BENEMÉRITA UNIVERSIDAD AUTÓNOMADE PUEBLA ESCUELA

BENEMÉRITA UNIVERSIDAD
AUTÓNOMADE PUEBLA
ESCUELA DE BIOLOGÍA
PROTOCOLO DE TESIS:
ANÁLISIS BIOINFORMÁTICO DE PREDICCIÓN
PARA BLANCOS CELULARES DE MICRORNAS
VIRALES.
PRESENTA: Aguilar Sosa Saúl
TUTOR DE TESIS: DR. Mauricio Salcedo Vargas
INTRODUCCION
El RNA ya no puede ser clasificado como el ribosomal, mensajero y transferente
(rRNA, mRNA, tRNA); ahora un numero diferente de moléculas de RNA han sido
caracterizadas, las cuales están relacionadas en la regulación de una variedad de
procesos celulares solo como
una parte de partículas de ribonucleoproteinas
(RNPs), pequeños RNAs nucleares (snRNAs), pequeños RNAs nucleolares
(snoRNAs) y microRNAs (miRNAs), los cuales han revolucionado la forma de
observar las maquinarias moleculares y celulares. Se predice ahora que tanto del
40 al 50% de mRNAs del mamífero podrían regularse a nivel traducción por los
miRNAs y que del 50 al 60% de
alternativamente empalmados, por
pre-mRNAs de mamífero pueden estar
un proceso que involucra a los snRNAs
críticamente, para formar un gran número de proteínas diferentes. (1)
Los microRNAs son pequeños RNAs de cadena simple de aproximadamente (+/-)
22 nucleótidos que han sido localizados en invertebrados, vertebrados y
plantas(2). Los microRNAs son pequeños RNAs que en organismos inferiores
juegan importantes roles en la regulación del desarrollo y en la expresión de
genes, formando típicamente duplex imperfectos con blancos en el RNA
mensajero inhibiendo la traducción de proteínas o decrementado la estabilidad del
transcrito (5)(9). Las predicciones computacionales, apoyadas por la evidencia
experimental, indican que los miRNAs regulan un fragmento grande de genes en
metazoarios demostrando tener funciones adicionales solo encontradas en
vertebrados(9). Los microRNAs se han clasificado como transcritos de las
regiones intergenicas, pero recientes experimentos en la clonación a larga escala
en el genoma han demostrado que los microRNAs pueden ser derivados de los
intrones. Una significante proporción de microRNAs es codificada en los intrones
de
proteínas
codificadas
por
genes,
probablemente
expresándose
en
sincronización con ellas. Una poca cantidad de microRNAs ha sido mapeada y
codificada en los exones de proteínas codificadas por genes.(11)
Los microRNAs son localizados en o cerca de los sitios frágiles y predisponen
inestabilidad en el DNA en células cancerosas, existiendo una correlación entre la
posible localización de específicos microRNAs y los genes HOX. Pueden tener
una función
de regulación positiva y negativa en los genes y participar en
procesos esenciales como: proliferación celular, muerte celular durante el
desarrollo, metabolismo graso, factores de trascripción, factores de secreción,
receptores y transportadores (2)(4). La expresión aberrante de miRNAs se
relaciona a las enfermedades como el cáncer. Un reciente estudio los niveles de
expresión globales de los microRNAs en varios cánceres indican que los patrones
de expresión de los microRNAs son generalmente más útiles que los perfiles del
ARN mensajero para clasificar los tumores (8). La expresión de los microRNAs
sirve para dar una clasificación a los tumores existentes en el humano. Hasta el
momento se han identificado más de 300 microRNAs en el humano,
probablemente llegando hasta 1000 (3)(9).
Los MicroRNAs se han implicado recientemente en la relación existente entre el
hospedero y el patógeno en las infecciones virales jugando un rol importante en la
patogénesis viral. Los estudios de
las interacciones hospedero - patógeno a
niveles de microRNA apenas están iniciando, recientemente ha surgido el interés
en informes existentes en donde se está explorando la posibilidad de observar y
analizar un mayor numero de virus patogénicos en el humano (7). En recientes
estudios muestran que los virus generan su propia rutas para obtener microRNAs
propios activando la expresión de genes específicos. Los virus son patógenos
intracelulares obligados que se encuentran asociados con muchas enfermedades
en plantas y animales. La supervivencia exitosa de los virus crucialmente depende
de su habilidad de explotar la maquinaria de células hospederas y para inactivar
los mecanismos innatos de defensa, tales como el interferon y respuestas de
apoptosis.
Los microRNAs virales han sido descritos en células y en infecciones como:
Herpes Virus Simples, Epstein - Barr Virus (EBV), Citomegalovirus Humano
(HCMV), Herpes Virus Sarcoma de Kaposi (KSHV), Herpes Virus Murin 68 (MHV
68), Virus del Simio 40 (SV40), Virus de inmunodeficiencia Adquirida (VIH) y otros
poliomavirus(6).
Los microRNAs son transcribidos por ARN Polimerasa II como microRNAs
primarios (pri-miRNAs), los cuales tienen centenares o miles de nucleótidos de
longitud. Éstos pri-miRNAs se procesan entonces por las enzimas Drosha o Pasha
(DGCR8 en los humanos) localizadas en el núcleo de la célula para producir
estabilidad termodinámica a las estructuras horquilla conocidas como premicroRNAs (los pre-miRNAs) de
aproximadamente 70 nucleótidos. Estos pre-
microRNAs son exportados al citoplasma por RAM GTP y Exportina -5 formando
un heterodimero. Los pre-miRNAs son procesados por la RNAasa III Dicer para
formar los dúplex de 18–23 pb. La digestión por Dicer es seguida por la liberación
del miRNA maduro o del siRNA. Estos pasos procesados mediante la ruta de los
siRNA (ARN pequeños de interferencia), la cadena con baja estabilidad en el
extremo 5’ final (la cadena guía) es preferencialmente seleccionada de la doble
cadena, la cual compone a el microRNA y a su cadena complementaria para ser
asociado con el Complejo de Silenciamiento de ARN Inducido (RISC) mediante los
sitios de unión PAZ en donde la cola del pre-MIRNA se unirá y PIWI en donde se
lleva a cabo la inhibición de la región del dominio de unión de la RNasa III/dcRNA
de Dicer (4)(11) (ver Fig1).
Algunos miRNAs pueden ser blancos de transcritos de microRNAs virales después
de que el virus entran en las células, y estos miRNAs hospederos parecen tener
un papel variado en los virus involucrados. En el hígado, el miR – 122a humano
induce la replicación del Virus de la hepatitis C mediante el blanco para la región 5’
no codificante. Esto indica que los microRNAs humanos pueden regular el ciclo de
vida de los virus en el hospedero (13) (ver Fig 2).
Fig 1. Biogénesis de un microRNA
Fig 1. MIRNAS interactúan con los blancos del mRNA en virus y células hospederas.
Los microRNAs puede controlar y tener aproximadamente hasta (+/-) 200
transcritos blancos directa o indirectamente para múltiples genes y muchos
microRNAs pueden controlar un simple transcrito blanco, funcionando como una
red regulatoria compleja (6). Los blancos de los microRNAs incluyen proteínas de
señalización, enzimas y factores de transcripción (TFs) y así sucesivamente. La
diversidad y abundancia de los blancos de los miRNAs ofrece un nivel enorme de
posibilidades de combinación y sugieren que los miRNAs y sus blancos parecen
formar una compleja red regulatoria entrelazándose con otras redes celulares tales
como las redes de señalización de la transducción. Sin embargo, es incierto como
los miRNAs podrían orquestar su regulación de redes de señalización celular y
cómo la regulación de estas redes podrían contribuir a las funciones biológicas de
los miRNAs. (12)
Los miRNAs regulan negativamente sus blancos mediante dos formas:
Dependiendo en el grado de complementariedad entre el miRNA y el blanco.
Primero, los miRNAs con los cuales se une la complementariedad perfecta o casi
perfecta de las secuencias de proteínas codificantes del mRNA induciendo RNAmediado por la ruta de interferencia (RNAi). Brevemente, las transcripciones del
mRNA son degradadas por los ribonucleasas en el miRNA-asociado, el complejo
de silenciamiento multiproteico (miRISC), el cual resulta de la degradación de los
mRNAs blanco. Este mecanismo de el gen miRNA-mediado por silenciamiento se
encuentra comúnmente en plantas, pero miRNA-dirigido a el mRNA degradado ha
sido también observado y ocurre en mamíferos. Sin embargo, la mayoría los
miRNAs animales utilizan un segundo mecanismo de la regulación del gene que
no implica la degradación de su mRNA blancos. Estos miRNAs ejercen su efectos
reguladores atando un sitio complementario imperfecto dentro de las regiones 3`
no traductoras (UTRs) de sus mRNA blancos, y ellos reprimen la expresión del
blanco-gene post-transcripcionalmente, al parecer en el nivel de la traducción, a
través del RISC (Complejo de Silenciamiento de ARN Inducido) el cual es similar,
o posiblemente idéntico con, es el único que se utiliza para la ruta RNAi.
Constante con el control de la traducción, los miRNAs que utilizan este mecanismo
reducen los niveles de la proteína de sus genes blanco, pero de los niveles del
mRNA de estos genes apenas son afectados. Sin embargo, resultados recientes
indican
que
los
miRNAs
con
los
cuales
se
comparte
solamente
la
complementariedad parcial sus blancos pueden también inducir la degradación del
mRNA, pero es confuso si la inhibición de la traducción precede a la
desestabilización de los genes blanco en estos casos (4).
La base de datos miRBase tiene la información de genes miRNAs y sus miRNAS
blancos. miRNAMap es una información comprensiva almacenada para los
miRNAs y sus blancos en genomas de humanos, ratón, rata y perro. Además,
varios programas para la predicción de blancos fueron diseñados previamente
(TargetScan, miRanda y RNAhybrid ) son comúnmente usados para determinar
los sitios de hibridación energéticamente mas favorables para realizar la
predicción de blancos (13). Argonaute es una base de datos en donde se pueden
observar resultados tales como el origen de un microRNA, cual es el gen
hospedero o gen blanco codificado, en que tejidos son expresados, a que familia
de microRNA pertenece, cual es la función que tiene un determinado microRNA
(9).
FatiGO puede buscar miles de genes de los organismos diferentes (actualmente
humano, ratón, Drosophila, gusano, la levadura, así como los genes cuyas
proteínas están incluidas en la base de datos de Swissprot), y puede usar
diferentes identificadores de Genes que se encuentran en Centro Nacional de
Información Biotecnológica (NBCI) teniendo su dirección en Internet en:
(http://www.ncbi.nlm.nih.gov) que contiene herramientas como: (GenBank ID,
BLAST, PUB MED, OMIM) o en otros identificadores de genes como ENSEMBL,
systematic name, Swissprot/TrEMBL, usando tablas de correspondencia entre
genes y sus correspondientes términos de Ontología de Genes (OG) (14)(15).
Se han usado las estrategias de Bioinformática recientemente para identificar los
miRNAs potenciales predichos en la base de varias secuencias y características
estructurales. Sin embargo, las tales predicciones del gen
blanco no pueden
apuntar a todos los miRNAs legítimos, sobre todo aquéllos que no son
filogenéticamente conservados, y todas en las predicciones en silico requieren
una aprobación experimental independiente (10).
ANTECEDENTES
.
(Rossi et al, 2007) Han estudiado la distribución genomica de distancias entre los
blancos de los microRNAs mostrando una optima baja regulación, cooperación y
eficacia cuando se encuentran separados por una distancia de 13 a 35 nt (16).
(Rehmsmeier et al, 2004) Realizaron un predictor de blancos ( RNA hybrid ) que
predice múltiples sitios de unión de microRNAs en RNAs blancos grandes. En
general, el programa encuentra los sitios de hibridación enérgicamente más
favorables de un ARN pequeño en un ARN grande realizando una predicción de
los blancos de los microRNAs de Drosophila y sus secuencias codificantes
tomando en cuenta el mínimo de energía libre, en las hibridaciones
Intramoleculares, es decir, apareamientos de bases entre los nucleótidos blanco o
entre nucleótidos de microRNAs no se permiten, en una aproximación de los
múltiples sitios de unión y el calculo de blancos ortólogos eficaces en estudios
comparativos de múltiples organismos. Para los blancos grandes, la complejidad
de tiempo de el algoritmo es lineal en la longitud del blanco, por lo tanto, se
pueden investigar muchos blancos largos en un tiempo corto (17)
(Majoros y Ohler, 2007) Realizaron una predicción de los sitios blancos que
pueden ser afectados por la poliadenilacion alternativa, efectuándose eventos que
cambian la secuencia 3'UTR, demostrando que dos tercios de los genes blanco
tienen 3'UTRs alternativas, siendo el 40 % de sitios blancos predichos localizados
en los segmentos de UTR alternativos. Realizaron tres clases basadas en si el
sitio blanco cae dentro del constitutivo y/o el segmento alternativo UTRs, y
examinaron la distribución espacial de los blancos predichos en UTR alternativas,
existiendo una fuerte preferencia para los blancos que son localizados en la junto
al codon de paro y los sitios de poliadenilación (18)
(Thadani1 y Tammi, 2006) Realizaron un programa ( MicroTar ), una herramienta
predictora de blancos de microRNAs animales basada en la complementariedad y
termodinámica de datos de microRNAs blancos. El algoritmo usado predice la
energía libre de el mRNA y el establecido heterodimero mRNA-Mirna implicando
una adherencia a la accesibilidad del mRNA 3'UTR. MicroTar no cuenta en la
conservación evolutiva con blancos funcionales disueltos, y puede predecir ambos
blancos conservados y no conservados. MicroTar logra la sensibilidad buena que
previamente informó las predicciones cuando fueron probadas en tres datasets
distintos de interacciones del Mirna-blanco experimentalmente, siendo verificadas
C. elegans, D. melanogaster y M. Musculus (19)
(Burgler y Macdonald, 2005) Demostraron que MovingTargets es un programa de
software que permite predecir un set de Mirna blancos que satisfacen un set
ajustable de funciones biológicas, identificando la alta-probabilidad de encontrar
83 miRNAs blancos en Drosophila,
todos los cuales se adhieren a funciones
biológicas estrictas y verificando tres de estas predicciones en las células
cultivadas, incluyendo un blanco para el homologo Drosophila let - 7. Además, la
flexibilidad de los MovingTargets es iniciada por las funciones biológicas para
identificar y validar el blanco microRNAs tramtrack , un gen también conocido que
estar sujeto al control dependiente de la traducción en la unión del ARN - proteína
Musashi. También demostraron que es una herramienta flexible para la predicción
exacta de Mirna los blancos en Drosophila, utilizándose para dirigir una búsqueda
genoma - ancho de los microRNAs blancos usando todos los miRNAs de
Drosophila y los blancos potenciales, o pueden dirigir una búsqueda enfocada
para los blancos del miRNAs de un gen específico. Además, los valores para un
set de funciones biológicas fueron usadas para definir a una Mirna el blanco que
es ajustable, mientras, el software incorpora las reglas usadas para caracterizar a
un
microRNA
blanco
interpretadamente (20)
como
experimentalmente,
determinadamente
e
(Kruger y Rehmsmeier, 2006) Demostraron que en las redes regulatorias de los
microRNAs existen blancos potenciales de alta importancia, RNAhybrid es un
método de predicción de blancos que tiene la función de realizar una predicción en
línea flexible. Algunas de las características usadas han sido adheridas, entre
estas la posibilidad de desaprobar pares de bases G:U en la región inicial., que
hace que el programa busque aceleradamente una secuencia inicial de 8 nt. Este
programa demuestra la flexibilidad de RNAhybridos de los sitios blancos no –
canónicos para miR-241de Caenorhabditis elegans en la 3’UTR de lin – 39 (21).
(Rajewsky y Socci, 2004) Desarrollaron un programa, el cual muestra un modelo
termodinámico y cinético de mecanismo de reconocimiento de los sitios blancos
de los microRNA, aplicado a un set de 78 miRNAs de Drosophila melanogaster y
Drosophila pseudoobscura, demostrando que varios tipos de genes patrones que
intervienen en el desarrollo del cuerpo tales como hairy y fushi-tarazu son
probablemente regulados en la traducción por los microRNAs(22)
(Coen et al, 2006) Realizaron un programa para analizar el genoma completo de
HSV-1 para secuencias que adoptan una estructura stem-loop y desplegar un
patrón de divergencia en los nucleótidos característica en
los microRNAs,
identificando 11 locis genomicos de HSV-1predichos que codifican 13 miRNAs
precursores y 24 miRNAs candidatos(23)
(Zhang et al, 2006) diseñaron una maquina de vector de apoyo (SVM) que
funciona como un clasificador y predictor para microRNAs genes blancos. Este
programa usa una función de base radial al igual que una medida de similitud para
las características de SVM, categorizadas por características estructurales,
termodinámicas y posiciones de los pares de bases, siendo estas características
introducidas para observar el mecanismo de unión de los microRNAs tales como
miR-1, miR-124a y miR-373 usando un análisis de Ontología de Genes y
revelando la importancia de la unión de bases en las posiciones 4, 5 y 6 en la
región 5’ de un microRNA de un experimento de selección de características(24)
(Enright et al, 2003) Presentaron un método Computacional para el genoma
entero para la predicción de genes miRNAs blanco. Para cada microRNA, los
genes
blanco
son
seleccionados
en
base
a
tres
propiedades:
la
complementariedad de la secuencia que usa un algoritmo de alineación local en la
posición-pesado, las energías libres de los dúplex de ARN-ARN, y la conservación
de los sitios blanco en los genomas relacionados. La aplicación de este método al
los genomas de Drosophila melanogaster, Drosophila pseudoobscura
y
Anopheles gambiae identifican a varios cientos genes blanco son regulados
potencialmente por uno o más miRNAs conocidos(25)
(Enright et al, 2004) Realizaron una predicción para los sitios blanco en 3’ UTR de
transcritos del gen humano para todos los 218 miRNAs de mamífero actualmente
conocidos. Se informo que existen aproximadamente 2,000 genes humanos con
miRNAs sitios blanco conservados en mamíferos y aproximadamente 250 genes
humanos conservados como blancos entre los mamíferos y peces. El algoritmo de
la predicción perfecciona la complementariedad de la secuencia que usa las reglas
de posición-específicas y confía en los requisitos estrictos de conservación de
inter - especies. La validación de este método se debe a: los mRNAs están
asociados con la proteína X frágil de retraso mental en mamíferos, la sobre
expresión de grupos de blancos incluya mRNAs que codifica para los factores de
la transcripción, los componentes de la maquinaria de los miRNAs, y otras
proteínas involucradas en la regulación de la traducción, así como los
componentes de la maquinaria de la ubiquitina, representando los nuevos loops a
en la regulación del gen(26).
(SÆTROM, SNØVE JR., y SÆTROM, 2005) Presentaron un nuevo algoritmo
para la predicción de microRNA blancos llamado TargetBoost, mostrando que el
algoritmo es estable e identifica más blancos verdaderos que otros algoritmos
existentes. TargetBoost usa el aprendizaje de la máquina en un set de blancos de
microRNAs validados en organismos inferiores para crear secuencias pesadas
que capturen las características de unión entre los microRNAs y sus blancos. Los
algoritmos
existentes
les
exigen
a
candidatos
que
tengan:
(1)
la
complementariedad casi perfecto entre el fin del microRNAs '5’ y sus blancos; (2)
la estabilidad del duplex termodinámicamente debe estar relativamente alta; (3) los
múltiples sitios en los blancos 3’ UTR ; y (4) la conservación evolucionaría del
blanco entre las especies. La mayoría de los algoritmos usan primero uno de los
dos pasos en estos casos, y usan los tres otros como los filtros para mejorar la
especificidad del método. TargetBoost es favorable para usar la estabilidad del
duplex y los pasos para la complementariedad de la secuencia y se encuentra en
la herramienta Web: http://www.interagon.com/demo/ (27).
(Zhang et al, 2006) realizaron un programa para la predicción de microRNAs
potenciales con una secuencia de 60–150 nt usando un modelo probabilistico de
coaprendizaje, identificando clusters y no clusters de microRNAs, microRNAs
conservados y no conservados en varias especies que permiten la identificación
de microRNAs conocidos y no conocidos. ProMiR II integra evidencia de: energía
libre, radio G/C, marcador de la conservación y la entropía de las secuencias
candidatas para tener una predicción controlable de microRNAs en genomas de
ratón y humano(28).
HIPOTESIS
Existen pocos trabajos realizados para obtener la secuenciación de microRNAs
virales y demostrar sus posibles sitios de unión a blancos celulares. Por lo tanto, si
se tienen bases de datos que pueden predecir los blancos celulares de una
secuencia de un microRNA viral, en donde se tiene un algoritmo que lea la
secuencia de 3’ a 5’ en donde se propondrá obtener las bases complementarias
(miRNA – miRNA Blanco). Pero si no se logra el objetivo planeado, entonces se
propone la hipótesis alterna en donde se diseñe un programa que pueda leer la
secuencia de un determinado microRNA viral de 5’ a 3’, para saber y determinar
cual sera la base de datos que nos indique cual es el mejor algoritmo.
JUSTIFICACION
La importancia de este estudio radica en que los componentes de la maquinaria
de los microRNAs virales están implicados en procesos de tumorigenesis, lo cual
nos hace buscar un software que nos indique todos los datos precisos de la
secuencia de los microRNAs virales, el nombre del microRNA a estudiar, si existe
una expresión de este microRNA viral, el gen que va a activar o a inhibir, la
ubicación cromosomica del microRNA, el blanco donde va a actuar en la célula y
la enfermedad que se va a generar mediante el software Visual C ++.
OBJETIVOS
OBJETIVO GENERAL

Realizar un análisis bioinformático de predicción para blancos celulares de
microRNAs virales.
OBJETIVOS PARTICULARES

Realizar un Blast en http://www.interagon.com/demo para obtener la
predicción de los blancos celulares de las secuencias de los microRNAs
virales.

Desarrollar un programa en lenguaje de programación Visual C ++ que nos
permita manejar y manipular bases de datos de las secuencias de
microRNAs virales y los datos obtenidos de http://www.interagon.com/demo
para observar y mostrar el posible sitio de unión entre el microRNA y su
blanco celular.

Mostrar la ubicación cromosomica del microRNA y la posible enfermedad
que se origine.
CRONOGRAMA DE TESIS
MES
ACTIVIDAD
AGOSTO
TESIS
13 DE AGOSTO AL
Consultar diferentes bases de datos que realicen la
17 DE AGOSTO
predicción y búsqueda de Blancos de microRNAs virales.
20 DE AGOSTO AL
Consultar diferentes bases de datos que realicen la
24 DE AGOSTO
predicción y búsqueda de Blancos de microRNAs virales.
27 DE AGOSTO
Consultar diferentes bases de datos que realicen la
AL 31 DE AGOSTO
predicción y búsqueda de Blancos de microRNAs virales.
SEMANA1
SEMANA 2
SEMANA 3
CRONOGRAMA DE TESIS
MES
ACTIVIDAD
SEPTIEMBRE
TESIS
3 DE SEPTIEMBRE AL
Consultar diferentes bases de datos que realicen la
SEMANA1
7 DE SEPTIEMBRE
predicción y búsqueda de Blancos de microRNAs virales.
SEMANA 2
10 DE SEPTIEMBRE AL
Consultar diferentes bases de datos que realicen la
14 DE SEPTIEMBRE
predicción y búsqueda de Blancos de microRNAs virales.
17 DE SEPTIEMBRE AL
Consultar diferentes bases de datos que realicen la
21 DE SEPTIEMBRE
predicción y búsqueda de Blancos de microRNAs virales.
24 DE SEPTIEMBRE AL
Creación de las bases de datos e información que serán
28 DE SEPTIEMBRE
utilizadas en el programa Visual Fox Pro
SEMANA 3
SEMANA 4
CRONOGRAMA DE TESIS
MES
ACTIVIDAD
OCTUBRE
TESIS
1 DE OCTUBRE AL
Creación de las bases de datos e información que
5 DE OCTUBRE
serán utilizadas en el programa Visual Fox Pro
8 DE OCTUBRE AL
Creación de las bases de datos e información que
12 DE OCTUBRE
serán utilizadas en el programa Visual Fox Pro
15 DE OCTUBRE AL
Ordenar los Resultados obtenidos, realizar la Discusión
19 DE OCTUBRE
y Conclusiones.
22 DE OCTUBRE AL
Ordenar los Resultados obtenidos, realizar la Discusión
26 DE OCTUBRE
y Conclusiones.
SEMANA1
SEMANA 2
SEMANA 3
SEMANA 4
CRONOGRAMA DE TESIS
MES
ACTIVIDAD
NOVIEMBRE
TESIS
5 DE NOVIEMBRE AL
Ordenar los Resultados obtenidos, realizar la
9 DE NOVIEMBRE
Discusión y Conclusiones.
12 DE NOVIEMBRE AL
Ordenar los Resultados obtenidos, realizar la
16 DE NOVIEMBRE
Discusión y Conclusiones.
19 DE NOVIEMBRE AL
Ordenar los Resultados obtenidos, realizar la
23 DE NOVIEMBRE
Discusión y Conclusiones.
26 DE NOVIEMBRE AL
Ordenar los Resultados obtenidos, realizar la
30 DE NOVIEMBRE
Discusión y Conclusiones.
SEMANA1
SEMANA 2
SEMANA 3
SEMANA 4
Revisión Final de la Tesis y Entrega del Escrito
de la Tesis
CRONOGRAMA DE TESIS
MES
ACTIVIDAD
DICIEMBRE
TESIS
3 DE DICIEMBRE AL
Revisión Final de la Tesis y Entrega del Escrito
7 DE DICIEMBRE
de la Tesis
SEMANA1
BIBLIOGRAFIA
1.- Presutti C. , Rosati J. , Vincenti S. and Nasi S. Non coding RNA and brain. BMC Neuroscience
2006, 7(Suppl 1):S5.
2.- Adrián C. G., Sevignani C., Dumitru C. D. , Hyslop T., Noch E., Yendamuri S.,
Shimizu M., Rattan S., Bullrich F., Negrini M., and Croce C. M. Human microRNA genes are
frequently located at fragile sites and genomic regions involved in cancers. PNAS 2004; 101(9):
2999 – 3004.
3.- Zhang L., Huang J., Yang N., Greshock J., Megraw M. S., Giannakakis A., Liang S., Naylor T.
L., Barchetti A., Ward M. R., Yao G., Medina A., O’Brien-Jenkins A., Katsaros D., Hatzigeorgiou A.,
Gimotty P. A., Weber B. L., and Coukos G. microRNAs exhibit high frequency genomic alterations
in human cancer. PNAS 2006; 103(24): 9136 – 9141.
4.- Esquela-Kerscher A., and Slack F. J.Oncomirs — microRNAs with a role in cancer. NATURE
2006; 6; 259 – 269.
5.- Sullivan C. S., Grundhoff A. T., Tevethia S., Pipas J. M. and Ganem D. SV40-encoded
microRNAs regulate viral gene expression and reduce susceptibility to cytotoxic T cells NATURE
2005; 435; 682 – 686.
6.- Fair V., and Zavolan M. Virus-encoded microRNAs: novel regulators of gene expression.
Elsevier TRENDS in Microbiology 2006; 14(4): 169 – 175.
7.- Scaria V., Hariharan M., Maiti S., Pillai B. ,and Brahmachari S. K. Host-virus interaction: a new
role for microRNAs. Retrovirology 2006, 3:68.
8.- Lee J., Li Z., Brower-Sinning R., Jhon B.. Regulatory Circuit of Human MicroRNA Biogénesis.
PLoS Comput Biol 2007 3(4): e67.
9.- Shahi P., Loukianiouk S., Bohne-Lang A., Kenzelmann M., Kuffer S., Maertens S., Eils R.,
Herrmann-Josef G., Gretz N., and Brors B. Argonaute—a database for gene regulation by
mammalian microRNAs. Nucleic Acids Research 2006; 34; 115 – 118
10.- Volinia S., Calin G. A., Chang-Gong Liu, Ambs S., Cimmino A., Petrocca F., Visone R., lorio
M., Roldo C., Ferracin M., Prueitt R. L., Yanaihara N., Lanza G., Scarpa A., Vecchione A., Negrini
M., Harris C. C., and Croce C. M. A microRNA expression signature of human solid tumors defines
cancer gene targets. PNAS 2006; 103(7): 2257 – 2261.
11.- Vázquez - Ortiz G., Piña - Sánchez P., Salcedo M. Grandes Alcances de los pequeños RNA de
interferencia y microRNA. Revista de Investigación Clínica 2006; 58(3):
12.- Cui Q., Yu Z., O Purisima E., and Wang E. Principles of microRNA regulation of a human
cellular signaling network. Molecular Systems Biology 2006 doi:10.1038/msb4100089
13.- Wei-Che H. P., Li-Zen L., Sheng-Da H., Bo-Kai H. J., and Hsien-Da H. ViTa: prediction of host
microRNAs targets on viruses. Nucleic Acids Research 2007; 35; 381 – 385.
14.- Al-Shahrour F., Díaz-Uriarte R., and Dopazo J. FatiGO: a web tool for finding significant
associations of Gene Ontology terms with groups of genes. Bioinformatics 2004; 20(4): 578 – 580.
15.- Russell P. J. Genetics.2002. Ed. Benjamin Cummings.pp: 6 – 916.- Sætrom P. , Heale B. S. E., Snøve Jr O., Aagaard L., Alluin J. and Rossi J. J. Distance
constraints between microRNA target sites dictate efficacy and cooperativity. Nucleic Acids
Research 2007; 7; 2333 – 2342.
17.- Rehmsmeier M., Steffen P., HO¨ C. M., and Giegerich R. Fast and effective prediction of
microRNA/target duplexes. RNA 2004;(10)10: 1507–1517.
18.- Majoros W. H., and Ohler U. Spatial preferences of microRNA targets in 3' untranslated
regions. BMC Genomics 2007; 8:152.
19.- Thadani R., and Tammi M. T. MicroTar: predicting microRNA targets from RNA duplexes. BMC
Bioinformatics 2006, 7(Suppl 5):S20.
20.- Burgler C., and Macdonald P. M. Prediction and verification of microRNA targets by
MovingTargets, a highly adaptable prediction method. BMC Genomics 2005, 6:88.
21.- Kruger J., and Rehmsmeier M. RNAhybrid: microRNA target prediction easy, fast and flexible.
Nucleic Acids Research 2006; (34): 451– 454.
22.-Rajewsky N., and Socci N. D. Computational identification of microRNA targets. Genome
Biology 2004, 5:P5
23.- Cui C., Griffiths A., Li G., Silva L. M., Kramer M. F., Gaasterland T., Xiu-Jie W. and Coen D. M.
Prediction and Identification of Herpes Simplex Virus 1-Encoded MicroRNAs. JOURNAL OF
VIROLOGY 2006;(80)11: 5499–5508.
24.- Sung-Kyu K., Jin-Wu N., Je-Keun R., Wha-Jin L. and Byoung-Tak Z. miTarget: microRNA
target gene prediction using a support vector machine. BMC Bioinformatics 2006, 7:41.
25.- John B., Enright A. J., Gaul U., Tuschl T., Sander C., Marks S. D. MicroRNA targets in
Drosophila. Genome Biology 2003, 5:R1
26.- John B., Enright A. J., Aravin A., Tuschl T., Sander C., Marks S. D. Human microRNA targets.
PLoS Biol 2004;2(11): e363.
27.- SÆTROM O., SNØVE O. JR., and SÆTROM P. Weighted sequence motifs as an improved
seeding step in microRNA target prediction algorithms. RNA 2005; (11)7:995–1003.
28.- Jin-Wu N., Jinhan K., Sung-Kyu K. and Byoung-Tak Z. ProMiR II: a web server for the
probabilistic prediction of clustered, nonclustered, conserved and nonconserved microRNAs.
Nucleic Acids Research 2006; 34; 455– 458.