Modelagem de redes de regulação celular aplicada ao câncer de mama
Ano de defesa: | 2019 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade do Estado do Rio de Janeiro
|
Programa de Pós-Graduação: |
Programa de Pós-Graduação em Ciências Computacionais
|
Departamento: |
Centro de Tecnologia e Ciências::Instituto de Matemática e Estatística
|
País: |
BR
|
Palavras-chave em Português: | |
Palavras-chave em Inglês: | |
Área do conhecimento CNPq: | |
Link de acesso: | http://www.bdtd.uerj.br/handle/1/7672 |
Resumo: | Gene Regulatory Networks (GRNs) describe gene interactions that eventually control cell processes like growth and dissemination involved in the hallmarks of cancer. Hallmarks have contributed to consider cancer by several authors as a network disease. The literature describes several models used to help biologists to make predictions, prognosis and even specialized treatment when some disturbances of the GRN lead to a sick condition. Among those, Boolean networks emerge as a simple, yet accurate, tool for modeling GRNs. Nevertheless, when it comes to inferring Boolean functions from gene expression in large networks, it is advisable to establish some form of network simplification otherwise the problem may become practically intractable. The method describes herein takes into account information about the interactome to build a network where each node represents a gene described by the degree entropy of its protein as a key to reduce the size of the network. This process enables to focus only on genes encoding the main hubs; the ones with the largest potential of interfering on the overall network behavior. This work describes an objective algorithm for selecting gene targets as building blocks in GRN modeling. That algorithm allows broader experimentation with GRN models, especially when extensive biological knowledge is not available for screening the genes suitable for modeling. Simulations made with a selected model showed similar behavior to what is supposed to be expected from real cells such as attractor robustness (steady states), for instance. Future works may explore additional criteria for network simplification based on alternative but relevant information, such as expression levels as well as network control |
id |
UERJ_70610c4302a3c81ad9746565e3f0a103 |
---|---|
oai_identifier_str |
oai:www.bdtd.uerj.br:1/7672 |
network_acronym_str |
UERJ |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UERJ |
repository_id_str |
|
spelling |
Castro, Maria Clícia Stelling dehttp://www.ime.uerj.br/~cliciaSilva, Fabricio Alves Barbosa dahttp://lattes.cnpq.br/6679069461879682Carels, Nicolashttp://lattes.cnpq.br/3513903581074586Silva, Dilsonhttp://lattes.cnpq.br/8363035335547588http://lattes.cnpq.br/2667872434869934Ferreira, Luiz Henrique Oliveira2021-01-05T17:53:45Z2019-09-102019-04-16FERREIRA, Luiz Henrique Oliveira. Modelagem de redes de regulação celular aplicada ao câncer de mama. 2019. 164 f. Dissertação (Mestrado em Modelagem matemático-estatístico-computacional) - Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2019.http://www.bdtd.uerj.br/handle/1/7672Gene Regulatory Networks (GRNs) describe gene interactions that eventually control cell processes like growth and dissemination involved in the hallmarks of cancer. Hallmarks have contributed to consider cancer by several authors as a network disease. The literature describes several models used to help biologists to make predictions, prognosis and even specialized treatment when some disturbances of the GRN lead to a sick condition. Among those, Boolean networks emerge as a simple, yet accurate, tool for modeling GRNs. Nevertheless, when it comes to inferring Boolean functions from gene expression in large networks, it is advisable to establish some form of network simplification otherwise the problem may become practically intractable. The method describes herein takes into account information about the interactome to build a network where each node represents a gene described by the degree entropy of its protein as a key to reduce the size of the network. This process enables to focus only on genes encoding the main hubs; the ones with the largest potential of interfering on the overall network behavior. This work describes an objective algorithm for selecting gene targets as building blocks in GRN modeling. That algorithm allows broader experimentation with GRN models, especially when extensive biological knowledge is not available for screening the genes suitable for modeling. Simulations made with a selected model showed similar behavior to what is supposed to be expected from real cells such as attractor robustness (steady states), for instance. Future works may explore additional criteria for network simplification based on alternative but relevant information, such as expression levels as well as network controlRedes de regulação gênica descrevem as interações entre genes e a forma como essas relações controlam os processos celulares, como crescimento e disseminação. Vários desses processos celulares relacionam-se às marcas distintivas do câncer, o que contribuiu para que esta doença fosse considerada por muitos autores como uma doença relacionada à rede de regulação. A literatura apresenta vários métodos para modelagem de redes de regulação gênica. Eles existem com o objetivo de auxiliar os biólogos a fazerem previsões, prognósticos e tratamentos especializados de distúrbios na rede que possam levar a uma condição não saudável. Dentre os modelos, o baseado em redes Booleanas é considerado simples, mas preciso, para modelar redes de regulação gênica. Para tornar o modelo mais compreensível e acessível a vários tipos de uso, propõe-se uma técnica para simplificação da rede modelada. Informações sobre o interactoma são usadas para construir uma rede, onde cada nó representa um gene. Neste trabalho é desenvolvido um algoritmo para seleção dos genes, que usa a entropia de cada gene como critério. A inferência das funções Booleanas ocorre, então, sobre as informações de interação e estado dos genes selecionados. Essa abordagem permite uma grande variedade de experimentos, o que é especialmente interessante quando conhecimentos biológicos mais profundos não estão disponíveis para orientar o foco da pesquisa. Nos vários experimentos realizados, a rede modelada mostrou comportamento semelhante ao que se espera de uma rede de regulação gênica real. Trabalhos futuros podem explorar diferentes critérios para simplificação. Esses critérios podem estar baseados em níveis de expressão, propensão de reagir a dada substância entre outros. O manejo de estados de certos genes para que a rede atinja um determinado estado (controle da rede) é outro foco possível para trabalhos futuros.Submitted by Boris Flegr (boris@uerj.br) on 2021-01-05T17:53:44Z No. of bitstreams: 1 DissertacaoLHOF.pdf: 5884476 bytes, checksum: 9d2b7788250a58c9136c2b6fa20f3906 (MD5)Made available in DSpace on 2021-01-05T17:53:45Z (GMT). No. of bitstreams: 1 DissertacaoLHOF.pdf: 5884476 bytes, checksum: 9d2b7788250a58c9136c2b6fa20f3906 (MD5) Previous issue date: 2019-04-16application/pdfporUniversidade do Estado do Rio de JaneiroPrograma de Pós-Graduação em Ciências ComputacionaisUERJBRCentro de Tecnologia e Ciências::Instituto de Matemática e EstatísticaBoolean NetworksComplex SystemsModeling of Gene Regulatory NetworksRedes booleanasSistemas complexosModelagem de redes de regulação gênicaBioinfomáticaModelagem de dadosAlgoritmos computacionaisCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOModelagem de redes de regulação celular aplicada ao câncer de mamaModeling of gene regulation networks applied to breast cancer.info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UERJinstname:Universidade do Estado do Rio de Janeiro (UERJ)instacron:UERJORIGINALDissertacaoLHOF.pdfapplication/pdf5884476http://www.bdtd.uerj.br/bitstream/1/7672/1/DissertacaoLHOF.pdf9d2b7788250a58c9136c2b6fa20f3906MD511/76722024-02-27 14:34:53.257oai:www.bdtd.uerj.br:1/7672Biblioteca Digital de Teses e Dissertaçõeshttp://www.bdtd.uerj.br/PUBhttps://www.bdtd.uerj.br:8443/oai/requestbdtd.suporte@uerj.bropendoar:29032024-02-27T17:34:53Biblioteca Digital de Teses e Dissertações da UERJ - Universidade do Estado do Rio de Janeiro (UERJ)false |
dc.title.por.fl_str_mv |
Modelagem de redes de regulação celular aplicada ao câncer de mama |
dc.title.alternative.eng.fl_str_mv |
Modeling of gene regulation networks applied to breast cancer. |
title |
Modelagem de redes de regulação celular aplicada ao câncer de mama |
spellingShingle |
Modelagem de redes de regulação celular aplicada ao câncer de mama Ferreira, Luiz Henrique Oliveira Boolean Networks Complex Systems Modeling of Gene Regulatory Networks Redes booleanas Sistemas complexos Modelagem de redes de regulação gênica Bioinfomática Modelagem de dados Algoritmos computacionais CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
title_short |
Modelagem de redes de regulação celular aplicada ao câncer de mama |
title_full |
Modelagem de redes de regulação celular aplicada ao câncer de mama |
title_fullStr |
Modelagem de redes de regulação celular aplicada ao câncer de mama |
title_full_unstemmed |
Modelagem de redes de regulação celular aplicada ao câncer de mama |
title_sort |
Modelagem de redes de regulação celular aplicada ao câncer de mama |
author |
Ferreira, Luiz Henrique Oliveira |
author_facet |
Ferreira, Luiz Henrique Oliveira |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Castro, Maria Clícia Stelling de |
dc.contributor.advisor1Lattes.fl_str_mv |
http://www.ime.uerj.br/~clicia |
dc.contributor.advisor-co1.fl_str_mv |
Silva, Fabricio Alves Barbosa da |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/6679069461879682 |
dc.contributor.referee1.fl_str_mv |
Carels, Nicolas |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/3513903581074586 |
dc.contributor.referee2.fl_str_mv |
Silva, Dilson |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/8363035335547588 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/2667872434869934 |
dc.contributor.author.fl_str_mv |
Ferreira, Luiz Henrique Oliveira |
contributor_str_mv |
Castro, Maria Clícia Stelling de Silva, Fabricio Alves Barbosa da Carels, Nicolas Silva, Dilson |
dc.subject.eng.fl_str_mv |
Boolean Networks Complex Systems Modeling of Gene Regulatory Networks |
topic |
Boolean Networks Complex Systems Modeling of Gene Regulatory Networks Redes booleanas Sistemas complexos Modelagem de redes de regulação gênica Bioinfomática Modelagem de dados Algoritmos computacionais CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
dc.subject.por.fl_str_mv |
Redes booleanas Sistemas complexos Modelagem de redes de regulação gênica Bioinfomática Modelagem de dados Algoritmos computacionais |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
description |
Gene Regulatory Networks (GRNs) describe gene interactions that eventually control cell processes like growth and dissemination involved in the hallmarks of cancer. Hallmarks have contributed to consider cancer by several authors as a network disease. The literature describes several models used to help biologists to make predictions, prognosis and even specialized treatment when some disturbances of the GRN lead to a sick condition. Among those, Boolean networks emerge as a simple, yet accurate, tool for modeling GRNs. Nevertheless, when it comes to inferring Boolean functions from gene expression in large networks, it is advisable to establish some form of network simplification otherwise the problem may become practically intractable. The method describes herein takes into account information about the interactome to build a network where each node represents a gene described by the degree entropy of its protein as a key to reduce the size of the network. This process enables to focus only on genes encoding the main hubs; the ones with the largest potential of interfering on the overall network behavior. This work describes an objective algorithm for selecting gene targets as building blocks in GRN modeling. That algorithm allows broader experimentation with GRN models, especially when extensive biological knowledge is not available for screening the genes suitable for modeling. Simulations made with a selected model showed similar behavior to what is supposed to be expected from real cells such as attractor robustness (steady states), for instance. Future works may explore additional criteria for network simplification based on alternative but relevant information, such as expression levels as well as network control |
publishDate |
2019 |
dc.date.available.fl_str_mv |
2019-09-10 |
dc.date.issued.fl_str_mv |
2019-04-16 |
dc.date.accessioned.fl_str_mv |
2021-01-05T17:53:45Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
FERREIRA, Luiz Henrique Oliveira. Modelagem de redes de regulação celular aplicada ao câncer de mama. 2019. 164 f. Dissertação (Mestrado em Modelagem matemático-estatístico-computacional) - Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2019. |
dc.identifier.uri.fl_str_mv |
http://www.bdtd.uerj.br/handle/1/7672 |
identifier_str_mv |
FERREIRA, Luiz Henrique Oliveira. Modelagem de redes de regulação celular aplicada ao câncer de mama. 2019. 164 f. Dissertação (Mestrado em Modelagem matemático-estatístico-computacional) - Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2019. |
url |
http://www.bdtd.uerj.br/handle/1/7672 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade do Estado do Rio de Janeiro |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Ciências Computacionais |
dc.publisher.initials.fl_str_mv |
UERJ |
dc.publisher.country.fl_str_mv |
BR |
dc.publisher.department.fl_str_mv |
Centro de Tecnologia e Ciências::Instituto de Matemática e Estatística |
publisher.none.fl_str_mv |
Universidade do Estado do Rio de Janeiro |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UERJ instname:Universidade do Estado do Rio de Janeiro (UERJ) instacron:UERJ |
instname_str |
Universidade do Estado do Rio de Janeiro (UERJ) |
instacron_str |
UERJ |
institution |
UERJ |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UERJ |
collection |
Biblioteca Digital de Teses e Dissertações da UERJ |
bitstream.url.fl_str_mv |
http://www.bdtd.uerj.br/bitstream/1/7672/1/DissertacaoLHOF.pdf |
bitstream.checksum.fl_str_mv |
9d2b7788250a58c9136c2b6fa20f3906 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UERJ - Universidade do Estado do Rio de Janeiro (UERJ) |
repository.mail.fl_str_mv |
bdtd.suporte@uerj.br |
_version_ |
1792352131892641792 |