Desarrollo de algoritmos bioinform´aticos para estudios de gen´omica funcional

194 Pages·2013·14.09 MB·English

Desarrollo de algoritmos bioinforma´ticos para
estudios de geno´mica funcional: aplicaciones en
ca´ncer
TESIS DOCTORAL
Celia Fontanillo Fontanillo
Director:
Dr. Javier De Las Rivas Sanz
Salamanca,Febrerode2013

AUTORIZACIÓN DEL DIRECTOR DE TESIS

El Dr. D. Javier DE LAS RIVAS SANZ, con D.N.I. nº 15949000H, Investigador
Científico del Consejo Superior de Investigaciones Científicas (CSIC) director del grupo
de Bioinformática y Genómica Funcional y profesor del Programa de Doctorado y
Master del Centro de Investigación del Cáncer (CiC-IBMCC) de la Universidad de
Salamanca (USAL), certifica que ha dirigido la Tesis Doctoral titulada "Desarrollo de
algoritmos bioinformáticos para estudios de genómica funcional: aplicaciones en
cáncer", presentada por Dña. Celia Fontanillo Fontanillo alumna del programa de
Doctorado del CiC-IBMCC de la Universidad de Salamanca; y autoriza la presentación
de la misma, considerando completado todo el trabajo e investigaciones realizadas en
los últimos años por el doctorando.

En Salamanca, a 13 de febrero de 2013

El Director de la Tesis Doctoral,

Firma: Dr. Javier De Las Rivas Sanz
Investigador Científico del CSIC
Centro de Investigación del Cáncer (CiC-IBMCC, USAL/CSIC)

´
Indice general
I´ndicedefiguras vii
I´ndicedetablas ix
Introduccio´ngeneral:Bioinforma´ticaygeno´micafuncional 1
Objetivos 3
1 Clasificadormulticlasebasadoenexpresio´nge´nica:geNetClassifier 5
1.1 Introduccio´n:Transcripto´micayperfilesdeexpresio´nge´nica . . . . . . . . . . . 5
1.1.1 Microarraysparamedirlaexpresio´nge´nicaglobal . . . . . . . . . . . . 6
1.1.2 Ana´lisisdeperfilesdeexpresio´nge´nicaparaclasificacio´ndemuestras . . 8
1.2 Me´todos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 Me´todosdeaprendizajeautoma´tico:SVM . . . . . . . . . . . . . . . . . 8
1.2.2 Seleccio´ndevariablesparalaclasificacio´n . . . . . . . . . . . . . . . . 10
1.2.2.1 Me´todobayesianoemp´ıricoparame´trico(PEB)paragenerarun
ordendegenes . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.3 Normalizacio´nyobtencio´ndelasen˜alsumarizadaparacadagen . . . . . 12
1.2.4 Redefinicio´ndelassondasdemedidadelosmicroarraysagenes . . . . . 13
1.3 Desarrollodelalgoritmodeclasificacio´nmu´ltiple:geNetClassifier . . . . . . . . 14
1.3.1 RankingdegenesutilizandoPEB . . . . . . . . . . . . . . . . . . . . . 15
1.3.2 Seleccio´ndegenescomovariablesparalaclasificacio´n . . . . . . . . . . 16
1.3.3 Construccio´ndelclasificadorybu´squedadegenesmarcadores . . . . . . 17
1.3.3.1 Aplicacio´ndelclasificadorparalaasignacio´naclase. . . . . . 17
1.3.3.2 Estimacio´ndelerrordegeneralizacio´n . . . . . . . . . . . . . 19
1.3.4 Asociacio´nentregenesmarcadoresencadaclase . . . . . . . . . . . . . 20
1.4 Aplicacio´nadatosdeleucemia . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.4.1 Rankingdegenesasociadosacadasubtipodeleucemia . . . . . . . . . . 22
1.4.2 Genesseleccionadosparacadasubtipodeleucemia . . . . . . . . . . . . 24
1.4.3 Estimacio´ndelerrordegeneralizacio´nparaelclasificadordeleucemias . 27
1.5 Discusio´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2 Ana´lisisdealteracio´ndenu´merodecopiasdeDNAenca´ncer 31
2.1 Introduccio´n:Alteracio´ndelnu´merodecopiasdeDNA . . . . . . . . . . . . . . 31
2.1.1 Definicio´ndealteracio´ndelnu´merodecopiasdeDNA . . . . . . . . . . 32
2.1.2 Cuantificacio´ndelnu´merodecopiasdeDNA . . . . . . . . . . . . . . . 32
2.1.2.1 ArraysdeCGH . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.1.2.2 ArraysdeSNPs . . . . . . . . . . . . . . . . . . . . . . . . . 33
iii
´INDICEGENERAL
2.1.2.3 Hibridacio´ninsituconfluorescencia,FISH. . . . . . . . . . . 35
2.2 Preprocesamiento:Ana´lisisdemuestrasindividuales . . . . . . . . . . . . . . . 36
2.2.1 Ca´lculodelasen˜alcrudanormalizada . . . . . . . . . . . . . . . . . . . 36
2.2.2 Segmentacio´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.2.3 Discretizacio´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.3 Ana´lisisunificadodeconjuntosdemuestras . . . . . . . . . . . . . . . . . . . . 41
2.3.1 Deteccio´nderegionesm´ınimascomunes(MCR)dealteracio´n . . . . . . 41
2.3.2 Deteccio´nderegionesconpuntosderuptura(breakpoints)recurrentes . . 42
2.4 Aplicacio´nadatosdeca´ncercolorectal(CRC) . . . . . . . . . . . . . . . . . . . 45
2.4.1 Evaluacio´ndelosme´todosdediscretizacio´naplicadosaCRC . . . . . . 45
2.4.2 Identificacio´nderegionesdealteracio´nrecurrenteenCRC . . . . . . . . 46
2.4.3 Bu´squedadepuntosderupturafrecuentesenCRC . . . . . . . . . . . . 50
2.5 Discusio´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3 Ana´lisiscombinadodeperfilesdeexpresio´nge´nicaydenu´merodecopiasdeDNA 55
3.1 Introduccio´n:Integracio´ndedatoso´micos . . . . . . . . . . . . . . . . . . . . . 55
3.2 Motivacio´n:Nu´merodecopiasdeDNA(CN)yexpresio´nge´nica(GE) . . . . . . 56
3.3 Desarrollo metodolo´gico: Integracio´n de datos de expresio´n ge´nica y de datos de
nu´merodecopiasdeDNA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.3.1 Normalizacio´nysumarizacio´n . . . . . . . . . . . . . . . . . . . . . . . 57
3.3.2 Segmentacio´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.3.3 Emparejamientodelosdatosdeexpresio´nynu´merodecopiasdeDNA . 59
3.3.4 Correlacio´nentrenivelesdeexpresio´nynu´merodecopiasdeDNA . . . 60
3.3.5 AlteracionesconsistentesyrecurrentesenlosnivelesdeCNyGE . . . . 61
3.3.6 Identificacio´nderegionesgeno´micasclaveenlaalteracio´n . . . . . . . . 62
3.4 Aplicacio´naunconjuntodemuestrasdeGlioblastomaMultiforme(GBM) . . . 63
3.4.1 Correlacio´nentreCNyGEenmuestrasdeGBM . . . . . . . . . . . . . 63
3.4.2 Frecuenciacombinadadealteracio´ndeCNyGEenmuestrasdeGBM . 64
3.4.3 Identificacio´ndegenesconductoresenregionescandidatasparaGBM . . 66
3.5 Discusio´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4 Algoritmodeana´lisisbiolo´gicofuncional:GeneTermLinker 71
4.1 Introduccio´n:Ana´lisisbiolo´gicofuncional . . . . . . . . . . . . . . . . . . . . . 71
4.1.1 Principalesespaciosdeanotacio´nbiolo´gica . . . . . . . . . . . . . . . . 72
4.1.1.1 Ontolog´ıadegenes:GeneOntology(GO) . . . . . . . . . . . 72
4.1.1.2 V´ıasmetabo´licasydesen˜alizacio´n:KyotoEncyclopediaofGe-
nesandGenomes(KEGG) . . . . . . . . . . . . . . . . . . . 72
4.1.1.3 Estructurayfuncio´ndeprote´ınas:Integratedrepositoryofpro-
teinfamilies,domainsandfunctionalsites(InterPro) . . . . . . 75
4.2 Motivacio´n:Problemasdelana´lisisbiolo´gicofuncional . . . . . . . . . . . . . . 76
4.3 Desarrollometodolo´gicodelalgoritmo . . . . . . . . . . . . . . . . . . . . . . . 78
4.3.1 Paso1:Filtradodete´rminospocoinformativos . . . . . . . . . . . . . . 79
4.3.2 Paso2:Generacio´ndemo´dulosfuncionales . . . . . . . . . . . . . . . . 80
4.3.3 Paso3:Convergenciadete´rminos . . . . . . . . . . . . . . . . . . . . . 82
4.3.4 Paso4:Eliminacio´nderedundancias . . . . . . . . . . . . . . . . . . . 82
4.3.5 Paso5:Significacio´nycoherenciadelosmetagruposfinales . . . . . . . 83
4.4 Aplicacio´nyvalidacio´ndelalgoritmoGeneTermLinker . . . . . . . . . . . . . . 84
4.4.1 Comparacio´ndelme´todoconotrasaproximacionesdeanotacio´nfuncional 88
iv
´INDICEGENERAL
4.4.2 Validacio´nconconjuntosdedatosma´sampliosyevaluacio´ndelatoleran-
ciaalruido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.4.3 Aplicacio´ndelme´todoaconjuntosdedatosexperimentales . . . . . . . 93
4.5 Implementacio´ndeGeneTermLinkerenunservidorweb . . . . . . . . . . . . . 96
4.6 Discusio´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
Conclusionesgenerales 101
Bibliograf´ıa 105
Ape´ndice:Publicacionescient´ıficasrealizadasdurantelapresenteTesisDoctoral 117
v

´
Indice de figuras
1.1 Esquemadelprocesodehibridacio´ndeunmicroarray . . . . . . . . . . . . . . . 6
1.2 Disen˜odeunmicroarrayGeneChipdeAffymetrix . . . . . . . . . . . . . . . . . 7
1.3 Transformacio´ndelespaciodeentradadeSVM . . . . . . . . . . . . . . . . . . 9
1.4 VectoressoporteparaSVM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 EsquemasalternativosparaSVMmulticlase . . . . . . . . . . . . . . . . . . . . 10
1.6 PartesdelalgoritmogeNetClassifier . . . . . . . . . . . . . . . . . . . . . . . . 14
1.7 Esquemaconelprocesodeseleccio´ndegenes . . . . . . . . . . . . . . . . . . . 16
1.8 Nu´merodegenescontasasdeerrorm´ınimas . . . . . . . . . . . . . . . . . . . 17
1.9 Poderdiscriminante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.10 Estrategiadeasignacio´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.11 Validacio´ncruzadadoble/anidada(nCV) . . . . . . . . . . . . . . . . . . . . . . 20
1.12 Reddeinteraccio´nparaLeucemiasAgudasLinfobla´sticas . . . . . . . . . . . . 22
1.13 Esquemadelahematopoyesis . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.14 Distribucio´n de probabilidades posteriores de expresio´n diferencial en 4 subtipos
deleucemia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.15 Tasasdeerrorparadistintosnu´merosdegenesseleccionados . . . . . . . . . . . 24
1.16 Perfilesdeexpresio´ndegenesasociadosaleucemias . . . . . . . . . . . . . . . 25
1.17 Poderdiscriminante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.1 ArraysdeCGH. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2 ArraysdeSNPs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3 Te´cnicaFISH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4 Representacio´ndelossegmentosdetodoelgenomaordenadosporvalorcreciente
delog2ratio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5 Distribucio´ndedensidaddelosvaloresdelog2ratiossegmentadosdeunconjunto
demuestrasdeca´ncercolorectal . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.6 Boxplot de los valores de log2ratios segmentados para un conjunto de muestras
deca´ncercolorectal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.7 Esquemadelalgoritmoparaladeteccio´ndepuntosderupturarecurrentes . . . . 43
2.8 Curvasdesensibilidadyespecificidadparadistintosumbralesdediscretizacio´n . 46
2.9 Heatmapyfrecuenciasdealteracio´ndemuestrasdeCRC . . . . . . . . . . . . . 47
2.10 RegionesconpuntosderupturarecurrentesenCRC . . . . . . . . . . . . . . . . 51
2.11 Puntoderupturaenelcromosoma17p11.2 . . . . . . . . . . . . . . . . . . . . 52
3.1 Esquemadelflujodelana´lisisintegradodedatosdeexpresio´nynu´merodecopias
deDNA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.2 Posibles estados para cada regio´n basados en la categorizacio´n de los segmentos
deCNydeGE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
vii
´INDICEDEFIGURAS
3.3 Distribucio´ndedensidaddeloscoeficientesdecorrelacio´nparalosdatosdeGBM 63
3.4 Boxplotsconlasfrecuenciasdealteracio´nconjuntaparaCNyGEenGBM . . . 64
3.5 Frecuenciasdealteracio´ndeGEyCNparadatosdeGBM . . . . . . . . . . . . 65
3.6 EsquemadelasregionescandidatasenGBM . . . . . . . . . . . . . . . . . . . 67
3.7 Esquemadelasalteracionesdeloscromosomas7y10enGBM . . . . . . . . . 69
4.1 Ontolog´ıasge´nicas(GO) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2 Tiposderepresentacio´ndeinformacio´nenKEGG . . . . . . . . . . . . . . . . . 74
4.3 Estructuradeunafamiliadeprote´ınasenInterPro . . . . . . . . . . . . . . . . . 75
4.4 Distribucionesdelnu´merodegenesanotadosacadate´rmino . . . . . . . . . . . 77
4.5 Distribucionesdelnu´merodegenesanotadosacadate´rmino . . . . . . . . . . . 77
4.6 Esquemadelfiltradodete´rminospocoinformativos . . . . . . . . . . . . . . . . 79
4.7 Resultadode6me´todosdeagrupamientojera´rquiconosupervisado . . . . . . . 81
4.8 AgrupamientodeGene-Termsetsenmo´dulosfuncionales. . . . . . . . . . . . . 82
4.9 Convergenciademo´dulosfuncionalesenbasealoste´rminos . . . . . . . . . . . 83
4.10 Eliminacio´ndeGenetermsetsredundantes . . . . . . . . . . . . . . . . . . . . . 84
4.11 Redde59prote´ınasdelevaduraobtenidamediantedatosexperimentalesdeinter-
accio´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.12 RedfuncionalderivadadedatosdeGeneTermLinkerpara59prote´ınasdelevadura 88
4.13 Comparacio´ndeF1scores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.14 Aplicacio´nwebdelme´todoGeneTermLinker . . . . . . . . . . . . . . . . . . . 97
4.15 Esquemadescriptivodelme´tododeGeneTermLinker . . . . . . . . . . . . . . . 99
viii