Identificación de biomarcadores con poder pronóstico en cáncer: una perspectiva desde la ciencia de datos biomédicos y la bioinformática
DOI:
https://doi.org/10.59471/raia201931Palabras clave:
Grandes Volúmenes de Datos, Bioinformática, Bioestadística, BioplatResumen
En el estudio del cáncer, los perfiles de expresión génica tienen gran relevancia dado que permiten conocer la actividad de genes de interés en el tejido en análisis. El avance biotecnológico y la disminución de costos de secuenciación han permitido producir grandes volúmenes de datos moleculares incluidos los perfiles de expresión génica, que pueden ser analizados junto con los datos de supervivencia (recidiva de un tumor u óbito) para obtener información valiosa sobre el pronóstico del paciente. El objetivo es identificar perfiles de expresión que muestren asociación con características clínicamente accionables, como respuesta a un tratamiento o capacidad de recidiva del tumor.
El análisis de estos grandes volúmenes de datos biomédicos requiere de conocimiento computacional, bioinformático y bioestadístico. La plataforma Bioplat permite democratizar estos análisis y es especialmente útil para equipos que tienen la experiencia biológica pero no la computacional/ bioestadística. Además integra múltiples fuentes de datasets, permite incorporar datos propios y provee una base de datos curada. Ofrece puntos de extensión para que científicos de la computación puedan incorporar fácilmente nuevos algoritmos, herramientas o técnicas de machine learning.
Métricas
Citas
» Abba, M.C., Gong, T., Lu, Y., Lee, J., Zhong, Y., Lacunza, E., Butti, M., Takata, Y., Gaddis, S., Shen, J., Estecio, M.R., Sahin, A.A., Aldaz, C.M. The molecular landscape of breast ductal carcinoma in situ (DCIS).
» Abba, M.C., Lacunza, E., Butti, M.D., Aldaz, C.M. (2010). Breast cancer biomarker discovery in the functional genomic age: asystematic review of 42 gene expression signatures. Biomarker Insights 5: 103-118. ISSN: 1177-2719.
» Agarwal, A., Ressler, D., Snyder, G. (2015). The current and future state of companion diagnostics. Pharmgenomics Pers Med. 8:99–110. doi:10.2147/PGPM.S49493
» Barrett, T. et al. (2013). NCBI GEO: archive for functional genomics data sets—update. Nucleic Acids Res.;41:D991–D995.,
» Biomarkers Definitions Working Group, Atkinson Jr., A. J., Colburn, W. A., DeGruttola, V. G., DeMets, D. L., Downing, G. J. & Spilker, B. A. (2001). Biomarkers and surrogate endpoints: preferred definitions and conceptual framework. Clinical pharmacology & therapeutics 69(3), 89-95.
» Bland, J.M., Altman, D.G. (2004). The logrank test. BMJ.;328(7447):1073. doi:10.1136/ bmj.328.7447.1073
» Cancer Genome Atlas Research Network, Weinstein, J.N., Collisson, E.A. et al. (2013). The Cancer Genome Atlas Pan-Cancer analysis project. Nat Genet. 45(10):1113–1120. doi:10.1038/ng.2764
» Casamassimi, A., Federico, A., Rienzo, M., Esposito, S., Ciccodicola, A. (2017). Transcriptome Profiling in Human Diseases: New Advances and Perspectives. Int J Mol Sci. 18(8):1652. Jul 29. doi:10.3390/ ijms18081652
» Gentleman, R.C. et al. (2004). Bioconductor: open software development for computational biology and bioinformatics. Genome Biol. 5, R80.
» Hanahan, D., Weinberg, R. (2011). “Hallmarks of cancer: The next generation”. Cell 2011;144:646-674.
» Jones, K. O. (2005). Comparison of genetic algorithm and particle swarm optimization. In Proceedings of the International Conference on Computer Systems and Technologies, pp. 1-6.
» Jørgensen, J.T., Hersom, M. (2016). Companion diagnostics-a tool to improve pharmacotherapy. Ann Transl Med. 4(24):482. doi:10.21037/atm.2016.12.26
» Kennedy, J., Eberhart, R. (1995). Particle swarm optimization. IEEE Neural Netw. Proc., 4, 1942-1948.
» Knudson, A. G. (1971). Mutation and cancer: statistical study of retinoblastoma. Proceedings of the National Academy of Sciences 68(4), 820-823.
» Lacunza, E., Butti, M.D., Abba, M.C. (2011). SIlico identification of gene expression meta-Signature that predicts breast cancer prognosis – 1er. Congreso Argentino de bioinformática.
» Lara, S. J. P., Butti, M. D., Abba, M. C., Gutiérrez, F. A. A. (2013). Nuevos biomarcadores moleculares para la detección del cáncer de pulmón: una aproximación desde la oncogenómica funcional. ISBN 978-958761-659. Bogotá: Instituto de Biotecnología-IBUN, Universidad Nacional de Colombia.
» Liberzon, A., Subramanian, A., Pinchback, R., Thorvaldsdóttir, H., Tamayo, P., Mesirov, J. P. (2011). Molecular signatures database (MSigDB) 3.0. Bioinformatics 27(12), 1739-1740.
» McVeigh, T. P., Kerin, M. J. (2017). Clinical use of the Oncotype DX genomic test to guide treatment decisions for patients with invasive breast cancer. Breast Cancer: Targets and Therapy 9, 393.
» Ocana, A., Ethier, J.L., Díez-González, L. et al. (2015). Influence of companion diagnostics on efficacy and safety of targeted anti-cancer drugs: systematic review and meta-analyses. Oncotarget 6 (37):39538–39549. doi:10.18632/oncotarget.5946
» Stratton, R. (2008). The emerging landscape of breast cancer susceptibility. Nat Genet 40(1):17-22.
» Stuart, J.M., Segal, E., Koller, D., Kim, S.K. (2003). A gene-coexpression network for global discovery of conserved genetic modules. Science 302:249-255.
» Subramanian, A., Tamayo, P., Mootha, V. K., Mukherjee, S., Ebert, B. L., Gillette, M. A., Mesirov, J. P. (2005). Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proceedings of the National Academy of Sciences 102(43), 15545-15550.
» Vogelstein, B., Kinzler, K.W. (2004). Cancer genes and the pathways they control. Nat Med 10:789799.
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Este artículo se distribuye bajo la licencia Creative Commons Atribución-NoComercial 4.0. A menos que se indique lo contrario, el material publicado asociado se distribuye bajo la misma licencia.
