Busca avançada
Ano de início
Entree
Conteúdo relacionado

Retrotransposons e enzimas de edição de ácidos nucléicos: ativação, eventos somáticos e associação com o câncer

Processo: 15/19324-6
Modalidade de apoio:Auxílio à Pesquisa - Regular
Data de Início da vigência: 01 de março de 2016
Data de Término da vigência: 28 de fevereiro de 2018
Área do conhecimento:Ciências Biológicas - Genética - Genética Humana e Médica
Pesquisador responsável:Israel Tojal da Silva
Beneficiário:Israel Tojal da Silva
Instituição Sede: A C Camargo Cancer Center. Fundação Antonio Prudente (FAP). São Paulo , SP, Brasil
Pesquisadores associados:Diana Noronha Nunes ; Emmanuel Dias-Neto ; Rafael Andres Rosales Mitrowsky ; Rodrigo Drummond Couto Duarte
Assunto(s):Biologia computacional  Sequenciamento de nova geração  Genômica  Neoplasias 
Palavra(s)-Chave do Pesquisador:Apobec | bioinformática | câncer | elementos móveis | Next Generation Sequencing | Genômica

Resumo

Os retrotransponíveis ou elementos móveis (MEs), representam uma constante ameaça à integridade do genoma hospedeiro pela sua capacidade mutagênica. Como mecanismo que busca assegurar esta integridade, um conjunto de enzimas de edição de ácidos nucléicos atua para inibir a atividade deletéria desses MEs. No entanto, este mesmo mecanismo de proteção à integridade do genoma, acaba sendo uma fonte crônica de danos pois é capaz de induzir mutações no DNA. A relação entre a ativação dos MEs e as mutações colaterais resultantes destas enzimas ainda não é totalmente esclarecida e precisa ser melhor explorada. Este projeto visa identificar e fornecer informações críticas para deduzir os agentes prejudiciais ao DNA, mecanismos moleculares casuais e, portanto, sugerir alvos terapêuticos adicionais para evitar eventos mutacionais desta natureza. Para alcançar esse objetivo, estruturaremos uma abordagem integrativa para interrogar o transcriptoma de 75 linhagens celulares, genoma e exoma total de 207 amostras (normal vs tumor) de pacientes com linfoma. No final, prentendemos expandir nosso conhecimento a respeito dos danos molelulares, apontando para novas alterações genômicas determinantes durante a formação e progressão nos tumores de células B. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio:
Mais itensMenos itens
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas (5)
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
ROSALES, RAFAEL A.; DRUMMOND, RODRIGO D.; VALIERIS, RENAN; DIAS-NETO, EMMANUEL; DA SILVA, ISRAEL T.. signeR: an empirical Bayesian approach to mutational signature discovery. Bioinformatics, v. 33, n. 1, p. 8-16, . (14/26897-0, 15/19324-6)
POVOA, LUCAS VENEZIAN; BALAN CALVI, URIEL CAIRE; LORENA, ANA CAROLINA; COSTA RIBEIRO, CARLOS HENRIQUE; DA SILVA, ISRAEL TOJAL. A Multi-Learning Training Approach for Distinguishing Low and High Risk Cancer Patients. IEEE ACCESS, v. 9, p. 115453-115465, . (15/19324-6)
VENEZIAN POVOA, LUCAS; RIBEIRO, CARLOS HENRIQUE COSTA; DA SILVA, ISRAEL TOJAL. Machine learning predicts treatment sensitivity in multiple myeloma based on molecular and clinical information coupled with drug response. PLoS One, v. 16, n. 7, . (15/19324-6)
BUTTURA, JAQUELINE RAMALHO; PROVISOR SANTOS, MONIZE NAKAMOTO; VALIERIS, RENAN; DRUMMOND, RODRIGO DUARTE; DEFELICIBUS, ALEXANDRE; LIMA, JOAO PAULO; CALSAVARA, VINICIUS FERNANDO; FREITAS, HELANO CARIOCA; CORDEIRO DE LIMA, VLADMIR C.; BARTELLI, THAIS FERNANDA; et al. Mutational Signatures Driven by Epigenetic Determinants Enable the Stratification of Patients with Gastric Cancer for Therapeutic Intervention. CANCERS, v. 13, n. 3, . (15/19324-6, 16/11791-7, 14/26897-0)
VALIERIS, RENAN; AMARO, LUCAS; BUENO DE TOLEDO OSORIO, CYNTHIA APARECIDA; BUENO, ADRIANA PASSOS; ROSALES MITROWSKY, RAFAEL ANDRES; CARRARO, DIRCE MARIA; NUNES, DIANA NORONHA; DIAS-NETO, EMMANUEL; DA SILVA, ISRAEL TOJAL. Deep Learning Predicts Underlying Features on Pathology Images with Therapeutic Relevance for Breast and Gastric Cancer. CANCERS, v. 12, n. 12, . (15/19324-6, 14/26897-0)