Desenvolvimento de uma base de dados para fatores de transcrição de seres humanos e suas redes de interação: Human Transcriptional Regulation Interaction Database (HTRIDB 2.0)

(1)

Programa de Pós-graduação em Biologia Geral e Aplicada

Distrito de Rubião Júnior s/n CEP 18618-000 Cx Postal 510 Botucatu-SP Brasil Tel (14) 3811-6148 Fax (14) 3811-6148 posgraduacao@ibb.unesp.br

DESENVOLVIMENTO DE UMA BASE DE DADOS PARA

FATORES DE TRANSCRIÇÃO DE SERES HUMANOS E SUAS

REDES DE INTERAÇÃO:

HUMAN TRANSCRIPTIONAL

REGULATION INTERACTION DATABASE

(

HTRIDB

2.0)

LUIZ AUGUSTO BOVOLENTA

Dissertação apresentada ao Instituto de Biociên-cias, Câmpus de Botucatu, UNESP, para obtenção do título de Mestre no Programa de Pós-Graduação em Biologia Geral e Aplicada, Área de concentração Biologia Celular Estrutural e Funcional.

Orientador: Prof. Dr. Ney Lemke Coorientador: Dr. Marcio Luis Acencio

(2)

Programa de Pós-graduação em Biologia Geral e Aplicada

Distrito de Rubião Júnior s/n CEP 18618-000 Cx Postal 510 Botucatu-SP Brasil Tel (14) 3811-6148 Fax (14) 3811-6148 posgraduacao@ibb.unesp.br

UNIVERSIDADE ESTADUAL PAULISTA

“Júlio de Mesquita Filho”

INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU

DESENVOLVIMENTO DE UMA BASE DE DADOS PARA

FATORES DE TRANSCRIÇÃO DE SERES HUMANOS E SUAS

REDES DE INTERAÇÃO:

HUMAN TRANSCRIPTIONAL

REGULATION INTERACTION DATABASE

(

HTRIDB

2.0)

LUIZ AUGUSTO BOVOLENTA

PROF. DR. NEY LEMKE

DR. MARCIO LUIS ACENCIO

Dissertação apresentada ao Instituto de Biociências, Campus de Botucatu, UNESP, para obtenção do título de Mestre no Programa de Pós-Graduação em Biologia Geral e Aplicada, Área de concentração Biologia Celular Estrutural e Funcional.

(3)

Bovolenta, Luiz Augusto.

Desenvolvimento de uma base de dados para fatores de transcrição de seres humanos e suas redes de interação :Human Transcriptional Regulation

Interaction Database(HTRIdb2.0) / Luiz Augusto Bovolenta. – Botucatu :

[s.n.], 2012

Dissertação (mestrado) – Universidade Estadual Paulista, Instituto de Biociências de Botucatu

Orientador: Ney Lemke

Coorientador: Marcio Luis Acencio Capes: 10303030

1. Banco de dados. 2. Genética – Expressão. 3. Software – Desenvolvimento.

(4)

Dedico este trabalho ao professor Dr. Ney Lemke por ter oferecido todo o suporte ne-cessário para a realização deste trabalho, e por estar sempre presente nas principais tomadas de decisão.

(5)

Agradec¸o,

Aos meus pais, a minha irmã e a minha avó pelo apoio e incentivo à alcançar mais um objetivo da minha vida.

A minha namorada, Cristiane Sanfelice, pelo companheirismo e por estar sempre presente. Ao Conselho Nacional de Desenvolvimento Cient´ıfico e Tecnológico (CNPq) pela con-cessão da bolsa de estudos.

A todos os meus amigos, por auxiliarem em momentos de diﬁculdades e pelos momentos de alegria juntos.

E aos funcion´arios da UNESP por oferecerem sempre um ambiente de trabalho adequado e organizado.

(6)

Fatores de transcrição são prote´ınas que interagem com sequências nucleot´ıdicas espec´ıficas situadas nas regiões promotoras de genes e, através dessa interação, regulam a transcrição dos genes. Devido a essa função reguladora, a identificação e a caracterização da rede de interações entre fatores de transcrição e seus genes alvos são importantes por que essa rede representa o arcabouço molecular através do qual os est´ımulos ambientais são convertidos em expressão di-ferencial dos genes. Como essa expressão didi-ferencial, por sua vez, determina o comportamento da célula em resposta a um certo est´ımulo, a rede de interações de regulação transcricional pode, portanto, fornecer uma compreensão sistêmica de como os comportamentos celulares emergem a partir dos est´ımulos ambientais. A primeira etapa para a construção de uma rede de regulação transcricional consiste na coleta de dados relacionados às interações entre os fatores de transcrição e seus genes alvos. Porém, como esses dados são encontrados de forma dispersa na literatura ou em bancos de dados pagos, essa etapa demanda muito tempo. Com o objetivo de centralizar esses dados de forma a facilitar sua coleta e, consequentemente, a construção da rede de interações de regulação transcricional, desenvolvemos um banco de dados relacional chamado Human Transcriptional Regulation Interaction Database (HTRIdb). Desenvolvido em PostgreSQL e Java, oHTRIdbcontém uma coleção de milhares de interações de regulação transcricional experimentalmente verificadas em seres humanos que podem ser acessadas e ob-tidas gratuitamente por toda a comunidade cient´ıfica. Além do acesso gratuito e livre permissão para a obtenção dos dados, oHTRIdboferece uma ferramenta de visualização das interações em forma de rede e meios de comunicação entre a comunidade cient´ıfica e os desenvolvedores do banco através dos quais a comunidade cient´ıfica pode participar ativamente tanto da correção de inconsistências nos dados quanto da alimentação do banco com novas interações. OHTRIdb

pode ser acessado pelo enderec¸ohttp://www.lbbc.ibb.unesp.br/htri.

(7)

Transcription factors are proteins that interact with specific nucleotide sequences located in promoter regions of genes and, through this interaction, regulate gene transcription. Due of this regulatory function, the identification and characterization of the network of interactions between transcription factors and their target genes are important since this network represents the molecular framework that explains how environmental stimuli are converted into differential expression of genes. This network provides a systemic understanding of how cellular behaviors emerge from the environmental stimuli. The first step for the transcriptional regulatory network construction is the collection of data about interactions between transcription factors and their target genes. This step is very time-consuming as these data are found dispersed on the literature or in commercial databases. In an effort to provide researchers with a repository of transcriptio-nal regulatory interactions from which such interactions can be directly and easily extracted, we developed a relational database called the Human Interaction Database Transcriptional Regula-tion (HTRIdb). HTRIdb was implemented using PostgreSQL and Java and contains a collecRegula-tion of thousands of experimentally verified human transcriptional regulation interactions. HTRIdb can be freely accessed by the scientific community and offers a visualization tool for the regula-tory network and provides a communication interface between users and developers to enhance data quality and to stimulate users to include new interactions. The HTRIdb can be accessed at http://www.lbbc.ibb.unesp.br/htri.

(8)

2.1 Representação do modelo de dados hierárquico. . . p. 16 2.2 Representação do modelo de dados em rede. . . p. 17 2.3 Representação do modelo de dados relacional. . . p. 18 2.4 Exemplo de diagrama UML utilizado para representar o modelo de banco de

dados orientado a objetos. . . p. 19 2.5 Esquema geral de modelagem utilizando o MER. . . p. 21 2.6 Representação do Diagrama Entidade Relacionamento . . . p. 22 2.7 Demonstração da cardinalidade 1:1 pela teoria dos conjuntos . . . p. 22 2.8 Demonstração da cardinalidade 1:Npela teoria dos conjuntos . . . p. 23 2.9 Demonstração da cardinalidade N:N pela teoria dos conjuntos . . . p. 23 2.10 Exemplo de modelo f´ısico . . . p. 24 2.11 Página de apresentação do site wwPDB . . . p. 27 2.12 Página de apresentação doEntrez. . . p. 28 2.13 Quantidade anual de artigos sobre regulação gênica indexados no banco de

dados PubMed . . . p. 34 2.14 Crescimento da quantidade de artigos sobre regulação gênica indexados no

(9)

5.2 Estrutura antiga do banco de dados doHTRIdb. . . p. 48 5.3 Estrutura nova do banco de dados doHTRIdb. . . p. 49 5.4 Página antiga dos resultados por informações de FTs através de padrões. . . . p. 50 5.5 Area de´ downloadspara todos os dados de interações de regulação

transcri-cional e f´ısicas entre as prote´ınas. . . p. 51 5.6 Representação gráfica das interações (N´ıvel 1) . . . p. 52 5.7 Representação gráfica das interações (N´ıvel 2) . . . p. 53 5.8 Representação gráfica das interações (N´ıvel 3) . . . p. 54 5.9 Página estat´ıstica doHTRIdb . . . p. 55 5.10 Página de inserção de novas interações de regulação transcricional mostrando

o mecanismo “anti-spambot” . . . p. 56 5.11 Página inicial do tutotial de utilização doHTRIdb. . . p. 57 5.12 Canal de comunicação entre o usuário e a equipe de administração doHTRIdb. p. 58 5.13 Página de busca doHTRIdb. . . p. 59 5.14 Página de busca por fator de transcrição. . . p. 60 5.15 Página intermediária de busca por fator de transcrição. . . p. 61 5.16 Página de resultados das informações do fator de transcrição TP53. . . p. 62 5.17 Página de busca por genes alvos noTRED. . . p. 63 5.18 Página de resultados das informações sobre as interações do fator de transcrição

TP53noTRED. . . p. 64 5.19 Página de resultados das informações da interação entre um determinado

gene alvo com oTP53noTRED. . . p. 64 5.20 Página de resultados do FTTP53noOREGANNO. . . p. 65 5.21 Página de resultados parciais para extração de dados do FT TP53no

(10)

1 Introduc¸˜ao p. 10

2 Fundamentos e Conceitos p. 12

2.1 Banco de Dados . . . p. 12 2.1.1 Conceito de banco de dados . . . p. 12 2.1.2 Breve histórico dos sistemas de bancos de dados . . . p. 13 2.1.3 A estrutura de um banco de dados . . . p. 16 2.1.4 Sistemas Gerenciadores de Banco de Dados (SGBD) . . . p. 20 2.1.5 Modelagem de uma estrutura de banco de dados relacional . . . p. 20 2.1.6 A linguagem SQL . . . p. 24 2.1.7 Banco de dados biológicos . . . p. 25 2.2 Regulação transcricional e a sua importância . . . p. 31 2.2.1 O processo de transcrição gênica . . . p. 31 2.2.2 A importância das interações de regulação transcricional . . . p. 32 2.2.3 Crescimento dos dados na área de regulação gênica . . . p. 33 2.3 Principais bancos de dados de interações de regulação transcricional . . . p. 35 2.3.1 TRANSFAC . . . p. 35 2.3.2 TRED . . . p. 36 2.3.3 OREGANNO . . . p. 36

3 Objetivos p. 37

(11)

4.2 Interface gráfica . . . p. 40 4.2.1 Recurso de visualização gráfica . . . p. 41 4.2.2 Recurso de extração dos dados . . . p. 42 4.2.3 Estat´ıstica doHTRIdb . . . p. 43 4.2.4 Recurso de inserção de novos dados e de comunicação com a equipe

doHTRIdb . . . p. 43 4.3 Coleta e revis˜ao dos dados . . . p. 44

5 Resultados e Discuss˜ao p. 46

5.1 Funcionalidades do HTRIdb 2.0 . . . p. 47 5.2 Estudo de caso: busca por interações do TP53 . . . p. 58 5.3 Comparação com os outros bancos de dados . . . p. 62

6 Conclus˜ao p. 67

(12)

1 Introduc¸˜ao

Fatores de transcrição (FTs) são prote´ınas reguladoras que se ligam a sequências nucleot´ıdi-cas espec´ıfinucleot´ıdi-cas localizadas nas regiões promotoras de genes e, através dessa ligação, regulam positivamente ou negativamente a transcrição dos genes. A regulação gênica, através da ligação dos FTs, é o mecanismo primário pelo qual processos biológicos complexos, como proliferação e diferenciação celulares, são controlados. Devido a essa função reguladora, a construção da rede de interações de regulação transcricional, o que demanda a identificação e a caracterização das interações de regulação transcricional, é importante para a compreensão desses proces-sos e para o desenvolvimento de terapias dirigidas a patologias originadas pelo funcionamento anormal dos FTs, como distúrbios de desenvolvimento e formação de neoplasias (DAVIDSON, 2006).

Há uma profusão de dados sobre interações de regulação transcricional humana. Porém, esses dados encontram-se dispersos na literatura biomédica ou com disponibilidade limitada em bancos de dados, o que torna a construção de uma rede de interações de regulação transcricional uma tarefa árdua e maçante. Logo, a centralização dessas informações em bancos de dados é uma solução apropriada para a rápida obtenção de informações sobre um determinado fator de transcrição e seus respectivos genes alvos (GAs) e a consequente construção dessa rede de regulação (KORTH; SILBERSCHATZ, 1999). Há, no momento, alguns bancos de dados de interações de regulação transcricional dispon´ıveis que possuem informações sobre FTs e quais os genes que esses fatores regulam como, por exemplo, o TRANSFAC (MATYS et al., 2006), o TRED (JIANG et al., 2007) e o OREGANNO (MONTGOMERY et al., 2006). Esses bancos de dados, porém, são limitados.

(13)

in-consistentes, consideradas como interações de regulação transcricional, mas classificadas por especialistas como interações f´ısicas entre prote´ınas.

Com objetivo de centralizar essas informações e suprir as restrições impostas, o aluno de-senvolveu, no per´ıodo da Iniciação Cient´ıfica, um banco de dados relacional para armazenar da-dos sobre as interações de regulação transcricional entre os FTs e e seus GAs batizado deHuman Transcriptional Regulation Interaction Database(HTRIdb;http://www.ibb.lbbc.unesp.br /htri) e o aperfeiçoou no per´ıodo de mestrado, oferecendo à comunidade cient´ıfica um banco de dados que disponibiliza gratuitamente acesso às informações sobre interações de regulação transcricional, para facilitar a procura e obtenção destas informações.

(14)

2 Fundamentos e Conceitos

Todos os conceitos e fundamentos relacionados ao tema do trabalho são descritos nesta seção que, se dividi em 3 partes: bancos de dados, interações de regulação transcricional e os principais bancos de dados de interações de regulação transcricional existentes.

2.1 Banco de Dados

A abordagem do tema banco de dados é detalhado nessa seção, onde estão descritos os principais conceitos de banco de dados, um breve histórico dos bancos de dados, as principais estruturas, a descrição dos bacos de dados biológicos e os principais bancos de dados biológicos existentes.

2.1.1 Conceito de banco de dados

Banco de dados é um repositório de coleção de arquivos de dados computadorizados, que possui uma estrutura espec´ıfica para armazenar e definir os dados. O termo banco de dados muitas vezes é utilizado de forma errônea confundido com o sistema de banco de dados, quando na verdade ele é um dos elementos presentes em um sistema de banco de dados (DATE, 2003). Sistema de banco de dados pode ser conceituado como um sistema de armazenamento de dados baseados em recursos computacionais, cujo objetivo é registrar e manter presentes em um banco de dados informações consideradas significativas para um único usuário, uma instituição ou uma empresa (DATE, 2000).

Esse sistema é responsável por refletir o estado de certos aspectos de interesse do mundo real, ou seja, uma visão instantânea do estado do mundo real. Mudanças que ocorrem em itens presentes no banco de dados refletem-se de mudanças ocorridas no mundo real (MACHADO; ABREU, 1996).

(15)

distinção importante é saber diferenciar o significado da informação e do dado. A informação é um conjunto de dados, que ao estarem organizados dão significado a algo ou alguma coisa, o que torna os dados elementos primordiais para a formação da informação.

2.1.2 Breve hist´orico dos sistemas de bancos de dados

Com o avanço da evolução tecnológica, a forma de como armazenamos nossas informações mudou. Antigamente os dados eram armazenados em papéis e organizados em arquivos, mas com o crescente número e velocidade de geração de dados, devido a recursos computacionais, essa forma de armazenamento se tornou ineficiente. Um dos recursos desenvolvidos para sanar esse tipo de problema é conhecido atualmente como banco de dados.

Os primeiros fundamentos de banco de dados surgiram na década de 60, com pesquisas na área de automação de escritórios. Nessa época as empresas começaram a notar que os processos de armazenagem, indexação e gerenciamento de arquivos eram muito custosos, por em empre-gar um grande número de pessoas. A necessidade de agilizar o processo e reduzir os custos impulsionaram as empresas a aplicar seus esforços na pesquisa de uma solução automatizada mais barata e eficiente (BARCELAR, 2011).

A forma de armazenagem nesse per´ıodo era feita diretamente em arquivos que possu´ıam muitos problemas na armazenagem como a redundância e inconsistências, dificuldade ao acesso aos dados, falta da integridade lógica, falta de automatização nas transações e insegurança. Nesse cenário foi lançado oInformation Management System (IMS)pela IBM, um dos primeiros sistemas de banco de dados que utilizava a estrutura hierárquica para armazenar e definir os dados (BARCELAR, 2011).

Logo após o lançamento doIMSe junto com a padronização da linguagem de programação COBOL, um grupo de trabalho intituladoF deData Base Task Groupdesenvolveu oCODASYL database, um sistema de banco de dados com uma nova forma de gerenciamento de dados, que focava em seguir ponteiros que ligavam em uma rede de registros de dados, ou seja, o modelo de estrutura em rede (LIU; ÖZSU, 2009).

OData Base Task Group, além de desenvolver o modelo de dados em rede, também definiu duas linguagens (comandos pré-definidos) para a definição da estrutura Data Definition Lan-guage (DDL) e para a extração dos dadosData Manipulation Language (DML)do modelo de dados em rede (LIU; ÖZSU, 2009).

(16)

Logo no seu surgimento, o modelo de dados relacional apresentou ser mais flex´ıvel que os modelos navegáveis já descobertos (hierárquico e rede) (LIU; ÖZSU, 2009).

O pesquisador Codd visava um sistema onde qualquer usuário seria capaz de acessar os dados armazenados em tabelas através de comandos (BARCELAR, 2011). Apesar do grande potencial que o modelo apresentava, ele foi considerado inviável no in´ıcio pelas barreiras com-putacionais da época, mas com a melhoria e a otimização dos recursos com o passar dos anos, o modelo relacional acabou se tornando viável (LIU; ÖZSU, 2009).

A IBM, confiando no potencial do modelo relacional, montou um grupo de pesquisadores que deu origem ao primeiro sistema de banco de dados relacional conhecido com o mesmo nome do grupo, System R(BARCELAR, 2011). Junto aoSystem Rfoi desenvolvido uma lin-guagem de consulta estruturada conhecida originalmente comoStructured English Query Lan-guage (SEQUEL)e alterada posteriormente paraStructured Query Language (SQL), linguagem utilizada como interface entre usuário e o sistema de banco de dados. A linguagem SQL se tornou um padrão na indústria de banco de dados relacional e atualmente é um padrão ISO e ANSI (BARCELAR, 2011).

Além da grande contribuição do pesquisador Codd, outro pesquisador que se destacou no projeto do modelo relacional foi o pesquisador Dr. Peter Chen, que ofereceu uma impor-tante contribuição ao desenvolvimento do modelo. Em 1976, o pesquisador publicou uma nova percepção do modelo de dados em seu artigoThe Entity-Relationship Model–Toward a Unified View of Data, o modelo entidade relacionamento. Este modelo é utilizado até os dias atuais por projetistas de banco de dados, pois oferece através de seus conceitos uma forma clara e fácil de representar elementos do mundo real (CHEN, 1976).

Apesar da IBM ter inventado e desenvolvido o conceito e a linguagem SQL, a empresa publicou seus resultados na literatura. Esses resultados foram utilizados por outra empresa denominada de Relational Software Inc para produzir o primeiro produto comercial baseado em SQL em 1979. Esse produto ficou conhecido como Oracle, nome que foi adotado pela empresa posteriormente. A IBM foi lançar seu produto baseado em SQL somente em 1981, o SQL/ Data System e alterado para DB2 em 1983, produto que é comercializado até os dias atuais (LIU; ÖZSU, 2009).

(17)

Nessa década, também surgiram os primeiros sistemas de banco de dados orientado a ob-jetos, que se utilizavam de conceitos e fundamentos da orientação a objetos em sua estrutura e forma de tratar os dados armazenados. Esse modelo surgiu pelas necessidades de novos re-quisitos de ambientes de projeto, mecanismos de transações e por causa da utilização de dados complexos ou dados de tipo multim´ıdia em aplicações espec´ıficas como Sistemas de Informação de Escritório e as aplicaçõesComputer-Aided Design (CADs)(BANCILHON; DELOBEL; KA-NELLAKIS, 1992). Os pioneiros foram o Exodus (1986), Orion (1986) e O2 (1988) (BARCE-LAR, 2011).

Posteriormente esse modelo de sistema de banco de dados foi mesclado com o modelo relacional, o que deu origem a outro conceito de sistema de banco de dados, os sistemas de banco de dados objeto-relacionais, Postgres (1986) e o Starburst (1984-1992) (BARCELAR, 2011).

A década de 90 foi marcada pela popularização da Internet e o surgimento de novas aplicações e metodologias. Nessa época os bancos de dados distribu´ıdos se destacaram, pois o modelo cliente-servidor passou a ser uma regra para futuras decisões de negócios, outra caracter´ıstica marcante era a interoperabilidade1(RIBEIRO, 2008).

Os Sistemas de Informações Geográficos2começaram a utilizar banco de dados distribu´ıdos pela necessidade de compartilhamento com outras instituições, para permitir dessa forma a integração de informações espaciais por Sistemas de Informações Geográficos distintos

(C ˆAMARA, 1995).

Aplicações utilizandoData Mining, mineração de dados em banco de dados para a geração de conhecimento, eData Warehouse(“Armazéns de dados”), utilizados para armazenar grandes quantidades de dados extra´ıdos de fontes externas, se tornaram metodologias cada vez mais utilizadas (BARCELAR, 2011).

Finalmente, no século 21, grandes projetos de bancos de dados poderão marcar essa época, como o projeto nas áreas de biomedicina, geologia, segurança nacional e dados de exploração espacial (RIBEIRO, 2008). Poderão surgir projetos semelhantes ao banco de dados presente no Conselho Europeu para Pesquisa Nuclear (CERN), que consiste em um banco de dados distribu´ıdo com capacidade de armazenamento emhexabytesde dados (BARCELAR, 2011). E também a utilização com grande frequência das metodologiasData MiningeData Warehouse

para geração de informações importantes para as empresas e instituições (RIBEIRO, 2008).

1_{Capacidade de um sistema (informatizado ou n˜ao) de se comunicar de forma transparente (ou o mais pr´oximo}

disso) com outro sistema (semelhante ou n˜ao).

2_{Sistema de}_hardware_,_software_{, informac¸˜ao espacial e procedimentos computacionais que permitem e}

(18)

2.1.3 A estrutura de um banco de dados

A estrutura do banco de dados é definida conforme vários modelos desenvolvidos com o decorrer das décadas desde o surgimento do conceito. São eles: modelo hierárquico, modelo em rede, modelo relacional e o modelo orientado a objetos.

2.1.3.1 Modelo hier´arquico

O modelo hierárquico foi um dos primeiros modelos de dados a ser desenvolvido, de-vido à consolidação dos discos de armazenamento endereçáveis. Esses discos viabilizaram a representação hierárquica das informações através de sua estrutura de endereçamento f´ısico (TAKAI; ITALIANO; FERREIRA, 2005).

O modelo hierárquico representa a estrutura do banco de dados em forma de árvore e cada ramificação do modelo representa registros de dados. O registro superior é conhecido como registro-pai e os registros pertencentes a ramificação é conhecido como registros filhos, que podem ser acessados segundo uma sequência hierárquica com uma navegação do topo para as folhas e da esquerda para a direita, observado na Figura 2.1 (TAKAI; ITALIANO; FERREIRA, 2005).

Figura 2.1: Representação do modelo de dados hierárquico que demonstra a relação de clientes e suas respectivas contas bancárias.

Fonte: http://www.devmedia.com.br/imagens/sqlmagazine/abr2006/20-04pic2.JPG

Esse modelo consegue representar de forma clara relacionamentos de cardinalidade 3 1:N e 1:1, mas quando a cardinalidade é N:N é feita a replicação dos registros. Esse recurso possui duas grandes desvantagens: a inconsistência de dados quando há atualização dos dados e o desperd´ıcio de espaço (TAKAI; ITALIANO; FERREIRA, 2005).

3_{Regras de associação que descrevem como elementos interagem entre si. Elas são descritas em 1:1 (um para}

(19)

2.1.3.2 Modelo em rede

Este modelo de dados representa a estrutura do banco de dados em forma de rede, seme-lhante a um grafo (LIU; ÖZSU, 2009). Ele surgiu como uma extensão do modelo hierárquico, mas eliminou o conceito de hierarquia, o que permitiu que um mesmo registro estivesse en-volvido em diferentes associações, ou seja, cardinalidade N:N. Um dos primeiros sistemas de banco de dados a implementar esse modelo foi oCODASYL Databasedesenvolvido peloData Base Task Group (TAKAI; ITALIANO; FERREIRA, 2005). O modelo em rede (Figura 2.2) possibilita acesso a qualquer nó da rede sem necessidade de passar pela raiz, ao contrário do Modelo Hierárquico (TAKAI; ITALIANO; FERREIRA, 2005).

Figura 2.2:Representac¸˜ao do modelo de dados em rede.

Fonte: http://www.alexberre.com/wp-content/uploads/2010/11/110510 0140 modelagemde21.jpg

2.1.3.3 Modelo relacional

O modelo relacional surgiu a partir de um estudo te´orico realizado pelo pesquisador Edgar Frank “Ted” Codd, que usou como base a teoria dos conjuntos e a ´algebra relacional para criar um modelo de dados (TAKAI; ITALIANO; FERREIRA, 2005).

O modelo relacional surgiu perante a necessidade de aumentar a independência dos dados nos sistemas gerenciadores de banco de dados e prover um conjunto de funções para armazena-mento e recuperações de dados (TAKAI; ITALIANO; FERREIRA, 2005).

(20)

coleção de valores, que correspondem a um fato de uma entidade ou de um relacionamento do mundo real. Essas linhas são conhecidas como tuplas4ou registros. As colunas que formam o cabeçalho das tabelas representam as carater´ısticas de cada registro, e são conhecidas como atributos, e os tipos de dados (numérico ou literal) que essas tuplas suportam é denominado de dom´ınio (ELMASRI; NAVATHE, 2011).

Além do modelo relacional implementar a estrutura do banco de dados de uma forma or-ganizada em relações, foram criadas algumas restrições junto ao modelo para evitar aspectos indesejáveis como: a repetição de informação, incapacidade de representar parte da informação e evitar a perda de informação. Essas restrições são conhecidas como integridade referencial, chaves e integridade de junções de relações (TAKAI; ITALIANO; FERREIRA, 2005). O mo-delo de dados relacional é representado na Figura 2.3. Atualmente esse momo-delo continua sendo um dos modelos de dados mais utilizados pelos sistemas gerenciadores de banco de dados do mercado.

Figura 2.3:Representac¸˜ao do modelo de dados relacional. Fonte: http://wikicts.med.up.pt/images/3/3f/Duasligacoes.gif

(21)

2.1.3.4 Modelo orientado a objetos

O modelo orientado a objetos surgiu como uma tentativa de melhorar aspectos de represen-tação semântica, da forma do armazenamento dos dados empregados no modelo relacional, e pela necessidade de aplicações espec´ıficas, como Sistemas de Informações Geográficas (SIGs) e Sistemas Computer-Aided Design (CAD), lidarem com tipo de dados complexos. Tais as-pectos são facilmente resolvidos com a linguagem de programação orientada a objetos, pois uma de suas caracter´ısticas é criar os tipos de dados necessários para essas aplicações (TAKAI; ITALIANO; FERREIRA, 2005).

A metodologia dos bancos de dados orientados a objetos é uma extensão de conceitos das linguagens de programação orientados a objetos, como C++ e Java. Esse modelo trata que o mundo real a ser modelado é composto de objetos e esses são derivados de classes, e que cada objeto seja individualizado através de um número identificador, Object Identity (OID)

(GARCIA-MOLINA; ULLMAN; WIDOM, 2002). Esse modelo pode ser facilmente repre-sentado pelo diagrama de classes Uniﬁed Modeling Language (UML) (Figura 2.4) (TAKAI; ITALIANO; FERREIRA, 2005).

Figura 2.4:Exemplo de diagrama UML utilizado para representar o modelo de banco de dados orientado a objetos. Fonte: LIU e ¨OZSU, 2009

O modelo de banco de dados orientado a objetos é definido através da linguagemObject De-finition Language (ODL), que foi padronizada peloObject Data Management Group (ODMG)

(22)

A linguagem ODL define o objeto e suas propriedades, que podem ser dividas em três partes: os atributos, que são os valores dos objetos; o relacionamento, que são as conexões entre os objetos; e os métodos, que são funções definidas que podem ser aplicadas aos objetos da classe (GARCIA-MOLINA; ULLMAN; WIDOM, 2002).

Acreditava-se que esse tipo de modelo de banco de dados dominaria o mercado e extingui-ria o modelo relacional por melhor representar e armazenar dados complexos de forma mais eﬁciente do que o modelo relacional.

Porém, acredita-se atualmente que os bancos de dados orientados a objetos serão utilizados apenas em aplicações especializadas, enquanto os sistemas relacionais continuarão presentes em bancos de dados tradicionais, onde as estruturas de dados baseadas em relações são suficientes (TAKAI; ITALIANO; FERREIRA, 2005).

2.1.4 Sistemas Gerenciadores de Banco de Dados (SGBD)

Os SGBDs são constitu´ıdos por um conjunto de programas para acessar e gerenciar a estru-tura de um banco de dados, que permite o armazenamento de diferentes tipos de dados a esse banco de dados. Os SGBDs tem como principal objetivo proporcionar um ambiente conveni-ente e eficiconveni-ente para a criação e gerenciamento da estrutura do banco de dados, recuperação e armazenamento dos dados nessa estrutura. (KORTH; SILBERSCHATZ, 1999).

Os SGBDs podem ser conceituados como aplicativos que tratam todo o acesso ao banco de dados, ou seja, todas as solicitações de acesso ao banco de dados são processadas pelo SGBD; portanto uma das funcionalidades do SGBD é isolar os usuários do banco de dados dos detalhes do n´ıvel de hardware através de poss´ıveis operações em um n´ıvel mais alto pelo usuário via linguagem SQL (DATE, 2000).

Os SGBDs também são responsáveis por controlar redundâncias com objetivo de impedir inconsistências entre os dados, restringir o acesso não autorizado ao banco de dados, oferecer

backup e recuperação da estrutura e dos dados do banco de dados e impor as restrições de integridade (ELMASRI; NAVATHE, 2011). Os principais SGBDs encontrados no mercado atualmente são o PostgreSQL, MySQL, Oracle, DB2 e o SQL Server.

2.1.5 Modelagem de uma estrutura de banco de dados relacional

(23)

na criação das estruturas de banco de dados a serem implantadas, para obtenção de melhores resultados e desempenho dos SGBDs (COUGO, 1997).

A modelagem pode ser classificada em duas categorias: modelos lógicos e modelos f´ısicos (Figura 2.5). Nos modelos lógicos, encontra-se o Modelo Entidade Relacionamento (MER), criado pelo pesquisador Dr. Peter Chen (KORTH; SILBERSCHATZ, 1999).

O MER representa, através de uma forma conceitual, toda a estrutura lógica do banco de dados relacional, sem apresentar os detalhes espec´ıficos de como os dados serão armazenados em um SGBD espec´ıfico. Os detalhes são demonstrados pelo modelo f´ısico (KORTH; SIL-BERSCHATZ, 1999).

Figura 2.5:Esquema geral de modelagem utilizando o MER. Fonte: TAKAI; ITALIANO; FERREIRA, 2005

(24)

repre-sentar os relacionamentos e os bal˜oes (elipses) para indicar e alocar os atributos, exempliﬁcada na Figura 2.6 (COUGO, 1997).

Figura 2.6:Representac¸˜ao do Diagrama Entidade Relacionamento.

As entidades possuem um conjunto de propriedades, denominado atributo, sendo que al-guns destes atributos devem conferir individualidade aos elementos presentes nas entidades. A associação entre uma ou mais entidades denomina-se relacionamento. Além disso, o MER deve representar também regras que serão respeitadas pelo banco de dados, como o mapeamento das cardinalidades (regras de associações entre os elementos) (KORTH; SILBERSCHATZ, 1999). Há três tipos de cardinalidade, como descrito abaixo.

No relacionamento 1:1 (Um para Um), apenas um elemento do conjunto relaciona-se com outro elemento de outro conjunto, e vice-versa (Figura 2.7) (COUGO, 1997). Esse relaciona-mento é considerado um dos mais dif´ıceis de serem caracterizados na etapa da modelagem da estrutura do banco de dados, pois qualquer mudança de interpretação ou visão pode fazer com que facilmente ele seja questionado e até reconsiderado.

Figura 2.7:Demonstrac¸˜ao da cardinalidade 1:1 pela teoria dos conjuntos.

(25)

Figura 2.8:Demonstrac¸˜ao da cardinalidade 1:Npela teoria dos conjuntos.

O relacionamentoM:N(Muitos para Muitos) representa uma associação de elementos onde, teoricamente, não há restrição quanto às poss´ıveis ligações a serem estabelecidas entre os ele-mentos dos dois conjuntos. Assim, um elemento do primeiro conjunto pode associar-se a N

elementos do segundo conjunto, e vice-versa (Figura 2.9) (COUGO, 1997).

Figura 2.9:Demonstrac¸˜ao da cardinalidade N:N pela teoria dos conjuntos.

(26)

Figura 2.10: Exemplo de modelo f´ısico.

Fonte: http://vqv.com.br/uneb/MER Fisico Detran.png

A chave primária é a chave candidata que é escolhida pelo projetista do banco de dados, para atribuir unicidade na identificação de um elemento dentro de um conjunto de mesma enti-dade. A chave estrangeira é uma restrição que associa a chave primária ou conjunto de chaves primárias, de uma entidade com outra entidade. Estes mecanismos permitem a implementação de restrições de entidade e de relacionamentos no modelo relacional (COUGO, 1997).

A importância da utilização do MER e do DER em projetos de banco de dados deve-se pela facilidade agregada ao desenvolvimento dos projetos, por isso muitas ferramentas são concebi-das para a utilização desses modelos (KORTH; SILBERSCHATZ, 1999).

2.1.6 A linguagem SQL

(27)

Manipulation Language- Linguagem de Manipulação de Dados (DML), responsável pela con-sulta e manipulação dos dados, o que inclui concon-sultas, deleções, inserções e alterações de dados no banco de dados; e a Data Control Language - Linguagem de Controle de Dados (DCL), responsável pela segurança de acesso ao banco de dados (WILTON; COLBY; COLBY, 2005).

Muitas vantagens podem ser oferecidas pela linguagem SQL. Por ser uma linguagem pa-dronizada, oferece vantagens como a redução dos custos com treinamento, ou seja, aplicações podem se movimentar de um ambiente de desenvolvimento para outro sem a necessidade de reciclagem da equipe de desenvolvimento. Ela também oferece aos desenvolvedores a portabi-lidade entre computadores, além de consulta interativa, múltiplas visões dos dados, definição dinâmica dos dados entre outras (MACHADO; ABREU, 1996).

2.1.7 Banco de dados biol´ogicos

Nesta última década, profissionais das áreas de biociências têm mostrado uma capacidade impressionante de gerar dados com métodos de larga escala, e têm encontrado na tecnologia caminhos poderosos para organizar, armazenar, integrar e analisar esses diferentes tipos de dados (ALTMAN, 2004).

Técnicas experimentais eficientes nas áreas de sequenciamento de DNA,microarrays, es-pectrometria de massa de prote´ınas, entre outras, são algumas das técnicas responsáveis pelo aumento dos dados em larga escala nas áreas biológicas. Em decorrência da geração dessa grande quantidade de dados, novos campos de estudo dentro da biologia vêm surgindo, como a genômica, a transcritômica, proteômica e a interatômica, entre outras. Essas ciências “ômicas” visam a compreensão global do funcionamento dos sistemas biológicos sob diferentes est´ımulos com o intuito de desenvolver novas drogas para humanos com altos valores terapêuticos e de baixo perfil toxicológico (CHEN; SIDHU, 2007).

Com o intuito de facilitar a armazenagem e análise da grande quantidade de dados pro-duzidos pelas ciências ômicas, tecnologias computacionais têm sido desenvolvidas para sua utilização no âmbito biológico e, dentre essas tecnologias, estão os bancos de dados. Os chama-dos banco de dachama-dos biológicos são bancos com uma estrutura capaz de armazenar informações biológicas de forma centralizada e organizada tornando a exploração dessas informações me-nos complexa e, consequentemente, promovendo a aceleração da aquisição de conhecimento sobre os sistemas biológicos a partir dos resultados obtidos pelas ciências ômicas (NELSON; REISINGER; HENRY, 2003).

(28)

primários de sequência (nucleot´ıdeos e aminoácidos), de genomas, especializados, de vias bi-oqu´ımicas, de estrutura de prote´ınas, de microarrays, e de interação entre prote´ınas. Todos esses bancos de dados estão focados em apenas um objetivo, auxiliar profissionais das áreas de biociências a responder perguntas relacionadas a informações evolutivas (genes homólogos, frequência de alelos e etc), informações genômicas (localização no cromossomo, introns, regiões reguladoras e etc), informações estruturais (estrutura de prote´ınas, dom´ınios estruturais e etc), informações de expressão (expressões espec´ıficas a um tecido, fenótipos, doenças e etc) e informações funcionais (função molecular e enzimática, papel em doenças e etc). Na próxima seção, serão descritos alguns dos principais bancos de dados biológicos, com grande influência nas áreas biológicas.

2.1.7.1 Protein Data Bank (PDB)

OProtein Data Bank (PDB)é um conjunto de banco de dados, estabelecido pelo Dr Walter Hamilton em 1971, e originalmente desenvolvido no Brookhaven National Laboratory (BNL). O PDB (http://www.pdb.org/) é responsável por armazenar estruturas tridimensionais de prote´ınas, ácidos nucleicos e outras macromoléculas biológicas. Em seus dados estão conti-dos coordenadas atômicas, citações bibliográficas, informações sobre estrutura primária e se-cundária, dados experimentais de estrutura elucidadas ou por cristalografia ou por Ressonância Magnética Nuclear(Nuclear Magnetic Resonance (NMR)), e endereços para outros bancos de dados biológicos (SUSSMAN et al., 1998).

O trabalho realizado no PDB é um trabalho colaborativo, seus avanços são feitos por colaboração de cientistas ao redor do mundo, o que transformou o originalPDBde um simples conjunto de bancos de dados em um poderoso e sofisticado sistema de base de conhecimento em informação estrutural, que combina as tecnologias de sistemas de bancos de dados orientado a objetos e sistemas de banco de dados relacionais para arquivar e acessar informações estruturais (SUSSMAN et al., 1998).

(29)

Pro-tein Data Bank Japan (PDBj)(http://www.pdbj.org), localizado no Jap˜ao (STANDLEY et al., 2008).

Figura 2.11: Página de apresentação do site wwPDB Fonte:http://wwpdb.org/

2.1.7.2 Entrez

(30)

Figura 2.12: Página de apresentação doEntrez

Fonte:http://www.ncbi.nlm.nih.gov/sites/gquery

Através dos dados obtidos pelo Entrez os usuários podem identificar uma sequência de miRNA, recuperar registros da literatura e de prote´ınas associadas, identificar dom´ınios con-servados dentro das prote´ınas, identificar prote´ınas similares, identificar mutações conhecidas dentro do gene ou prote´ına, encontrar uma estrutura tridimensional resolvida para a prote´ına ou, na sua ausência, identificar estruturas com sequência homólogas, obter uma visão do con-texto genômico e obter a região da sequência, entre outras informações relevantes à biomedicina (GEER; SAYERS, 2003).

Em 2010, oEntrezcontava com um total de 38 bancos de dados e com mais de 450 milh˜oes de registros (SAYERS et al., 2011). Alguns bancos de dados que formam essa ferramenta s˜ao descritos abaixo: o GenBank e o PubMed (GEER; SAYERS, 2003).

2.1.7.3 GenBank

(31)

O banco de dados foi constru´ıdo e é distribu´ıdo gratuitamente peloNCBI, através da Internet (http://www.ncbi.nlm.nih.gov/genbank/), FTP e um amplo número de serviçosweb de análises e de recuperação de dados. Em 2010, oGenBankcontava com mais de 1200 genomas completos de bactéria e arquea, e 286.730.369.256 pares de bases nucleot´ıdicas (12,6% a mais em relação a 2009). Desse total, a espécieHomo sapiensera a espécie como mais pares de base de nucleot´ıdeos inseridos, total de 14.792.487.417 (BENSON et al., 2011).

2.1.7.4 PubMed

Os resumos de grande parte da literatura sobre biomedicina estão armazenados e dispon´ıveis no banco de dados PubMed (http://www.ncbi.nlm.nih.gov/pubmed/), desenvolvido e man-tido pelo NCBI. O PubMed é responsável por incluir toda a literatura contida no MEDLINE5 e mais algumas citações adicionais. Além dos resumos e citações, o PubMed também contém os endereços eletrônicos das revistas para garantir o acesso ao artigo completo ao usuário (LE-TOVSKY, 2002).

Atualmente a quantidade de citações já ultrapassa a marca de 21 milhões e a quantidade está aumentando aproximadamente 4% ao ano (LU, 2011). Em 2010, o Pubmed abrangia mais de 22.000 revistas cient´ıficas, com artigos publicados desde 1880 (artigo mais antigo relatado no Pubmed) (SAYERS et al., 2011). O Pubmed é utilizado por pesquisadores, profissionais da área da saúde e o público geral (LU, 2011).

2.1.7.5 Gene Ontology

OGene Ontology (GO) Consortium é a maior iniciativa na área da bioinformática na ten-tativa de padronizar a representação de genes e produtos criados pela regulação gênica, através de diversas espécies e banco de dados. O GO utiliza um vocabulário controlado de termos para a descrição das caracter´ısticas dos produtos dos genes e para a anotação dos dados de produtos de genes (ASHBURNER et al., 2000).

OGO Consortiumsurgiu a partir de uma colaboração entre três bancos de dados de modelos de organismos: FlyBase (Drosophila), Saccharomyces Genome Database (SGD) e o Mouse Genome Database (MGD), em 1998. Desde então, muitos bancos de dados vêm sido inclu´ıdos no GO no objetivo de oferecer uma descrição consistente de produtos de genes em diferentes bancos de dados através do uso da ontologia6(ASHBURNER et al., 2000).

5_{Banco de dados bibliogr´aﬁco da}_{U.S. National Library of Medicine}_R _(NLM)_.

6_{E um modelo de dados que representa um conjunto de conceitos dentro de um dom´ınio e os relacionamentos}_´

(32)

O GO disponibiliza à comunidade cient´ıfica um sistema de banco de dados relacional que armazena dados das ontologias e anotações de genes e produtos de genes. Esses da-dos são disponibilizada-dos através do navegador AmiGO e pela busca do próprio site do GO (http://www.geneontology.org), e também podem ser obtidos através dedownload (ASH-BURNER et al., 2000).

OGO Database é atualizado periodicamente: ontologias, definições e mapeamento de ou-tros bancos de dados são inseridos diariamente; todas as anotações manuais de produtos de genes, anotações eletrônicas de todos os bancos de dados, sequências de produtos dos genes são inseridos semanalmente; e as anotações geradas manualmente ou eletronicamente são inse-ridas mensalmente (ASHBURNER et al., 2000).

2.1.7.6 BioGrid

OBiological General Repository for Interaction Datasets (BioGRID)( http://www.thebio-grid.org) é um banco de dados público que armazena interações entre prote´ınas e interações genéticas de diversos organismos. Atualmente, o BioGRID contém cerca de 413.179 dados de interações (versão 3.1.81, outubro de 2011) gerados por técnicas de alta escala e de trabalhos individuais. Esses dados são atualizados mensalmente e são analisados minunciosamente por um grupo de pesquisadores doutores do BioGRID com aux´ılio de um sistema de gerenciamento de interações (Interaction Management System - IMS) para garantir a qualidade das interações depositadas no banco.

O BioGRID armazena interações genéticas e entre prote´ınas de 25 organismos (Arabidopsis thaliana, Bacillus subtilis 168, Bos taurus, Caenorhabditis elegans, Candida albicans SC5314,

Canis familiaris, Chlamydomonas reinhardtii, Danio rerio, Drosophila melanogaster,

Escheri-chia coli K12 MG1655, Gallus gallus, Hepatitus C Virus, Homo sapiens, Human Herpesvirus

1, Human Herpesvirus 4, Human Immunodeﬁciency Virus 1, Macaca mulatta, Mus

muscu-lus, Plasmodium falciparum 3D7, Rattus norvegicus, Saccharomyces cerevisiae,

Schizosaccha-romyces pombe, Sus scrofa, Xenopus laevis, Zea mays) e seus dados podem ser procurados atrav´es de sua p´agina web ou ainda serem baixados em diversos formatos, como PSI-MI e XML (STARK et al., 2011).

(33)

disseminac¸˜ao dos dados por todos os bancos de dados parceiros (STARK et al., 2011).

2.1.7.7 HPRD

O Human Protein Reference Database (HPRD)(http://www.hprd.org/) é um sistema de banco de dados orientado a objetos, que armazena e integra informações relativas à arqui-tetura de dom´ınio, redes de interação e associação de doenças para cada prote´ına no proteoma humano. Os dados são obtidos através da literatura por biólogos que lêem, interpretam e anali-sam manualmente as publicações (KESHAVA PRASAD et al., 2009).

Outras caracter´ısticas encontradas no HPRD são: o mecanismo de procura por motivos fos-forilados na prote´ına de interesse; o sistema distribu´ıdo de anotação de prote´ınas, que permite que laboratórios envolvidos com pesquisa proteômica (cerca de 75 em 2009) submetam seus dados (espectrometria de massa, dados de técnica de microarraysde prote´ınas e outros tipos), que são mapeados na entrada dos dados no HPRD; e uma ligação com uma coletânea (Net-Path) de vias de sinalização humana desenvolvido pelo mesmo grupo do HPRD (KESHAVA PRASAD et al., 2009).

Atualmente o HPRD contém 30.047 prote´ınas, 39.194 interações entre prote´ınas, 93.710 modificações pós-traducionais, 112.158 dados de expressão de prote´ınas, 22.490 dados so-bre localização subcelular, 470 dom´ınios e 453.521 endereços eletrônicos de referências bi-bliográficas contidas no PubMed. Os dados foram obtidos diretamente do site oficial do HPRD em setembro de 2011.

2.2 Regulação transcricional e a sua importância

Nesta seção são apresentados os principais conceitos e pontos relevantes associados com as interações de regulação transcricional.

2.2.1 O processo de transcrição gênica

Todos os processos biológicos que ocorrem em um ser vivo dependem de uma série de instruções herdadas e passadas de geração para geração. Essas instruções são armazenadas de maneira codificada no ácido desoxirribonucléico (DNA) (ALBERTS et al., 1999).

(34)

sobrepostos7. As prote´ınas e os RNAs não codificadores são as moléculas que efetivamente atuam nos processos biológicos. A decodificação das informações contidas no gene para a produção das prote´ınas e dos RNAs funcionais ocorre da seguinte forma: as informações con-tidas no gene são transcritas em outra molécula, chamada de RNA mensageiro (RNAm), e as informações transcritas nesse RNAm podem ser traduzidas caso o produto funcional seja uma prote´ına ou podem ser processadas para a formação de um RNA não codificador funcional (GERSTEIN et al., 2007).

O controle da produção de prote´ınas ou de RNAs não codificadores funcionais é feito prin-cipalmente através do controle da transcrição do gene, isto é, o processo de formação do RNAm. As informações para esse controle estão localizadas em sequências de nucleot´ıdeos próximas aos genes, que são conhecidas como sequências reguladoras. O processo biológico relacionado a este controle da transcrição do gene é denominado de regulação gênica (ALBERTS et al., 1999).

Na regulação gênica, prote´ınas denominadas fatores de transcrição (FTs) se ligam às sequên-cias reguladoras presentes próximos aos genes e regulam a transcrição destes. Centenas de sequências reguladoras de genes foram identificadas e cada uma dessas sequencias é reconhe-cida por um ou mais fatores de transcrição que, dependendo da situação, podem aumentar ou di-minuir a transcrição do gene e, consequentemente, aumentar ou didi-minuir a produção da prote´ına codificada por esse gene (KIM; PARK, 2011).

2.2.2 A importância das interações de regulação transcricional

Os fatores de transcrição são decisivos nos organismos vivos. O desenvolvimento de um órgão inteiro pode ser disparado por apenas um fator de transcrição, como demonstrado, por exemplo, em estudos do desenvolvimento do olho na mosca-da-fruta Drosophila melanogas-ter. Neste organismo, um gene chamadoEyfoi transcrito artificialmente nas etapas iniciais do desenvolvimento em células que normalmente iriam formar as patas. Essa transcrição gênica anormal resultou no desenvolvimento de um olho no meio das patas (HALDER; CALLAERTS; GEHRING, 1995).

Em humanos, fatores de transcrição estão relacionados também a vários distúrbios, sendo que, dos 1988 fatores de transcrição conhecidos em seres humanos, cerca de 300 estão envol-vidos com doenças humanas de acordo com o banco de dados“Morbid Map” do Online

Men-7_{Além da definição descrita há outras diversas definições de gene (MEYER; BOMFIM; EL-HANI, 2011). Foi}

escolhida a definição proposta por Gerstein et al. por ser a mais adequada à definição dos dados armazenados no

(35)

delian Inheritance in Man (OMIM)(BORATE; BAXEVANIS, 2009). Como exemplo, pode ser citado o distúrbio de crescimento, onde foram encontradas mutações em fatores de transcrição relacionados à formação da hipófise, glândula que produz numerosos e importantes hormônios, ocasionando a baixa estatura (MARUI et al., 2002).

Desses 300 FTs, há alguns exemplos que já são alvos de tratamento. O fator de transcrição

RARA, por exemplo, é alvo da droga alitretino´ına para o tratamento de acne e de outras doenças. O fator de transcriçãoPPARA, por sua vez, é alvo da droga clofibrato para o tratamento de hiper-lipoproteinemia tipo III e hipertrigliceridemia grave. Há também exemplos de drogas utilizadas no tratamento do câncer, como o fator de transcrição AR, que é alvo da droga nilutamida no tratamento de câncer de próstata. Outro exemplo é o fator de transcrição ESR1 que é alvo da droga tamoxifeno no tratamento de câncer de mama (WISHART et al., 2006).

Segundo Karamouzis et al. (2002), drogas desenvolvidas para controlar os FTs no trata-mento do câncer são mais eficientes do que as drogas convencionais. As drogas convencionais têm como alvos prote´ınas localizadas na membrana das células doentes, que funcionam como receptores e transmissores de informações do meio extracelular para o núcleo, para que a célula tenha uma resposta adequada ao seu meio extracelular. Essas prote´ınas de membrana, portanto, afetam todo comportamento celular e, justamente por estarem na superf´ıcie celular, são mais fáceis de serem alvos para drogas. Porém, como o processo de transmissão das informações até o núcleo pode seguir por mais de uma via, essas drogas convencionais podem elicitar compor-tamentos celulares indesejáveis e, portanto, podem não ter o efeito esperado, com consequente perda de eficiência. Já as drogas que têm como alvos os FTs atuam diretamente no núcleo e, portanto, a probabilidade de ocorrência de comportamentos celulares indesejáveis é menor (KARAMOUZIS; GORGOULIS; PAPAVASSILIOU, 2002).

2.2.3 Crescimento dos dados na área de regulação gênica

(36)

Figura 2.13: Quantidade anual de artigos sobre regulação gênica indexados no banco de dados PubMed Fonte:http://www.ncbi.nlm.nih.gov/pubmed/

(37)

2.3 Principais bancos de dados de interações de regulação

transcricional

Devido ao crescimento de dados sobre regulação gênica mostrado na seção anterior, os pesquisadores sentiram a necessidade de organizar tais informações em banco de dados de interações de regulação transcricional. Atualmente, há alguns alguns bancos de dados relacio-nados com esta tarefa, sendo que os 3 principais são: o TRANSFAC, oTREDe oOREGANNO.

2.3.1 TRANSFAC

O TRANSFAC (http://www.gene-regulation.com/pub/databases.html) é um sis-tema de banco de dados relacional dividido em duas versões, uma pública (menos da metade dos dados presentes) e uma profissional (com acesso privado, Figura 2.15), responsável por ar-mazenar informações sobre mapeamento de s´ıtios de regulação gênica, tais como as sequências e as prote´ınas que interagem com essas sequências (Fatores de Transcrição). Também são ar-mazenadas informações sobre os genes (organismo, posição e sequência do s´ıtio de ligação) e sobre os microRNAs (miRNA) (MATYS et al., 2006).

Os dados inseridos no TRANSFAC são baseados em evidência experimental e extra´ıdos de artigos revisados por especialistas, que inspecionam na bibliografia a validade dos dados (MATYS et al., 2006). Esses pesquisadores varrem a literatura por dados compat´ıveis, e pos-teriormente armazenam-os ao banco de dados. O TRANSFAC utiliza vocabulários controlados e várias funções automatizadas para realizar essas atualizações periodicamente (MATYS et al., 2006).

Desde o seu começo, há cerca de 20 anos, o TRANSFAC disponibiliza os dados de regulação transcricional (MATYS et al., 2006), com a ideia principal em coletar as informações da bibli-ografia e gerar um mapa regulatório para os genes obtidos e então disponibilizá-lo aos usuários (MATYS et al., 2006).

Em 2010, o TRANSFAC continha 14.490 fatores de transcrição (incluindo miRNAS), 30.118 s´ıtios de ligação, 67.947 genes, 41.859 ligações entre fatores de transcrição e seus res-pectivos s´ıtios, 1.549.846 fragmentos de Chip-Chip8, 24.560 referências e 277.337 sequências promotoras.

(38)

Figura 2.15: Valores de acesso ao TRANSFAC.

Fonte:http://www.biobase-international.com/buy

2.3.2 TRED

OTranscriptional Regulatory Element Database (TRED)(http://rulai.cshl.edu/TRED) é um banco de dados de interações entre fatores de transcrições e genes alvos experimentalmente verificados ou computacionalmente preditos de mam´ıferos (JIANG et al., 2007).

OTREDpossui como caracter´ısticas anotações de promotores de genoma humano, de rato e de camundongo; informações sobre ligações entre fatores de transcrição e genes regulados; e processo de verificação dos dados manualmente. Segundo dados obtidos da página Web do

TRED, os dados armazenados no banco de dados são verificados manualmente, e atualmente essa verificação está focada em 36 fam´ılias de fatores de transcrição envolvidos em carcinomas (TRED, 2012).

Atualmente o banco de dados possui cerca 3409 genes alvos de seres humanos, 1126 genes alvos de camundongos e 461 genes alvos de ratos (TRED, 2012).

2.3.3 OREGANNO

O Open REGulatory ANNOtation database (ORegAnno)(http://www.oreganno.org/) é um banco de dados de acesso gratuito de interações entre fatores de transcrição e genes alvos retirados da literatura (MONTGOMERY et al., 2006).

(39)

3 Objetivos

Com base no que foi exposto na Introdução, o objetivo deste trabalho é a construção da versão 2.0 do banco de dadosHTRIdbatravés das seguintes melhorias:

• Ampliação da estrutura doHTRIdbpara suportar a inserção de novos dados relacionados a FTs de seres humanos, tais como os dados sobre interação f´ısica entre os FTs e as prote´ınas codificadas pelos GAs com outras prote´ınas e os nomes alternativos dos FTs e GAs;

• Desenvolvimento de recurso capaz de demonstrar graficamente as interações entre FTs e GAs e as interações f´ısicas dos FTs e das prote´ınas codificadas pelos GAs com outras prote´ınas, sendo poss´ıvel a visualização dessas interações em vários n´ıveis de expansão;

• Criação de um mecanismo de classificação para medir o grau de confiabilidade de cada interação entre FTs e GAs e incorporação desse grau de confiabilidade ao recurso de visualização gráfica das interações entre FTs e GAs.

• Desenvolvimento de um recurso de exportação de dados em arquivo delimitado por ta-bulações, em formato“xls”, e em formato“csv”para que a comunidade cient´ıfica possa analisar os dados doHTRIdbutilizando outros programas de interesse;

• Correção dos dados presentes no banco de dados e nova coleta de dados de interações de regulação transcricional na bibliografia para complementar o acervo de interações pre-sentes no banco de dados (coleta avaliada por especialistas das áreas biológicas).

(40)

4 Materiais e M´etodos

Nessa seção serão apresentadas as principais ferramentas e conceitos de desenvolvimento da estrutura do banco de dados, da interface “Web” e seus recursos, e da coleta dos dados e sua revisão. O funcionamento lógico dos recursos também serão apresentados.

4.1 Banco de dados

Para possibilitar o acréscimo de informações relacionados aos FTs e, deste modo, permitir o funcionamento de alguns recursos que foram desenvolvidos neste trabalho, houve a necessidade de ampliar a estrutura doHTRIdbpara possibilitar o armazenamento das seguintes informações: os dados sobre interações f´ısicas entre os FTs e as prote´ınas codificadas pelos GAs com outras prote´ınas e os nomes alternativos (“apelidos”) dos FTs e GAs. Esta ampliação ocorreu através de codificações SQL para o Sistema Gerenciador de Banco de Dados PostgreSQL versão 8.4 (http://www.postgresql.org/).

(41)

Figura 4.1:Diagrama Entidade Relacionamento doHTRIdb.

Após a criação do modelo conceitual da nova estrutura do HTRIdb 2.0, este foi utilizado para a criação do modelo f´ısico da estrutura (Figura 4.2) que considera as caracter´ısticas do Sistema Gerenciador de Banco de Dados PostgreSQL, como exemplo: os tipos de dados que são suportados pelo SGBD.

Figura 4.2:Modelo f´ısico doHTRIdb.

(42)

codificação, o tamanho máximo de cada atributo (em alguns casos), a forma de implementação dos relacionamentos entre os elementos (entidades) do banco de dados seguindo as regras de associação entre os elementos (cardinalidade), e as chaves primárias e as chaves estrangeiras.

Depois da criação do modelo f´ısico, a próxima etapa foi a codificação da estrutura do banco de dados em linguagem SQL utilizando os recursos daData Definition Language (DDL), parte da linguagem SQL responsável por determinar e criar a estrutura do banco de dados. Após essa codificação, foi realizado o processo de finalização da estrutura do HTRIdb, que foi a implantação dosscripts SQL1no Sistema Gerenciador de Banco de Dados PostgreSQL versão 8.4.

Essa implantac¸˜ao ocorreu utilizando o PSQL, um recurso do PostgreSQL para executar os

scripts SQL. O PSQL é uma ferramenta de manipulação e de manutenção do SGBD PostgreSQL utilizada em linha de comando, conhecido como modo texto (sem interface gráfica), que pode ser utilizado diretamente de um terminal2do sistema operacional Linux (nesse caso, o sistema operacional utilizado é a distribuição “Ubuntu Server” e o terminal é o“bash”).

4.2 Interface gr´afica

Para disponibilizar o banco de dados para toda a comunidade cient´ıfica, foi desenvolvida uma interface Web para conectar os usuários com o HTRIdb. O desenvolvimento dessa nova versão da interface doHTRIdbcom suas novas funcionalidades ocorreu através de uma plata-forma de desenvolvimentoWebbaseada em Java3.

Esta plataforma foi previamente instalada e conﬁgurada. Os componentes presentes s˜ao:

1. Um ambiente integrado de desenvolvimento (Netbeans 6.8, http://netbeans.org/), ferramenta essencial para facilitar e agilizar o processo de codificação dos programas desenvolvidos;

2. O Java Development Kit (JDK), presente na Java Platform Standard Edition (JavaSE)

(http://www.oracle.com/technetwork/java/javase/overview/index.html), ne-cessário para possibilitar a compilação de programas baseados na linguagem de progra-mação Java;

1_{Arquivos contendo instruções em SQL para realizar determinadas tarefas bem definidas, descritas na}

lingua-gem SQL.

2_{Terminal é um interpretador de comandos, e seu funcionamento é como uma espécie de tradutor entre o sistema}

operacional e o usuário; ele também pode ser chamado deshell. No terminal, é poss´ıvel executar sequências de comandos direto nopromptdo sistema ou escritos em arquivos de texto, nomeados deshell scripts.

(43)

3. E o servidor de aplicaçãoJBOSS Application Server (JBOSS AS)versão 4.2.3, responsável por permitir a utilização de recursos da linguagem de programação Java, as JSP (Java Ser-ver Pages) e osServlets, e oferecer através dessas tecnologias e de umframeworkbásico suporte para o funcionamento naWebda aplicação desenvolvida.

A interfaceWebfoi desenvolvida através do conceitoModel View Controller (MVC)(Figura 4.3), modelo de desenvolvimento de software atualmente considerado como uma “arquitetura padrão” utilizada na Engenharia de Software. O MVC é utilizado com o intuito de tornar o desenvolvimento da aparência (design) da interface e da lógica de programação (funcionamento da interface) mais independentes poss´ıveis, ou seja, o desenvolvimento dolayoutda página fica separado do desenvolvimento do mecanismo de comunicação entre os usuários e o banco de dados.

A arquitetura b´asica do modelo MVC utilizaServlets,JavaBeanse p´aginas JSP. OsServlets

são os responsáveis por controlar as requisições recebidas e enviadas para o banco de dados (Controller), osJavaBeansimplementam a lógica da aplicação, a modelagem das requisições dos usuários a ser enviados ao banco de dados e as respostas do banco de dados a ser enviados para o usuário (Model), e as páginas JSP se encarregam da apresentação do resultado e geração do conteúdo dinâmico das páginas da interfaceWebdoHTRIdb(View).

Figura 4.3:Diagrama do Modelo MVC.

Fonte:http://indiandotnet.files.wordpress.com/2009/04/mvc1.png

4.2.1 Recurso de visualização gráfica

(44)

transcrici-onal entre FTs e seus respectivos GAs e as interações f´ısicas entre FTs e as prote´ınas codificadas pelos GAs com outras prote´ınas diretamente nas páginas da interface gráfica do HTRIdb 2.0.

Essa ferramenta funciona em duas etapas: na etapa inicial é realizado requisições de con-sulta ao banco de dados, realizadas na linguagem SQL através de um Servletdenominado de

“graphgenerator”. Na próxima etapa, os resultados advindos dessas requisições são tratados no mesmo Servlet que, além de ser responsável pela comunicação com o banco de dados e a obtenção dos dados, também realiza a comunicação com a ferramentaCytoscape Web. O trata-mento dos dados é realizado para permitir que os dados obtidos sejam repassados doServlet, de forma compat´ıvel, para a ferramenta incorporada na interface “Web” que, por sua vez, através desses dados gera a imagem das interações e as demonstra na interface doHTRIdbatravés das JSPs.

Outro evento que ocorre na etapa de tratamento dos dados é a determinação do grau de confiabilidade das interações de regulação transcricional através da contagem da quantidade de referências e de técnicas experimentais relatadas para cada interação. Essa determinação ocorre através de uma requisição feita pelo Servlet “graphgenerator” para uma classe Java ( “colo-rido”) desenvolvida para essa tarefa de classificação que, através da quantidade de técnicas e de referências, classifica o grau de confiabilidade em 4 valores distintos como constam na Tabela 5.1 na seção “Resultados e Discussão”. Após a obtenção desse valor, ele é repassado junto com os dados das interações à ferramentaCytoscape Webque determina a cor da linha da determinada interação FT-GA.

4.2.2 Recurso de extrac¸˜ao dos dados

O mecanismo de exportação de dados em formato texto delimitado por tabulações, em formato“csv”e em formato“xls”funciona através de recursos Java que, com aux´ılio de um

Servlet (“arq temp”)realizam a transferência dos dados doHTRIdbao usuário. EsseServlet é responsável por obter os dados do banco de dados através de requisições, modelá-los e repassá-los ao usuário através de métodos da classe JavaOutputStream.

(45)

4.2.3 Estat´ıstica do

HTRIdb

Na aba “Estat´ıstica” doHTRIdb(ver Figura 5.9 na seção “Resultados e Discussão”), existe uma forma de avaliação da evolução do banco de dados. Seu funcionamento ocorre da seguinte forma: oServlet(“count”), que realiza a consulta no banco de dados, manda uma requisição ao SGBD PostgreSQL para obter o número total dos itens inseridos no banco de dados, inclusive o número de fatores de transcrição presentes.

Essa requisição é realizada através da linguagem SQL, com recursos da Data Definition Language (DDL), parte da linguagem SQL responsável por manipular os dados presentes na estrutura do banco de dados. Os resultados obtidos pelo Servlet são repassados à JSP res-ponsável por apresentá-los ao usuário. Além da apresentação dos dados, esta página da in-terface “Web” possui um gráfico que utiliza o número de fatores de transcrição presentes no banco de dados e o número total de fatores de transcrição conhecidos (RAVASI et al., 2010) para apresentar a evolução do banco de dados. Esse gráfico é gerado através de uma classe Java desenvolvida para realizar a tarefa de criação e apresentação de gráficos, chamadaCewolf

(http://cewolf.sourceforge.net/new/index.html), que foi incorporado à JSP da inter-face gráfica para apresentar o gráfico da evolução ao usuário.

4.2.4 Recurso de inserção de novos dados e de comunicação com a equipe

do

HTRIdb

Esses novos recursos foram desenvolvidos para manter oHTRIdbsempre atualizado e sem ocorrência de erros. O mecanismo de inserção de novos dados pelos usuários da comunidade cient´ıfica funciona através de Servlets e de um banco de dados auxiliar (Figura 4.4) desen-volvido para essa tarefa, que ocorre da seguinte forma: o usuário insere os novos dados nos campos necessários (descritos com mais detalhes na seção “Resultados e Discussão”) na aba

“UPLOAD DATA”, desenvolvida com recursos JSP, e após o preenchimento dos campos, este usuário confirma o envio dos dados. Nesse momento o Servlet (“UP’’) responsável por fazer a comunicação entre a página JSP e o banco de dados auxiliar manda um pedido ao usuário para confirmar se ele é humano ou não. Esse pedido é realizado através de uma ferramenta in-corporada aoServletdenominada deRecaptcha(http://www.google.com/recaptcha), que faz uso de recursos visuais para a confirmação da veracidade do processo e proteção contra

spambots4.

(46)

Figura 4.4:Modelo f´ısico do banco de dados auxiliar.

Após a confirmação, o Servlet (“UP”) envia ao banco de dados auxiliar uma requisição para a inserção dos novos dados que insere os dados para futuras verificações de especialistas da área biológica. Após essa confirmação, os especialistas inserem manualmente os dados ao banco de dados principal.

O recurso de comunicação entre o usuário e o HTRIdb também funciona de forma se-melhante ao processo de inserção dos novos dados mas, nesse caso, utiliza-se outro Servlet

(“EVA”) desenvolvido para realizar a comunicação entre a página JSP e o banco de dados au-xiliar. EsseServlettambém utiliza a ferramentaRecaptcha para controlar o processo de envio de mensagens que serão armazenadas.

4.3 Coleta e revis˜ao dos dados

Os novos dados que preenchem a nova estrutura do banco de dados são as informações sobre interações prote´ına-prote´ına (interações f´ısicas entre prote´ınas) dos FTs e das prote´ınas codificadas pelos GAs, e os nomes alternativos que foram extra´ıdos do banco de dados Entrez Gene (MAGLOTT et al., 2011). As informações sobre interações prote´ına-prote´ına já estavam dispon´ıveis no laboratório em formato de texto separado por tabulações.

(47)

por vários especialistas das áreas de biociências.

(48)

5 Resultados e Discuss˜ao

OHuman Transcriptional Regulation Interaction Database(HTRIdb;http://www.lbbc. ibb.unesp.br/htri) (Figura 5.1) foi idealizado para ser um repositório de interações de regulação transcricional experimentalmente verificadas de seres humanos, com diversas fun-cionalidades e disponibilizado gratuitamente à comunidade cient´ıfica. O HTRIdb começou a ser desenvolvido no per´ıodo de iniciação cient´ıfica e foi aperfeiçoado e conclu´ıdo no per´ıodo de mestrado do aluno responsável.