Análisis matemático para la caracterización de ARNs largos no codificantes

Abstract

Los ARNs no codificantes (ARNs-nc) están involucrados en diversos procesos biológicos, por lo que su identificación y caracterización funcional es una prioridad. Entre ellos, se encuentran los ARNs largos no codificantes (ARNs-lnc). Recientemente se ha demostrado que estos regulan diversos procesos celulares, como el desarrollo celular, la respuesta al estrés y la regulación transcripcional. El identificar ARNs-lnc y cuál es su función a nivel celular es una ardua tarea que se lleva a cabo en los laboratorios, para la cual se necesita de tiempo y recursos. Así, la continua identificación de nuevos ARNs-lnc remarca la necesidad de métodos fiables para su detección, siendo el análisis estructural una herramienta fundamental. Buscando potenciar la búsqueda e identificación de ARNs-lnc, recientemente se han empleado programas y herramientas computacionales; un ejemplo de ello es LncFinder, el cual incluye una gran base de ARNs-lnc de humanos, ratones, pollos, entre otros organismos. Sin embargo, muchas de estas herramientas se enfocan en analizar solo ARNs de forma preferencial; por ejemplo, en mamíferos se prioriza el análisis de los ARNs de humanos. Por esta razón, en esta tesis se expone un método que tiene como base elementos matemáticos y computacionales que busca caracterizar grupos de ARNs, y cuyos resultados pueden posteriormente validarse de forma experimental. Para ello, se propuso un algoritmo basado en gráficas de árbol con raíz para representar y comparar estructuras secundarias del ARN, con la finalidad de establecer una caracterización partiendo de tres conjuntos de ARNs, de los cuales nos interesa una característica de su estructura relacionada con su función. Primero, el algoritmo analiza los primeros dos conjuntos para extraer información estructural; es decir, se buscan similitudes estructurales entre ambos conjuntos. Después, el algoritmo analiza si dichas similitudes están presentes, o no, en el tercer conjunto. Finalmente, se establece qué elementos del tercer conjunto tienen la característica funcional de interés. Además, dicho algoritmo fue aplicado para analizar ARNs-lnc pertenecientes a dos organismos: Saccharomyces cerevisiae y Homo sapiens. Por medio de este método, se lograron identificar correctamente secuencias de ARNs-lnc en el 90% de los casos. Estos resultados muestran que el análisis estructural basado en gráficas ofrece una metodología complementaria para la identificación de ARNs-lnc y puede complementar las herramientas existentes que se basan en analizar los nucleótidos que componen la secuencia como lo son LncFinder o PreLnc. Así mismo, cabe mencionar que este algoritmo puede ser utilizado para detectar similitudes estructurales en otros tipos de organismos y en la búsqueda de otras características que relacionen su estructura con su funcionalidad. Por ejemplo, estudios recientes han mostrado que las células tumorales pueden secretar ARNs-lnc en los fluidos biológicos de los seres humanos, formando ARNs-lnc circulares que pueden servir como biomarcadores en el cáncer. Para este caso, el algoritmo propuesto se podría aplicar para la identificación de nuevos ARNs-lnc que presenten similitudes estructurales con los ARNs-lnc circulares asociados con los tumores malignos.