IDIM 12530
INSTITUTO DE INVESTIGACIONES MEDICAS
Unidad Ejecutora - UE
congresos y reuniones científicas
Título:
79: ANÁLISIS DE LA PATOGENICIDAD DE POLIMORFISMOS DE UN ÚNICO NUCLEÓTIDO NO SINÓNIMO (nsSNP) EN POLIQUISTOSIS RENAL AUTOSÓMICA DOMINANTE (ADPKD)
Autor/es:
MARTÍNEZ MF1; ADRIANA R FRAGA; RS MARTIN1; PJ AZURMENDI1
Lugar:
Corrientes, Argentina
Reunión:
Congreso; "XL Congreso Argentino de Genética", "III Simposio Latinoamericano de Citogenética y Evolución" y las "I Jornadas Regionales SAG-NEA".; 2011
Institución organizadora:
Sociedad Argentina de Genética
Resumen:
La frecuente aparición genética de nsSNPs que pueden potencialmente afectar la salud humana, hace necesario caracterizar sus efectos biológicos mediante métodos bioinformáticos, basados en el análisis de homología de secuencia (s), de estructura (e) y de anotación (a), que han sido útiles para identificar nsSNPs patógenos. ADPKD es la enfermedad genética renal más frecuente (prevalencia de 1:1000), caracterizada por el crecimiento de quistes renales. Los dos genes causantes (PKD1 y PKD2) poseen un 30% de nsSNPs entre sus variantes descriptas, en gran parte sin efecto funcional conocido. Nuestro objetivo es brindar apoyo al diagnóstico molecular en enfermedades genéticas mediante el empleo de métodos de predicción de nsSNPs, teniendo como ejemplo ADPKD. Fueron estudiados 24 nsSNPs en PKD2 provenientes de bases de datos públicas y de nuestra población, utilizando los programas Align GVGD (s), SIFT (s), PolyPhen-2 (s,e,a) y DiANNA (e). Los resultados en homología de secuencia, mostraron diferencias entre sí, con 21% de los nsSNPs discordantes, al estimar su probabilidad patógena. El análisis estructural fue realizado solo con DiANNA, debido al desconocimiento de la estructura de la policistina-2 -producto proteico de PKD2-, mostró 6 cambios anormales. Concluimos que el análisis in silico es una herramienta útil destinada a guiar futuros experimentos ?al menos en esta etapa del conocimiento estructural de las proteínas- y no a su uso en el ámbito clínico. El análisis estructural y evolutivo conjunto mejora la predicción, con lo cual la optimización de los programas dependerá de la interacción entre la investigación básica y aplicada.
