Submitted by Maria Cristina (library@lncc.br) on 2016-07-26T18:17:15Z No. of bitstreams: 1 tese_Guadalupe.pdf: 5892761 bytes, checksum: 9a6c47b2178d06291169a8b17c75506c (MD5) / Approved for entry into archive by Maria Cristina (library@lncc.br) on 2016-07-26T18:17:36Z (GMT) No. of bitstreams: 1 tese_Guadalupe.pdf: 5892761 bytes, checksum: 9a6c47b2178d06291169a8b17c75506c (MD5) / Made available in DSpace on 2016-07-27T17:53:05Z (GMT). No. of bitstreams: 1 tese_Guadalupe.pdf: 5892761 bytes, checksum: 9a6c47b2178d06291169a8b17c75506c (MD5) Previous issue date: 2016-04-27 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes) / This work presents an integrative strategy of transcriptional regulatory networks (TRN) and automated learning systems Veiga et al. (2008), which is considered innovative for use in RNA-seq data (cDNA sequencing), in order to predict new regulatory interactions to be incorporated in a given TRN of prokaryote. The model in progress has been applied in the specie gram-negative bacterium Klebsiella pneumoniae subsp. pneumoniae KP13 (after KP13), this bacteria is an opportunistic pathogen of the species Klebsiella Pneumoniae where most isolates were associated with nosocomial infections of the respiratory and urinary tract. Thus it is a bacterium of great clinical importance, especially for the production of _-lactamases broad spectrum (ESBLs), which will resist even the most modern antibiotics, into the frame of multiresistant bacteria. His appearance date from the year 2006, but the hospital outbreak caused by this bacteria was reported in 2009 as described in Custodio F. (2015); Ramos (2012). Initially, we describe two procedures: i) Treament and exploitation of RNAseq data; and ii) the reconstruction of the draft TRN or KP13 TRN base that integrates network information known from K. pneumoniae subsp. pneumoniae MGH 78578, databases containing prokaryotes regulons (RegPrecise, Prodonet and UniProt), and regulatory interactions cured manually. Following, we describe the decomposition of KP13 TRN base on two kinds of motifs: feed-forward (FF) and bi-fan (BF), because these motifs appear as clusters of transcription factors (TFs) and target genes Veiga et al. (2008); Ramos et al. (2016). Then we describe the transformation of the expression data in statistical terms associated with motifs FF and the construction of the motif FF classi_er using a multilayer perceptron (MLP) as model of arti_cial neural network (ANN), and Support Vector Machines (SVM). Therefore, with the prediction and analysis of motifs FF obtained by the two methods, it would be possible to infer new regulatory interactions which enhance the TRN, especially interactions between genes associated with antibiotic resistance. / Este trabalho, apresenta uma estratégia integrativa de redes de regulação transcricional (TRN: do inglês transcriptional regulatory network) e sistemas de aprendizagem automatizado Veiga et al. (2008), a qual é considerada inovadora para aplicação em dados de RNA-seq (sequenciamento de cDNA). Nosso intuito é o predizer novas interações regulatórias a serem incorporadas em uma dada TRN de procarioto. O modelo em andamento vem sendo aplicado na bactéria gram-negativa Kleb- siella pneumoniae subsp. pneumoniae KP13 (ap_os KP13), trata-se de um patógeno oportunista da espécie Klebsiella Pneumoniae, onde a maioria dos isolados estariam associadas a infecções nosocomiais do trato respiratório e urinário. Assim trata-se de uma bactéria de grande importância clínica principalmente pela produção de lactamases de amplo espectro (ESBLs), as quais lhe conferem resistência até aos antibióticos mais modernos, entrando no quadro de bactérias multirresistentes. Sua aparição data desde o ano 2006, mas o surto hospitalar causado por esta bactéria foi relatado no ano 2009 como descrito em Custodio F. (2015); Ramos (2012). Inicialmente, são descritos dois procedimentos: i) O tratamento e exploração de dados de RNA-seq; e ii) a reconstrução da rede referência de KP13 que integra informações da rede conhecida de K. pneumoniae subsp. pneumoniae MGH 78578, bancos de dados de regulons de procariotos (RegPrecise, Prodonet e Uniprot), e interações regulatórias curadas manualmente. A seguir, descreve-se a decomposição da TRN de KP13 base em dois tipos de motivos: feed-forward (FF) e bi-fan (BF), devido a que estes motivos aparecem como clusters entre fatores de transcrição (FTs) e genes alvo Veiga et al. (2008); Ramos et al. (2016). Após é descrita a transformação dos dados de expressão em termos estatísticos associados aos motivos FF, e a construção do classificador dos mesmos usando uma rede neural artificial (ANN) perceptron multicamada e Máquinas de Vetores de Suporte (SVM). Portanto, com a predição e análise dos motivos FF obtidos pelas duas metodologias, se permitiria inferir novas interações regulatórias que enriqueçam a TRN, em especial interações entre genes relacionados com a resistência a antibióticos.