Made available in DSpace on 2014-06-12T16:01:12Z (GMT). No. of bitstreams: 2
arquivo7177_1.pdf: 1928980 bytes, checksum: 7200aed58639d2418b3492895d4e9061 (MD5)
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2005 / Nos últimos anos, um grande volume de dados de várias espécies vem sendo obtido
através de novas técnicas criadas e aperfeiçoadas pela biologia. Entre elas, tecnologias
para medir as diferenças das expressões dos genes, através de concentrações de mRNA
(microarray), estão se tornando extremamente populares e seus custos estão diminuindo.
A inferência de redes regulatórias de genes a partir de dados de expressão gênica para
estudar o metabolismo dos organismos é um processo importante e faz surgir o desafio
de conectar os genes e seus produtos em vias metabólicas, circuitos e redes funcionais. O
conhecimento sobre redes regulatórias de genes pode fornecer informações valiosas para
tratamento de doenças, identificação de quais genes controlam e regulam eventos celulares
e descoberta de vias metabólicas mais complexas.
Uma rede regulatória de genes é um modelo que representa as regulações entre genes
usando um grafo direcionado, no qual os nós indicam os genes e uma aresta (Gene 1,
Gene 2) indica que o Gene 1 regula o Gene 2 (através de ativação ou repressão). Vários
métodos foram propostos no decorrer dos anos para inferir uma rede regulatória de genes a
partir de dados de microarray de DNA usando modelos matemáticos, tais como equações
diferenciais, redes Booleanas e redes Bayesianas.
Este trabalho apresenta o estudo do modelo de Rede Bayesiana e a implementação de
dois programas, um usando o modelo de Rede Bayesiana e o outro usando o modelo Rede
Bayesiana dinâmica, ambos com regressão não-paramétrica para inferir redes regulatórias
de genes a partir de dados de expressão gênica de microarray de DNA. O critério usado
para escolher as melhores redes foi o Bayesian Information Criterion (BIC), que é mais
simples do que outros critérios existentes, mas ainda assim, é uma abordagem eficiente.
Os resultados do trabalho foram comparados com os de trabalhos anteriores usando
dois conjuntos de dados: dados artificiais para inferir uma rede regulatória artificial de
genes; e dados reais de microarray do ciclo celular da levedura Saccharomyces cerevisiae
para inferir o ciclo do ácido tricarboxílico (TCA). Os experimentos com os dados artificiais
apresentaram bons resultados quando comparados com modelos anteriores, principalmente
quando informações a priori foram adicionadas. Os experimentos com dados
biológicos foram mais surpreendentes, pois a quantidade de amostras existentes era pequena
e, mesmo assim, os resultados obtidos foram tão bons quanto os resultados dos
modelos anteriormente propostos.
A inferência de redes de genes a partir de dados de microarray usando modelos matemáticos é um problema recente e difícil. Este trabalho apresenta um modelo relativamente
simples com resultados promissores, podendo ser estendido em trabalhos futuros
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/2787 |
| Date | January 2005 |
| Creators | SANTOS, Gustavo Bastos dos |
| Contributors | GUIMARÃES, Katia Silva |
| Publisher | Universidade Federal de Pernambuco |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.002 seconds