|
Programa de Pós Graduação em Genética
e Melhoramento MESA REDONDA: Debatedores: Marcos
de Oliveira Pinto Mariana
Santos Cardoso Priscila
Vendramini Silva Rafael
Simões Tomaz Moderadora: Profa.
Simone Eliza Facioni Guimarães Gene Network: muito além da expressão gênica A partir da década de 1990, com a
automação das técnicas de seqüenciamento de DNA e a
formação de consórcios multinacionais de pesquisa, iniciou-se a “Era Genômica”. Em poucos anos, seqüências de DNA de
diferentes organismos tornaram-se disponíveis em diversos bancos de dados na
internet. Entretanto, sabe-se que apenas conhecer a seqüência dos genomas não
garante o imediato conhecimento da expressão gênica de uma célula ou de um
organismo; para isso, é necessário decifrar as relações funcionais entre os
genes, as proteínas e as vias metabólicas. A partir de dados experimentais,
juntamente com os recursos disponibilizados pela Bioinformática,
redes de interação podem ser construídas permitindo maior entendimento sobre
a função dos genes e de seus produtos. Neste contexto, surgiu o conceito de “Gene Network”,
definido como um agregado de genes regulando coordenadamente as funções vitais,
os processos fisiológicos e as respostas aos estímulos externos, permitindo a
análise da interação entre os genes, levando à visão geral do estado
fisiológico de um organismo a partir de seus níveis de transcritos. Diversos métodos computacionais
têm sido utilizados para construir modelos de rede, a partir dos níveis de
expressão de cada gene. Esta inferência é realizada por meio de perturbação
direta à rede, verificando comportamento de cada gene em relação ao seu
estado anterior a perturbação. Estas perturbações podem ser genéticas, nas
quais os níveis de expressão de um ou mais genes são fixados por deleção ou superexpressão, ou
biológicas em que um ou mais fatores não genéticos são alterados, tais como a
mudança do meio de crescimento ou do aumento da temperatura. Uma vez que os
dados da expressão de uma série experimentos de perturbação são obtidos,
métodos analíticos são necessários para inferir às alterações de genoma, transcriptoma, proteoma e metaboloma. Na análise de transcriptoma
a principal metodologia empregada é a de microarray, porém outras
técnicas suplementares como PCR quantitativo e SAGE podem ser utilizadas para
a obtenção dos dados de expressão gênica. A análise do proteoma
é feita, principalmente, pela combinação das técnicas de eletroforese bidimensional
e espectometria de massa que permitem a separação e
a identificação de proteínas e peptídeos expressos em determinada condição
experimental. Outras técnicas, como cromatografia líquida multidimensional
(HPLC multiD) e Mass fingerprinting,
podem auxiliar na avaliação das alterações do trancriptoma.
A avaliação do metaboloma é mais complexa, uma vez
que compreende desde espécies iônicas a carboidratos hidrofílicos, álcoois e
cetonas voláteis, aminoácidos, ácidos orgânicos e produtos naturais
complexos. Essa variedade de compostos químicos, adicionada à enorme variação
de concentração, torna a análise simultânea do metaboloma
celular tarefa praticamente impossível por apenas uma única técnica. Um grande desafio encontrado de modelar uma rede
gênica está no número normalmente limitado de dados e na falta de adequação
dos modelos estatísticos computacionais. O processo de modelagem da rede
promove a simplificação dos dados biológicos o que normalmente causa
distorções consideráveis no modelo final. Os modelos contínuos utilizam
equações diferenciais para estudar os níveis de transcritos, assumindo que um
pequeno conjunto de moléculas de RNA (expressão de determinados genes) é necessário
para regular um transcrito em particular (regulação de um gene em
particular). Estes modelos, apesar de precisos, são muito exigentes em termos
computacionais. Redes Booleanas tentam simplificar
o problema transformando os dados de expressão em variáveis discretas. Tal
simplificação requer, para uma boa modelagem, um enorme conjunto de dados
experimentais. As redes Bayseanas, são baseadas em
distribuições de probabilidades entre os elementos que compõem a rede,
propondo um meio eficiente de lidar com as limitações experimentais. Esta
estratégia permite lidar com conjuntos limitados de dados por meio da
incorporação de informações “a priori” obtidas a partir de diferentes
técnicas experimentais. Alguns algoritmos que permitem utilizar informações
de dados de expressão e ligação gênica têm sido utilizados e se mostrado de
grande valor. Dessa forma, a
integração dos dados de expressão gênica e de genótipos é de grande
importância na identificação de genes e de vias bioquímicas que contribuem
para características complexas, auxiliando as pesquisas farmacêuticas na
priorização de alvos e adaptando terapia com drogas às necessidades
individuais de cada paciente. Além disso, a combinação desses dados pode
auxiliar na identificação de genes candidatos posicionais. Modelos matemáticos de correlação entre os
níveis de transcrito e os dados clínicos podem auxiliar na predição de
interações causais, identificação de genes “principais” e na construção de
redes para explicar mecanismos de doença. Entretanto, há necessidade de
desenvolver ferramentas estatísticas e de bioinfomática
mais sofisticadas para interpretar o grande conjunto de dados gerados pelas recentes
tecnologias genômicas. REFERÊNCIAS
BIBLIOGRÁFICAS: BRAZHNIK, P.; FUENTE, A.;
MENDES, P. Gene networks: how to put the function in genomics. Trends in Biotechnology.
20 (11). 467-472. 2002. GARDNER, T.S.;
FAITH, J.J. Reverse-engeneering transcription
control networks. Physics of Life Reviews. 2. 65-88. 2005. SCHADT, E. E.;
LUM, PEK Y. Reverse Engineering Gene Networks to Identify Key Drivers of
Complex Disease Phenotypes. Journal of Lipid Research. 2006. SCHADT, E. E.; MONKS, S.
A.; DRAKES, T. A.; LUSIS, A. J.; CHE, N.; COLINAYO, V.; RUFF, T. G.;
MILLIGAN, S. B; LAMB, J. E.; CAVET, G.; LINSLEY, P. S.; MAO, M.; STOUGHTON,
R. B.; FRIEND, S. H. Genetics of gene expression surveyed in mayze, mouse and man. Nature. 422. 297-302. 2003. TEGNÉR, J.;
BJÖRKEGREN, J. Perturbations to uncover gene networks. Trends in Genetics. 23 (1). 34-41. 2007. |
