Medidas de performance metabólica usando a expressão gênica de genoma completo

Abstract

A cada dia surgem novas tecnologias que possibilitam aos cientistas medirem a expressão de inúmeros genes em uma única experiência com uma alta rapidez e eficiência. No entanto, ainda não existem muitas metodologias que sirvam para a análise do funcionamento de células e tecidos que possibilitem diagnóstico, prevenção e terapias de doenças. Na presente tese propomos uma metodologia de análise de expressão gênica que mostra diferenças na performance da célula com o passar do tempo, e tem poder de diagnóstico quando uma célula mutada é comparada com uma célula normal. Partimos da ideia de que rotas bioquímicas podem ser representadas por uma rede de interações entre metabólitos, entre os quais muitos deles são proteínas codificadas a partir do genoma. Sendo assim, o funcionamento de uma célula implica em interações que compõem uma rede intricada e complexa. Reorganizamos a lista de genes em uma dimensão e reescrevemos a matriz de interação, sem a criação ou a destruição de interações, buscando correlacionar cada um dos genes com os seus respectivos vizinhos na lista unidimensional. Logo após a reorganização, encontramos módulos funcionais sobre a lista ordenada que são independentes do estado da célula estudada, é possível reconhecer os processos biológicos de cada módulo com o uso de banco de dados específicos. Com base nisto, sobrepondo dados de expressão gênica sobre o ordenamento (transcriptograma), teremos um perfil transcricional de um tecido no ato da medida experimental. Se medirmos a expressão gênica de células provenientes do mesmo tecido em diferentes estágios do ciclo celular podemos seguir as alterações metabólicas ao longo do ciclo celular. Também poderíamos analisar a expressão gênica de um tecido normal com um tecido alterado. Como resultado desta comparação saberíamos quais módulos estão super expressos e os subexpressos em relação ao tecido normal. Publicamos na internet um software que é capaz de reproduzir essas análises e gerar transcriptogramas para análise de expressão gênica.

Every day new technologies which allow scientists to measure the expression of numerous genes in a single experiment with a high speed and efficiency are emerging. However, there aren’t many methods which are used to analyze the functioning of cells and tissues which allow diagnosis, prevention and therapy of diseases. In this thesis we propose a methodology for gene expression analysis that presents those differences in cell performance over time, and has diagnostic power when comparing a mutant cell with a normal one. Starting from the idea that biochemical pathways can be represented by a network of interactions between metabolites, among which many are encoded proteins from the genome. Thus, the functioning of a cell involves interactions that make up an intricate and complex network. We reorganize the genes list in one dimension and rewrite the matrix of interaction, without the creation or destruction of interactions, seeking to correlate each gene with their respective neighbors in a one-dimensional list. Soon after the reorganization, we find functional modules on the ranked list that are state independent of the cell studied, it is possible to recognize the biological processes for each module by using specific databases. Based on this, overlapping gene expression data on reorganized gene list (transcriptogram), we obtain a transcriptional profile of a tissue at the experimental measurement time. If we measure the gene expression of cells from the same tissue at different celluar stages we can follow the metabolic changes during the cell cycle. We could also analyze the gene expression of normal tissue with a mutant tissue. As a result this comparison we would know what modules are super expressed and underexpressed when compared to normal tissue. We published on the Internet software which is able to reproduce these analysis and generate transcriptograms for gene expression analysis.