Navegando por Autor "Carvalho, Lukas Iohan da Cruz"
Agora exibindo 1 - 3 de 3
- Resultados por página
- Opções de Ordenação
Dissertação Análises de redes modulares de co-expressão gênica revelam vias importantes na doença de Alzheimer e paralisia supranuclear progressiva(Universidade Federal do Rio Grande do Norte, 2021-09-28) Carvalho, Lukas Iohan da Cruz; Costa, Marcos Romualdo; Costa, Marcos Romualdo; 05278916737; http://lattes.cnpq.br/6118493598074445; http://lattes.cnpq.br/6118493598074445; http://lattes.cnpq.br/2797997375475881; Dalmolin, Rodrigo Juliani Siqueira; http://lattes.cnpq.br/4065178015615979; Velho, Tarciso André Ferreira; http://lattes.cnpq.br/8194534389725093; Reis, Ricardo Augusto de Melo; http://lattes.cnpq.br/6046165866539973As demências, doenças neurodegenerativas onde há perda de funções cognitivas, tiveram sua incidência aumentada nos últimos anos, principalmente por causa do aumento da longevidade na população mundial como um todo. O entendimento do início e progressão dessas patologias pode ajudar na identificação de tratamentos preventivos para essas doenças. Neste trabalho, utilizando dados humanos referentes a duas doenças neurodegenerativas (Alzheimer e Paralisia Supranuclear Progressiva) de duas regiões cerebrais (córtex temporal e cerebelo) e dois modelos animais, 5XFAD de amiloidopatia e TauD35 de taupatia, fizemos uma análise integrativa a nível gene/transcrito aliada a uma análise de co-expressão para identificar similaridades e discrepâncias nos processos biológicos afetados por essas duas doencas. Para que pudéssemos comparar os diferentes dados utilizamos a única variável comum em todos os datasets: a idade da morte. Desse modo dividimos os dados humanos em 3 grupos: A (70-80), B (81-89) e C (90+); e os animais em grupos de 4 meses, 12 meses, 17 meses e 18 meses. Os resultados da análise transcricional mostraram que alterações imunes estão presentes em AD apenas no córtex temporal, e não no cerebelo, e que alteração na transmissão sináptica ocorre tardiamente (grupos B e C), e são encontradas apenas quando utilizamos genes com isoformas alteradas no processo de enriquecimento funcional em conjunto com os genes diferencialmente expressos. Na PSP, todas as alterações encontradas imunes e de transmissão sináptica são encontradas apenas nos dados de córtex temporal; no entanto, todas as alterações são específicas para o grupo A. Nos modelos animais, as alterações em 5XFAD são semelhantes às encontradas em AD, alterações da resposta imune-inflamatória presentes em grupos precoces (4 meses) e sinápticas em um grupo mais tardio (18 meses). Em TauD35, no entanto, as alterações imunes ocorrem apenas no grupo de 17 meses, enquanto as sinápticas foram no grupo de 4 meses. Além desses resultados, observamos que as alterações em isoformas (gDTUS) estão presentes quase que exclusivamente em humanos, e principalmente em AD. Para refinar os nossos resultados, utilizamos uma abordagem de coexpressão e identificamos módulos com expressão e assinaturas gênicas específicas. Em AD os módulos envolvendo sinapses não apresentavam diferenças para o controle, no entanto, os módulos relativos a reposta imune-inflamatória, matriz extracelular e reposta a fator de crescimento estavam com atividade maior nos indivíduos com AD. Na PSP, os módulos com atividade sináptica apresentaram maior atividade em relação ao controle, enquanto aqueles relacionados com resposta imune tiveram uma atividade menor. Para confirmar a identidade genética desses módulos, utilizamos os genes encontrados nos mesmos e observamos que havia correspondência entre os módulos relacionados à resposta imune-inflamatória com células microgliais e sinápticos com neurônios glutamatérgicos. Além desses achados, também encontramos que a resposta imune-inflamatória e associada, em AD, a região analisada, dado os resultados encontrados na análise de outro dataset (MSBB). Por fim, encontramos genes identificados como fatores de risco para AD, como PTK2B, TREM1 e TREM2 nos módulos, além de MOB e SA4D nos módulos identificados na PSP. Em conjunto, esses resultados sugerem que no modelo de amiloidopatia e em AD, alterações na sinalização sináptica formam um feedback positivo com a resposta imune-inflamatória, sendo esta posterior a primeira; enquanto no modelo de taupatia e PSP, os efeitos na inflamação são secundários às alterações sinápticas.TCC Efeitos da administração sistêmica de pilocarpina sobre a expressão gênica no hipocampo de camundongos adultos(Universidade Federal do Rio Grande do Norte, 2018-11-12) Carvalho, Lukas Iohan da Cruz; Costa, Marcos Romualdo; Leão, Emelie Katarina Svahn; Dalmolin, Rodrigo Juliani SiqueiraAfetando cerca de 50 milhões de pessoas em todo o mundo, a epilepsia é uma das neuropatologias mais comuns no mundo moderno. Pode ser definida como convulsões recorrentes que afetam o cérebro como um todo ou apenas parte dele; essas convulsões vêm de uma excitação descontrolada dos neurônios, levando à morte celular. Cerca de 70% dos pacientes epilépticos respondem à medicação anticonvulsivante, enquanto 30% dos pacientes não respondem a ela. Por ser uma patologia que atinge um grande número de pessoas, estudar os mecanismos moleculares envolvidos no início e progressão da doença torna-se uma tarefa fundamental para compreendê-la. Modelos animais nos ajudam a mimetizar uma série de doenças, incluindo a epilepsia. A administração sistêmica de pilocarpina é um dos modelos utilizados para modelar a epilepsia em roedores. A pilocarpina é um agonista muscarínico; atua sobre receptores metabotrópicos, podendo levar à liberação de neurotransmissores excitatórios; entre eles, o glutamato, o principal neurotransmissor excitatório do sistema nervoso central, que é tóxico em grandes quantidades. Diversas alterações histológicas foram descritas no hipocampo de camundongos e ratos tratados com pilocarpina, mas os mecanismos moleculares envolvidos nessas alterações permanecem elusivos. A fim de entender melhor este modelo e a epilepsia propriamente dita, analisamos o transcriptoma derivado de um banco de dados de todo o hipocampo em três diferentes momentos após a injeção intraperitoneal de pilocarpina em camundongos adultos. Utilizando bioinformática, identificamos genes diferencialmente expressos pelas células do hipocampo em 12 horas, 10 dias e 6 semanas após a injeção de pilocarpina, em comparação aos controles (injeções salinas). Nossos resultados mostram que um grande conjunto de genes envolvidos na neurogênese é up-regulated às 12h, o que poderia ajudar a entender o aumento da produção neuronal observada no giro dentado de camundongos injetados com pilocarpina. Aos 10 dias e 6 semanas, ainda observamos uma grande conjunto de genes envolvidos na diferenciação neuronal, assim como genes associados a respostas inflamatórias/imunes. Juntos, nossos dados contribuem para compreender os mecanismos moleculares envolvidos nas alterações celulares observadas no hipocampo de camundongos tratados com pilocarpina.Tese Evaluation of a new nauronal induction protocol using Single-Cell RNA-Sequencing and machine learning(Universidade Federal do Rio Grande do Norte, 2024-02-26) Carvalho, Lukas Iohan da Cruz; Costa, Marcos Romualdo; http://lattes.cnpq.br/6118493598074445; http://lattes.cnpq.br/2797997375475881; Hedin-Pereira, Cecília; Lourenço, Mychael Vinícius da Costa; Dalmolin, Rodrigo Juliani Siqueira; https://orcid.org/0000-0002-1688-6155; http://lattes.cnpq.br/4065178015615979; Velho, Tarciso André FerreiraCell type identification is a critical step in the computational analysis of scRNA-Seq experiments, involving the unsupervised grouping of cells based on gene expression profiles. Traditional methods relying on canonical gene markers exhibit limitations, such as sensitivity to variations and the absence of characteristic genes for certain cell types. To address these challenges, we propose a novel approach combining machine learning algorithms with feature selection. Our methodology involves selecting a dataset suitable for training a model to ensure generalization to new data. We chose a comprehensive dataset encompassing the central and peripheral nervous system from mice at different developmental stages. Subsequently, feature selection was applied using the DUBStepR algorithm, considering gene-gene correlations to identify optimal features for cell classification. The resulting dataset, composed of 28,795 cells and 16,960 genes, was used to train and evaluate models employing k Nearest Neighborhood (kNN), Decision Tree (DT), Naive Bayes (NB), Support Vector Machine (SVM) and Multilayer Perceptron (MLP) algorithms. All models demonstrated F1-scores exceeding 90%, except for NB. Testing on a human brain scRNA-Seq dataset confirmed the robustness of the algorithms, with area under curve (AUC) values indicating accurate cell classification. SVM and MLP were selected for further analysis due to lower false positive and false negative rates. Comparisons with existing tools such as scAnnotatR and ACTINN highlight the versatility of our approach, particularly when dealing with diverse cell types. Next, we applied the SVM and MLP models to classify neurons generated in vitro human-induced neurons (hiNs) generated using distinct protocols, achieving consistent results in identifying glutamatergic and GABAergic neurons. We also attempted to classify hiNs according to cells of different brain regions, revealing challenges in classifying GABAergic neurons by region, possibly due to a limited number of optimal features. Gene expression analysis and Gene Set Enrichment Analysis (GSEA) contributed to identify gene sets associated with the electrophysiological maturation of glutamatergic hiNs generated through an alternative protocol using ASCL1 compared to other protocols. Regulatory network analysis identified master transcription factors with higher activity specifically in this protocol. In conclusion, our integrated approach of feature selection and machine learning algorithms offers an alternative way of identifying cell groups based on gene expression profiles, enhancing the refinement of single-cell analysis in the context of differential gene expression, GSEA, and regulatory gene networks.