O papel modulador do gene AIRE - capes
O papel modulador do gene AIRE - capes O papel modulador do gene AIRE - capes
INTRODUÇÃOpara abordarmos nossa proposta. Neste trabalho, construímos umsistema modelo de inibição parcial do transcrito do gene Aire pela técnicade RNA interferente nas células mTEC, determinação da PGE pormicroarrays e análise dos dados com o algoritmo de redes.Os experimentos sobre a determinação da expressão gênica commicroarrays oferecem uma lista de genes que governam o comportamentocelular. A análise dessa lista provê uma grande quantidade deinformações relevantes às quais precisam ser organizadas de maneiracoerente para dar um sentido biológico a tais resultados. No contexto doestudo do comportamento celular a descrição dos mecanismosregulatórios atingiu prioridade máxima.A regulação transcricional (DNA RNAm) é um dos primeirospontos de controle da expressão gênica e, num sentido amplo, pressupõeseque o controle da transcrição influencia diretamente os níveis dasrespectivas proteínas na célula (Tegnér et al., 2003; Tabuchi et al., 2006).Por esse motivo é que há grande interesse na pesquisa do controleda síntese de RNAm em grande escala, definindo o perfil dotranscriptoma. Os desenvolvimentos recentes de tecnologias tais comoDNA microarrays fizerem possível obter um volume grande de perfis daexpressão gênica, permitindo a mensuração simultânea de milhares detranscritos (Gatti et al., 2007). Como a quantidade de informações geradasnesses estudos é enorme, programas computacionais específicos foramdesenvolvidos, como o Cluster e Tree View, utilizado para traçar aschamadas assinaturas de expressão gênica, muito útil para oagrupamento hierárquico de amostras e de genes diferencialmenteexpressos (Eisen et al., 1998) ou o programa SAM (significance analysis ofmicroarrays) utilizado para identificar os genes diferencialmente expressoscom base estatística (Tusher et al., 2001).27
INTRODUÇÃOOs programas citados são clássicos na bioinformática demicroarrays, mas ainda não respondem como montar os dados de maneiraa construir um modelo preditivo de interação entre os genes. Inferir aestrutura de uma rede de interações gênicas também passou a ser umatarefa imperativa a fim avançar nossa compreensão sobre o mecanismomolecular do funcionamento das células ao nível genômico (Kim et al.,2007).A análise dos dados de microarrays incluiu agora um foco nareconstrução de redes regulatórias entre os genes, visando encontrar eentender as interações gene-a-gene a partir de dados de expressão (Wanget al., 2006).Atualmente concebe-se que a maioria dos relacionamentosbioquímicos entre genes, proteínas e outros substratos orgânicos devamser many-to-many, significando que um componente pode ter muitasfunções e uma função pode ser influenciada por muitos componentes.Para compreender estes relacionamentos complexos, a estrutura de umsistema biológico, tal como o relacionamento regulador entre os genesprecisa ser identificado.Os métodos de engenharia reversa fornecem uma boa maneira dese modelar interações baseadas em dados da expressão gênica durante ocurso do tempo, cujos dados foram gerados por experimentos commicroarrays. A rede gênica reconstruída terá por enquanto uma basepuramente de probabilidade e estatística e é claro que deverá serfinalmente validada experimentalmente (Wu et al., 2004).Uma grande variedade de metodologias vem sendo proposta parainferir redes gênicas regulatórias a partir de dados temporais. Entre essesmétodos estão modelos discretos, como as redes Booleanas e Baysianas,modelos contínuos, como as redes neurais e equações diferenciais. Todos28
- Page 1 and 2: Universidade de São PauloFaculdade
- Page 3 and 4: Macedo, ClaudiaO papel modulador do
- Page 5 and 6: Dedico Especialmente este TrabalhoM
- Page 7 and 8: AgradecimentosAgradeço do fundo do
- Page 9 and 10: ÍndiceRESUMO .....................
- Page 11 and 12: INDICE DE FIGURASFigura 1. Desenvol
- Page 15 and 16: Promiscuous gene expression in medu
- Page 17 and 18: INTRODUÇÃO1. INTRODUÇÃO1.1. A m
- Page 19 and 20: INTRODUÇÃORecentemente surgiram e
- Page 21: INTRODUÇÃOmigram para a região s
- Page 24 and 25: INTRODUÇÃOCD4 + CD8 + , e Ccl21 (
- Page 26 and 27: INTRODUÇÃOos timócitos duplo-pos
- Page 28 and 29: INTRODUÇÃOgrande diversidade nas
- Page 30 and 31: INTRODUÇÃOAs células mTECs são
- Page 32 and 33: INTRODUÇÃODerbinski (2004). Os ti
- Page 34 and 35: INTRODUÇÃOinvertebrados multicelu
- Page 36 and 37: INTRODUÇÃOCoraçãoLínguaEstôma
- Page 38 and 39: INTRODUÇÃO1.3. O papel do gene Au
- Page 40 and 41: INTRODUÇÃOdefinido pela atividade
- Page 44 and 45: INTRODUÇÃOesses modelos levam em
- Page 46 and 47: Hipóteses
- Page 48 and 49: Objetivos
- Page 50 and 51: Material e Métodos
- Page 52 and 53: MATERIAL E MÉTODOSFigura 6. Padrã
- Page 54 and 55: MATERIAL E MÉTODOScom estes RNAs f
- Page 56 and 57: MATERIAL E MÉTODOSdos complexos de
- Page 58 and 59: MATERIAL E MÉTODOSAo RNA total rec
- Page 60 and 61: 4.5. PCRs semi-quantitativas para o
- Page 62 and 63: MATERIAL E MÉTODOSminutos a 4 °C.
- Page 64 and 65: MATERIAL E MÉTODOS(Merck), soluç
- Page 66 and 67: MATERIAL E MÉTODOSEnsaios de co-hi
- Page 68 and 69: MATERIAL E MÉTODOSRNA TotalANELAME
- Page 70 and 71: MATERIAL E MÉTODOSa) Preparação
- Page 72 and 73: MATERIAL E MÉTODOScentrifugação
- Page 74 and 75: MATERIAL E MÉTODOScanais (Cy3 e Cy
- Page 76 and 77: MATERIAL E MÉTODOSSpotfinderQuanti
- Page 78 and 79: MATERIAL E MÉTODOSOnde Xp(i) e Xc(
- Page 80 and 81: MATERIAL E MÉTODOSO programa SAM p
- Page 82 and 83: MATERIAL E MÉTODOSextrair automati
- Page 84 and 85: DELINEAMENTO EXPERIMENTAL5. DELINEA
- Page 86 and 87: RESULTADOS6. RESULTADOS6.1. Inibiç
- Page 88 and 89: RESULTADOSPCR semiquantitativa gene
- Page 90 and 91: RESULTADOS6.3. RT-PCRs semi-quantit
INTRODUÇÃOpara abordarmos nossa proposta. Neste trabalho, construímos umsistema modelo de inibição parcial <strong>do</strong> transcrito <strong>do</strong> <strong>gene</strong> Aire pela técnicade RNA interferente nas células mTEC, determinação da PGE pormicroarrays e análise <strong>do</strong>s da<strong>do</strong>s com o algoritmo de redes.Os experimentos sobre a determinação da expressão gênica commicroarrays oferecem uma lista de <strong>gene</strong>s que governam o comportamentocelular. A análise dessa lista provê uma grande quantidade deinformações relevantes às quais precisam ser organizadas de maneiracoerente para dar um senti<strong>do</strong> biológico a tais resulta<strong>do</strong>s. No contexto <strong>do</strong>estu<strong>do</strong> <strong>do</strong> comportamento celular a descrição <strong>do</strong>s mecanismosregulatórios atingiu prioridade máxima.A regulação transcricional (DNA RNAm) é um <strong>do</strong>s primeirospontos de controle da expressão gênica e, num senti<strong>do</strong> amplo, pressupõeseque o controle da transcrição influencia diretamente os níveis dasrespectivas proteínas na célula (Tegnér et al., 2003; Tabuchi et al., 2006).Por esse motivo é que há grande interesse na pesquisa <strong>do</strong> controleda síntese de RNAm em grande escala, definin<strong>do</strong> o perfil <strong>do</strong>transcriptoma. Os desenvolvimentos recentes de tecnologias tais comoDNA microarrays fizerem possível obter um volume grande de perfis daexpressão gênica, permitin<strong>do</strong> a mensuração simultânea de milhares detranscritos (Gatti et al., 2007). Como a quantidade de informações geradasnesses estu<strong>do</strong>s é enorme, programas computacionais específicos foramdesenvolvi<strong>do</strong>s, como o Cluster e Tree View, utiliza<strong>do</strong> para traçar aschamadas assinaturas de expressão gênica, muito útil para oagrupamento hierárquico de amostras e de <strong>gene</strong>s diferencialmenteexpressos (Eisen et al., 1998) ou o programa SAM (significance analysis ofmicroarrays) utiliza<strong>do</strong> para identificar os <strong>gene</strong>s diferencialmente expressoscom base estatística (Tusher et al., 2001).27