La metagenómica es la ciencia que emplea el análisis genético directo de una población de microorganismos contenidos en una muestra ambiental, mediante la extracción directa y clonación de ADN (Thomas, Gilbert & Meyer, 2012; Singh, et. al., 2009). Uno de los focos de la metagenómica es el microbioma intestinal humano, debido a que desempeña un papel clave en la salud (Davenport et. al., 2017; Sekirov, 2010). En los estudios de metagenómica intestinal, se realiza un muestreo de las heces de los sujetos de prueba (Aagaard et. al., 2013), se secuencian los microorganismos que se encuentran en esta, se procesa esta información mediante herramientas bioinformáticas y finalmente los investigadores analizan los resultados obtenidos (Lloyd-Price et. al., 2016). Previamente al proceso de muestreo, se requiere recopilar los metadatos de la muestra (Kunin et. al., 2008), los cuales son datos de los sujetos de prueba que influyen en su microbioma intestinal. Actualmente, estos metadatos se recopilan y procesan de una forma manual, a modo de formulario físico, se almacenan de forma incompleta y no estandarizada, y requieren mucho tiempo para ser procesados y categorizados. Es por ello que, en el presente trabajo de fin de carrera, se busca proponer una herramienta digital que permita la recopilación, procesamiento y categorización de los datos de los sujetos de prueba. Estos datos, los cuales son de distintos tipos, serán recopilados de una manera uniforme en una base de datos, de tal manera que se preserven en el tiempo y los investigadores puedan reutilizar esta información en futuros estudios, sin tener que recurrir a volver a realizar el costoso proceso de secuenciación. Con el fin de resolver este problema, se diseñó una base de datos que almacene los datos de los sujetos de prueba, de una manera estandarizada. Utilizando las entidades y las relaciones identificadas en la revisión de la literatura, se pudo plantear un diseño de base de datos que permita la recopilación de los datos de los participantes. En ese mismo sentido, usando la base de datos planteada, se implementó una plataforma digital que permite gestionar estudios de metagenómica y recopilar los datos de sus participantes. De esta manera, se pueden almacenar los metadatos de las muestras a secuenciar de una manera digital, permitiendo a los investigadores revisar estos datos en un futuro. Finalmente, se identificó las funcionalidades necesarias para el procesamiento de los datos de los sujetos de prueba. Estas funcionalidades fueron implementadas en la plataforma digital, para poder permitir a los investigadores analizar estos datos de una manera rápida y sencilla.

Según Bolchini y otros autores, la investigación en bioinformática requiere trabajar, compartir y manipular datos de forma más efectiva y eficiente en las herramientas que utilizan en el día laboral, por lo que la usabilidad de estas herramientas es un tema primordial (Bolchini et al., 2009). Es más, estos mismos autores mencionaron que existe una falta de evaluaciones de usabilidad formativas en estos servicios web bioinformáticos (Bolchini et al., 2009). En consecuencia, luego del análisis necesario, se ha podido identificar que existen servicios web bioinformáticos de tipo herramienta que no cumplen con estándares de usabilidad. En este proyecto se plantea resolver lo anteriormente mencionado, por lo que se tiene como objetivo principal rediseñar la interfaz de un servicio web bioinformático de tipo herramienta aplicando instrumentos de diseño centrado en usuario. Con este fin, se realiza una evaluación de usabilidad formativa de un servicio web bioinformático de tipo herramienta que consta de identificar los problemas de estos servicios mediante una revisión de literatura y con una evaluación de usuarios que utiliza el método de pensamiento en voz alta en un servicio web bioinformático. Además, se propone una entrevista a usuarios de servicios web bioinformáticos con el fin de encontrar puntos de dolor en estos servicios. Estos puntos de dolor permitieron definir perfiles de usuario y mapas de empatía como instrumentos de usabilidad para plasmar los puntos identificados. Por consiguiente, se propone un listado de requerimientos para el diseño de una interfaz de servicio web bioinformático. De manera que esto permita realizar el diseño de la interfaz de un servicio web bioinformático resolviendo los puntos de dolor identificados y haciendo uso de los lineamientos para el diseño de esta.

Bioinformática es la aplicación de tecnologías computacionales y la estadística a la gestión y análisis de datos biológicos como lo son las secuencias de ADN y de proteínas (Can, 2014). En esta área se ha evidenciado una creciente necesidad de usabilidad en las herramientas utilizadas para la investigación, con el fin de conseguir un manejo adecuado de la gran cantidad de información que se utiliza (Bolchini et al., 2009). Además, actualmente es evidente la escasez de investigaciones sobre usabilidad en servicios web bioinformáticos (Bolchini et al., 2009). Estos servicios presentan características particulares que los diferencian de otros tipos de software. Además, sus usuarios presentan necesidades distintas. Por ejemplo, las barreras de usabilidad pueden inhibir la satisfacción de la experiencia de usuario y forzar a los investigadores a desperdiciar tiempo y energía en realizar tareas cotidianas en sus trabajos (Bolchini et al., 2009). Es por ello que, en este trabajo de investigación, se busca realizar una revisión de literatura que permita conocer los trabajos relacionados a la usabilidad en servicios web bioinformáticos.

A finales de los años 1990, se identificó un conjunto de proteínas caracterizadas por tener patrones repetidos en su secuencia, lo que produce una estructura tridimensional repetitiva (Marcotte et al., 1999). Se han clasificado al menos 14% de proteínas encontradas en la naturaleza como repetidas, y presentan un rol crítico en procesos biológicos como la comunicación celular y el reconocimiento molecular (Brunette et al., 2015; Marcotte et al., 1999). Existe un creciente interés en el estudio de las proteínas repetidas debido a sus pliegues estructurales estables, una alta conversación evolutiva y un amplio repertorio de funciones biológicas (Chakrabarty & Parekh, 2022). Además, se estima que una de cada tres proteínas humanas son consideradas repetidas (Jorda & Kajava, 2010). La identificación, clasificación y curación de regiones de repetición en proteínas es un proceso complejo que requiere del procesamiento manual de expertos, gran capacidad computacional y tiempo. Existen diversos avances recientes y relevantes que aplican modelos de aprendizaje automático para la predicción de estructura tridimensional de proteínas y la predicción de clasificación de proteínas repetidas. Este tipo de aplicaciones resultan útiles para este proceso de curación. No obstante, a pesar de que este tipo de software son de libre acceso y de código abierto, no se cuenta con un servicio integrado que contemple las herramientas y bases de datos que soporten la investigación en proteínas repetidas. Por estos motivos, en este proyecto de investigación de plantea, diseña y desarrolla un servicio web integrado para la curación de proteínas repetidas. Con este objetivo, se ha considerado la integración con la base de datos de estructuras terciarias del Protein Data Bank (PDB) y la base de datos de predicciones de estructuras tridimensionales AlphaFold. Asimismo, se ha utilizado un modelo de redes neuronales que permite predecir la probabilidad de clasificación en cada clase de proteína repetida. Finalmente, con esta predicción, se implementó una mejora al algoritmo ReUPred para volver más eficiente el proceso de identificación de regiones y unidades de repetición. Este servicio ha sido desplegado utilizando computación en la nube en la página bioinformática.org de la cual es parte el laboratorio de investigación en Bioinformática de la Pontificia Universidad Católica del Perú. Este servicio permite que los investigadores no requieran contar con alta capacidad de procesamiento computacional para el proceso de curación de proteínas repetidas e integra los resultados totales obtenidos.

La hipótesis en cuestión afirma que, dado el contexto teórico (i.e., definiciones matemáticas consideradas apropiadas para describir los fenómenos que se pretende estudiar) descrito en el artículo, existe una relación entre diversidad global y precisión de un ensamble de clasificadores. Por lo tanto, el propósito de esta investigación es estudiar la relación entre la precisión de ensambles y su diversidad dentro de un contexto geométrico y de información. Para lograrlo, interpretamos el problema como uno geométrico introduciendo un espacio métrico, donde los puntos son predicciones de clasificadores; la función de distancia, la métrica Variación de Información Normalizada (NVI, por sus siglas en inglés); y la construcción de un ensamble diverso es reducida a un problema de criba y novedosamente transformado a uno de programación cuadrática. La significancia estadística es asegurada haciendo uso de métodos Monte Carlo sobre 53 conjuntos de datos apropiados. El resultado es un algoritmo basado en una métrica usada en el contexto de teoría de la información, ideal para estudiar conjuntos de datos de alta dimensionalidad e inherentemente ruidosos. Por tanto, es relevante cuando el costo de adquirir muestras es muy alto; y la cantidad de variables, enorme. El marco teórico incluye las definiciones (e.g., definiciones relacionadas al concepto de diversidad o al espacio métrico utilizado), los teoremas (e.g., propiedades de espacios métricos) y algoritmos base (i.e., programación cuadrática) usados para conseguir los resultados. Los resultados muestran que, en promedio, el exceso de precisión de un ensemble diverso respecto de su contraparte aleatoria es función del valor de la diversidad global del mismo. Esto confirma la hipótesis inicial. Además, la metodología introducida para modelar el algoritmo introduce un marco que permite esclarecer la relación entre diversidad y precisión, ya que la representa en términos geométricos. / Ensemble models for classification are a Machine Learning approach that have frequently proven useful in generating results with higher performance and robustness tan mono-classifier models. Common advantages include tolerance for input data noise, decreased variance, and bias in predictions. Many studies justify the fact that the diversity of an ensemble is related to accuracy insomeway. However, the correct definition of diversity and the conditions needed for those statements to hold true remain unclear. The present work addresses this issue from a geometrical perspective presenting a method to build diverse ensembles based on the Normalized Variation of Information and explore which conditions correlate to the variability in its accuracy. The knowledge generated from this analysis will make it possible to clarify and bring in sight into how ensemble diversity is related to en semble accuracy.

Las proteínas repetidas son conocidas por la característica particular de presentar repeticiones en su estructura y por ser un tipo de proteínas que se encuentran en organismos unicelulares y pluricelulares, por ejemplo, el organismo humano, las bacterias, entre otros. Desde hace ya algunos años, las proteínas repetidas han cobrado interés debido a que están relacionadas a enfermedades humanas y a aplicaciones en ingeniería. Además, esta clase de proteínas presenta una fuente fundamental de información para explicar la diversidad estructural contemporánea. Sin embargo, la comprensión de las proteínas repetidas con respecto a sus estructuras, funciones y evolución, representa un desafío considerable. Aunque desde un punto de vista estructural, es posible analizar las diferentes estructuras que una proteína cualquiera presenta en su estado nativo (análisis de diversidad conformacional). Una proteína cualquiera, dependiendo del entorno, puede adoptar una u otra conformación diferente. A este conjunto de estructuras alternativas se le denomina estado nativo de la proteína y los cambios de una conformación a otra se conocen como diversidad conformacional y es un ´ concepto clave para la comprensión de las diversas propiedades esenciales de la proteína como su función biológica, el origen de nuevas funciones, entre otras. No obstante, hasta el día de hoy, no hay registro ni publicación alguna que explique algún estudio de diversidad conformacional aplicado, específicamente, a las proteínas repetidas. Por ello, se busca plantear un método y una herramienta bioinformática que permita calcular, evaluar y visualizar la información de diversidad conformacional de este tipo de proteínas. Con la finalidad de que los investigadores relacionados al área de bioinformática y/o afines tengan a su disposición una herramienta de acceso libre que les permita evaluar las características de las proteínas repetidas y, a la vez, entender un poco más sobre la estructura, función y evolución de las mismas.

El objetivo principal de esta tesis es la aplicación integrada de enfoques metodológicos de las disciplinas Ingeniería del Software y Auditoría de Sistemas de Información a la Bioinformática, en función de la identificación y caracterización de las aportaciones de esta disciplina a los trabajos de investigación en el área de la Epidemiología Genómica de las Enfermedades Cardiovasculares. Dado que el ámbito de aplicación así definido es demasiado amplio, se ha establecido un tema específico, el cálculo del riesgo cardiovascular a escala individual, sobre el cual giran los trabajos de investigación y se describen las aportaciones concretas de esta tesis.El ámbito de la Epidemiología Genómica de las Enfermedades Cardiovasculares está caracterizado por el Framingham Heart Study (Massachusetts, EE.UU., 1948 ) y los factores de riesgo cardiovascular son de tipo genético y ambiental. Dado que la lista actual de factores genéticos implicados en las enfermedades cardiovasculares contiene casi 3.000 genes, de la misma se han elegido un reducido subconjunto de los cuales se tiene información sobre sus polimorfismos y fenotipos patológicos: CETP, APOE, APOA1, LIPC, SR-BI y PLIN. Este último gen también se ha estudiado comparativamente en población general de la Comunidad Valenciana. Se ha desarrollado un estudio completo de cada uno de los genes relacionados. Los resultados obtenidos permiten descubrir unas interesantes interacciones gen*ambiente, gen*sexo, gen*dieta, gen*diabetes 2 y gen*obesidad, asociados a los polimorfismos de los genes estudiados y que se identifican en cada estudio. En resumen, se ofrecen datos concretos de asociaciones reales observadas entre variaciones genéticas y fenotipos cardiovasculares, así como de interacciones gen*ambiente.En el ámbito de la Bioinformática, se ha desarrollado un modelo para el cálculo del riesgo cardiovascular a escala individual y un modelo para la aplicación de la Auditoría Bioinformática en el análisis y control de las funciones bioinformáticas. También se han desarrollado soluciones específicas para la resolución de problemas planteados en el protocolo científico del laboratorio genómico.En conclusión, la Bioinformática, entendida como una disciplina científico-técnica, es indispensable como instrumento de integración en la investigación genómica cardiovascular en los distintos niveles de adquisición, tratamiento, análisis, almacenamiento y salvaguarda de datos. Sin embargo, debido a su reciente desarrollo, tropieza todavía con las dificultades derivadas de la ausencia de un cuerpo teórico común y consistente, que permita dar respuesta rápida a las grandes demandas de proceso de información ómica que se están detectando en la actualidad.

No presente trabalho, investigamos a filodinâmica de três modelos virais diferentes, utilizando técnicas baseadas em verossimilhança e inferência bayesiana. Dois desses são flavivírus com genoma de RNA fita simples e senso positivo. O terceiro é um bunyavírus com genoma tri-segmentado de RNA fita simples com senso negativo. Estes diferentes modelos permitiram estudar diferentes mecanismos promotores de diversidade viral, reagrupamento de segmentos genômicos (shift) e mutação (drift), que atuam em diferentes granularidades. Descrevemos pela primeira vez o espalhamento geográfico das linhagens de vírus Zika (ZIKV) em um nível continental, assim como ocorrência de recombinação e associação entre padrões de glicosilação e vetores. Para o flavivírus da encefalite transmitida por carrapatos (TBEV), investigamos seu espalhamento e encontramos evidências que corroboram a hipótese de circulação viral restrita a focos na Europa central. As análises sobre o vírus da Febre da Grande Fenda Africana (RVFV) apontaram a ocorrência de reagrupamento de segmentos genômicos e também ajudaram a elucidar sua dispersão do leste do continente africano para o oeste, encontrando-se diversas introduções no Senegal e Mauritânia. Aparentemente, este vírus teve a entrada facilitada nesses países por uma região que funciona como um centro de dispersão (hub) por ser encontro de rotas migratórias de animais. Ademais, investigamos a ocorrência de rearranjos de segmentos genômicos de RVFV e também estudamos as diferenças nas dinâmicas evolutivas de cada segmento. / In this study, we investigated the phylodynamics of three different viral models, using techniques based on maximum likelihood and Bayesian inference methods. Two of these viruses are flaviviruses, whose genomes are formed by a single-stranded positive-sense RNA molecule. The third is a Bunyavirus with tri-segmented single-stranded RNA genome with negative sense. These different models allowed us to investigate two different mechanisms to promote viral diversity, (i) recombination of genomic segments (\"shift\") and (ii) mutation (\"drift\"), therefore exploring different levels of granularity of evolutionary process. We described for the first time the geographic spread of Zika virus (ZIKV) strains in a continental level, as well as, the occurrence of recombination and association between glycosylation patterns and vectors. For the other Flavivirus, tick-borne encephalitis virus (TBEV), we investigated its spreading and found evidences to support the hypothesis that viral circulation is very constrained by the foci in central Europe. The analyses about the Rift Valley Fever Virus (RVFV) revealed the occurrence of reassortment of genomic segments and their dispersal from eastern Africa to the west, with several introductions to Senegal and Mauritania. Apparently, the entry of RVFV in these countries was facilitated by the region of Kedougou, where several migratory routes of animals converge. This place maybe works as a hub to spread RVFV for West Africa. Moreover, we also investigated the differences in evolutionary dynamics of each genomic segment of RVFV.

A representação do Sistema de Regulação Gênica por meio de uma Rede de Regulação Gênica (GRN) pode facilitar a compreensão dos processos biológicos no nível molecular, auxiliando no entendimento do comportamento dos genes, a descoberta da causa de doenças e o desenvolvimento de novas drogas. Através das GRNs pode-se avaliar quais genes estão ativos e quais são suas influências no sistema. Nos últimos anos, vários métodos computacionais foram desenvolvidos para realizar a inferência de redes a partir de dados de expressão gênica. Esta pesquisa apresenta uma análise comparativa de métodos de inferência de GRNs, realizando uma revisão do modelo experimental descrito na literatura atual aplicados a conjuntos de dados contendo poucas amostras. Apresenta também o uso comitês de especialistas (ensemble) para agregar o resultado dos métodos a fim de melhorar a qualidade da inferência. Como resultado obteve-se que o uso de poucas amostras de dados (abaixo de 50) não fornecem resultados interessantes para a inferência de redes. Demonstrou-se também que o uso de comitês de especialistas melhoram os resultados de inferência. Os resultados desta pesquisa podem auxiliar em pesquisas futuras baseadas em GRNs. / The representation of the gene regulation system by means of a Gene Regulatory Network (GRN) can help the understanding of biological processes at the molecular level, elucidating the behavior of genes and leading to the discovery of disease causes and the development of new drugs. GRNs allow to evaluate which genes are active and how they influence the system. In recent years, many computational methods have been developed for networks inference from gene expression data. This study presents a comparative analysis of GRN inference methods, reviewing the experimental modeling present in the state-of-art scientific publications applied to datasets with small data samples. The use of ensembles was proposed to improve the quality of the network inference. As results, we show that the use of small data samples (less than 50 samples) do not show a good result in the network inference problem. We also show that the use of ensemble improve the network inference.

Parasitas protozoários do gênero Eimeria causam doenças entéricas na galinha doméstica. Nosso grupo gerou 15.000 sequências ORESTES para cada uma das três mais importantes espécies: E. tenella, E. maxima e E. acervulina. Nesse trabalho relatamos o desenvolvimento de alguns componentes da plataforma EGene (Durham et al. Bioinformatics 21: 2812-2813, 2005) e sua aplicação na anotação funcional de transcritos reconstruídos de Eimeria spp. Análises de ortologia identificaram genes conservados em diferentes parasitas apicomplexas, bem como genes restritos ao gênero Eimeria. Perfis de expressão digital obtidos de contagens de leituras de transcritos montados foram submetidos a análises de agrupamento. Os perfis foram inequivocamente associados com os distintos estágios de desenvolvimento e mostraram uma forte correlação com a ordem desses estágios no clico de vida dos parasitas. Todos os dados de sequenciamento, anotação e análise comparativa foram disponibilizados no portal público The Eimeria Transcript Database (http://www.coccidia.icb.usp.br/eimeriatdb). / Protozoan parasites of the genus Eimeria cause enteric diseases in the domestic fowl. Our group has generated 15,000 ORESTES sequences for each one of the three most important species: E. tenella, E. maxima and E. acervulina. In the present work, we report the development of some components for EGene platform (Durham et al. Bioinformatics 21: 2812-2813, 2005) and their application in the functional annotation of reconstructed transcripts of Eimeria spp. Orthology analyses have identified genes conserved across different apicomplexan parasites, as well as genes restricted to the genus Eimeria. Digital expression profiles obtained from read countings of the assembled transcripts were submitted to clustering analyses. The profiles were unambiguously associated with the distinct developmental stages and strongly correlated with the order of the stages in the parasite life cycle. All sequencing data, annotation and comparative analysis were made available at The Eimeria Transcript Database (http://www.coccidia.icb.usp.br/eimeriatdb), a public web resource.