Redes bayesianas para inferência de redes regulatórias de genes

Abstract

Nos últimos anos, um grande volume de dados de várias espécies vem sendo obtido através de novas técnicas criadas e aperfeiçoadas pela biologia. Entre elas, tecnologias para medir as diferenças das expressões dos genes, através de concentrações de mRNA (microarray), estão se tornando extremamente populares e seus custos estão diminuindo. A inferência de redes regulatórias de genes a partir de dados de expressão gênica para estudar o metabolismo dos organismos é um processo importante e faz surgir o desafio de conectar os genes e seus produtos em vias metabólicas, circuitos e redes funcionais. O conhecimento sobre redes regulatórias de genes pode fornecer informações valiosas para tratamento de doenças, identificação de quais genes controlam e regulam eventos celulares e descoberta de vias metabólicas mais complexas. Uma rede regulatória de genes é um modelo que representa as regulações entre genes usando um grafo direcionado, no qual os nós indicam os genes e uma aresta (Gene 1, Gene 2) indica que o Gene 1 regula o Gene 2 (através de ativação ou repressão). Vários métodos foram propostos no decorrer dos anos para inferir uma rede regulatória de genes a partir de dados de microarray de DNA usando modelos matemáticos, tais como equações diferenciais, redes Booleanas e redes Bayesianas. Este trabalho apresenta o estudo do modelo de Rede Bayesiana e a implementação de dois programas, um usando o modelo de Rede Bayesiana e o outro usando o modelo Rede Bayesiana dinâmica, ambos com regressão não-paramétrica para inferir redes regulatórias de genes a partir de dados de expressão gênica de microarray de DNA. O critério usado para escolher as melhores redes foi o Bayesian Information Criterion (BIC), que é mais simples do que outros critérios existentes, mas ainda assim, é uma abordagem eficiente. Os resultados do trabalho foram comparados com os de trabalhos anteriores usando dois conjuntos de dados: dados artificiais para inferir uma rede regulatória artificial de genes; e dados reais de microarray do ciclo celular da levedura Saccharomyces cerevisiae para inferir o ciclo do ácido tricarboxílico (TCA). Os experimentos com os dados artificiais apresentaram bons resultados quando comparados com modelos anteriores, principalmente quando informações a priori foram adicionadas. Os experimentos com dados biológicos foram mais surpreendentes, pois a quantidade de amostras existentes era pequena e, mesmo assim, os resultados obtidos foram tão bons quanto os resultados dos modelos anteriormente propostos. A inferência de redes de genes a partir de dados de microarray usando modelos matemáticos é um problema recente e difícil. Este trabalho apresenta um modelo relativamente simples com resultados promissores, podendo ser estendido em trabalhos futuros