccharomyces cerevisiae mostraron que TcNdt1 y TcNdt2 reestablecen el crecimiento rezagado de los mutantes en medio no fermentable, comprobando su actividad transportadora de NAD+. De forma complementaria, se desarrolló el sistema de expresión MISTIC que media la inserción de proteínas en membranas de E. coli, y se adelantaron ensayos piloto de transporte del dinucleótido. Empleando un antígeno recombinante generado en E. coli se produjeron IgY que permitieron la detección por inmunofluorescencia de la TcNdt2 endógena sobre epimastigotes de T. cruzi, indicando que presenta localización posiblemente glicosomal asociada a tráfico vesicular. Adicionalmente, se evaluó la expresión de un fragmento de la RVG del virus de la rabia en S. cerevisiae, donde fue posible obtener un patrón de reconocimiento diferencial en la inmunodetección, el cual es atribuible a la expresión de la recombinante en el modelo eucariota. Los resultados obtenidos en este estudio constituyen un aporte importante para entender la simplificación en el metabolismo del NAD+ en parásitos intracelulares, y sus relaciones con el hospedero. (Texto tomado de la fuente) Trypanosoma cruzi is the etiological agent of Chagas disease, a disease that has a worldwide distribution and lacks effective treatments, making it pertinent to look for alternate control strategies. The nicotinamide-adenine nucleotide (NAD+) dynamics determines cell homeostasis, and the proteins involved in it are interesting pharmacological targets. NAD+ synthesis is cytosolic in T. cruzi, and therefore, an intracellular distribution system should exist; proteins belonging to the Mitochondrial Carrier Family (MCF) fulfill this role in eukaryotes, ant it is expected that the parasite has MCF homologues able to transport the dinucleotide. Three NAD+ carrier candidate sequences from T. cruzi were studied; in silico analysis of the TcNdt1 and TcNdt2 protein showed that typical structural features from the MCF are conserved in these proteins, and, through molecular docking, it was found that they are both endowed with structural elements able to interact specifically with the dinucleotide. On the other hand, the TcNdt3 candidate is an atypical MCF protein that shows a complete duplication of its structural elements. The 3 candidate sequences are predicted to have a mitochondrial or glycosomal localization, and throughout the TcNdt1, TcNdt2 and TcNdt3 sequences post-translational modification sites are predicted. Complementation assays carried out with the Saccharomyces cerevisiae mutant strains Δndt1 and Δndt2, showed that the TcNdt1 and TcNdt2 sequences reestablish yeast cell growth on a non-fermentable media, supporting that the T. cruzi proteins are functional NAD+ carriers. As a complementary approach, the MISTIC expression system, that mediates recombinant protein insertion in E. coli membranes, was developed, and pilot dinucleotide transport assays were performed. Using a recombinant antigen produced in E. coli, specific IgY against TcNdt2 were raised, which allowed for the endogenous carrier recognition through immunofluorescence on T. cruzi epimastigotes, showing that the NAD+ carrier has a glycosomal localization, linked to the vesicular transport. Further, the expression of a recombinant fragment derived from the rabies virus RVG protein was evaluated in S. cerevisiae, and at the immunodetection a differential recognition pattern was obtained, which can be attributed to the recombinant protein production in the eukaryotic system. The results obtained in this study make for an important contribution for the understanding of the NAD+ metabolism simplification that occurred in the intracellular parasites, and for the understanding of the host-parasite interactions. Maestría Magíster en Ciencias - Bioquímica Bioquímica y Biología Molecular de Parásitos