Métodos de montagem localizada e livres de alinhamento para detecção de fusões de genes a partir de dados de RNA-seq

• Processo: 23/05887-5
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de agosto de 2023
• Data de Término da vigência: 28 de fevereiro de 2027
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: João Meidanis
• Beneficiário: Lucas Peres Oliveira
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Biologia computacional Sequenciamento de nova geração Transcriptômica Genômica Neoplasias Fusão gênica
• Palavra(s)-Chave do Pesquisador: fusão de genes | Genômica do câncer | sequenciamento de nova geração | Transcriptômica | Bioinformática

Resumo

A detecção de fusão gênica é essencial para o diagnóstico, prognóstico e tratamento do câncer. Os métodos tradicionais para detectar fusões de genes envolvem o mapeamento de leituras curtas para um genoma ou transcriptoma de referência. No entanto, esses métodos frequentemente produzem um alto número de falsos positivos e requerem extensas etapas de filtragem. Aperfeiçoar esses métodos com uma subrotina de montagem localizada mitiga esse problema, porém não existe melhor estratégia para selecionar leituras para montagem. Métodos livre de alinhamento são uma abordagem alternativa e mais rápida do que aqueles baseados em mapeamento, tornado-os atrativos para um ambiente clínico, porém a aplicação desses métodos para detecção de fusões ainda é escassa. Portanto, investigaremos a aplicabilidade de métodos livre de alinhamento para detecção de fusões assim como estratégias para selecionar leituras para montagem. Para o primeiro, iremos avaliar as ferramentas com melhor desempenho e identificar como métodos livre de alinhamento podem ser melhorados para detecção de fusões. Para o segundo, iremos avaliar técnicas de chamada de variantes estruturais que são mais adequadas para dados de câncer. Esperamos otimizar ferramentas atuais e, potencialmente, desenvolver novos algoritmos para detecção de fusões. As ferramentas resultantes serão aplicadas em dados de câncer reais e simulados para averiguação de precisão e escalabilidade. (AU)