Curso de Inverno Bioinformática - USP

Graduados ou concluintes de graduação interessados em cursar mestrado em bioinformática.

Mestres ou mestrandos interessados em cursar doutorado em Bioinformática.

Introdução biológicas:

-Dogma central: DNA, RNA, proteína.

-Genoma e organização: procariotos e eucariotos.

-Eletroforese.

-PCR.

-Estrutura primária, secundária e terciária da proteína.

-Metabolismo e bioquímica.

-Splicing/alternativo

-Transcriptoma a redes metabólicas

-Processamento do RNA

Introdução a Computação:

-Algoritmos, programas e complexidade computacional

-Introdução ao Linux, Linux vs Microsoft Windows, similaridades

-Protegendo arquivos em Linux

-Linha de comando e a "shell", como não usar o mouse é mais rápido e prático

-Programas e comandos básicos do linux:

-listando arquivos e diretórios

-copiando e movendo arquivos de seu computador

-copiando arquivos atraves da internet sem o uso da WEB.

-selecionando linhas de arquivos

-inspecionando arquivos sem uso de editor de texto

-juntando arquivos

-transferindo sites da internet

-controle de processos: verificando o uso do computador, eliminando processos

-Linux em um DVD

-Linux e Windows no mesmo micro: dual boot.

-Princípios de instalação do Linux.

Reconhecimento de Padrões:

-Classificadores baseados na teoria de Bayes. Classificadores lineares, não lineares, supervisionados, não supervisionados e seleção de características.

Conceitos e aplicações de estatística em pesquisa científica utilizando o R:

-Eventos e probabilidade, probabilidade condicional e independência, regra de bayes, variáveis aleatórias discretas e contínuas, soma de variáveis aleatórias, média e variância, lei dos grandes números, teorema do limite central, análise exploratória de dados, testes populacionais, modelos de regressão.

Análise de expressão:

-Técnicas (EST, SAGE e Microarray)

-Caracterização de genes diferencialmente expressos.

-Apresentação de um problema biológico relacionado com análise de expressão.

Alinhamento:

-Sentido biológico

-Identidade, similaridade, homologia

-Genes homólogos, ortólogos, parálogos

-Alinhamento para busca de similaridade:

-sistema de scores/gaps, PAMs, BLOSUMs

-Programas do blast (blastn, blastp, ...)

-Alinhamentos locais, globais, semi-globais, múltiplo

-Aplicações

Filogenia e Evolução:

-Tipos de representação de topologias

-Critérios de filogenia:Parsimonia, distancia e verossimilhança

-Algoritimos de distancia

-Analises de sustentação de topologia

Banco de dados biológicos:

-Estruturação da informação para se fazer buscas.

-Apresentação das bases de dados biológicos e ferramentas:

-NCBI, GenBank: Nucleotide: dbEST: dbGSS: dbSNP: Protein: RefSeq: UniGene:

-BLAST NA Web

-Expasy

-InterProScan

-Standford Microarray DB

-Pubmed

Anotação automática de seqüências biológicas: ontologias e sistemas de pipelines:

-O que é anotação

-Formatos de anotação (feature table e GFF3)

-Ontologias de seqüências (SO) e de genes (GO)

-Construção de pipelines de anotação automatizada com o uso do sistema EGene2

-Conceitos teóricos deverão ser apresentados e discutidos com o uso de exemplos reais, de maneira que os estudantes possam assimilá-los de forma intuitiva.

Redes de regulação:

-Introdução a Biologia de sistemas e redes complexas

-Técnicas experimentais para caracterização das redes

-Principais métodos de representação de sítios regulatórios

-Ferramentas de bioinformática para manipulação e busca de motivos regulatórios

-Exemplos de aplicação (evolução de famílias gênicas, determinação de casta em abelhas, diferenciação de células-tronco)

Apresentação de trabalhos dos doutorandos e pós-doutorandos em bioinformática.

Palestra 1: Modelo para Simulação e Avaliação de Redes Gênicas

Uma questão muito importante na biologia computcaional é como os genes são regulados e interagem por meio de redes gênicas. Alguns métodos são propostos na literatura para a identificação de redes gênicas a partir de dados temporais de expressão. Um problema importante em aberto é como validar as redes identificadas. Este trabalho apresenta uma abordagem para validar tais resultados, considerando três aspectos principais: (1) modelo de geração e simulação; (2) identificação de redes gênicas; (3) validação da rede identificada.

- Fabrício Martins Lopes.

Palestra 2: Inferência de Redes Regulatórias da Cana-de-açúcar

A pesquisa em cana-de-açúcar realizada até agora permitiu aprofundar o conhecimento sobre diversos elementos individualmente (genes, proteínas, superexpressão, etc.) e também identificar grupos de elementos relacionados. Porém, a forma como os diversos elementos estão organizados em uma rede regulatória ainda permanece desconhecida. Uma das formas de identificar relações regulatórias é através da inferência de elementos cis-regulatórios (CREs) in silico a partir de sequencias de regiões promotras. Estas abordagens não são aplicáveis diretamente aos dados de sequenciamento atuais de cana (ESTs) e também não permitem fazer inferências sobre a regulação in vivo. Este trabalho utilizará as técnicas mais modernas de sequenciamento para produzir dados de regulação in vivo que serão utilizados para identificar as redes regulatórias de cana, através de uma abordagem recente chamada ChIP-HTS.

- Fábio F. R. Vicente.

Palestra 3:Limitações dos algoritmos de imputação em estudos globais de associação.

Os estudos globais de associação, à medida que se desenvolvem, têm se tornado uma poderosa alternativa aos métodos de linkage-familiar para o mapeamento de variantes genéticas de predisposição à doenças. Tais estudos são baseados na utilização de chips aonde são fixadas centenas de milhares de sondas para cada variantes dos polimorfismos de base única (SNPs) conhecidos. Uma das maiores limitações está na heterogeneidade da qualidade da detecção e o uso de diferentes plataformas o que dificulta em muito o seu uso. Para tornar o método mais viável diversos algoritmos de imputação vem sendo desenvolvidos. tais métodos são baseados na inferência de um marcador de má qualidade a partir da informação obtida de outros marcadores bem anotados. Nos propomos a comparação das frequências genotípicas de diversos polimorfismos descritas empiricamente e a partir dos algoritmos de imputação em diversos modelos genéticos.

- Márcio A. A. de Almeida.

Palestra 4: Prediction non-coding RNA in comparative analyze approach in Apis mellifera and Nasonia vitripennis.

A bioinformática é uma ferramenta muito utilizada na predição de RNA não codificantes, que são RNA transcritos, mas não traduzidos. Isso se justifica pela dificuldade e complexidade de fazer essa busca de ncRNA in vivo. Desse modo abordagens de predição in silico são frequentemente utilizadas para tentar direcionar quais possíveis candidados possam ser validados in silico em um genoma. Nosso objetivo foi aplicar o programa eQRNA na predição de ncRNA nos genomas de Apis e Nasonia de forma comparativa com o genoma de Drosophila, um organismo modelo.

- Alexandre Rossi Paschoal.

Palestra 5: Simulating the Population Dynamics of Epithelial Cells in vitro.

Este estudo apresenta um algoritmo desenvolvido para simular o crescimento in vitro de uma linhagem de células epiteliais de camundongo (Y1), baseado em um modelo de população que inclui a representação 'lattice-free' de células em duas dimensões. Pelas características implementadas, acreditamos que esta abordagem permite uma descrição mais próxima do comportamento real de crescimento de células em cultura.

- Beatriz Stransky.

Palestra 6: Preditores de genes ab initio e o ambiente MYOP.

Nesta apresentação, discutiremos sobre o funcionamento dos programas preditores de genes codificadores de proteínas. Esse tipo de programa tem importância durante o processo de anotação de um genoma. Em particular, estudamos preditores que utilizam a cadeia oculta generalizada de Markov (GHMM) para representar a estrutura de um gene. Percebemos que muitos preditores têm a arquitetura da GHMM fixada no código-fonte, dificultando a investigação de novas abordagens. O objetivo do nosso trabalho foi o desenvolvimento de um ambiente computacional, chamado de MYOP (Make Your Own Predictor), que permita que o usuário defina a arquitetura da GHMM de um preditor.

- André Y. Kashiwabara.

Dra. Helaine Carrer - ESALQ - USP

Dr. Alan Mitchell Durham - IME - USP

Dr. Roberto Hirata Jr. - IME - USP

Dr. Arthur Gruber - ICB - USP

Dr. Fábio Nakano - Bioinfo - USP

Dr. Paulo S. Lopes de Oliveira - Biologia Computacional - INCOR

Dra. Aline Maria da Silva - IQ - USP

Dra. Ariane Machado Lima - IME/IPq - USP

Dr. Alexandre dos Santos Cristino - Bioinformática - USP

Dra. Beatriz Stransky - Pós-Doutoranda em Bioinformática - USP

Alexandre Rossi Paschoal - Doutorando em Bioinformática - USP

Ana Carolina Quirino Simões - Doutoranda em Bioinformática - USP

André Y. Kashiwabara - Doutorando em Ciência da Computação - USP

Artur Trancoso Lopo de Queiróz - Doutorando em Bioinformática - USP

Fábio F. R. Vicente - Doutorando em Bioinformática - USP

Fabrício Martins Lopes - UTFPR/Doutorando em Bioinformática - USP

Márcio A. A. de Almeida - Doutorando em Bioinformática - USP

Silvio Rodrigues de Faria Jr. - Doutorando em Estatística - USP

A realização do curso será em dois ambientes:

Laboratório - CEC - Centro de Ensino da Computação do IME-USP.

Auditório Jacy Monteiro

Ambos ficam no térreo do bloco B do IME.

Instituto de Matemática e Estatística da Universidade de São Paulo (IME-USP)

Rua do Matão, 1010 - Cidade Universitária, Bloco B.

CEP 05508-090 - São Paulo - SP - Brasil

Clique aqui e veja algumas sugestões de hospedagens.

Dr. Alan Mitchell Durham

Dra. Helaine Carrer

Fabrício Martins Lopes

Alexandre Rossi Paschoal

Márcio A. A. de Almeida

Fábio F. R. Vicente

Silvio R. de Faria Jr.

André Y. Kashiwabara

Patrícia Cristina Martorelli