Mapeamento da malignidade de câncer de mama utilizando dados transcriptômicos de células únicas

• Processo: 22/06678-8
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Mestrado
• Data de Início da vigência: 01 de outubro de 2022
• Data de Término da vigência: 31 de março de 2023
• Área de conhecimento: Ciências da Saúde - Medicina - Clínica Médica
• Pesquisador responsável: Tathiane Maistro Malta Pereira
• Beneficiário: Maycon Marção
• Supervisor: Jasmine Plummer
• Instituição Sede: Faculdade de Ciências Farmacêuticas de Ribeirão Preto (FCFRP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil
• Instituição Anfitriã: St. Jude Children's Research Hospital, Estados Unidos
• Vinculado à bolsa: 21/00283-9 - Mapeamento de assinaturas epigenômicas de células-tronco tumorais em gliomas: correlacionando células-tronco de gliomas com dados clínicos e moleculares, BP.MS
• Assunto(s): Biologia computacional Neoplasias mamárias Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: bioinformatics | Breast Cancer | machine learning | single cell RNA-seq | Bioinformática

Resumo

Este pesquisador trabalhará na identificação de uma subpopulação de células em câncer de mama responsáveis pela malignidade desses tumores através de ferramentas computacionais a fim de correlacionar com desfechos clínicos. Para isso serão utilizados dados públicos de transcriptoma de célula única (scRNA-seq) de pacientes diagnosticados com câncer de mama e de tecido mamário não tumoral, modelo de machine learning e ferramentas de R/biocondutor de código aberto. Após organizar, processar e normalizar os dados scRNA-seq, o modelo de machine learning (One Class Logistic Regression) - construído a partir de células-tronco humanas e validado pelo grupo de Malta et al. (2018) - será utilizado para identificar subpopulações celulares em câncer de mama com potencial fenótipo de malignidade tumoral. Outras estratégias para a convergência de resultados quanto a identificação de tipo celular em scRNA-seq também serão empregadas como o algoritmo Sc-Type e dados transcriptômicos e epigenomicos de linhagens celulares ainda não publicadas. Em seguida, será gerado um novo modelo baseado na subpopulação identificada em scRNAseq de câncer de mama para refinar a predição de malignidade em dados bulk RNA-seq de amostras tumorais de outros coortes. Por fim, o modelo refinado com scRNAseq será aplicado em dados bulk RNA-seq do banco de dados The Cancer Genome Atlas Program (TCGA) a fim de classificar prognóstico em diferentes subtipos de câncer de mama. (AU)