UTILIZACION DE HERRAMIENTAS BIOINFORMÁTICAS EN LA BÚSQUEDA DE NUEVOS BIOMARCADORES EN CANCER DE MAMA.

MF ABASCAL, M ROSSO, MJ BESSO, MV MENCUCCI, LI FURLONG, MH VAZQUEZ-LEVIN

Buenos Aires

Congreso; Congreso SAEGRE (Sociedad Argentina de EndocrInología Ginecológica y Reproductiva); 2014

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.