Abordagens computacionais para a descoberta de genes significativos para o câncer

  • Jorge Francisco Cutigi IFSP / USP
  • Adriane Feijó Evangelista Hospital de Câncer de Barretos
  • Adenilso da Silva Simão USP

Resumo


O câncer é uma doença complexa provocada por alterações genéticas que se acumulam por toda a vida do indivíduo. A essas alterações dá-se o nome de mutação genética. Células de câncer possuem um elevado número de mutações, das quais um pequeno número delas é significativo para o câncer. A identificação de genes significativamente mutados, isto é, genes com mutações significativas, é essencial para a compreensão dos mecanismos de iniciação e progressão do câncer. Essa tarefa é um desafio chave na genômica do câncer, uma vez que estudos mostram que genes significativos podem sofrer mutação em uma frequência muito baixa. Com o sequenciamento de nova geração, uma extensa quantidade de conjuntos de dados genômicos foram gerados, criando o desafio de analisar e interpretar esses dados. Para identificar genes significativos ao câncer, redes de interação gênica combinadas com dados de mutação têm sido exploradas. Neste contexto, esta pesquisa de doutorado buscou a descoberta de genes significativos para o câncer por meio da proposição de abordagens computacionais para tal fim. O genes são identificados por um método baseado em redes que combina frequência de mutação ponderada e influência de vizinhos na rede, e possíveis falso-positivos são detectados por método baseado em aprendizado de máquina, o qual utiliza-se de dados de mutação e redes de interação gênica para induzir modelos preditivos. Um estudo experimental conduzido com seis tipos de câncer revelou o potencial das abordagens na descoberta de genes já conhecidos e de possíveis novos genes significativos para o câncer.

Referências

Bailey, M. H. et al. (2018). Comprehensive characterization of cancer driver genes and mutations. Cell, 173(2):371 – 385.e18.

Barabási, A.-L., Gulbahce, N., and Loscalzo, J. (2011). Network medicine: a networkbased approach to human disease. Nature reviews genetics, 12(1):56–68.

Cheng, F., Zhao, J., and Zhao, Z. (2015). Advances in computational approaches for prioritizing driver mutations and significantly mutated genes in cancer genomes. Briefings in Bioinformatics, 17(4):642.

Cutigi, J. F., Evangelista, A. F., Reis, R. M., and Simao, A. (2021). A computational approach for the discovery of significant cancer genes by weighted mutation and asymmetric spreading strength in networks. Scientific reports, 11(1):1–10.

Cutigi, J. F., Evangelista, A. F., and Simao, A. (2019a). GeNWeMME: A network-based computational method for prioritizing groups of significant related genes in cancer. In Advances in Bioinformatics and Computational Biology, pages 29–40. Springer.

Cutigi, J. F., Evangelista, A. F., and Simao, A. (2019b). A proposal of a graph-based computational method for ranking significant set of related genes in cancer. In Anais Principais do XIX Simpósio Brasileiro de Computação Aplicada à Saúde, pages 300–305, Porto Alegre, RS, Brasil. SBC.

Cutigi, J. F., Evangelista, A. F., and Simao, A. (2020a). Approaches for the identification of driver mutations in cancer: A tutorial from a computational perspective. Journal of Bioinformatics and Computational Biology, 18(03):2050016. PMID: 32698724.

Cutigi, J. F., Evangelista, R. F., Ramos, R. H., Ferreira, C. d. O. L., Evangelista, A. F., de Carvalho, A. C., and Simao, A. (2020b). Combining mutation and gene network data in a machine learning approach for false-positive cancer driver gene discovery. In Brazilian Symposium on Bioinformatics, pages 81–92. Springer.

Dimitrakopoulos, C. M. and Beerenwinkel, N. (2017). Computational approaches for the identification of cancer genes and pathways. Wiley Interdisciplinary Reviews: Systems Biology and Medicine, 9(1):e1364.

Hou, J. P. and Ma, J. (2013). Identifying Driver Mutations in Cancer, pages 33–56. Springer Netherlands.

Ozturk, K., Dow, M., Carlin, D. E., Bejar, R., and Carter, H. (2018). The emerging potential for network analysis to inform precision cancer medicine. Journal of molecular biology, 430(18):2875–2899.

Ramos, R. H., Cutigi, J. F., de Oliveira Lage Ferreira, C., Evangelista, A. F., and Simao, A. (2020). Analyzing different cancer mutation data sets from breast invasive carcinoma (brca), lung adenocarcinoma (luad), and prostate adenocarcinoma (prad). In Anais Principais do XX Simpósio Brasileiro de Computação Aplicada à Saúde, pages 37–48, Porto Alegre, RS, Brasil. SBC.

Raphael, B. J., Dobson, J. R., Oesper, L., and Vandin, F. (2014). Identifying driver mutations in sequenced cancer genomes: computational approaches to enable precision medicine. Genome Medicine, 6(1):5.

Stratton, M. R. (2009). The cancer genome. Nature, 458(7239):719–724.

Vincent, J.-L. (2017). The coming era of precision medicine for intensive care. Critical Care, 21(3):314.

Vogelstein, B., Papadopoulos, N., Velculescu, V. E., Zhou, S., Diaz, L. A., and Kinzler, K. W. (2013). Cancer genome landscapes. Science, 339(6127):1546–1558.
Publicado
07/06/2022
Como Citar

Selecione um Formato
CUTIGI, Jorge Francisco; EVANGELISTA, Adriane Feijó; SIMÃO, Adenilso da Silva. Abordagens computacionais para a descoberta de genes significativos para o câncer. In: CONCURSO DE TESES E DISSERTAÇÕES - SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 22. , 2022, Teresina/PI. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 13-18. ISSN 2763-8987. DOI: https://doi.org/10.5753/sbcas_estendido.2022.222427.