IBYME   02675
INSTITUTO DE BIOLOGIA Y MEDICINA EXPERIMENTAL
Unidad Ejecutora - UE
congresos y reuniones científicas
Título:
UTILIZACION DE HERRAMIENTAS BIOINFORMÁTICAS EN LA BÚSQUEDA DE NUEVOS BIOMARCADORES EN CANCER DE MAMA.
Autor/es:
MF ABASCAL, M ROSSO, MJ BESSO, MV MENCUCCI, LI FURLONG, MH VAZQUEZ-LEVIN
Lugar:
Buenos Aires
Reunión:
Congreso; Congreso SAEGRE (Sociedad Argentina de EndocrInología Ginecológica y Reproductiva); 2014
Resumen:
Objetivos: Utilizar herramientas bioinformáticas para rastrear en la
literatura (?data mining?) genes/proteínas relacionados al cáncer de mama (CM)
(carcinoma ductal: DBC; lobular: LBC) y
su relación con otras proteínas aún no estudiadas en esta patología para
identificar nuevos biomarcadores. Introducción: El CM es la 1ra. causa de
muerte por tumores en mujeres, estimándose que se producirán 18.000 nuevos
casos/año (17,8% del total de incidencia de cáncer en Argentina). Dado
que es una enfermedad con una base molecular compleja, se encuentra disponible
una gran cantidad bibliografía relacionada al CM, siendo imprescindible
evaluarla de un modo integral. En años recientes se han desarrollado
herramientas bioinformáticas para realizar búsquedas globales que, dirigidas a
objetivos específicos (patología/gen) permite obtener listados de genes
relacionados a patologías, relacionar funcionalmente genes/proteínas
(?clusters?), expandiendo las listas a nuevos candidatos y maximizando el uso
de la información para identificar nuevos biomarcadores. Materiales: Se
utilizaron los programas: 1) ?DisGeNET?: integra bases de datos (Uniprot, CTDTM,
MGD, LHGDN, TEXTM) y puede ser usado a través de la interfase disponible en el
sitio web o como ?plugin? creado para Cytoscape, herramienta que permite la
creación de redes; 2) ?Hippie?: integra bases de
datos con información experimental acerca de interacciones proteína-proteína
(BioGRID, DIP, HPRD, IntAct, MINT, BIND y MIPS) y permite la generación de
redes e identificación de nuevas proteínas interaccionantes en el modelo de
interés 3) ?Clust&see?: permite la categorización funcional de los
genes de interés surgidos de la búsqueda. Resultados: El análisis
de DisGeNET (término de búsqueda: ?breast cancer?) arrojó un total de 815 genes
relacionados al CM (marcadores/variación genética). DBC: La búsqueda en TEXTM
permitió identificar 42 genes y en bases curadas a BAG1, CDH1, ATF4, CLDN4,
PTGER1, SERPINB5. El análisis de interrelaciones proteína-proteína (Hippie)
permitió generar una red de 448 proteínas, agregándose como nuevos potenciales
biomarcadores: CFTR, HSPA8, MET, ANP328, HSPA1A, EP300, MDM2, TGM2, CREBBP,
TRIM33, ERBB2IP, SKP2, CTNNB1, USP9X, SMAD7, SKI, NCOR1, STUB1, XPO5, AR, ESR1,
HDAC1, ISG15. LBC: en TEXTM se identificaron 28 genes y en bases curadas AGTR2,
CDH1 y STAT5. Se generó una red de 216
proteínas interaccionantes, centrando principal interés en ERBB2IP, SRC, EGFR, EP300,
HDAC1.3). Clust&See generó 7 ?clusters? funcionales para DBC y tres para
LBC. Estos ?clusters? se interrelacionan con otros a través de las proteínas
propuestas, lo que permite postular el ?crosstalk? entre estos procesos.