A explosão de dados genômicos nas últimas décadas tem apresentado um desafio substancial, exigindo novas abordagens de estudo para análise e interpretação eficientes. Esta pesquisa surge nesse contexto, oferecendo uma análise abrangente em bioinformática, que explora diversas facetas da genômica e sua relevância para a saúde. O estudo engloba a análise de genomas mitocondriais de espécies amazônicas, a investigação das variantes genéticas e sua correlação com a sobrevida de pacientes com câncer gástrico em Natal-RN, e o desenvolvimento do aplicativo DTreePred, projetado para prever a patogenicidade dessas variantes. Adicionalmente, são discutidos os resultados da análise de pacientes com câncer gástrico em Belém-PA, empregando aprendizado de máquina para detecção da doença com base em variantes genéticas. Para validar os modelos de IA desenvolvidos com base na população paraense, foram utilizadas amostras públicas de pacientes coreanos com e sem câncer gástrico. Destaca-se que os modelos mais eficazes alcançaram uma acurácia superior a 90% na classificação de pacientes coreanos como normais ou portadores de câncer. Esta pesquisa evidencia, assim, a integração produtiva de técnicas bioinformáticas na pesquisa genômica e na compreensão de doenças complexas, representando avanços significativos no campo da saúde e da genômica.

A identificação do tipo celular é uma etapa crítica na análise computacional de experimentos de scRNA-Seq, envolvendo a agrupação não supervisionada de células com base nos perfis de expressão gênica. Métodos tradicionais que dependem de marcadores gênicos canônicos apresentam limitações, como sensibilidade a variações e a ausência de genes característicos para certos tipos celulares. Para lidar com esses desafios, propomos uma abordagem inovadora que combina algoritmos de aprendizado de máquina com seleção de características. Nossa metodologia envolve a seleção de um conjunto de dados adequado para treinar um modelo, garantindo generalização para novos dados. Escolhemos um conjunto abrangente de dados que engloba o sistema nervoso central e periférico de camundongos em diferentes estágios de desenvolvimento. Em seguida, a seleção de características foi aplicada usando o algoritmo DUBStepR, considerando correlações gene-gene para identificar características ótimas para a classificação celular. O conjunto de dados resultante, composto por 28.795 células e 16.960 genes, foi usado para treinar e avaliar modelos utilizando os algoritmos de k Nearest Neighborhood (kNN), Decision Tree (DT), Naive Bayes (NB), Support Vector Machine (SVM) e Multilayer Perceptron (MLP). Todos os modelos demonstraram pontuações F1 superiores a 90%, exceto o NB. Testes em um conjunto de dados de scRNA-Seq de cérebro humano confirmaram a robustez dos algoritmos, com valores de área sob a curva (AUC) indicando uma classificação precisa das células. SVM e MLP foram selecionados para análises adicionais devido às taxas mais baixas de falsos positivos e falsos negativos. Comparativos com ferramentas existentes como scAnnotatR e ACTINN destacam a versatilidade de nossa abordagem, especialmente ao lidar com diversos tipos celulares. Em seguida, aplicamos os modelos SVM e MLP para classificar neurônios gerados in vitro a partir de neurônios humanos induzidos (hiNs) gerados por protocolos distintos, alcançando resultados consistentes na identificação de neurônios glutamatérgicos e GABAérgicos. Também tentamos classificar hiNs de acordo com células de diferentes regiões do cérebro, revelando desafios na classificação de neurônios GABAérgicos por região, possivelmente devido a um número limitado de características ótimas. Análise de expressão gênica e Análise de Enriquecimento de Conjunto de Genes (GSEA) contribuíram para identificar conjuntos de genes associados à maturação eletrofisiológica de hiNs glutamatérgicos gerados por um protocolo alternativo usando ASCL1 em comparação com outros protocolos. A análise da rede regulatória identificou fatores de transcrição mestres com maior atividade especificamente neste protocolo. Em conclusão, nossa abordagem integrada de seleção de características e algoritmos de aprendizado de máquina oferece uma maneira alternativa de identificar grupos celulares com base em perfis de expressão gênica, aprimorando o refinamento da análise de células individuais no contexto de expressão gênica diferencial, GSEA e redes regulatórias gênicas.

As metodologias de reconstrução de cenários evolutivos são importantes

Desde Dezembro de 2019, o impacto global da pandemia da COVID-19, causada pelo vírus SARS-CoV-2, tem sido profundo. A identificação precoce da classificação taxonómica e da origem genômica do vírus é fundamental para o planejamento estratégico, contenção e tratamento. As técnicas de aprendizagem profunda provaram ser bem-sucedidas na abordagem de vários desafios de classificação viral, incluindo diagnóstico, metagenômica, filogenética e análise genômica. Motivado por esses avanços, este estudo apresenta um classificador de genoma viral eficaz para SARS-CoV-2, utilizando uma estrutura de rede neural convolucional (CNN). Esta pesquisa empregou representações de imagens de sequências completas do genoma para treinar a CNN, aproveitando dois conjuntos de dados distintos: um baseado na representação de imagens k-mers e outro na representação do jogo do caos (CGR). O conjunto de dados k-mers foi usado para experimentos de classificação taxonômica do vírus SARS-CoV-2, enquanto o conjunto de dados CGR se concentrou na classificação de variantes preocupantes (VOC) do SARS-CoV-2. A CNN obteve desempenho notável na classificação taxonômica, com taxas de acurácia variando de 92% a 100% no conjunto de validação e entre 98,9% e 100% no conjunto de testes contendo amostras de SARS-CoV-2. Estes resultados demonstram a adaptabilidade do modelo para classificar outros vírus emergentes. Para a classificação das variantes do SARS-CoV-2 usando imagens CGR, a CNN apresentou precisão ainda maior, atingindo 99.9% no conjunto de validação e 99.8% no conjunto de testes. As descobertas sublinham a aplicabilidade de técnicas de aprendizagem profunda em tarefas de classificação de genomas, fornecendo uma ferramenta robusta para a detecção precoce e classificação de ameaças virais. A integração de CNNs com representações de imagens k-mers e CGR apresenta um método novo e eficaz para análise do genoma viral, apoiando esforços contínuos em virologia e saúde pública.

A Leptospirose é considerada uma zoonose de importância mundial devido à sua vasta distribuição e virulência, afetando tanto humanos quanto animais de interesse comercial. Causada por bactérias patogênicas do gênero Leptospira e filo Spirochaetes, a contaminação por ela se dá através do contato
direto ou indireto com o agente contaminante presente no ambiente, como urina de animais infectados ou água e solos contaminados. O gênero possui 68 espécies que podem ser agrupadas em dois grandes grupos segundo o seu estilo de vida em patogênicas e saprófitas. Além da classificação taxonômica, amostras destes gêneros podem ser classificadas com base nas suas características antigênicas em sorogrupos e sorovares. A classificação sorológica possui uma grande relevância na área de epidemiologia e análises clínicas, porém, os métodos utilizados para realizar esta classificação são laboriosos, necessitam de infraestrutura e mão de obra especializada, e requerem dias para a obtenção de resultados. Neste estudo visamos encontrar padrões genéticos associados à classificação sorológica de bactérias do gênero Leptospira analisando a composição genética do locus rfb e propor métodos que permitam a classificação das amostras de Leptospira ao nível de sorogrupo. Para isso utilizamos dados genômicos de 68 espécies classificadas em 27 sorogrupos que estão distribuídas em 722 amostras disponíveis no banco de dados públicos. Identificamos os genes que fazem parte do locus rfb através dos grupos de ortólogos nas amostras que continham o locus rfb íntegro em um único contig. Utilizamos um método de agrupamento hierárquico para agrupar amostras que possuíssem perfis semelhantes na composição gênica do locus rfb. Nesta análise foi possível contemplar o panorama da diversidade do perfil da composição genética do locus rfb no gênero Leptospira e observar correspondência entre a classificação em sorogrupos e os grupos formados pelo agrupamento hierárquico. O agrupamento gerado sugere a classificação das amostras em seis grandes classes que, além de apresentarem afinidade sorológica, compartilham semelhanças quanto a composição gênica do locus rfb. Foi observado que amostras de mesmo sorogrupo compartilham semelhanças na composição gênica do locus rfb. Além disso, foi possível verificar a existência de diferentes blocos de genes que podem estar conservados em amostras pertencentes a diferentes espécies e sorogrupos. Presume-se que as diferentes combinações desses blocos gênicos resultem na síntese de diferentes estruturas do antígeno-O do lipopolissacarídeo e consequentemente em diferentes sorogrupos. O presente trabalho permite sugerir marcadores moleculares que permitam o uso de estratégias moleculares para a identificação sorológica de Leptospira.

O meduloblastoma (MB) é um dos tumores cerebrais pediátricos mais frequentes e estima-se que um terço dos pacientes irão a óbito devido à doença. Visto que a falta de biomarcadores prognósticos precisos é um grande desafio para a melhora clínica desses pacientes, uma vez que parâmetros prognósticos convencionais da doença apresentam correlações limitadas e pouco confiáveis com seu desfecho, o nosso objetivo foi construir uma assinatura gênica e avaliar seu potencial como um novo modelo prognóstico para pacientes com MB. A desregulação da metilação como a hipermetilação de genes supressores tumorais e a hipometilação de oncogenes são cruciais para o processo de tumorigênese e para a manutenção tumoral, inclusive em MB. Neste estudo nós utilizamos seis conjuntos de dados totalizando 1679 amostras, incluindo dados de expressão gênica e metilação de DNA de MB primário, bem como amostras controle de cerebelo saudável. Nós identificamos genes regulados via metilação (MDGs) em MB, genes cuja expressão está correlacionada com sua metilação e que também se encontram diferencialmente metilados em relação ao tecido saudável. Utilizamos a regressão LASSO, um método estatístico de machine learning supervisionado, aos MDGs tendo como resultado final uma assinatura de dois genes (AG-2) candidatos a biomarcadores prognósticos para o MB (CEMIP e NCBP3). Através de um modelo de escore de risco, confirmamos o impacto na sobrevida global (OS) da AG-2 com a análise de Kaplan-Meier (log-rank p < 0,01). Avaliamos sua robustez e acurácia por meio da área sob a curva ROC prevendo a OS em 1, 3 e 5 anos em múltiplos conjuntos de dados (conjunto de treino: 77,2%, 73,2% e 71,2%, média em três conjuntos de validação: 83,6%, 77,6%, 75,4% em 1, 3 e 5 anos respectivamente). Avaliamos a AG-2 como um biomarcador prognóstico independente com a regressão de Cox multivariada a qual apresentou p-valor < 0,01 em todos os quatro conjuntos de dados avaliados. O modelo de escore de risco da AG-2 regulado via metilação pode efetivamente classificar pacientes com MB em alto e baixo risco, reforçando a importância dessa modificação epigenética nessa doença. Tais genes destacam-se como biomarcadores prognósticos promissores com potencial aplicação no tratamentos de MB.

A Síndrome de Guillain-Barré (SGB) e a esclerose múltipla são doenças autoimunes associada a resposta imunológica contra autoantígenos do sistema nervoso periférico (SNP) e central (SNC), respectivamente. A maioria dos estudos sobre a imunopatologia da SGB investigam a reação cruzada entre antígenos de gangliosídeos da bainha de mielina e carboidratos da bactéria Campylobacter jejuni. Entretanto, a SGB apresenta um espectro de subtipos e, particularmente, a forma Polirradiculoneuropatia Aguda Desmielinizante Inflamatória (AIDP) possui poucas evidências de relação com C. jejuni ou de autoimunidade contra gangliosídeos. Já a imunopatologia da esclerose múltipla é mais conhecida e diversos autoantígenos proteicos são conhecidos. Neste trabalho, utilizou-se os bancos de dados “The Human Protein Atlas”, AFND e IEDB para seleção de, respectivamente, proteínas abundantes no sistema nervoso, proteínas imunogênicas do vírus Epstein-Barr e haplótipos de HLA. Também foram utilizadas ferramentas computacionais para predição de ligantes do HLA e de produção de citocinas. Foram encontradas 10 proteínas do sistema nervoso e 28
do EBV, as quais foram usadas na predição de peptídeos ligantes de 21 HLAs comuns na população mundial. A partir de busca de haplótipos no AFND, foram localizados ao todo 1359 haplótipos registrados, os quais se distribuem entre 51 pares de HLAs. Os nonapeptídeos de ancoramento das proteínas do EBV e proteínas da mielina foram comparados quanto a identidade em resíduos críticos para a interação com o TCR. Para tal comparação foram estabelecidos três critérios de seleção de acordo com a relevância de cada contato para interação TCR-peptídeo-MHC. O contato principal deve estar localizado na posição P5, enquanto as posições P2, P3 e P8 são secundárias e P4, P6 e P7 são terciárias. De acordo com esses critérios, todas as proteínas do sistema nervoso apresentaram peptídeos com identidade relevante com peptídeos do EBV. A predição de estimulação de citocinas IL-4 ou IFN-γ permite descobrir quais pares de nonâmeros similares são capazes de induzir a ativação de células Th1 ou Th2 e talvez causar autoimunidade pelo mecanismo de mimetismo molecular. Sete proteínas (APLP1, CNP, GlialCam, MAG, MBP, Periaxina e PLP) apresentaram pares de peptídeos similares estimuladores das citocinas IL-4, IFN-γ ou de ambas. A proteína P0 também apresentou pares capazes de induzir IL-4 ou IFN-γ, porém são restritos a um ou poucos HLAs ou haplótipos. Haja vista alta quantidade de possíveis peptídeos que podem causar mimetismo molecular, o resultado deste trabalho está em consonância com a hipótese de que a imunidade tanto na esclerose múltipla como na GBS pode ser causada por múltiplos antígenos diferentes. Entretanto, são necessários estudos experimentais que busquem possíveis autoantígenos nessas doenças. Os pares de nonâmeros aqui encontrados podem subsidiar a investigação de autoantígenos em experimentos laboratoriais.

Compostos bioativos têm sido estudados de modo a oferecer melhor eficácia e seletividade contra diversas doenças, representando um cenário promissor no
desenvolvimento de fármacos. Recentemente uma série de derivados acridínicos
foi sintetizada e exibiu atividade antileishmania e anticâncer. No entanto, o
conceito de “um alvo, um medicamento, uma doença” nem sempre é verdadeiro,
pois compostos com aplicações terapêuticas previamente descritas podem atuar
em mais de um alvo. Baseado nisto, este trabalho objetivou identificar, por
triagem virtual inversa baseada no receptor, o provável mecanismo de ação de
derivados espiro-acridínicos. Adicionalmente, o mecanismo de ação foi
comprovado através de ensaios enzimáticos in vitro. Utilizando tais abordagens, o
capítulo I deste trabalho apresenta a identificação, através de metodologias
computacionais, do alvo pteridina redutase 1 (PTR1) de L. major como potencial
alvo para os compostos espiro-acridínicos. Adicionalmente, encontramos a
enzima quitinase B1 (CHIB1) de Aspergillus fumigatus como potencial alvo contra
Aspergilose. Para PTR1, os ensaios de ancoragem e dinâmica molecular
demonstraram a alta estabilidade do composto 1 no sítio ativo da enzima. Pra
CHIB1, outros derivados foram submetidos a ancoragem molecular e dinâmica
molecular, identificando 3 compostos como os de melhor perfil para o alvo. No
capítulo II, ensaios in vitro foram realizados para comprovar experimentalmente a
ação dos derivados espiro-acridínicos nas enzimas estudadas. Para PTR1, os
ensaios in vitro demonstraram KD de 33,1 μM para o melhor composto, enquanto
para quitinase o melhor composto apresentou um IC 50 de 0.6 ng/μL. Portanto, o
presente trabalho demonstrou a alta eficiência do IVS como uma abordagem de
predição de alvos. Adicionalmente, o programa permitiu caracterizar sua
potência, modalidade de inibição e perfil de interação com seu alvo terapêutico.
Desta forma, os derivados espiro-acridínicos podem atuar como inibidores multi-
alvo da PTR1 de leishmania e quitinase de fungos.

O Sarcoma de Ewing (SE) é uma doença altamente agressiva, sendo a segunda neoplasia óssea pediátrica mais frequente. A marca registrada do SE é a presença do fator de transcrição aberrante EWSR1-FLI que impulsiona a reprogramação metabólica no SE. A taxa de sobrevida dos pacientes de SE aumentou à custa da alta toxicidade que limita as taxas de sobrevida e causa morbidade significativa. Portanto, é crucial identificar e obter uma compreensão completa das vias que afetam a sobrevivência dos pacientes para o desenvolvimento de novos diagnósticos e estratégias terapêuticas. Aqui, identificamos diferenças no nível de expressão entre os sobreviventes de curto prazo e os de longo prazo com base em dados transcricionais disponíveis em três conjuntos de dados públicos, aplicando a análise do transcriptograma. Três grupos de genes diferencialmente expressos comuns às três coortes analisadas foram identificados. Processos relacionados à resposta e reparo ao dano do DNA, resposta imune, apoptose e autofagia foram desregulados entre os grupos com sobrevida curta e sobrevida longa. Além disso, o enriquecimento funcional dos genes comuns entre cada um dos três clusters e pelo menos um regulon de reguladores mestres específicos de SE, destacam a alta expressão da via Hippo em pacientes com sobrevida curta. Nossa análise sugere que diferentes processos podem estar orientando o desfecho de pacientes com SE de forma integrada e podem contribuir para a diversidade de fenótipos impulsionados pela flutuação da expressão de EWSR1- FLI1.

Cerca de 71% do ecossistema da superfície terrestre é coberto por oceano, responsável por conter 97% de toda a água da Terra, sendo o plâncton, a sua forma de vida dominante. Microrganismos têm um papel imprescindível na manutenção do sistema do planeta, uma vez que são fontes de energia e nutrientes aos seres vivos, realizam quase metade da produção primária líquida, mantêm o equilíbrio químico na atmosfera e exportam carbono fixado fotossinteticamente para as camadas mais profundas do oceano. A biologia de ecossistemas oceânicos estuda como os fatores bióticos e abióticos determinam as propriedades do ecossistema oceânico. Com o surgimento de estudos em escala global de organismos de mar aberto, muito tem se descoberto sobre a genômica de comunidades microbianas oceânicas. Um dos principais projetos desta categoria atualmente é o Tara Oceans, um projeto multidisciplinar com o objetivo de compreender a diversidade, interações, funções e complexidade fenotípica em escalas taxonômicas e espaciais do plâncton, através de cerca de 35000 amostras com milhões de organismos coletadas em profundidades de até 2000 m em 210 estações ao longo dos oceanos. O principal objetivo deste trabalho foi comparar amostras oceânicas explorando a abundância, diversidade, e função dos microrganismos encontrados em zonas tropicais e subtropicais, com o intuito de entender como esses fatores afetam a biodiversidade dessas espécies. Para isso, foram selecionadas somente amostras de estações de coleta que apresentaram amostras nas três camadas de profundidade (SRF, DCM e MES) simultaneamente. Essa filtragem resultou em 8 estações com um somatório de 76 amostras. Esses dados foram processados através do pipeline MEDUSA, seguindo o fluxo padrão de uma análise de metagenômica: pré-processamento, alinhamento de sequências com um banco de proteínas referência, classificação taxonômica e anotação funcional. Com os resultados obtidos desse processo foi possível comparar abundância e diversidade dessas amostras e anotar e analisar os resultados dessa comparação. Observou-se uma maior diversidade de organismos na camada mais profunda e não ocorreu uma diferença significativa de abundância entre as camadas de profundidade exploradas. Algumas funções biológicas são exclusivas de cada camada de profundidade, indicando suas particularidades e sua diversidade funcional. Não foi observada distinção significativa de abundância, diversidade ou função comparando exclusivamente as amostras de estações de coleta nos diferentes pontos geográficos.

Esta tese apresenta três pesquisas realizadas na esfera da modelagem molecular baseadas em princípios da Mecânica Quântica. Adicionalmente, métodos de evolução molecular complementaram alguns resultados. O primeiro estudo retrata o desempenho dos resultados de energia e de custo computacional de 9 combinações de modelos baseados em DFT (DFT -- do inglês, Density Functional Theory) em um sistema organometálico formado pelo cátion de zinco divalente e a enzima Porfobilinogênio Sintase PBGS. As energias de interação foram obtidas empregando o esquema de Fragmentação com Capas Conjugadas (MFCC). Os resultados do perfil de energia de interação total apresentaram diferenças quantitativas lineares, mas demonstraram-se qualitativamente uniformes. A dependência do tempo de processamento computacional mostrou-se mais associada à escolha do conjunto de base do que o funcional de troca e correlação. O segundo estudo apresenta uma descrição bioquímica a partir dos resultados de energia de interação obtidos no estudo anterior, analisando o perfil bioquímico dos resíduos mais relevantes de PBGS que interagem com o zinco. Além disso, foi feito uma análise filogenética e de agrupamento que avaliaram a conservação dos aminoácidos relevantes identificados no sistema zinco-PBGS. As interações intermoleculares mais importantes se deram pela participação dos aminoácidos CIS0122, CIS0124, CIS0132, ASP0169, SER0168, ARG0221, HIS0131, ASP0120, GLY0133, VAL0121, ARG0209 e ARG0174. Dentre esses resíduos, ASP0120, GLI0133, HIS0131, SER0168 e ARG0209 destacaram-se por ocorrer em todos os grupos gerados pela análise de agrupamento não supervisionada. Por outro lado, as cisteínas triplas a 2,5 Å do zinco (CIS0122, CIS0124 e CIS0132) apresentaram a maior de energia atração nos cálculos quânticos são ausentes nos táxons Viridiplantae, Sar, Rhodophyta e em alguns grupos de Bacteria. Já o terceiro trabalho apresentado aqui investiga as interações entre a toxina Lys49-PLA 2 da peçonha de Bothrops moojeni, a qual causa necrose tecidual em vítimas de acidentes ofídicos, e dois compostos (varespladib, aspirina) com potencial para inibir a atividade miotóxica dessas proteínas. A partir desse estudo, foi possível predizer a relevância dos aminoácidos que compõem o sítio de ligação da toxina Lys49-PLA 2 , dentre eles pode-se citar LIS0069, LIS0049, LEU0005, ILE0009, CIS0029, GLI0030, HIS0048, PRO0018, ALA0019, CIS0045, TIR0052, TIR0022, PRO0125* e FEN0126* que ancoram varespladib e os resíduos LIS0069, LIS0049, GLI0032, LEU0002, e LEU0005 para o composto aspirina.

Os RNAs longos não codificantes (lncRNAs) compreendem as unidades transcricionais mais representativas do genoma dos mamíferos e estão associados ao desenvolvimento de órgãos que podem estar associados ao surgimento de doenças, como as cardiovasculares. A Organização Mundial da Saúde (do inglês, World Health Organization (WHO)), por exemplo, publicou que as doenças cardiovasculares são responsáveis pela morte de 17,9 milhões de pessoas a cada ano, correspondendo a 31% de todas as mortes em todo o mundo. Sendo assim, foi utilizado uma combinação dos transcritos das bases de dados Gencode (M20), Ensembl (GRCm38.95) e Amaral et al (2018) para definir o conjunto de lncRNAs de referência não redundantes; e Gencode (M20) para os transcritos codificantes de referência. Além disso, foram utilizadas abordagens de bioinformática, algoritmos de aprendizado de máquina e técnicas estatísticas para definir lncRNAs envolvidos no desenvolvimento cardíaco de mamíferos. Para isso, foi utilizado a base dados de single-cell publicada por DeLaughter et al (2016), no qual havia dados de 4 estágios embrionários (E9.5, E11.5, E14.5, E18.5) e 4 estágios pós-natais (P0, P3, P7, P21) do organismo modelo mus musculus. Neste trabalho identificamos 8 tipos celulares distintos, novos transcritos marcadores (codificantes e diferentes tipos de lncRNAs) e também, expressão diferencial e análise de enriquecimento funcional revelaram subpopulações de cardiomiócitos associadas à função cardíaca; enquanto isso, a análise de co-expressão modular revelou insights funcionais específicos de células para lncRNAs durante o desenvolvimento do miocárdio, incluindo uma potencial associação com genes-chave relacionados à doença e ao “programa de genes fetais”. Nossos resultados evidenciam o papel de lncRNAs particulares no desenvolvimento do coração e destacam o uso de abordagens modulares de co-expressão na definição funcional do tipo de célula. Como trabalho futuro, pretende- se identificar os papéis funcionais desses RNAs no desenvolvimento de tecidos cardíacos e em doenças cardiovasculares utilizando abordagens de validação experimental.

A abordagem proteômica permite estudos em larga escala da expressão proteica em diferentes tecidos e fluidos corporais, tendo como objetivo identificar e quantificar o conteúdo proteico total. No processo de análise proteômica, a identificação de proteínas ainda apresenta lacunas, apesar dos grandes avanços na área. Frequentemente, um espectrômetro de massa é utilizado para gerar valores de massa/carga das amostras. Após esse processo, geralmente utiliza-se um banco de dados de proteínas referência (por exemplo, UniProt) para identificação das proteínas. Porém, utilizar uma base de referência limita as análises de identificação das proteínas, uma vez que não contém as variações que ocorrem no DNA, que podem impactar na sequência de aminoácidos, ocasionando identificação incorreta ou impossibilitando o processo. Nesse contexto, existem diversas bases de dados personalizadas que incorporam tais variações genéticas. Embora apresentem bons resultados, também se limitam devido à ausência de algumas mutações, tornando-se outro problema no processo de identificação. Um banco de dados de proteogenômica (dbPepVar) criado aqui combina informações de variação genética do dbSNP com sequências de proteínas do RefSeq do NCBI. Conjuntos de dados públicos de espectrometria de massa foram usados para realizar uma análise pan-câncer (Ovário, Colorretal, Mama e Próstata), permitindo a identificação de variações genéticas únicas. No total, 3.726 peptídeos variantes foram identificados em amostras de câncer de ovário, 2.543 em próstata, 2.661 em mama e 2.411 em câncer de cólon-retal. Uma análise de frequência mutacional mostrou genes envolvidos nos processos de progressão tumoral, sensibilidade à quimioterapia e risco de suscetibilidade ao câncer. Curiosamente, em muitas amostras, foram identificados peptídeos C-terminais de proteínas encurtadas originárias de eventos de códon de terminação prematura (PTC). Isso indica que tais proteínas escaparam do decaimento mediado por mutações Nonsense (NMD) e, não surpreendentemente, os genes da maquinaria NMD também estão mutados nas mesmas amostras. Isso sugere que o vestígio do transcrito truncado pode estar associado à ineficiência da maquinaria NMD causada por mutações genéticas. Em perspectiva, o portal web desenvolvido bem como as análises realizadas podem direcionar estudos para identificar novos alvos terapêuticos para diferentes tipos de câncer, podendo-se também utilizar nosso banco de dados para caracterização de variantes em amostras de antecedentes genéticos desconhecidos, como amostras arquivadas. O portal está disponível em: https://bioinfo.imd.ufrn.br/dbPepVar/.

RNAs não-codificantes são moléculas que desempenham papéis decisivos em vários tipos de regulação genética. Identificar eles é essencial para entender a genética de uma espécie. Diversos fatores, como: baixo nível de expressão, amplo espectro de subtipos, atributos diversos, funções heterogêneas e ausência de homologia entre espécies; fazem a detecção de ncRNAs um desafio. Estratégias de bioinformática recentes para detecção genes de ncRNA tentam identificar suas localizações nos genomas e suas estruturas secundárias, usando modelos de covariância e inteligência artificial. A co-expressão desses genes também vem sendo analisada computacionalmente para revelar anotações funcionais. No entanto, não há consenso sobre quais métricas e parâmetros usar no processo de prever as funções dessas moléculas. Em organismos pouco conhecidos, como Arapaima gigas, a falta de informações de referência aumenta essa dificuldade. Além disso, principalmente para RNAs longos não- codificantes, há poucas funções conhecidas, o que torna difícil explicar os papéis desses genes e avaliar a qualidade das predições. Neste trabalho, é descrito um software para descobrir os genes não-codificantes, de diversos tipos, e suas funções em espécies de eucariotos. Este foi validado com uma espécie modelo, o camundongo, e utilizado para explorar o panorama de ncRNAs numa espécie pouco estudada, o Arapaima gigas. A comparação da semelhança entre funções de genes co-expressos nos permitiu definir níveis de confiança para as métricas de calcular co- expressão, e assim, desenvolver uma pipeline de predição funções para lncRNA, a qual inclui métricas para calcular correlações não- lineares. O pacote de software descrito aqui fez 63307 anotações não-codificantes em A. gigas, incluindo 11 tipos de ncRNA e 4 de regiões cis-regulatórias. Dessas anotações, apenas 706 eram similares a ncRNAs já conhecidos em outras espécies e os restantes não haviam sido descritos anteriormente. A análise exploratória dos lncRNAs também revelou 19854 lncRNAs de tecido específico e 256 lncRNAs expressos de forma onipresente. Prever as funções dessas moléculas também revelou que elas estão envolvidas na pigmentação da pele, diferenciação sexual, crescimento e defesa contra tumores.

As demências, doenças neurodegenerativas onde há perda de funções cognitivas, tiveram sua incidência aumentada nos últimos anos, principalmente por causa do aumento da longevidade na população mundial como um todo. O entendimento do início e progressão dessas patologias pode ajudar na identificação de tratamentos preventivos para essas doenças. Neste trabalho, utilizando dados humanos referentes a duas doenças neurodegenerativas (Alzheimer e Paralisia Supranuclear Progressiva) de duas regiões cerebrais (córtex temporal e cerebelo) e dois modelos animais, 5XFAD de amiloidopatia e TauD35 de taupatia, fizemos uma análise integrativa a nível gene/transcrito aliada a uma análise de co-expressão para identificar similaridades e discrepâncias nos processos biológicos afetados por essas duas doenças. Para que pudéssemos comparar os diferentes dados utilizamos a única variável comum em todos os datasets: a idade da morte. Desse modo dividimos os dados humanos em 3 grupos: A (70- 80), B (81-89) e C (90+); e os animais em grupos de 4 meses, 12 meses, 17 meses e 18 meses. Os resultados da análise transcricional mostraram que alterações imunes estão presentes em AD apenas no córtex temporal, e não no cerebelo, e que alteração na transmissão sináptica ocorre tardiamente (grupos B e C), e são encontradas apenas quando utilizamos genes com isoformas alteradas no processo de enriquecimento funcional em conjunto com os genes diferencialmente expressos. Na PSP, todas as alterações encontradas imunes e de transmissão sináptica são encontradas apenas nos dados de córtex temporal; no entanto, todas as alterações são específicas para o grupo A. Nos modelos animais, as alterações em 5XFAD são semelhantes às encontradas em AD, alterações da resposta imune-inflamatória presentes em grupos precoces (4 meses) e sinápticas em um grupo mais tardio (18 meses). Em TauD35, no entanto, as alterações imunes ocorrem apenas no grupo de 17 meses, enquanto as sinápticas foram no grupo de 4 meses. Além desses resultados, observamos que as alterações em isoformas (gDTUS) estão presentes quase que exclusivamente em humanos, e principalmente em AD. Para refinar os nossos resultados, utilizamos uma abordagem de coexpressão e identificamos módulos com expressão e assinaturas gênicas específicas. Em AD os módulos envolvendo sinapses não apresentavam diferenças para o controle, no entanto, os módulos relativos à reposta imune-inflamatória, matriz extracelular e reposta a fator de crescimento estavam com maior atividade nos indivíduos com AD. Na PSP, os módulos com atividade sináptica apresentaram maior atividade em relação ao controle, enquanto aqueles relacionados com resposta imune tiveram uma atividade menor. Para confirmar a identidade genética desses módulos, utilizamos os genes encontrados nos mesmos e observamos que havia correspondência entre os módulos relacionados à resposta imune-inflamatória com células microgliais e sinápticos com neurônios glutamatérgicos. Além desses achados, também encontramos que a resposta imune-inflamatória e associada, em AD, a região analisada, dado os resultados encontrados na análise de outro dataset (MSBB). Por fim, encontramos genes identificados como fatores de risco para AD, como PTK2B, TREM1 e TREM2 nos módulos, além de MOB e SA4D nos módulos identificados na PSP. Em conjunto, esses resultados sugerem que no modelo de amiloidopatia e em AD, alterações na sinalização sináptica formam um feedback positivo com a resposta imune-inflamatória, sendo esta posterior a primeira; enquanto no modelo de taupatia e PSP, os efeitos na inflamação são secundários às alterações sinápticas.

A primeira onda da pandemia de síndrome respiratória aguda grave coronavírus 2 (SARS- CoV-2) atingiu quase todas as cidades do Brasil no primeiro trimestre de 2020 e durou vários meses. Apesar do esforço dos governos estaduais e municipais, uma resposta não homogênea em todo o país resultou em um número de mortos entre os mais altos registrados globalmente. Para avaliar o impacto das intervenções governamentais não farmacêuticas aplicadas por diferentes cidades - como o fechamento de escolas e empresas em geral - na evolução e propagação da epidemia de SARS-CoV-2, construímos um modelo epidemiológico baseado em agentes ajustado às singularidades de cidades isoladas. O modelo incorpora informações demográficas detalhadas, redes de mobilidade segregadas por segmentos econômicos e leis de restrição promulgadas durante o período pandêmico. Como estudo de caso, analisamos como a cidade de Natal - uma capital de médio porte - reagiu à pandemia. Embora nossos resultados indiquem que a resposta governamental foi efetiva, os atos restritivos de mobilidade salvaram muitas vidas, nossas simulações mostraram que a paralização das atividades escolares foram fundamentais para evitar um elevado número de óbitos (o aumento seria em torno de 525.93%). O fechamento autentico das atividades trabalhistas diminuiria o número de óbitos em aproximadamente 67.54% e a religiosa em torno de 26.7%. A falta de intervenção teria resultado num cenário catastrófico de 6779 óbitos, esse valor corresponde a cerca de 0.77% da população natalense. As simulações mostram que uma análise compartimental dos cenários alternativos pode informar os formuladores de políticas sobre as medidas mais impactantes para novos surtos de pandemia e apoiar decisões futuras à medida que a pandemia avança.

O sequenciamento de RNA mensageiro em larga escala (RNAseq) permite avaliar a diversidade de transcritos expressos em um determinado momento de um sistema biológico. Através da bioinformática, podemos analisar os dados de sequenciamento para obter informações quantitativas sobre a expressão gênica, tais como a expressão diferencial de genes e suas isoformas (splices alternativos). Nesta tese, apresentamos dois estudos independentes que se valeram da bioinformática para obter informações relevantes sobre diferentes fenômenos biológicos. No primeiro caso, nós utilizamos dados de sequenciamento de RNAm em cérebros de pacientes com a doença de Alzheimer para estudar a expressão diferencial de genes e transcritos associadas com a progressão desta doença. Nós demonstramos que a análise de transcritos permite a identificação de alterações gênicas ignoradas em estudos anteriores avaliando apenas a expressão global dos genes. Utilizando dados de sequenciamento de RNAm em células únicas (scRNAseq), nós também mapeamos as alterações da expressão gênica no cérebro de pacientes com a doença de Alzheimer para tipos celulares específicos. Os resultados deste primeiro trabalho contribuem para uma melhor compreensão da patofisiologia da doença de Alzheimer e indicam potenciais alterações moleculares associadas com a doença em tipos celulares individuais. No segundo trabalho desenvolvido nesta tese, nós utilizamos a técnica de scRNAseq para estudar a diversidade de células progenitoras em estágios iniciais do desenvolvimento do neocórtex. Através de análises de expressão diferencial de genes e a utilização de uma abordagem utilizando redes de regulação da expressão gênica, nós identificamos o fator de transcrição Sox9 como um regulador-mestre do comportamento de diferentes subtipos de progenitores neurais. Confirmando estes achados da bioinformática, experimentos genéticos para manipular os níveis de expressão de Sox9 em progenitores neurais demonstraram a importância deste fator de transcrição na regulação da proliferação e diferenciação celular. Em conjunto, os resultados desta tese demonstram a importância da análise transcriptômica através de métodos complementares para uma melhor identificação das alterações da expressão gênica relevantes em diferentes contextos biológicos.

A sepse é uma síndrome inflamatória aguda muito marcante. É responsável pela maioria dos óbitos
em leitos de UTI por todo o mundo. Por se tratar de uma condição estritamente inflamatória e, por
causa disso, multifatorial, existem poucos estudos relativos à regulação gênica em indivíduos
sépticos, menos ainda em pacientes pediátricos. A compreensão dos mecanismos regulatórios pode
auxiliar no combate à sepse por identificar pontos-chave das vias de sinalização responsáveis pela
progressão. Uma estratégia para identificação dos alvos regulatórios de uma doença é a
reconstrução da sua rede regulatória a partir de dados transcricionais públicos, identificando os
principais fatores de transcrição como reguladores mestres. Devido à escassez de dados de sepse em
pacientes pediátricos e a grande diferença de resposta entre adultos e crianças, o objetivo deste
trabalho é o de reconstruir a rede regulatória da sepse e identificar seus posíveis reguladores
mestres. Ao todo foram encontrados 15 fatores que são bons candidatos a regulador mestre na
sepse. Especialmente o MEF2A, TRIM25 e RFX2 foram identificados sendo mais expressos em
pacientes sépticos do que em indivíduos saudáveis. Cada um deles possui uma função isolada e até
então não relacionadas à sepse diretamente, porém quando analisadoso em conjunto, podem agir
como um tripleto, onde cada fator exerce seu papel em parceria com os outros dois. Os resultados
encontrados aqui apontam os três fatores como possíveis reguladores mestres da sepse pediátrica,
podendo ser estudados no futuro de forma experimental para validar os resultados feitos in silico.

A análise de variantes em um contexto clínico e o suporte ao desenvolvimento de terapias contra doenças virais são duas áreas em que diversas pesquisas têm utilizado processos de integração e análise de dados ômicos. Aferir se uma dada variante possui ou não impacto patogênico é um desafio presente na análise de variantes, inclusive quando diferentes ferramentas de predição de patogenicidade apontam resultados divergentes. Em relação ao desenvolvimento de terapias baseadas em RNA de interferência, observa-se que existe uma necessidade contínua de desenho e avaliação de eficiência de novos RNAs pequenos de interferência (siRNAs, do inglês short-interfing RNAs) a cada novo vírus que surge, como o SARS-CoV-2, responsável pela pandemia de COVID-19. Nessa direção, argumenta-se nesta tese, a partir da discussão de dois trabalhos, que processos de integração de dados e seleção de características podem trazer contribuições na resolução de questões ligadas à identificação de patogenicidade de variantes e, em um segundo momento, à disponibilização de informação e características de sequências que podem vir a servir para a formulação de terapias para a COVID-19. Em linhas gerais, o estudo objetivou (a) desenvolver métodos de integração de dados e seleção de características de variantes para aferição de patogenicidade e (b) desenvolver métodos de integração de dados visando a construção de um banco de dados de siRNAs para SARS-CoV-2. Para atingir o primeiro objetivo, foi proposto um modelo de classificação baseado em árvores de decisão para estimar a patogenicidade de variantes, construído por meio de um processo de integração de dados públicos de variantes já catalogadas com predições de patogenicidade trazidas por ferramentas baseadas em aprendizado de máquina. O modelo obtido foi capaz de apresentar uma acurácia superior ao estado da arte relativo à predição de patogenicidade de variantes, constituindo-se em uma importante ferramenta de apoio a profissionais de saúde, como nos diagnósticos de doenças genéticas. No segundo objetivo, combinou-se dados de propriedades estruturais, termodinâmicas, toxicidade, similaridade e de eficiência com o intuito de montar um catálogo global de siRNAs para o SARS-CoV-2. A integração de propriedades diversas relativas a siRNAs em uma única base de dados consolida-se como um referencial de informação que permite a realização de filtragens in silico simples e direcionadas, poupando a execução de muitos testes de bancadas em cima de moléculas candidatas para terapias contra a COVID-19. Esses estudos possuem pontos em comum com outros de integração de dados da literatura, entre eles, aspectos envolvendo diversidade dos dados, reprodutibilidade e descoberta de conhecimento. Por fim, verificou-se que estes trabalhos possuem potencial de aplicação clínica, seja para incrementar a compreensão de variantes relacionadas a comorbidades genéticas diversas, no caso do primeiro trabalho, como no apoio ao desenvolvimento de terapias contra a COVID-19, no caso do segundo trabalho.

O impacto dos fenótipos estendidos na teoria da evolução contemporânea é controverso. A teoria do fenótipo estendido diz que a expressão dos genes pode ter efeitos além do corpo do indivíduo que os possuem, afetando resultados evolutivos de outros indivíduos que convivem com o mesmo. A teoria do fitness estendido propõe que indivíduos com similaridade genética o suficiente podem utilizar os fenótipos estendidos uns dos outros, assim aumentando as chances de sobrevivência e reprodução do grupo como um todo. Este trabalho tem como objetivo modelar estas interações através de redes aleatórias livres de escala, e investigar o impacto dos fenótipos estendidos e os seus efeitos no sucesso reprodutivo de indivíduos no contexto de grupos capazes de produzi-los e compartilhá-los. As vantagens conferidas pelo uso de fenótipos estendidos disponibilizados por vizinhos semelhantes pode conferir um incentivo evolucionário a nível de grupo para construí-los e compartilhá-los, e este equilíbrio é medido em diferentes simulações de modelos de comportamento.

Criptococose é uma infecção fúngica causada por leveduras de Cryptococcus spp. A infecção inicia-se quando células dessecadas ou esporos são inalados e chegam aos pulmões. Se a doença não for propriamente tratada, a infecção pode evoluir e atingir o sistema nervoso central e resultar em meningite meningocócica e até em óbito. O tratamento da criptococose é realizado em três estágios e faz uso de três drogas: fluconazol, anfotericina B e 5-flucitosina. Embora eficaz, o uso destas drogas pode resultar em resistência fúngica e toxicidade para os pacientes. Propõe-se investigar o modo de ação do composto antifúngico plumieridina bem como a identificação do seu alvo molecular em C. neoformans. Para isso, realizou-se uma série de experimentos in vitro e in silico. Inicialmente, uma fração cromatográfica contendo plumieridina foi obtida do extrato aquoso das sementes de Allamanda polyantha e a presença do composto observada através de ressonância magnética nuclear de carbono e hidrogênio. Atividade antifúngica, avaliada através de MIC, foi de 0.250 mg/mL. Através da triagem virtual baseada na similaridade do ligante, quitinase foi identificada como alvo molecular da plumieridina. Modelos tridimencionais das quitinases de C. neoformans foram criados e, através do atracamento molecular, observa-se a interação com resíduos do sítio ativo. Ensaios de inibição da atividade quitinolítica mostram que a atividade é significativamente reduzida na fração secretada e fração celular solúvel, porém, a atividade quitinolítica é pouco reduzida pela presença de plumieridina na fração celular insolúvel, onde são necessárias maiores concentrações do composto. Embora plumieridina seja capaz de inibir a atividade quitinolítica, o composto não parece estar relacionado aos níveis transcricionais das quitinases de C. neoformans, alterando os níveis apenas de CHI22. O tratamento com plumieridina ainda altera o padrão de distribuição dos quitooligômeros na parece celular: de um padrão polarizado para um padrão difuso pela parede. Os resultados confirmam a predição da triagem virtual e mostram que a inibição da atividade quitinolítica pela plumieridina resulta em divisão celular incompleta e, consequente, morte celular.

Alterações na sequência primária de aminoácidos podem resultar em alterações na estrutura tridimensional de proteínas e perda parcial ou total da sua função. Uma forma de representar as ligações e interações entre todos os aminoácidos de uma proteína é por meio das redes de interação de resíduos (RINs). Nas RINs a estrutura 3D de proteínas são apresentadas na forma de grafos, onde os nós representam os resíduos de aminoácidos e as arestas representam as interações físico-químicas entre os aminoácidos. Nossa hipótese é que a comparação entre RINs de uma mesma proteína em diferentes conformações pode ser utilizada para avaliação dos efeitos de mutações e polimorfismos, assim como para a análise e validação de modelos teóricos. Portanto, o estudo tem por objetivo construir uma ferramenta para comparação de diferentes RINs para uma proteína e utilizar tais dados para pontuar diferenças conformacionais entre proteínas e na validação de modelos gerados por homologia. As RINs foram criadas utilizando o RING 2.0 (Residue Interaction Network Generator). A ferramenta desenvolvida para isso, chamada de CoRINs (Comparator of Residue Interaction Networks), compara todos os nós de RINs geradas a partir de diferentes arquivos de estrutura (PDBs) de uma mesma proteína, levando em consideração a posição, a cadeia e o resíduo, bem como suas interações com os outros aminoácidos. A ferramenta apresenta um gráfico que estima a variação de interações formadas por cada resíduo, que pode ser utilizado com uma estimativa para a variação conformacional daquele sítio proteico, a partir do conjunto de PDBs comparados. Como aplicação para a ferramenta, utilizamos um conjunto de dados com oncogenes e genes supressores de tumor e suas respectivas mutações reportadas. Estas foram mapeadas de acordo com a variação da conectividade de cada resíduo. Os resultados demonstram que mutações associadas aos oncogenes apresentam uma maior tendência de ocorrer em sítios com maior variação na quantidade de interações em seus resíduos. Adicionalmente, a maioria das mutações anotadas como patogênicas e associadas ao câncer nestes genes ocorreu em sítios com maior quantidade de mudanças em interações químicas e físicas. Tais resultados demonstram que a ferramenta CoRINs pode ser útil na identificação das ligações químicas secundárias e interações não-covalentes essenciais à manutenção da estrutura proteica, podendo ser utilizada em estudos evolutivos, como na manutenção da função de proteínas homólogas com alta divergência de sequência primária e também na comparação e validação de modelos estruturais teóricos.

O Arapaima gigas, conhecido como pirarucu, é considerado um dos maiores peixes de água doce do mundo, com um notável interesse no mercado da aquicultura devido às suas características biológicas particulares, incluindo o seu rápido crescimento nos seus primeiros anos de vida. Nos últimos anos, apesar da disponibilização massiva de dados advindos de projetos de sequenciamento, poucos foram os que abordaram o táxon que inclui essa espécie. O presente estudo foi desenvolvido com a finalidade de caracterizar o transcriptoma dessa espécie, através de uma análise exploratória transcricional e dos padrões de expressão gênica relacionados a perfis genes tecido-específicos, além de evidenciar genes sexo-específicos. Por meio do sequenciamento do cDNA de 12 amostras de tecidos diferentes do pirarucu, montou-se um transcriptoma de referência com a estratégia de montagem guiada pelo genoma referência. Foram analisados os padrões de expressão gênica para os diferentes tecidos de macho e fêmea de espécimes adultos. Pipelines como STAR, SortMeRNA, Braker2, Diamond e mygene para a montagem e anotação gênica foram utilizados, assim como as ferramentas clusterProfiler e KEGG para análise de enriquecimento funcional dos genes e o animalTFDB para identificação de fatores de transcrição. Neste estudo evidenciamos um conjunto de produtos gênicos anotados que servem como potenciais candidatos a produtos biotecnológicos, por estarem envolvidos nos fenótipos individuais dos tecidos, processos de dimorfismo sexual, e na regulação de processos que podem explicar suas características morfológicas únicas. Esse estudo também podem auxiliar substancialmente na condução de análises posteriores.

Desde 1990 que as propagações epidêmicas têm sido alvo de muitos estudos base- ados nos métodos da Física Estatística. As dinâmicas desses processos epidêmicos, tipica- mente de não equilíbrio, consistem na competição pelo estado de saúde ativo (hospedeiros infectados) e inativo (hospedeiros não infectados). A transição entre estes estados ativo (epidêmico) e inativo (não epidêmico) permite a análise do ponto e dos expoentes críticos do sistema (classe de universalidade). Nesta tese investiga-se as propriedades críticas de dois sistemas epidêmicos: O primeiro composto de duas espécies de população que são a humana com hospedeiros não infectados (H) e hospedeiros infectados (Hi) e a dos vetores composta de vetores não infectados (V ) e vetores infectados (Vi), que se difundem inde- pendentemente numa rede unidimensional, com a taxa D, seguindo uma regra dinâmica de probabilidade, onde as taxas de cura dos vetores e dos indivíduos são respectivamente φ e λ. Um segundo sistema epidêmico, conhecido como suscetível infectado suscetível (SIS), em uma rede complexa com alto fator de agregação e com taxa de contaminação λ. Para ambos os modelos, utiliza-se simulações computacionais usando-se o Método de Monte Carlo para obter os dados e fazer a análise de escala de tamanho finito, para estimar as propriedades críticas. Pretende-se obter as propriedades críticas dos dois processos e enquadrá-los em suas respectivas classes de universalidade. Estas informações podem contribuir com as metodologias empregadas pela epidemiologia no combate as doenças infecciosas.

O camarão de patas brancas (Penaeus vannamei) é a espécie mais cultivada na
aquicultura mundial. O cultivo comercial geralmente ocorre em densidades altas o que
propicia a seleção de patógenos virulentos, causando surtos epidêmicos. Dentre os
patógenos que acometem a carcinicultura, o vírus causador da Síndrome da Mancha
Branca (White Spot Syndrome Virus - WSSV) é conhecido por surtos que podem
resultar em mais de 80% de mortalidade em menos de uma semana. Em decorrência
disso, o uso de estratégias preventivas que possibilitem a identificação e
acompanhamento da microbiota nos cultivos tem se tornado cada vez mais necessária,
sobretudo em sistemas intensivos. Recentemente, o uso da metagenômica foi sugerido
para o monitoramento em aquicultura. Vários estudos usaram metagenômica 16S, para
estudar a microbiota associada a camarões saudáveis ou infectados com patógenos
específicos. Outros estudos abordaram a metagenômica shotgun para descobrir novos
vírus. A metagenômica shotgun é potencialmente mais informativa que a metagenômica
por genes marcadores, permitindo a recuperação de informação genômica do hospedeiro
e seus simbiontes, incluindo vírus, cuja composição pode atuar como bioindicadores do
estágio da doença. Neste estudo, a metagenômica shotgun foi utilizada para analisar o
músculo caudal de um exemplar de P. vannamei infectado pelo WSSV. Classificações
taxonômicas e funcionais foram feitas para se obter os respectivos perfis dos dados
metagenômicos. P. vannamei e WSSV foram os organismos mais abundantes na
classificação por reads. Na análise dos contigs, foi observada maior abundância de
contigs para camarão, bactérias e WSSV respectivamente. A classificação funcional foi
realizada por meio do software MEGAN e resultou em poucos grupos representativos
de funções proteicas, que não foram suficientes para estabelecer um perfil funcional da
amostra. Uma classificação taxonômica a partir do BLASTx também foi realizada com
o MEGAN e apresentou resultados similares a classificação usando BLASTn. Os
resultados do BLASTn possibilitaram a montagem do genoma mitocondrial completo
do P. vannamei. Este estudo fornece suporte para o uso da metagenômica shotgun
como uma ferramenta para o monitoramento da microbiota em cultivos de camarão,
sendo possível recuperar simultaneamente informações úteis para a genética de
populações (através do o genoma mitocondrial do camarão) e o monitoramento de
simbiontes e patógenos, como as bactérias e o WSSV.

A doença de Chagas mata cerca de 10.000 pessoas por ano e aproximadamente 8 milhões de pessoas estão infectadas pelo Trypanosoma cruzi. O principal medicamento de referência para o tratamento da doença, o benzonidazol, é utilizado desde a década de 70. Nos últimos anos, muitos inibidores da CYP51 têm sido testados contra esta enzima do parasito. Um destes inibidores, o posaconazol chegou inclusive a testes clínicos, que infelizmente não foram bem sucedidos. Porém ainda há indícios que a CYP51 é um ótimo alvo em potencial para tratar a infecção pelo T. cruzi. A pesquisa por novas moléculas eficazes que poderiam possivelmente curar a fase crônica da doença é algo essencial. Estudos de QSAR (Quantitative Structure Activity Relationship) 2D e 3D foram utilizados neste trabalho para criar três modelos para previsão de atividade biológica, baseados em estruturas químicas de 197 compostos publicados na literatura que já passaram por testes in vivo ou in vitro. Após a análise dos modelos, novos análogos que ainda não foram sintetizados foram sugeridos neste trabalho e tiveram sua atividade biológica prevista e acessibilidade sintética avaliada.

Síndrome de Alport (SA) é uma patologia geneticamente rara, heterogênea e hereditária associada a mutações germinativas nos genes de colágeno tipo IV (COL4A3, COL4A4 e COL4A5). Caracterizada por provocar perda progressiva da função renal, auditiva e lesões oculares durante a primeira infância, o progresso da doença evolue para uma doença renal terminal frequentemente associada à falência renal. Estudos que visam diagnosticar precocemente indivíduos com essa nefropatia pode levar ao tratamento adequado e, portanto, melhorar a expectativa de vida. Atualmente tem surgido esforços, focados no genoma dos pacientes, para a criação de testes de diagnósticos de doenças/síndromes raras. Sob esse olhar, conhecer mutações, genes e vias metabólicas envolvidas com a patologia é crucial para o entendimento da complexidade dessas doenças. Pensando em corroborar com os achados e estudos a respeito de SA foi realizado o sequenciamento do exoma de duas famílias do Rio Grande do Norte (RN), ambas compostas por 4 indivíduos. Através dos softwares GATK e VARSCAN2 foi realizada a chamada de variantes seguido de uma varredura por variantes deletérias identificadas por um script in house. Os resultados apontaram duas variantes deletérias nos genes que formam as cadeias α3 e α4 do colágeno tipo IV (um stop codon no COL4A3 e frameshift em COL4A4) levando a um truncamento prematuro da proteína. Ambas variantes foram detectadas em estado de homozigose nos probandos e em heterozigose nos demais membros da família. Adicionalmente foi detectado uma ampla região de runs of homozigosity (ROH) envolvendo os genes COL4A3 e COL4A4 em ambos os probandos das duas famílias. De acordo com os achados das variantes deletérias nos genes COL4A3 e COL4A4 em regiões de ROH, essas variantes passam a estar relacionadas a SA de forma que observações semelhantes possam servir como suporte para possíveis alvos na criação de novos testes de diagnóstico e para o serviço de Aconselhamento Genético.

As consequências do envenenamento por chumbo são diversas e importantes na saúde humana. Atngindo todos os sistemas orgânicos, afeta principalmente o sistema nervoso, com implicações graves e irreversíveis do  neurodesenvolvimento, consolidação de memória e processos de aprendizagem em crianças. Sua interação com componentes celulares dá-se de muitas formas, afetando prote nas de ligação a ons, prote nas de sinalização de transdução, canais iônicos transmembrana e fatores de transcrição. Apesar da sintomatologia da intoxicação por chumbo já ser bastante conhecida, pouco ainda se sabe sobre seus efeitos sistêmicos e sobre o seu impacto global na modulação da transcrição de células neuronais. A fm de investgar tais efeitos sob uma ótca de biologia de sistemas, aplicamos o pipeline do pacote transcriptogramer R/Bioconductor com a fnalidade de avaliar o perfl transcricional de células progenitoras neurais humanas (NPCs) tratadas com acetato de chumbo 30μM por 26 dias. Dotado de um método não supervisionado, o algoritmo do transcriptogramer é projetado para identfcar, em experimentos do tpo caso-controle, grupos de genes funcionalmente associados e diferencialmente expressos. Tal pipeline foi capaz de identfcar onze clusteres diferencialmente expressos entre os dias 3 e 11 do tratamento com chumbo. Destes, sete apresentaram uma regulação negatva de diversos sistemas celulares envolvidos na diferenciação celular, como organização do citoesqueleto, RNA e biossíntese de proteínas, caracterizados por redes grandes e fortemente conectadas. Os quatro clusteres positvamente regulados apresentaram nós esparsos e pouco conectados, principalmente relacionados a transcrição, transporte transmembrana e transdução de sinal. Já no período subsequente, envolvendo os dias 12 a 26 de tratamento, foi possível observar uma alteração maciça do perfl de transcrição celular com interferência em todas as camadas da regulação da expressão gênica. Desta forma, nossos resultados sugerem que o chumbo induz modifcações transcricionais signifcatvas nas NPCs que podem ser correlacionadas a danos e/ou adaptações de diversos sistemas, todos decorrentes da intoxicação por este metal pesado, influenciando, assim, o resultado fnal da diferenciação das células ES-NP.

Os genes de câncer / testículo (CT) são excelentes candidatos para imunoterapias do câncer devido à sua expressão restrita em tecidos normais e à capacidade de provocar uma resposta imune quando expressa em células tumorais. Neste estudo, realizamos uma análise genome-wide para os CT genes com a identificação de 745 putativos genes de CT. Comparando com um outro conjunto de genes de CT conhecidos, mostramos que novos CT genes foram identificados. Realizamos a integração várias bases de dados de expressão gênica de tecidos normais e de tumor, para identificação dos genes de CT. A integração de dados clínicos e de infiltração de células CD8+ no tumor, nos levou a identificar dezenas de CT genes associados com bom ou mau prognóstico. Para os CT genes relacionados ao bom prognóstico, mostramos que existe uma relação direta entre a expressão gênica do CT e um sinal de infiltração de células CD8+ para alguns tipos de tumores, especialmente melanoma. Além do mais, nesta tese contextualizamos a bioinformática em um cenário de big data.

Atualmente  há  diversas  ferramentas  propostas  para  análise  de  Fatores  de Transcrição  (TF),  tais  como  TFCheckpoint,  JASPAR,  SSTAR,  GTRD, Enrichr.  No entanto nenhuma dessas ferramentas oferece uma experiência completa, em que se possa avaliar a confiabilidade do TF, ou seja, se de fato uma proteína analisada é um TF e a sua associação com o gene alvo. Ao longo  do tempo foram construídas inúmeras  bases  de  dados,  todas  elas  com  riquíssimas informações,  porém  a complexidade  intrínseca  do  dado,  o  volume  de  informações,  problemas  de nomenclatura dos genes e diversos outros fatores fizeram com que tais ferramentas não oferecessem um espectro completo da análise. Por outro lado, para se trabalhar com  um  grande  volume  de  dados,  se  requer  conhecimentos  avançados  de computação. Entretanto, o grande público interessado em analisar esses dados são profissionais procedentes das áreas biológicas. Configurando-se como uma barreira, uma vez que a formação acadêmica desta área não oferece em seus componentes curriculares  disciplinas  de  programação.  Diante  desta  situação,  este  trabalho  tem como objetivo criar uma ferramenta web destinada exclusivamente para análise dos TFs. Contendo a integração de diferentes bases de dados e um conjunto de scripts para manipular estas informações, juntamente com osparâmetros cruciais definidos pelo  usuário  em  sua  análise,  foi  idealizado  e  desenvolvido  o  Transcription  Factor Analysis Tools (TFAT). O cerne desta ferramenta é aanálise para identificar os TFs chaves na modularização da transcrição gênica, ou seja, o enriquecimento dos TFs reguladores de uma lista de genes submetida pelo usuário, que através dos scripts que integram a mesma, consulta sua base de dados, identificam os TFs que estão associados aos genes da lista e calcula o p-valor de enriquecimento. Além disso, a ferramenta  verifica  a  confiabilidade  do  TF,  disponibiliza  as  predições  realizadas  e converte  os  itens  de  uma  lista  para  o  GeneID  ou  Symbol  do  Entrez  Gene.  Outro recurso presente neste trabalho é a utilização da confiabilidade do TF aplicado em toda a ferramenta. Esse grau de confiabilidade levaem consideração evidências de diferentes  bases  de  dados,  experimentos,  predições  e  outras  características  dos TFs. Possuindo um modo padrão e um modo com parâmetros definidos pelo próprio usuário, este recurso de confiabilidade permite toda uma personalização por meio de filtros nas consultas e controle de análise para o usuário final.

A criação de enciclopédias de expressão gênica possibilita a compreensão de grupos de genes que são co-expressos em diferentes tecidos e o entendimento de grupos gênicos conforme suas funções e origem. Devido à enorme quantidade de dados em larga escala, gerados em projetos de transcriptômica, houve uma demanda intensa em usar técnicas fornecidas pela inteligência artificial, que tornou-se amplamente utilizada na bioinformática. A aprendizagem não supervisionada é a tarefa de aprendizagem de máquina que analisa os dados fornecidos e determina os objetos que podem ser agrupados. Foi construída uma ferramenta amigável chamada CORAZON (Correlation Analyses Zipper Online), que implementa 3 algoritmos de aprendizagem de máquina não supervisionada (mean shift, k-means e hierárquico), 6 metodologias de normalização (Fragments Per Kilobase Million (FPKM), Transcripts Per Million (TPM), Counts Per Million (CPM), log base-2, normalização pela soma dos valores da instância e normalização pelo maior valor de atributo para cada instância) e uma estratégia para observar a influência dos atributos, para agrupamento de dados de expressão gênica. Os desempenhos dos algoritmos foram avaliados através de 5 modelos comumente usados para validar metodologias de agrupamento, cada um composto por 50 conjuntos de dados gerados aleatoriamente. Os algoritmos apresentaram acurácia variando entre 92-100%. Em seguida, a ferramenta foi aplicada para agrupar tecidos, obter conhecimentos evolutivos e funcionais dos genes, com base no enriquecimento de processos biológicos, e associar com fatores de transcrição. Para selecionar o melhor número de clusters para o k-means e o hierárquico, foram utilizados o critério de informação bayesiana (BIC), seguido da derivada da função discreta e a Silhueta. No hierárquico foi adotado o método do Ward. No total, 3 bases de dados (Uhlen, Encode e Fantom) foram analisadas e, em relação aos tecidos, foram observados grupos relacionados a glândulas, tecidos cardíacos, musculares, relacionados ao sistema reprodutivo e grupos com um único tecido, como testículo, cérebro e medula óssea. Em relação aos grupos de genes, foram obtidos vários grupos com especificidades em suas funções: detecção de estímulos envolvidos na percepção sensorial, reprodução, sinalização sináptica, sistema nervoso, sistema imunológico, desenvolvimento de sistemas e metabólicos. Também foi observado que geralmente grupos com mais de 80% de genes não codificantes, mais de 40% dos seus genes codificantes são recentes, originados em Mammalia e a minoria é do clado Eukaryota. Por outro lado, grupos com mais de 90% de genes codificantes, mais de 40% deles apareceram em Eukaryota e a minoria em Mammalia. Estes resultados mostram o potencial dos métodos do CORAZON, que podem ajudar na análise de grande quantidade de dados genômicos, possibilitando associações dos processos biológicos com RNAs não codificantes e codificantes agrupados juntos, bem como a possibilidade do estudo da história evolutiva. CORAZON está disponível gratuitamente em http://biodados.icb.ufmg.br/corazon ou http://corazon.integrativebioinformatics.me.

Variações no nível de expressão gênica estão entre as principais causas da diversidade fenotípica nos organismos, incluindo o desenvolvimento de patologias e a resposta aos fármacos em humanos. Os RNAsnão codificantes (ncRNAs) desempenham um papel importante no complexo mecanismo das redes regulatórias. Embora ainda não completamente compreendidos, dois representantes dos ncRNAsdespontam em pesquisas recentes como protagonistas no desenvolvimento de quadros clínicos. São eles os microRNAs (miRNAs) e os RNAsnão codificantes intergênicos longos (lincRNAs). Assim, o presente trabalho integrou dados públicos para catalogar o vasto panorama dos efeitos regulatórios dos miRNAse doslincRNAsno genoma humano. Através de uma análise de expression Quantitative Trait Loci (eQTL) foram identificadas variações que tivessem efeito putativo na expressão gênica. Redes de associação também foram criadas relacionando os resultados da análise eQTL comtratos de relevância clínica e/ou farmacológica. Por meio dessa, foram reveladas associações que podem continuar despertando o interesse de novos estudos envolvendo o tema. Distúrbios mentais e coronários, além do câncer, foram os tratos com maior evidência nos resultados do estudo.

O câncer de mama é uma doença hormônio-dependente, que possui vários subtipos diferentes, padrões de expressão de genes e manifestações distintos (CHENG et al., 2002). Segundo o Instituto Nacional de Câncer (INCA), nas mulheres, apresenta a maior incidência e mortalidade, tanto em países em desenvolvimento quanto em países desenvolvidos. A maioria das neoplasias mamárias são ER + (receptor de estrogênio positivo), isto é, dependentes de 17β-estradiol e o número de ERα (receptor de estrogênio subtipo alfa) é superior ao número de ERβ (receptor de estrogênio subtipo beta), evidenciando a importância do subtipo alfa nesta doença. Este trabalho mensurou as energias de ligação individual dos resíduos que compõem o ERα com o 17β-estradiol e Dietilestilbestrol, utilizando a simulação computacional. Para tanto, foi empregado a Teoria do Funcional Densidade (DFT) e o Método de Fracionamento Molecular com Caps Conjugados (MFCC). Os resultados obtidos constataram que os resíduos com os valores energéticos mais significativos são: GLU353, LEU391, MET343, LEU346, MET388, ARG394, PHE404, HIS524, ASP411, LEU525, ARG352 e ARG548. Estes resultados ajudam a caracterizar a interação entre o 17β-estradiol e o Dietilestilbestrol com o ERα e, por sua vez, podem ser utilizados como base para estudos, planejamento estrutural do fármaco, modulação dos fármacos existentes, tal como para o design de novas drogas.

O Sarcoma de Ewing (SE) é um tumor ósseo maligno raro com alta propensão a metástase ocorrendo mais frequentemente em adolescentes e jovens adultos. Não há uma célula de origem identificada para este câncer e o seu hallmark é a ocorrência de uma translocação cromossomal entre os cromossomos 11 e 22 que resulta em um fator de transcrição aberrante através da fuão de genes da família FET e ETS, comumente EWSR1 e FLI1. A translocação é associada com alteração da cromatina, o que leva a distúrbio significativo no transcriptoma da célula. Os mecanismos regulatórios por trás das alterações transcricionais observadas do SE permanecem pouco compreendidas. Aqui, nós inferimos a rede regulatória do SE e identificamos 7 fatores de transcrição como potenciais mestres reguladores. De acordo com nossos resultados, estes 7 mestres reguladores estão organizados em dois clusters: um que consiste do PAX7 e do RUNX3 e um outro composto pelo ARNT2, CREB3L1, GLI3, MEF2C e PBX3. Os mestres reguladores dentro de cada cluster são agonistas entre eles, e ambos os clusters agem antagonisticamente com relação ao outro. Baseado em dados de transcrição, nós classificamos pacientes de SE em duas coortes de acordo com a atividade regulatória de cada um dos 7 regulons. Alta atividade regulatória do PAX7 e do RUNX3 é associada a um melhor prognóstico e alta atividade regulatória do ARNT2, CREB3L1, GLI3 e PBX3 está associada a um pior prognóstico. Este trabalho contribui para uma melhor compreensão do reguloma do SE, indicando potenciais mestres reguladores que podem levar a um potencial preditor de prognóstico e fatores chaves para tumorigenesis.

Nas últimas décadas, avanços em abordagens genômicas completas levaram à identificação de um grande número de mutações relacionadas ao câncer. Estimativas de alto desempenho dos impactos de mutações de câncer na estrutura da proteína não são uma conquista fácil, e a maioria dos estudos está limitada a análises estruturais completas, uma a uma. Além disso, ainda existem muitos desafios no caminho para a previsão precisa e automatizada de mutações patogênicas. Portanto, entender o impacto estrutural de uma mudança específica de aminoácidos é de grande importância para a pesquisa médica do câncer. No entanto, a maioria dos estudos tem enfatizado seqüências e modificações estruturais baseadas em características químicas de aminoácidos e não em características de dobra, nas quais a conservação de interações não-covalentes desempenha um papel significativo. A partir de então, no presente estudo, utilizamos redes de interação de resíduos (RINs) para análises em grande escala de mutações missense do câncer, a fim de inferir seus efeitos na conservação de interações não-covalentes. Nossa hipótese é que mudanças em aminoácidos altamente conectados são mais propensos a causar mutações deletérias. Para avaliar isso, recuperamos mutações missense de câncer dos bancos de dados COSMIC (cancer.sanger.ac.uk/cosmic) e TCGA (cancergenome.nih.gov) e as mapeamos para suas respectivas estruturas recuperadas do Protein Data Bank (rcsb.org). Em seguida, os RINs foram construídos a partir dos arquivos PDB obtidos, e os parâmetros de rede, como o grau do nó, o tipo de arestas, o coeficiente de agrupamento, a centralidade, foram avaliados e plotados usando scripts em R. Posteriormente, comparamos esses resultados com os polimorfismos de nucleotídeo único missense recuperados do banco dbSNP (www.ncbi.nlm.nih.gov/projects/SNP/) e com mutações de câncer patogênicas e não patogênicas do banco de dados ClinVar (www.ncbi.nlm.nih.gov/clinvar/). Nossos resultados demonstram que a distribuição de mutações por grau (conectividade do nó) varia significativamente em comparação a simulações aleatórias de Monte Carlo e também à distribuição de um conjunto de polimorfismos humanos de nucleotídeo único (SNPs), tendendo a permanecer em nós com menor conectividade. Além disso, a proporção de mutações deletérias foi significativamente aumentada em nós com alto grau de conectividade quando dois critérios diferentes foram utilizados para sua classificação: proporções de preditores de software (Ndamage) e classificação clínica obtida do ClinVar. Levando em conta esses resultados, podemos concluir que as mudanças nos aminoácidos altamente conectados são, de fato, mais propensas a gerar mutações deletérias, devido a sua maior proporção de ocorrência nesses nós. Nossos resultados também indicam que a conservação de interações não-covalentes é um parâmetro importante a ser considerado na avaliação de efeitos de mutações e a análise de RINs pode ser usada como um parâmetro adicional para auxiliar na previsão de mutações deletérias no câncer. 

Big Data é um termo utilizado para caracterizar o crescente volume de dados existentes sobre os mais diversos temas, sejam eles de cunho biomédico ou não. Devido ao enorme volume de dados biológicos e biomédicos gerados diariamente, uma das principais barreiras encontradas será a análise desses dados. É crescente o desenvolvimento e uso de ferramentas computacionais que permitam a análise desses dados através de técnicas como o Text Mining. O Text Mining, vertente do Data Mining, pode ser definido como um método que permite a extração de informações relevantes contidas em textos. Buscando permitir uma análise diferenciada dos dados, sejam esses dados clínicos ou não, foi desenvolvido um algoritmo simples, que permite a análise desses dados sem a necessidade de correlação com bancos de dados existentes, nem a criação de novos bancos de dados. A partir desse algoritmo, uma ferramenta WEB foi desenvolvida, pra que qualquer pessoa consiga ter acesso ao algoritmo (mesmo sem o conhecimento de técnicas computacionais) e promover a análise dos seus dados. O algoritmo da ferramenta Integrate Paired Tool (IPT) foi escrito em linguagem de programação R e utiliza técnicas de Data Mining e Text Mining para análise de dados clínicos, não restringindo suas análises apenas à estes dados específicos. O IPT promove o pareamento de termos analisando a frequência existente entre pares de dados, a partir de um arquivo .csv fornecido pelo usuário. Além disso, a ferramenta WEB foi desenvolvida a partir das linguagens JavaScript, HTML5, CSS e PHP. O algoritmo lê o arquivo .csv, e o percorre por inteiro, fazendo o pareamento de seus termos, dois a dois, independente se as colunas possuem tamanhos diferentes, ou se estão incompletas, até que todas as colunas sejam pareadas. Após todos os agrupamentos, é atribuído um valor para cada par agrupado, somando os pares de iguais frequências e gerando um outro arquivo .csv contendo as interações existentes e suas respectivas frequências. Após as relações e suas frequências de aparecimento serem formadas, um grafo de interações (em R) é mostrado na tela da ferramenta WEB para que o usuário possa então realizar suas análises, além do arquivo .csv com todas as interações e frequências. A obtenção desse grafo e dessa tabela pode conter informações variáveis, a depender da porcentagem que o usuário escolha na ferramenta IPT. Esse arquivo .csv com os dados das interações e frequências pode ser utilizado pelo usuário em outras ferramentas de visualização de redes, como o Gephi, por exemplo. Para fins de testagem da ferramenta, dados de uma UTI neonatal. O IPT demonstrou funcionar bem e atingiu os objetivos da pesquisa, e como metas futuras, teremos a hospedagem da ferramenta na página do Programa de Pós-Graduação em Bioiformática da UFRN, a análise de outros dados e uma possível integração do pré-processamento dos dados dentro do próprio IPT.

Desde a antiguidade, o chumbo vem sendo utilizado pela humanidade em virtude das suas propriedades físico-químicas, como maleabilidade, ductilidade, resistência à corrosão, baixo ponto de fusão e baixa condutividade elétrica. Entretanto, além de sua importância econômica, o chumbo possui uma importância quanto à saúde humana, uma vez que causa intoxicação. Muitos efeitos da intoxicação pelo chumbo já foram relatados na literatura, afetando o organismo como um todo e produzindo sintomas no sistema cardiovascular, no sistema imune, nos ossos, no sistema reprodutivo, no sistema hematológico, no sistema renal, no sistema gastrointestinal e, principalmente, no sistema nervoso. Levantamentos epidemiológicos, estudos em humanos e em modelos animais mostraram que o chumbo é uma potente neurotoxina, não havendo níveis seguros de exposição. Embora haja evidências sobre como o chumbo afeta a homeostase em nível celular, a descrição das vias metabólicas afetadas na intoxicação por chumbo não está totalmente estabelecida. Par a esclarecer os efeitos da intoxicação por chumbo, o objetivo deste estudo é construir um mapa metabólico das vias celulares alteradas pela presença de chumbo e analisar quais proteínas são capazes de interagir com o chumbo. Encontramos um total de 23 proteínas, incluindo o tripeptídeo glutationa, as quais podem interagir diretamente com chumbo. Estas proteínas, juntamente com as informações das vias presentes no KEGG, permitiram a criação do mapa metabólico da intoxicação pelo chumbo. Nossas análises mostraram que o chumbo interage diversos componentes celulares, principalmente interferindo na função normal de proteínas as quais se ligam a metais essenciais, como zinco e cálcio.