775 research outputs found
Bridging the gap between molecular –omics studies and multiscale modeling
No full textBioengineering is focused on advancing human health and promoting environmental sustainability, two of the greatest challenges for our world. Modeling complex living systems is a mandatory step towards these objectives and incorporation of models for intracellular genetic and biochemical regulatory networks as a component of cells models is an important step in bridging the molecular details of biology with organs and higher order models. In the last two decades high-throughput –omics techniques such as sequencing, microarray and mass spectrometry have experienced a huge diffusion; however, as biomedical research evolves towards -omics sciences, specific needs have emerged, including modeling the molecular basis of diseases, integrating -omics data with patient clinical data, and, ultimately, translating -omics data analysis results in medical knowledge.
In this talk, I will give examples of –omics data modeling within an integrative multiscale approach, from Genome Wide Association Studies (GWAS) to microarrays, from protein signaling to transcription activation studies, and of how this helps understanding the biological machinery underlying diseases and gaining sufficient reliability for clinical/pharmaceutical applications.
GWAS search for patterns of genetic variation, in the form of Single Nucleotide Polymorphisms (SNPs), between a population of affected individuals (cases) and a healthy (control) population. Although these studies have successfully identified a number of significant SNP-disease associations, they were able to explain only a small fraction of disease hereditability. One of the reasons is that complex pathologies, such as cancer, diabetes or neurological disorders, are indeed heterogeneous and multi-causal, as a result of the alteration of multiple regulatory pathways and of the interplay between different genes and the environment, rather than referable to a single dysfunctional gene like in monogenic diseases. In this context, identification of functional pathways underlying the observed phenotype is a major challenge in Systems Biology.
We have developed a method to identify pathways associated to the disease in GWAS, based on the Entropy concept. In particular, Joint Entropy between pairs of SNPs belonging to the same functional pathway is calculated and the difference in cases vs. control is averaged across the pairs of genes in the pathway. This allows ranking pathways based on how widely the mapped SNPs are associated to the disease. Our method was applied to the WTCCC (Wellcome Trust Case Control Consortium. Nature, 2007) type 1 and 2 diabetes GWAS dataset and selected a number of SNPs associated to diabetes, previously identified either by WTCCC study or in different T1D and T2D GWAS (www.genome.gov/GWAStudies), showing the ability of generalizing the results and identifying rare variants.
Once identified, genetic biomarkers can be integrated at different levels with phenotypic biomarkers, transcriptomic and protein signaling data to understand better the mechanism beyond the pathogenesis of a disease. For example, the consistency between SNPs associated to diseases in specific pathways and gene expression can be evaluated by analyzing whether the SNP markers influence expression of specific transcripts, and if so, whether those downstream targets can be further developed as biomarkers related to specific phenotypes.
Finally, at the basis of transcription and translation at cell level, and of development, functioning and homeostasis at tissue level, there is the cell signaling in response to microenvironment. A quantitative model of insulin signaling in muscle cells treated with insulin has been developed to analyze the changes in the activity of multiple proteins in normal and insulin resistant muscle cells. In particular, using a mass action model of early signaling, we have analyzed the differences in the kinetics of the two main signaling cascade pathways: PI3K/Akt and GRB2 / MEK1/2 / ERK1/2. The modeling approach has yielded important insights into reciprocal relationships between insulin resistance and changes in PI3K/Akt and GRB2 / MEK1/2 / ERK1/2 pathways that might be relevant for generating novel therapeutic approaches.
A key challenge that biology is facing is the integration of data within and across domains and levels of granularity in a multiscale approach. Methods, validation procedures, simulation models as well as standards for the exchange of data and results are needed in the near future. Bioengineering has a specific role and a privileged position in multiscale modeling approaches, for its intrinsic multidisciplinarity and the availability of researchers that weaves together biology, physics, chemistry, computer science and medicine, ranging from the molecular scale to entire organism
Modelling Dynamic Gene Expression Profiles: Insulin Regulation in Skeletal Muscle
No full textPhD thesi
Minimizing Time when Applying Bootstrap to Contingency Tables Analysis of Genome-Wide Data
No full textQualitative Reasoning on systematic gene perturbation experiments.
No full textObservations of systematic gene perturbation experiments have been proven the most informative for the identification of regulatory relations between genes. For this purpose, we present a novel Qualitative Reasoning approach, based on a qualitative abstraction of DNA-microarray data and on a set of IF-THEN inference rules. Our algorithm exhibits an extremely low rate of false positives, competitive with the state-of-the-art, on both noise-free and noisy simulated data. This, together with the polynomial running time, makes our algorithm an useful tool for systematic gene perturbation experiments, able to identify a subset of the oriented regulatory relations with high reliability and to provide valuable insights on the amount of information conveyed by a set of experiments
From translational bioinformatics computational methodologies to personalized medicine
No full textThe last years have seen an impressive revolution in the theory and application of bioinformatics since new technologies and the abundance of different types of data to be integrated in a personalized medicine perspective are posing various methodological challenges in different fields such as, for example, single cell analysis [1], individual genome analysis and pan-genomes [2], Multi-omics data analysis and integration with clinical data [3]. In this special issue, we invite researchers to submit primary research focusing on translational bioinformatics methods that, starting from population-based molecular profiling, clinical data, epidemiological data, and other types of data make healthcare decisions tailored to groups of patients or individual patients
From translational bioinformatics computational methodologies to personalized medicine
No full textIn recent years, there has been a remarkable revolution in the theory and application of bioinformatics. The emergence of new technologies, along with the abundance of diverse data types to be integrated within the context of personalized medicine, presents various methodological challenges across different domains. These include, for instance, challenges in single-cell analysis, individual genome analysis, pan-genomes, multi-omics data analysis, and the seamless integration of such data with clinical information
Measuring differential gene expression with RNA-seq: challenges and strategies for data analysis
No full textAnalisi di dati di DNA microarray: reti di regolazione
No full textI processi cellulari coinvolgono milioni di molecole che svolgono un ruolo coerente al fine di scambiare materia, energia e informazione con l’ambiente. Questi processi vengono regolati dai geni, la cui espressione è a loro volta regolata da una rete di interazioni fra altri geni, proteine e piccole molecole, detta rete di regolazione genica. Le reti di regolazione riguardano una svariata serie di segnali sia intracellulari, come le concentrazioni di mRNA, sia intercellulari, come gli ormoni, sia extracellulari, quali le variazioni delle condizioni ambientali (come gli stress termici). In maggior dettaglio, i geni vengono tradotti in proteine tramite un sistema di trascrizione (da DNA a mRNA) e traduzione (da mRNA a proteine) che è controllato da vari meccanismi (Nelson e Cox, 2002, Kohane et al., 2003). La trascrizione ha inizio in una particolare regione del DNA nota come regione del promotore, che è solitamente caratterizzata dalla presenza di segnali di riconoscimento per fattori di trascrizione, come la "TATA box" (TATAAA), "GC box", o "CAAT box" (CCAAT). Alla TATA box si lega una proteina, detta TBP (“TATA-binding” protein”), che, insieme ad altre proteine, consente all’enzima che permette la trascrizione, la RNA-polimerasi, di posizionarsi correttamente e venire attivata per iniziare la sintesi di RNA. I meccanismi di regolazione della trascrizione coinvolgono una serie di proteine, dette fattori di trascrizione, che possono bloccare il legame al promotore, o viceversa aumentare la probabilità che la RNA-polimerasi vi si leghi. In aggiunta a questi meccanismi, vi sono altri meccanismi di controllo che possono dar luogo, ad esempio, a splicing alternativi e modifiche post-trascrizionali. Tutti questi meccanismi influenzano la traduzione del messaggero in proteine. Per altro, proteine diverse possono essere formate a seguito dell’attivazione di un medesimo gene anche per effetto di modifiche post-traduzionali, anch’esse governate dalla presenza di proteine specifiche. La concentrazione di ogni proteina inoltre, è fortemente dipendente dalla presenza di altre molecole sia all’interno sia al di fuori della cellula, come i metaboliti o altre proteine; il ruolo svolto da queste molecole dipende da un complesso sistema noto come “signalling network”, che comprende recettori di membrana, proteine di “segnalazione” intra e intercellulari e i destinatari dei messaggi, ad esempio enzimi, altre proteine o complessi proteici (Roberts et al., 2000). E’ evidente quindi come lo studio delle reti di regolazione genica richieda di tener conto di aspetti genomici, proteomici e di regolazione metabolica. Non è perciò difficile apprezzare l’enorme complessità che queste reti possono raggiungere né la difficoltà di una loro modellizzazione matematica. La disponibilità dei DNA microarrays ha reso oggi possibile effettuare delle misure di espressione a livello dell’intero genoma e, grazie ai dati raccolti nel tempo, di osservarne la dinamica in diversi contesti sperimentali (Kohane et al., 2003). Grazie a queste osservazioni, è possibile inferire delle relazioni temporali fra le espressioni dei geni e, quindi, formulare delle ipotesi sulla struttura delle reti di regolazione. Questa attività è chiamata “reverse-engineering”, in quanto affronta il problema inverso di formulare delle ipotesi sul sistema dinamico che ha generato i dati sulla base dell’osservazione dei dati stessi (de Jong, 2002, Brazhnik et al., 2002).Nel corso degli ultimi anni sono stati proposti molti metodi per la generazione di reti di regolazione sulla base di dati di DNA microarrays (de Jong, 2002). Gli “ingredienti” della maggior parte di questi metodi sono una rete di interazioni, che esprime quali sono i legami fra i geni, ed un modello delle interazioni, in grado di descrivere la dinamica del sistema. Una rete di interazioni tra geni viene solitamente rappresentata tramite un grafo. Un grafo è definito come una tupla , in cui N è un insieme di nodi (o vertici) ed E è un insieme di archi. A sua volta un arco è una tupla di nodi , che esprime la presenza di una connessione fra i nodi stessi. Il modello della dinamica varia molto a seconda della metodologia scelta; sono state infatti proposte diverse soluzioni, che comprendono sistemi di equazioni differenziali ed alle differenze, modelli stocastici e modelli qualitativi. Alcuni approcci proposti in letteratura si occupano soltanto dell’apprendimento del grafo. Ad esempio, le Relevance Networks (RN) (Butte, 2000) generano un grafo a partire dalla misura di espressione dei geni in diverse condizioni sperimentali (ad es. istanti di tempo successivi). Sulla base di queste misure è possibile calcolare l’indice di correlazione di Pearson di ciascuna coppia di geni. Si ricava quindi un grafo non orientato in cui due geni sono connessi se il modulo del loro indice di correlazione supera un’opportuna soglia.In questo contributo, viceversa, verranno descritte alcune fra le metodologie più avanzate per l’apprendimento automatico sia della struttura delle reti di regolazione sia della loro dinamica: le reti Booleane, le reti Bayesiane e le reti basate su equazioni differenziali.La conoscenza di queste metodologie è un pre-requisito per la comprensione di strategie più complesse recentemente proposte in letteratura (Segal et al, 2001). Inoltre, questi metodi sono interessanti non solo nel campo delle reti di regolazione genica, ma anche in tutti i contesti in cui sia possibile modellizzare sistemi complessi mediante una rete di interazioni fra elementi semplici
- …
