Minería de Datos en Bio-Ciencias

El campo de las Bio-Ciencias está en pleno desarrollo y expansión. La variedad de tecnologías disponibles y aplicaciones están generando una cantidad abrumadora de datos que necesitan de protocolos, conceptos y métodos que permitan un análisis uniforme y asequible. Otra característica distintiva de estos ámbitos es su condición multidisciplinaria, donde interactúan (y cada vez más) disciplinas como la biología, la matemática, la estadística, la informática, la inteligencia artificial, etc. por lo que cualquier esfuerzo tendiente a aumentar el nivel de comunicación y entendimiento entre las disciplinas redundará en beneficios. La Minería de Datos, concepto que aglutina una variedad de metodologías analíticas, proporciona un marco conceptual y metodológico para el abordaje del análisis de datos y señales de distintas disciplinas. Sin embargo, cada campo de aplicación presenta desafíos específicos que deben ser abordados particularmente desde la racionalización de conceptos específicos del ámbito. La multidisiplinaridad es particularmente importante en aplicaciones biomédicas y biotecnológicas, donde se modelan fenómenos biológicos y se desarrollan métodos analíticos para generar nuevas estrategias diagnósticas, predictivas a partir de los datos recogidos. En este proyecto se integrarán las experiencias y criterios de distintas disciplinas que están involucradas en el desarrollo experimental en bio-ciencias, desde la biología molecular y la bioingeniería hasta la bioinformática y la estadística. La finalidad es elaborar protocolos que permitan extraer conocimiento en problemas biotecnológicos (particularmente experimentos genómicos) que se basan en la investigación sólida de los procedimientos estadísticos / bioinformáticos relevante para el manejo de datos experimentales. EL objetivo general de este proyecto es contribuir a la instauración de un Proceso Unificado de Análisis en Biotecnología generando conocimiento que permita el desarrollo de nuevas metodologías de análisis, con especial énfasis en métodos lineales y no-lineales de clasificación / predicción. La comprensión y estandarización de los requerimientos y etapas de experimentos en bio-ciencias es imprescindible para el éxito de proyectos biotecnológicos / biomédicos.

Métodos estadístico-computacionales para la caracterización de patrones de expresión de proteínas en 2D-DIGE

El volumen de datos provenientes de experimentos basados en genómica y poteómica es grande y de estructura compleja. Solo a través de un análisis bioinformático/bioestadístico eficiente es posible identificar y caracterizar perfiles de expresión de genes y proteínas que se expresan en forma diferencial bajo distintas condiciones experimentales (CE). El objetivo principal es extender las capacidades computacionales y analíticos de los softwares disponibles de análisis de este tipo de datos, en especial para aquellos aplicables a datos de electroforésis bidimensional diferencial (2D-DIGE). En DIGE el método estadístico más usado es la prueba t de Student cuya aplicación presupone una única fuente de variación y el cumplimiento de ciertos supuestos distribucionales de los datos (como independencia y homogeneidad de varianzas), los cuales no siempre se cumplen en la práctica, pudiendo conllevar a errores en las estimaciones e inferencias de los efectos de interés. Los modelos Generalizados lineales mixtos (GLMM) permiten no solo incorporar los efectos que, se asume, afectan la variación de la respuesta sino que también modelan estructuras de covarianzas y de correlaciones más afines a las que se presentan en la realidad, liberando del supuesto de independencia y de normalidad. Estos modelos, más complejos en esencia, simplificará el análisis debido a la modelización directa de los datos crudos sin la aplicación de transformaciones para lograr distribuciones más simétricas. Produciendo también a una estimación estadísticamente más eficiente de los efectos presentes y por tanto a una detección más certera de los genes/ proteínas involucrados en procesos biológicos de interés. La característica relevante de esta tecnología es que no se conoce a priori cuáles son las proteínas presentes. Estas son identificadas mediante otras técnicas más costosas una vez que se detectó un conjunto de manchas diferenciales sobre los geles 2DE. Por ende disminuir los falsos positivos es fundamental en la identificación de tales manchas ya que inducen a resultados erróneas y asociaciones biológica ficticias. Esto no solo se logrará mediante el desarrollo de técnicas de normalización que incorporen explícitamente las CE, sino también con el desarrollo de métodos que permitan salirse del supuesto de gaussianidad y evaluar otros supuestos distribucionales más adecuados para este tipo de datos. También, se desarrollarán técnicas de aprendizaje automática que mediante optimización de funciones de costo específicas nos permitan identificar el subconjunto de proteínas con mayor potencialidad diagnóstica. Este proyecto tiene una alta componente estadístico/bioinformática, pero creemos que es el campo de aplicación, es decir la genómica y la proteómica, los que mas se beneficiarán con los resultados esperados. Para tal fin se utilizarán diversas bases de datos de distintos experimentos provistos por distintos centros de investigación nacionales e internacionales

Regulación transcripcional y relación entre estructura y función de proteínas relacionadas con el metabolismo de colina en Pseudomonas aeruginosa. Transcriptional regulation and relationship between structure and function of proteins related with the choline metabolism in Pseudomonas aeruginosa.

El objetivo general de este proyecto es dilucidar los mecanismos de acción a nivel molecular de enzimas y proteínas involucradas en el metabolismo de colina en Pseudomonas aeruginosa, con énfasis en la identificación de residuos aminoacídicos críticos y regulación de la expresión de los genes en estudio. Los objetivos específicos que se palntean involucran abordajes bioquímicos y moleculares y serán llevados a cabo mediante técnicas de biología molecular y bioquímica (mutación sitio-dirigida, deleción génica, expresión y purificación de proteínas, fusión transcripcional a genes reporteros, etc). Planteo de hipótesis: las proteínas que se inducen por colina (fosforilcolina fosfatasa (PchP), fosfolipasa C (PlcH), acetilcolinestera (AchE), proteínas periplásmicas unidoras de colina (PUch) podrían compartir: a) una organización génica y responder a la regulación por proteínas regulatorias o a factores ambientales de manera similar; b) residuos aminoacídicos conservados que intervengan en la unión o interacción con diferentes ligandos, principalmente, colina. Para ello, se plantean los siguientes Objetivos Específicos: 1) identificar las zonas promotoras de los genes que codifican para PchP, PlcH, AchE y PUch, a fin de localizar posibles sitios de unión a proteínas reguladoras y los factores ambientales que afectan la actividad promotora. 2) determinar en las proteínas mencionadas los residuos aminoacídicos de importancia involucrados en la catálisis y en la interacción con ligandos, principalmente en la unión a compuestos de alquilamonio; 3) Se iniciarán estudios que demuestren la relación entre la inducción por colina de varios factores de patogenicidad la virulencia del microorganismo, empleando mutantes simples o múltiples en estos factores y como modelo de patogenicidad el nematodo C. elegans. A partir de los resultados obtenidos se pretende tener un conocimiento profundo sobre la regulación molecular y bioquímica de varias enzimas comprometidas en la patología que produce P. aeruginosa. Esto más el conocimiento de la fisiología de este microorganismo abre el camino para la búsqueda de posibles blancos de acción de drogas. Por otro lado, se espera tener un conocimiento integral sobre la regulación de la expresión de las actividades enzimáticas relacionadas con el metabolismo de colina y la respuesta de P. aeruginosa ante la presencia de compuestos de alquilamonio utilizados como nutrientes. Se espera conocer el papel que desempeña cada uno de los sitios de unión a los diferentes ligandos para el funcionamiento y control de las enzimas mencionadas y explicar el comportamiento diferencial de las enzimas frente a distintos sustratos y otros ligandos. El conocimiento de los sitios de unión a compuestos de alquilamonio permitirá encontrar esos dominios en diferentes proteínas del género Pseudomonas y otras bacterias Gram negativas. Desde el punto de vista evolutivo, se podrá comparar la similitud de los sitios de unión a colina entre proteínas de organismos eucariotas con procariotas (ej. PUch de bacterias Gram positivas, transportadores de colina, proteína C reactiva, AchE de eucariotas contra las encontradas en bacterias del género Pseudomonas, fosfolipasas A, C o D, etc.). Este proyecto permitirá concretar al menos dos tesis doctorales (Sanchez, Otero) más varios trabajos finales de grado (tesinas) que son y serán realizados por alumnos de la carrera de Microbiología en la UNRC. Les permitirá a los doctorandos y a los alumnos de grado adquirir una formación bastante integral ya que utilizarán herramientas de la fisiología general bacteriana, de la bioquímica clásica, de la biología molecular y de la bioinformática.

Métodos estadístico-computacionales para la caracterización de patrones de expresión de proteínas en 2D-DIGE.

El volumen de datos provenientes de experimentos basados en genómica y poteómica es grande y de estructura compleja. Solo a través de un análisis bioinformático/bioestadístico eficiente es posible identificar y caracterizar perfiles de expresión de genes y proteínas que se expresan en forma diferencial bajo distintas condiciones experimentales (CE). El objetivo principal es extender las capacidades computacionales y analíticos de los softwares disponibles de análisis de este tipo de datos, en especial para aquellos aplicables a datos de electroforésis bidimensional diferencial (2D-DIGE). En DIGE el método estadístico más usado es la prueba t de Student cuya aplicación presupone una única fuente de variación y el cumplimiento de ciertos supuestos distribucionales de los datos (como independencia y homogeneidad de varianzas), los cuales no siempre se cumplen en la práctica, pudiendo conllevar a errores en las estimaciones e inferencias de los efectos de interés. Los modelos Generalizados lineales mixtos (GLMM) permiten no solo incorporar los efectos que, se asume, afectan la variación de la respuesta sino que también modelan estructuras de covarianzas y de correlaciones más afines a las que se presentan en la realidad, liberando del supuesto de independencia y de normalidad. Estos modelos, más complejos en esencia, simplificarán el análisis debido a la modelización directa de los datos crudos sin la aplicación de transformaciones para lograr distribuciones más simétricas,produciendo también a una estimación estadísticamente más eficiente de los efectos presentes y por tanto a una detección más certera de los genes/proteínas involucrados en procesos biológicos de interés. La característica relevante de esta tecnología es que no se conoce a priori cuáles son las proteínas presentes. Estas son identificadas mediante otras técnicas más costosas una vez que se detectó un conjunto de manchas diferenciales sobre los geles 2DE. Por ende disminuir los falsos positivos es fundamental en la identificación de tales manchas ya que inducen a resultados erróneas y asociaciones biológica ficticias. Esto no solo se logrará mediante el desarrollo de técnicas de normalización que incorporen explícitamente las CE, sino también con el desarrollo de métodos que permitan salirse del supuesto de gaussianidad y evaluar otros supuestos distribucionales más adecuados para este tipo de datos. También, se desarrollarán técnicas de aprendizaje automática que mediante optimización de funciones de costo específicas nos permitan identificar el subconjunto de proteínas con mayor potencialidad diagnóstica. Este proyecto tiene un alto componente estadístico/bioinformática, pero creemos que es el campo de aplicación, es decir la genómica y la proteómica, los que más se beneficiarán con los resultados esperados. Para tal fin se utilizarán diversas bases de datos de distintos experimentos provistos por distintos centros de investigación nacionales e internacionales.