Year: 2016
Type: dissertation
Abstract: El rápido crecimiento experimentado por las técnicas de secuenciación de última generación ha impulsado a su vez el desarrollo de aplicaciones bioinformáticas destinadas a la anotación funcional e interpretación de las variantes identificadas. De hecho, el uso de estas herramientas es cada vez más popular, habiéndose extendido al ámbito del diagnóstico clínico. Sin embargo, la tasa de éxito promedio de estos métodos se sitúa en torno al 80 %, bastante por debajo todavía de los niveles requeridos para su uso independiente en casos de diagnóstico. En la presente tesis se aborda este problema con la finalidad de extender la precisión de estos métodos y así mejorar su aplicabilidad. Para ello abordamos este desafío desde cuatro perspectivas distintas. En primer lugar, identificamos la existencia de un límite en la tasa de acierto de estas herramientas, y determinamos que la aproximación denominada “protein-specific” (específica de proteína) es realmente prometedora. En segundo lugar, aplicamos dicha aproximación al caso de la enfermedad de Fabry, desarrollando un predictor que identifica sus variantes causales con una tasa de acierto del 90-95 %, compitiendo holgadamente con la de los métodos habitualmente utilizados (ej. SIFT, PolyPhen-2, etc.). En tercer lugar, extendemos esta aproximación a un conjunto de 82 proteínas, contrastando la calidad de los predictores específicos con la de un amplio conjunto de herramientas estándar. Finalmente, proponemos una nueva forma de comparar los métodos de predicción basada en el coste. Este planteamiento considera de forma implícita tanto la enfermedad como los tratamientos asociados disponibles. Como resultado se presenta un criterio de selección de predictores más adaptado al contexto clínico.
Authors: Riera Ribas, Casandra, Universitat Autònoma de Barcelona. Departament d'Enginyeria Química, Biològica i Ambiental
Institution: Universitat Autònoma de Barcelona
Language: Catalan
Topic: Genomics and Rare Diseases
Subfield: Genetics
Domain: Life Sciences
Open Access status: green
OpenAlex ID: W7058438620
