Search

Los esfuerzos para estudiar el transcriptoma, implican el análisis cuantitativo y cualitativo del conjunto de moléculas funcionales de RNAs producto de la transcripción genómica. Los estudios dirigidos sobre la fracción asociada a los RNAs que finalmente son traducidos en proteínas, han sido ampliamente reportados en la literatura. Sin embargo, el análisis de la fracción de RNAs que no codifican para proteínas, sino que cumplen otras funciones celulares, representan para la genética, uno de los campos en continua transformación tecnológica, experimental y computacional. De este grupo, los estudios de RNAs pequeños que hacen parte de los caminos de regulación de la expresión génica, conforman un ejemplo que impacta nuestra comprensión sobre la regulación de la expresión de genes en un sentido, y representan un ejemplo del trabajo interdisciplinario entre experimentalistas y teóricos. En esta revisión, se presenta un ejemplo sobre el desarrollo de métodos de secuenciamiento de última generación, ligado al desarrollo de nuevas herramientas computacionales para el estudio de RNAs pequeños. Palabras clave: transcriptoma, RNA pequeños, secuenciamiento de última generación. ABSTRACT Efforts to study the transcriptome have led quantitative and qualitative analyses of all the functional RNA molecules products of transcription. Most of the studies have been focused on the fraction of coding RNAs and have been broadly published. However, the comprehension of the fraction associated to non-coding RNAs , that are not translated into proteins, but instead, shows a critical role for RNAs in cellular function, it is nowadays one field of Genetics, that has in turn led to the transformation of technologies in both both experimental and computational research. The characterization of small RNAs associated to the RNA interference pathway (whereby RNA can regulate gene expression) corresponds to one example in which frontiers of knowledge have been expanded not only to increase our comprehension of expression regulation, but also to allow interdisciplinary work among experimentalists and theoreticians. As follow it is presented an example based on small RNA biology to link next generation sequencing technologies and computational research. Key Words: transcriptome, small RNAs, next-generation sequencing technology.

Surprisingly little is known about the organization and distribution of tRNAs and tRNA-related sequences on a genome-wide scale. While tRNA complements are usually reported in passing as part of genome annotation efforts, and peculiar features such as the tandem arrangements of tRNAs in Entamoeba histolytica have been described in some detail, comparative studies are rare. We therefore set out to systematically survey the genomic arrangement of tRNAs in a wide range of eukaryotes to identify common patterns and taxon-specific peculiarities. We found that tRNA complements evolve rapidly and that tRNA locations are subject to rapid turnover. At the phylum level, distributions of tRNA numbers are very broad, with standard deviations on the order of the mean. Even within fairly closely related species, we observe dramatic changes in local organization. Consistent with this variability, syntenic conservation of tRNAs is also poor in general, with turn-over rates comparable to those of unconstrained sequence elements. We conclude that the genomic organization of tRNAs shows complex, lineage-specific patterns characterized by extensive variability, and that this variability is in striking contrast to the extreme levels of sequence-conservation of the tRNA genes themselves. Our comprehensive analysis of eukaroyotic tRNA distributions provides a basis for further studies into the interplay between tRNA gene arrangements and genome organization in general. Secondly, we focused on the investigation of small non-coding RNAs (ncRNAs) from whole transcriptome data. Since ncRNAs constitute a significant part of the transcriptome, we explore this data to detect and classify patterns derived from transcriptome-associated loci. We selected three distinct ncRNA classes: microRNAs, snoRNAs and tRNAs, all of which undergo maturation processes that lead to the production of shorter RNAs. After mapping the sequences to the reference genome, specific patterns of short reads were observed. These read patterns appeared to reflect RNA processing and, if so, should specify the RNA transcripts from which they are derived. In order to investigate whether the short read patterns carry information on the particular ncRNA class from which they orginate, we performed a random forest classification on the three distinct ncRNA classes listed above. Then, after exploring the potential classification of general groups of ncRNAs, we focused on the identification of small RNA fragments derived from tRNAs. After mapping transcriptome sequence data to reference genomes, we searched for specific short read patterns reflecting tRNA processing. In this context, we devised a common tRNA coordinate system based on conservation and secondary structure information that allows vector representation of processing products and thus comparison of different tRNAs by anticodon and amino acid. We report patterns of tRNA processing that seem to be conserved across species. Though the mechanisms and functional implications underlying these patterns remain to be clarified, our analysis suggests that each type of tRNA exhibits a specific pattern and thus appears to undergo a characteristic maturation process.

ilustraciones, gráficas, tablas El estudio de muerte súbita cardiaca es muy importante, dada la alta incidencia a nivel mundial, y en los países industrializados se ha convertido un problema de salud pública. Sin embargo, el abordaje de este tipo de muerte no es fácil, debido al componente genético de predisposición y sobre todo en muertes causas por mutaciones en genes que codifican para proteínas que constituyen los canales iónicos (canalopatías). Con el descubrimiento en los últimos años de genes asociados a este tipo de muerte, se ha recomendado realizar estudios moleculares que permitan conocer cuáles son las bases moleculares y los factores de riesgo genético de la muerte súbita cardiaca, con fines de llegar a la medicina preventiva con un apropiado concejo genético. En Colombia el estudio de muerte súbita cardiaca se ha enfocado a los estudios convencionales de patología forense, sin embargo, en algunas muertes no es fácil diagnosticar la causa de muerte y permanecen en estudio. Lo anterior lleva a realizar un estudio molecular, para conocer los genes y mutaciones de estos genes que ayuden a explicar la causa probable de muerte súbita por canalopatías cardiacas. Se analizan mutaciones en los genes que codifican proteínas para canales iónicos cardíacos, mediante el análisis exómico utilizando la secuenciación de nueva generación (NGS). Así mismo se realiza un análisis de cambios estructurales en proteínas causadas por dichas mutaciones. Adicionalmente, se analiza cual es la incidencia de mutaciones de canales iónicos en una muestra de casos cuya muerte por patología está por determinar. (Texto tomado de la fuente). The study of sudden cardiac death is very important, given the high incidence worldwide, and in industrialized countries it has become a public health problem. However, the approach to this type of death is not easy, due to the genetic component of predisposition and especially in deaths caused by mutations in genes that code for proteins that constitute ion channels (channelopathies). With the discovery in recent years of genes associated with this type of death, it has been recommended to carry out molecular studies that allow us to know what are the molecular bases and genetic risk factors of sudden cardiac death, in order to arrive at preventive medicine with an appropriate genetic advice. In Colombia, the study of sudden cardiac death has focused on conventional studies of forensic pathology, however, in some deaths it is not easy to diagnose the cause of death and they remain under study. This leads to a molecular study, to know the genes and mutations of these genes that help explain the probable cause of sudden death due to cardiac channelopathies. Mutations in genes encoding proteins for cardiac ion channels are analyzed by exome analysis using next-generation sequencing (NGS). Likewise, an analysis of structural changes in proteins caused by these mutations is performed. Additionally, it analyzes the incidence of ion channel mutations in a sample of cases whose death by pathology is to be determined. Incluye anexos Doctorado Doctor en Ciencias - Biología

ilustraciones, gráficas, tablas Los virus están ampliamente distribuidos en todos los ecosistemas naturales y son el grupo de entidades biológicas más diverso conocido. Aunque su biodiversidad biológica estimada es de 31 ordenes de magnitud, nuestro conocimiento es menor al 1%. Además, debido a su capacidad de impacto a la salud humana, como lo ha sido la reciente pandemia de Sars- cov-2, es esencial la búsqueda de estrategias que sean rápidas y fiables al clasificar nuevos virus usando los datos disponibles como referencia de manera eficiente. Nuestro objetivo es encontrar métodos flexibles para filtrar y clasificar secuencias víricas utilizando diversos recursos como el aprendizaje de máquina principalmente con una resolución adecuada, una alta eficiencia y buena precisión, manteniendo la flexibilidad del modelo a secuencias víricas diversas. Seleccionamos las máquinas de soporte vectorial y los árboles de gradiente potenciado como los métodos que más nos favorecían en términos de recursos computacionales, rendimiento y predicción, los datos usados fueron descargados del NCBI Virus para entrenar los modelos. Las secuencias virales fueron filtradas cuidadosamente para el entrenamiento del modelo. Después del filtrado de los datos, 19 familias tuvieron el número de secuencias más representativas. Finalmente, de este conjunto de datos, 80 % fueron usados para entrenar las máquinas de aprendizaje y 20% fue utilizado para validar las clases taxonómicas. Las secuencias víricas se transformaron a una representación numérica a través de el método count vectorizer en k-mers de diferentes tamaños, incluyendo 3k-mers con el fin de preservar la información de los marcos abiertos de lectura (ORF’s) y evitar el sobreajuste. En este trabajo, nuestros métodos permiten encontrar asociaciones a nivel taxonómico de familia entre las secuencias virales y la taxonomía, por medio de recursos computacionales eficientes de predicción y a diferencia de métodos convencionales de comparación de secuencias. Sin embargo, es importante señalar que en el aprendizaje de máquina la calidad de la predicción recae directamente en la calidad de la base de datos de entrenamiento y la definición de la clase, por lo tanto descripciones débiles de las familias de virus son la mayor limitación para construir un modelo coherente de clasificación de secuencias. Finalmente, el modelo de árboles de gradiente potenciado tiene la mejor probabilidad de predicción, encontramos que 8 familias que fueron predichas para los datos experimentales concuerdan con los reportes científicos para Culex sp. y Aedes sp. (Texto tomado de la fuente). Viruses are widely distributed in all the natural ecosystems and belong to one of the most diverse groups of biological entities. Though their estimated biodiversity is 1031 orders of magnitude, our current knowledge is still less than 1 %. Besides, due to the capacity to im- pact human health dramatically, as it has been seen in outbreaks like the current pandemic, it is essential to search for strategies that fast and reliable classify new viruses by using the available data efficiently as reference. Then, our goal is to search for flexible methods to filter and classify viral sequences from diverse sources using machine learning (ML) principles with a proper resolution, high ef- ficiency, and accuracy, but with flexibility. We have chosen support vector machine and gradient boosting as ML method that are more favorable in terms of computational resour- ces, performance and prediction and the data used was downloaded from the viral NCBI database to train our approach. Viral sequences from the databases were carefully filtered to train the model. After the filtering of the data, 19 families had more representative number of sequences. Finally, from this set of data, 80% was used to train the machine, and 20% was used to validate the taxonomic assignment. Viral sequences was change to numeric representation throught count vectorizer method into k-mers of varied sizes include 3 k-mers to preserve open reading frames (ORF’s) information and avoid overfitting. In this approach, our method allowed to find associations in family taxonomic level between the viral sequences and the viral taxonomy by using inference computational resources effi- ciently and unlike other conventional methods for sequence comparison. Nevertheless, it is essential to point out that ML approaches rely directly on the quality of the input data- set, and the class definition so weak description of some families of viruses are the major limitation to construct a coherent model to classify their sequences. Finally, the gradient boosting model have the highest prediction probability, we found 8 families predicted in the experimental data that agree with the scientific reports in different studies for Culex sp and Aedes sp. Programa de intercambio Alemán DAAD, por los esfuerzos económicos que facilitan el funcionamiento del laboratorio de biología computacional. Facultad de ciencias de la Universidad Nacional de Colombia, por los esfuerzos económicos que facilitan el funcionamiento del laboratorio de biología computacional. Desarrollo de modelos de máquina de aprendizaje para la clasificación taxonómica de secuencias víricas a nivel de familia, implementando los algoritmos de máquinas de soporte vectorial y árboles de gradiente potenciado. Incluye anexos Maestría Magíster en Bioinformática Tecnologías computacionales en Bioinformática

Según los reportes de World Alzheimer Report en el 2016, en el mundo una persona desarrolla un tipo de demencia cada 3 segundos, y entre las demencias la Enfermedad de Alzheimer (EA) es considerada la forma más prevalente, por tanto, el potencial impacto económico y social que se proyecta para la EA requiere ampliar los mecanismos de diagnóstico temprano de la misma. Clínicamente la EA se caracterizada por un conjunto de síntomas que incluyen pérdida progresiva de las funciones cognitivas, pérdida de memoria, desorientación, entre otras disfunciones comportamentales. Ya que el diagnóstico de la enfermedad ha estado basada clásicamente en criterios clínicos, como lo son los test de status mental, examen neurológicos e imágenes de cerebro; un diagnóstico definitivo requiere una confirmación postmortem de los cambios neuropatológicos clásicamente descritos para la enfermedad (ésto es la acumulación de las placas amiloides y la presencia de ovillos neurofibrilares). Dadas estas dificultades para establecer un diagnóstico temprano de la EA, la necesidad de desarrollar biomarcadores no invasivos que provean con mayor confianza un diagnóstico de la enfermedad, permitirían desarrollar diferentes aproximaciones terapéuticas que posibiliten intervenir de forma temprana en el desarrollo de la enfermedad, con el fin de preservar la función cerebral normal. Internacionalmente se han establecido como biomarcadores para la EA la deposición de placas Aβ, el incremento en la concentración de la proteína Tau, y por último, la presencia de la proteína TAU fosforilada en la posición 181; esto en fluido cerebro espinal (CSF). Ya que el uso de CSF es un método de diagnóstico invasivo e intrusivo para los pacientes, la identificación de posibles biomarcadores que se encuentren en los diferentes biofluidos, como en sangre, orina, entre otros, es esencial para facilitar el diagnostico temprado de la EA por la facilidad en la obtención de las muestras, y por tanto, su practicidad en realizar un seguimiento menos invasivo para los pacientes. Entre los diferentes componentes de los biofluidos, la presencia de miRNAs ha sido ampliamente caracterizada en sangre, y diferentes estudios ha reportado expresión aberrante de miRNAs en enfermedades de interés en salud pública, como el cáncer. En el caso de la EA, en los ultimos años han sido ampliamente reportados patrones de expresión anormal de una gran cantidad de miRNAs en biofluidos como sangre, lo cual pone a estos transcritos no codificantes como buenos candidatos para realizar un diagnóstico temprano de la enfermedad, dado el efecto en la regulación génica mediada por estos RNAs pequeños. En el presente trabajo se describe una metodología exhaustiva para la descripción del potencial efecto de RNAs pequeños, miRNAs y siRNAs, en los mecanismos de regulación de la expresión génica de genes previamente relacionado con la EA y sus potenciales efectos fisiológicos en la EA. Dada la importancia de estos smallRNAs como reguladores epigenéticos de la expresión génica, la búsqueda de interacciones RNA-RNA de mayor confiabilidad permitirá postular híbridos para futuras investigaciones experimentales. Abstract: In 2016, the reports of World Alzheimer Report indicate that in the world a person develops a type of dementia every 3 seconds in the world. Since the Alzheimer’s disease (AD) is considered the most prevalent form of dementias, therefore the potential economic and social impact that is projected for the EA demands for new mechanisms for an early diagnosis. Clinically, AD is characterized for a set of symptoms that include progressive loss of cognitive functions, loss of memory, disorientation and among of other behavioral dysfunctions. Since the diagnosis of the disease is based on classical clinical criteria, as tests of mental status, neurological exam and images of the brain finally, a full diagnosis requires postmortem confirmation of neuropathological changes that are classically described for the disease (this is the accumulation of amyloid plaques and the presence of neurobrillary tangles. Given the dificulties to establish a early diagnosis of AD, the need of developing non-invasive biomarkers that provide confidence of a diagnosis of the disease, would lead to develop different therapeutic approaches making possible an early diagnosis of the development of the disease, in order to preserve normal brain function. Worldwide, the main biomarkers for AD established are the deposition of plates, the increase in the concentration of Tau proteins, and finally, the presence of phosphorylated TAU protein at position 181 on spinal brain (CSF). Since the use of CSF is an invasive and intrusive diagnostic method for patients, the identification of possible biomarkers present in biofluids, as blood, urine, among others, would become essential to facilitate the early diagnosis of EA from easy sampling, and therefore of a less invasive follow-up for patients as outcome. Among the different components of biofuids, the presence of miRNAs has been widely characterized in blood, and different studies have reported aberrant expression of miRNAs in diseases of interest in public health, such as cancer. In the case of AD, in recent years have been widely reported patterns of abnormal expression of a large number of miRNAs in biofluids such as blood, which makes these transcripts promising candidates for an early diagnosis of the disease, given its very well known effect on genetic regulation mediated by these small RNAs. In the present work we described a comprehensive methodology to characterize the potential effect of small RNAs, miRNAs and siRNAs, in the mechanisms of regulation of the genetic expression of genes previously related to AD and its potential physiological effects in AD. Given the importance of these smallRNAs as epigenetic regulators in genetic expression, the search for RNA-RNA interactions of greater reliability will let us to postulate hybrids for future experimental investigations. Maestría

Esta tesis tiene como objetivo la construcción de un flujo automatizado de trabajo que integre diferentes procesos, la información de bases de datos y los modelos computacionales requeridos para identificar dominios asociados al Sistema Inmune (SI) presente en los tunicados que se conoce como un repertorio de genes principalmente asociado al Sistema Inmune Innato(SII). La importancia bioinformática de este trabajo se fundamenta en la necesidad de reconstruir un modelo de ganancia y perdida de dominios del SI en los tunicados bajo una aproximación de procesos automatizados aplicados sobre los genomas de algunas especies. Como grupo cercano a los vertebrados el screening promete revelar información de interés sobre la evolución del SI debido a que los tunicados se encuentran justo antes del bigbang inmunológico que es un proceso que se considera dio origen a la complejidad del Sistema Inmune Adaptativo. Por tanto desde el punto de vista de la rama de la bioinformática de anotación de genes, este trabajo propone una alternativa para la reconstrucción de regiones codificantes en especies no modelo que carecen de información de datos de expresión centrada en homología de dominios. La mayoria de las herramientas disponibles en anotación son altamente dependientes de la información transcriptómica o proteómica aunque existen métodos ab initio que se fudamentan en la búsqueda de señales propias de las secuencias de los genes procariotes y eucariotes. Por otro lado, en particular, la anotación de los genes del Sistema Inmune tampoco es sencilla ya que se debe atacar el problema computacional de identificar homología entre secuencias que pueden estar cargadas de ganancia, perdida y rearreglos de dominios. Es por esto que se propone en este trabajo esta estrategia que combina arquitecturas de dominios canónicos de genes del SII para una eficiente detección de dominios ultraconservados entre las especies de estudio. La estrategia se diseña con el fin identificar tractos de dominios en especies de tunicados que carecen de datos de transcriptómica o proteómica y por tanto se propone un modelo de identificación de posibles regiones genomicas putativas asociadas a codificar para dominios del SII en el genoma borrador de una especie carente de anotación y de datos de expresión como el tunicado Didemnum vexillum Finalmente, se implementa un modelo evolutivo de ganancia y perdida de dominios ultraconservados de genes putativos del SII. Dicha pipeline fue aplicada sobre la totalidad de los genomas de cinco especies de tunicados y de un grupo externo conformado por un cefalocordado y dos vertebrados. Las características de los genomas evaluados durante esta tesis, en especial la de los tunicados, representaron retos computacionales importantes de tres tipos: primero genomas con peculiares historias evolutivas, segundo para algunas de estas especies los ensambles de los genomas se encuentran altamente fragmentados y como no son todos ellos organismos modelo no cuentan con información experimental amplia que permita entrenar y utilizar programas de anotación de genes ampliamente usados en Cordados como la pipeline de Ensembl y tercero existe complejidad en la arquitectura génica de los genes del SI ya que en ellos se presentan duplicaciones de dominios, rearreglos de los mismos y perdidas. Estos problemas fueron resueltos en el Capítulo 1 mediante un análisis focalizado en el amplio repertorio de la arquitectura de genes existentes en dos bases de datos principales InnateDB y Insect Innate Immunity Database (IIID) usado para definir un sistema de dominios ``Gold Standard'' sobre las especies articuladas en el Ensembl usando BioMart para ser mapeados sobre las especies Ciona intestinalis, Ciona savignyi, Petromyzon marinus, Latimeria chalumnae y Danio rerio logrando así identificar el conjunto de dominios del SII de cordados inferiores. Posteriormente para las especies de tunicados Oikopleura dioica y Botryllus schlosseri y el protocordado Branchiostoma floridaeo que carecen de anotación de la pipeline del Ensembl se usaron las secuencias de sus proteínas reportadas, como blancos para la identificación de dominios canónicos asociados al SII previamente establecido. En el capitulo 2 se presenta la estrategia utilizada para identificar dominios en especies que carecen de evidencia experimental de expresión y anotación como el tunicado D. vexillum. Esta restricción en el número de dominios evaluados permitió de forma rápida, precisa y eficiente establecer conjuntos de dominios con arquitecturas proteicas similares a las reportadas en la literatura, siendo éstas el punto de partida para la búsqueda de relaciones de homología, principalmente de ortología y paralogía y de un modelo de ganancias y perdidas de dominios ultraconservados del SII descrito en el Capítulo 3. This survey is aimed at to build an automated workflow that integrates different processes, database information and computational models required to identify domains associated with the Immune System (IS) present in the tunicates that is known as a repertoire of genes mainly associated with the Innate Immune System (IIS). The bioinformatic importance of this work is based on the need of build a model of gain and loss of domains of the IS in tunicates following an approach which relies on an automated processes applied to the genomes of some species. As a group close to vertebrates, the screening on tunicates promises to reveal information of interest on the evolution of the IS because the tunicates are located just before the immunological big bang which is a process considered to have given rise to the complexity of the Adaptive Immune System. Therefore, from the point of view of the bioinformatics branch of gene annotation, this work proposes an alternative approach to reconstruct coding regions in non-model species that lack gene expression data centered on domain homology search since most of the tools available for gene annotation are highly dependent on the transcriptomic or proteomic information, although there are methods ab initio centered on the search for signals of the prokaryotic and eukaryotic genes sequences. On the other hand, in particular, the annotation of the genes of the Immune System is not a simple task either, since must be tackled the computational problem of identifying homology between sequences that can be built of gain, loss and rearrangements of domains. This is why this strategy combines architectures of canonical domains of IIS genes for an efficient detection of ultraconserved domains between the study species. The strategy is designed to identify tracts of domains in tunicated species that lack of transcriptomics or proteomics data. Therefore we propose a model to identify possible putative genomic regions associated with coding for IIS domains in the draft genome of a species without annotation and expression data such as the tunicate Didemnum vexillum. Finally, an evolutionary model of gain and loss of ultraconserved domains of putative ISS genes is implemented. This pipeline was applied to all the genomes of five species of tunicates and of an external group consisting of other chordates. The characteristics of the genomes evaluated during this thesis, especially in tunicates, represented three types of important computational challenges. First genomes with peculiar evolutionary histories, second for some of these species the assembled genomes are highly fragmented and since they are non-model organisms they do not have extensive experimental information that allows us to train and use gene annotation programs widely used in chordates as the Ensembl pipeline and third there is complexity in the gene architecture of the genes of the IS since they present duplications of domains, rearrangements and losses. These problems were solved in Chapter 1 through an analysis focused in the wide repertoire of the existing gene architecture in two main databases InnateDB and Insect Innate Immunity Database (IIID) that let us to define a system of “Gold Standard”domains which was mapped into species articulated in the Ensembl using BioMart, which included the species Ciona intestinalis, Ciona savignyi, Petromyzon marinus, Latimeria chalumnae and Danio rerio to identify a set of canonical architectures of the IIS of lower chordates. Later on, were used protein sequences annotated by other systems as targets for the identification of canonical domains associated with the “Gold Standard”previously established for the species of tunicates Oikopleura dioica and Botryllus schlosseri and the protocordado Branchiostoma floridaeo. In chapter 2 we present the strategy used to identify domains in species that lack of experimental evidence of expression and annotation such as the tunicate D. vexillum. This restriction in the number of evaluated domains allowed quickly, accurately and efficiently to establish sets of putative domains of protein architectures similar to those reported in the literature. This approach could be used as the starting point for the search of homology relationships, mainly of orthology and paralogy and as a model of gains and losses of ultraconserved ISS domains as is described in the Chapter 3. Maestría