Análisis de Dianas Comunes de miRNAs y Rutas de Señalización

• Alanis Rafaela Jarre Moreano
• Claudia Melissa Alvarado Cantos
• Andrés Darío Ñauñay Puente
• Cesar Abrahan Manzo Carvajal
• Ana Belén Mejía Pérez

Realizar un análisis bioinformático para identificar genes diana comunes a un conjunto de 5 microARNs (miRNAs) y, posteriormente, determinar las rutas de señalización y procesos biológicos en los que estos genes comunes están involucrados.

El flujo de trabajo está automatizado mediante scripts de Python, garantizando la reproducibilidad y eficiencia del análisis, desde la obtención de los datos hasta la interpretación biológica de los resultados.

Caracterizar la función molecular de cada uno de los cinco genes comunes para identificar sus roles en procesos biológicos fundamentales.

Determinar los pathways (rutas metabólicas o de señalización) enriquecidos en el conjunto de genes compartidos por los miRNAs.

Las listas de genes diana para cada uno de los 5 miRNAs se obtuvieron de la base de datos TargetScanHuman 8.0. Esta base de datos proporciona predicciones de dianas de miRNAs basadas en la conservación de la secuencia y otros parámetros.

• Fuente de Datos: TargetScanHuman - v8.0
• miRNAs Analizados:
  • hsa-miR-106b-5p
  • hsa-miR-144-3p
  • hsa-miR-33a-5p
  • hsa-miR-33b-5p
  • hsa-miR-758-3p

Nota: Se asumió que las dianas de hsa-miR-33a-5p son equivalentes a las de hsa-miR-33b-5p debido a que pertenecen a la misma familia, para resolver una discrepancia en los datos iniciales.

Para replicar la obtención de datos manuales originales, se siguieron estos pasos en la plataforma TargetScan:

1. Búsqueda del miRNA: Seleccionar la especie "Human" e ingresar el nombre del microARN deseado (por ejemplo, hsa-miR-33-5p) en el campo de búsqueda correspondiente. ![Búsqueda de miRNA en TargetScan]

2. Acceso a la Tabla de Resultados: Una vez generada la lista de transcritos predichos, localizar el enlace [Download table] situado sobre la tabla de resultados a la derecha. ![Ubicación del enlace de descarga]

3. Descarga del Archivo: Al hacer clic, se abrirán las opciones de descarga. Se selecciona el formato de texto (.txt) para su posterior procesamiento en los scripts de análisis. ![Opciones de descarga de dianas] 9.png)

El proyecto sigue un flujo de trabajo automatizado de dos pasos, como se ilustra en el siguiente diagrama:

graph TD;
    A[<B>Paso 1: Obtención de Datos</B><br>5 Listas de Genes de TargetScan] --> B{<B>Script 1:</B><br>01_find_common_genes.py};
    B -- <B>Calcula la intersección</B> --> C[<B>Resultado 1:</B><br>common_genes.txt<br>(5 genes comunes)];
    C --> D{<B>Script 2:</B><br>02_pathway_analysis.py};
    D -- <B>Análisis de Enriquecimiento<br>(GO & KEGG)</B> --> E[<B>Resultado 2:</B><br>pathway_enrichment_results.csv];

.
├── 📁 data/
│   └── 📁 raw/
│       ├── 📄 hsa-miR-106b-5p.txt
│       ├── 📄 hsa-miR-144-3p.txt
│       ├── 📄 hsa-miR-33a-5p.txt
│       ├── 📄 hsa-miR-33b-5p.txt
│       └── 📄 hsa-miR-758-3p.txt
├── 📁 notebooks/
│   └── (Aquí se pueden añadir Jupyter Notebooks para análisis exploratorio)
├── 📁 results/
│   ├── 📄 ABCA1 Pathway.png
│   ├── 📄 KPNA3 Pathway.png
│   ├── 📄 SCNA1 Pathway.png
│   ├── 📄 SNTB2 Pathway.png
│   ├── 📄 common_genes.txt
│   ├── 📄 go_network_plot.png
│   ├── 📄 pathway_enrichment_results.csv
│   └── 📄 venn_result19894.png
├── 📁 scripts/
│   ├── 🐍 01_find_common_genes.py
│   └── 🐍 02_pathway_analysis.py
├── 📄 .gitignore
└── 📖 README.md

1. instalar git:

   winget install --id Git.Git -e --source winget

1. instalar pandas gseapy:

   pip install pandas gseapy

1. Clonar el Repositorio:

   git clone https://github.com/abrangel/analisis-rna-seq.git
   cd analisis-rna-seq

2. Ejecutar el Flujo de Análisis Completo:

   • Navega a la carpeta scripts y ejecuta los scripts en orden:

     cd scripts
     python 01_find_common_genes.py
     python 02_pathway_analysis.py

3. Analizar los Resultados:

   • Los archivos finales se encuentran en la carpeta results. Puedes abrirlos con un editor de texto o un programa de hojas de cálculo.

    Destaca en el presente caso clínico. Al utilizar ATP genera la translocación de fosfolípidos desde la monocapa citoplasmática a la extracelular de la membrana, de este modo participa en la transferencia de fosfolípidos a las apolipoproteínas para formar lipoproteínas de alta densidad (HDL). Además, podría participar en la liberación de colesterol intracelular hacia las apolipoproteínas.

    Participa en la importación de proteínas nucleares como proteína adaptadora del receptor nuclear KPNB1.

    Regula la permeabilidad de los iones sodio dependiente del voltaje en membranas excitables, que adoptan conformaciones abiertas o cerradas, en respuesta al voltaje. 

    Se encarga de la represión de la transcripción de la ciclina CCND1 y la reducción del crecimiento celular. 

    Puede conectar varios receptores al citoesqueleto y al complejo de glicoproteínas de distrofina, incluso podría mediante su interacción con PTPRN desempeñar un papel en la regulación de gránulos secretores.

El análisis de enriquecimiento basado en ontología génica (GO BP) mostró que los genes identificados se agrupan en procesos biológicos diferenciados. ABCA1 se encuentra asociado principalmente con rutas relacionadas con el metabolismo y transporte de lipoproteínas, incluyendo regulación de la formación de partículas de lipoproteína de alta densidad (HDL), señalización mediada por apolipoproteína A-I, secreción de péptidos, metabolismo de esfingolípidos y respuesta a vitamina B3. SCN1A aparece vinculado a procesos de señalización neuronal, mientras que KPNA3 se asocia con mecanismos celulares implicados en la penetración viral al núcleo del huésped. La distribución de los términos indica que ABCA1 concentra la mayor parte de las anotaciones funcionales, sugiriendo un papel central en el metabolismo lipídico y la homeostasis celular, mientras que los otros genes participan en funciones más específicas y no solapadas.

El análisis de enriquecimiento funcional realizado en GeneCodis utilizando la base de datos KEGG mostró que cada uno de los genes identificados se asocia de manera específica a una única vía biológica. ABCA1 se vincula principalmente con rutas relacionadas con el metabolismo lipídico, incluyendo metabolismo del colesterol, transportadores ABC y digestión de lípidos. KPNA3 se asocia con el transporte núcleo-citoplasma, SCN1A con la sinapsis dopaminérgica y SNTB2 con patologías cardiacas como miocarditis viral y distintas formas de cardiomiopatía. Esto indica que los genes analizados participan en procesos biológicos distintos, sin solapamiento entre rutas, lo que sugiere funciones especializadas dentro del contexto molecular evaluado.

El análisis de enriquecimiento funcional basado en Reactome mostró que el gen ABCA1 se asocia con múltiples rutas relacionadas con el metabolismo y transporte de colesterol, incluyendo ensamblaje de HDL, señalización mediada por NR1H2/NR1H3, desórdenes de transportadores ABC y el fenotipo patológico causado por mutaciones en ABCA1. SCN1A se relaciona con procesos eléctricos celulares, particularmente con la fase 0 de despolarización rápida y la interacción entre moléculas L1 y anquirinas, lo que sugiere un papel en la excitabilidad neuronal. Por su parte, KPNA3 se vincula con mecanismos antivirales mediados por ISG15 y con la modulación de rutas celulares inducida por proteínas virales como NS1. En conjunto, los resultados indican que los genes analizados participan en rutas Reactome funcionalmente distintas, destacando el papel central de ABCA1 en el metabolismo lipídico, mientras que SCN1A y KPNA3 se asocian a procesos específicos de excitabilidad celular y respuesta antiviral, respectivamente.

Actúa como un transportador de eflujo de colesterol y fosfolípidos. En los tejidos periféricos y hepatocitos, bombea colesterol libre (FC) y fosfolípidos hacia afuera de la célula para cargarlos en ApoA-I no lipidada, iniciando la formación de HDL naciente. Este proceso es fundamental para el transporte inverso del colesterol (eliminar el exceso de colesterol de los tejidos).

Forma parte del complejo de la sarcoglicana (junto con SGCA, SGCB, y SGCD), que a su vez se integra en el complejo de la distrofina-glicoproteína. Este complejo es crucial para anclar el citoesqueleto de actina (sarcomero) a la matriz extracelular (ECM) a través de la laminina, asegurando la integridad estructural de la célula muscular cardíaca.

Es una proteína adaptadora de importación nuclear (miembro de la familia de las carioferinas o importinas). Reconoce y se une a la Secuencia de Localización Nuclear (NLS) de las proteínas que deben ingresar al núcleo. Luego, se asocia con una importina-beta (como KPNB1/Importin) para ser transportada a través del NPC hacia el núcleo.

Codifica la subunidad alfa del canal de sodio, un canal iónico crucial para la generación y propagación del potencial de acción en las neuronas. Aunque no está directamente en el ciclo de la dopamina, estos canales son vitales para la excitabilidad neuronal. En la vía se muestra que su actividad regula la excitabilidad que puede modular la liberación o respuesta en la sinapsis, afectando indirectamente la señalización dopaminérgica.

TSC22D2 es un factor de transcripción putativo y se ha demostrado que es un regulador de crecimiento celular negativo. Su mecanismo de acción principal conocido es la interacción con la enzima glucolítica PKM2 (Pyruvate Kinase Isoform M2) y la subsiguiente represión de la transcripción de Ciclina D1. Aunque no figura como un componente de una vía enzimática o de señalización clásica, su papel como regulador maestro en el control del ciclo celular y la proliferación lo convierte en un gen de alta relevancia biológica.