Orientador: Cristian Favio Coletti. / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Matemática, 2012.

Na busca por soluções que maximizem a produção de etanol, o melhoramento genético de diferentes linhagens de levedura tornou-se foco de investigação em diversos centros de pesquisa. Com o recente sequenciamento de uma linhagem selvagem utilizada nas usinas sucroalcooleiras brasileiras, a linhagem PE-2 da espécie Saccharomyces cerevisiae, surgiu o interesse em estudar sua dinâmica durante o processo de fermentação a fim de encontrar aspectos que possam explicar como estas se tornaram mais adaptadas às dornas de fermentação mantendo a alta produtividade de bioetanol. A partir da análise transcricional da linhagem PE-2, Buscamos por métodos de inferência de redes que possam representar a dinâmica dessa levedura. Propomos nesse trabalho a modelagem de dados experimentais temporais das linhagens PE-2 e S288c (utilizada como referência) baseado em um modelo de Redes Booleanas. Trata-se de um modelo onde convertemos dados contínuos em dados discretos (0 or 1) no qual, de acordo com restrições ditadas pelo modelo, são inferidas redes que representem interações gênicas ao longo do tempo baseados nas amostras temporais. Conseguimos modelar, com sucesso, algumas redes utilizando conjuntos com 11 e 12 genes relacionados a genes pertencentes à via da glicólise e fermentação da levedura. / Ethanol production improvements give rise to the breeding of yeast strains, that became the investigation focus in several research centers. Recently, a wild strain used in Brazilian sugarcane industry was sequenced, the PE-2 strain of Saccharomyces cerevisiae, and this event brought an interest in studying the dynamics of the fermentation of this strain in order to understand which aspects this strain become more adapted to the fermentation conditions, maintaining a high capacity to produce bioethanol. From the analysis of transcriptional strain PE-2, we seek for inference networks methods that can represent the dynamics of this yeast.In this work, we model an experimental temporal data of strain PE-2 and strain S288c (used as a reference) based on Boolean networks model. In this model, the data are converted from continuous into discrete data (0 or 1) and, based on constraints rules of Boolean Network model, networks are inferred to represent gene interactions over time based on temporal data. We successfully model networks using a set with 11 and 12 genes related to yeast glycolysis and fermentation pathways.

Na busca por soluções que maximizem a produção de etanol, o melhoramento genético de diferentes linhagens de levedura tornou-se foco de investigação em diversos centros de pesquisa. Com o recente sequenciamento de uma linhagem selvagem utilizada nas usinas sucroalcooleiras brasileiras, a linhagem PE-2 da espécie Saccharomyces cerevisiae, surgiu o interesse em estudar sua dinâmica durante o processo de fermentação a fim de encontrar aspectos que possam explicar como estas se tornaram mais adaptadas às dornas de fermentação mantendo a alta produtividade de bioetanol. A partir da análise transcricional da linhagem PE-2, Buscamos por métodos de inferência de redes que possam representar a dinâmica dessa levedura. Propomos nesse trabalho a modelagem de dados experimentais temporais das linhagens PE-2 e S288c (utilizada como referência) baseado em um modelo de Redes Booleanas. Trata-se de um modelo onde convertemos dados contínuos em dados discretos (0 or 1) no qual, de acordo com restrições ditadas pelo modelo, são inferidas redes que representem interações gênicas ao longo do tempo baseados nas amostras temporais. Conseguimos modelar, com sucesso, algumas redes utilizando conjuntos com 11 e 12 genes relacionados a genes pertencentes à via da glicólise e fermentação da levedura. / Ethanol production improvements give rise to the breeding of yeast strains, that became the investigation focus in several research centers. Recently, a wild strain used in Brazilian sugarcane industry was sequenced, the PE-2 strain of Saccharomyces cerevisiae, and this event brought an interest in studying the dynamics of the fermentation of this strain in order to understand which aspects this strain become more adapted to the fermentation conditions, maintaining a high capacity to produce bioethanol. From the analysis of transcriptional strain PE-2, we seek for inference networks methods that can represent the dynamics of this yeast.In this work, we model an experimental temporal data of strain PE-2 and strain S288c (used as a reference) based on Boolean networks model. In this model, the data are converted from continuous into discrete data (0 or 1) and, based on constraints rules of Boolean Network model, networks are inferred to represent gene interactions over time based on temporal data. We successfully model networks using a set with 11 and 12 genes related to yeast glycolysis and fermentation pathways.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / After the progressive telomere shortening in successive cell divisions, normal somatic cells undergo a growth arrest called cellular senescence that occurs due to incomplete DNA replication. Senescence can also be activated by various types of stressful stimuli, including aberrant oncogenic signaling, oxidative stress and DNA damage. Senescent cells have limited proliferative capacity and seems to play an important role in tumorigenesis. They are also involved in the inflammation associated with aging and cancer progression. The process of senescence vary significantly between cells, but the different paths for the aging, however, converge to p53 and pRB. The network simulation is based on the model proposed by Porath using a Boolean model to represent the state of activation of genes involved, including the p16-pRb and p53-p21 pathways. The simulation includes 23 nodes representing the genes of the regulatory network where one of them represents the activation of the senescent state as a result of network processing. Experiments with human fibroblasts indicate that inactivation of both genes, p53 and pRB is necessary to block senescence. The simulations confirms that these pathways are able to trigger senescence independently. The simulation shows that pRb is essential to maintain the senescent state even when p16 and p53 are switched off, but the simultaneous inactivation of both p53 and pRB blocks senescence. In addition, the simulation shows that inactivation of the p16-pRb pathway is not essential to preserve the senescent state, however when p53-p21 pathway is inactivated, the senescent state is preserved. / Após o progressivo encurtamento dos telômeros em sucessivas divisões celulares, as células somáticas normais se submetidas a uma parada do crescimento chamado senescência celular que ocorre devido à replicação incompleta do DNA. A senescência também pode ser ativada por diversos tipos de estímulos estressantes, incluindo sinalização oncogênica aberrante, estresse oxidativo e danos ao DNA. Células senescentes têm capacidade proliferativa limitada e parecem desempenhar um papel importante na tumorigênese. Elas também estão envolvidas na inflamação associada com o envelhecimento e progressão do câncer. As vias de senescência variam significativamente entre as células, mas os caminhos diversos para a senescência, no entanto, convergem para p53 e pRb. A simulação é baseada no modelo proposto por Porath usando um modelo booleano para representar o estado de ativação dos genes envolvidos, incluindo as vias p16-pRb e a p53-p21. A simulação inclui 23 nós representando os genes da rede regulatória onde um deles representa o estado celular senescente que pode assumir estados Verdadeiro ou Falso como resultado do processamento de rede Experiências com fibroblastos humanos indicam que a inativação de ambos os genes, p53 e pRb, é necessária para bloquear a senescência. As simulações confirmam que essas vias são capazes de acionar a senescência independentemente. A simulação mostra que pRb é essencial para a manutenção do estado senescente mesmo se p16 e p53 forem desligados, no entanto a inativação simultânea de ambos p53 e pRb bloqueia senescência. Além disso, a simulação mostra que a inativação da via p16-pRb não é essencial para preservar o estado senescente, no entanto, quando a via p53-p21 é inativada, o estado senescente é preservado.