bioinformatics

Esta tesis pretende contribuir a la priorización de genes y variantes causantes de enermedad mediante la predicción de nuevas asociaciones gen-fenotipo y variante-fenotipo con el uso de técnicas de Inteligencia Artificial (IA). Por otro lado, la tesis abordará el estudio del fenómeno de la epistasis en enfermedades neurodegenerativas. En enfoque de IA se basará en técnicas de Machine Learning (ML) y en la caracterización de los predictores más adecuados para cada enfermedad diana; predictores basados en bases de datos ómicas disponibles para la comunidad científica como GTEx, Ensembl casos y controles bajo la gestión de la empresa colaboradora y bases de datos de acceso restringido a las que el director de la tesis tiene acceso como IPDGC o GenomicsEngland-GeCIP of Neurology. La principal contribución de esta tesis pretende ser contribuir a la mejora en el ratio de éxito del diagnóstico genético y, por consiguiente, el aumento en la calidad del servicio prestado por la empresa colaboradora (NIMGenetics Genómica y Medicina S.L.). Por otro lado, la tesis abordará el estudio del fenómeno de la epistasis en enfermedades neurodegenerativas. La epistasis es la interacción o influencia entre variantes de diferentes genes a la hora de expresar un determinado fenotipo. Mediante los GWAS (Genome Wide Association Study) se asocian variantes genéticas a un determinado fenotipo o enfermedad, este tipo de estudio es una simplificación de lo que ocurre en el contexto genético teniendo en cuenta las variantes de forma individual. Pero, sabemos que los genes interaccionan y es necesario estudiar el fenómeno de la espitasis para tener un mejor conocimiento de la implicación de una variante en la relación genotipo-fenotipo y para mejorar los PRS (Polygenic Risk Score), utilizados para clasificar el riesgo de un individuo a padecer una enfermedad compleja. Es necesario el desarrollo de herramientas que estandaricen, faciliten y ayuden a la interpretación del análisis de epistasis.

Petals are a key element on plant life cycle as, in many species, they attract pollinators, thus aiding to reproduction. Furthermore, they have economic importance in ornamental crops. In the present study, petal transcriptional patterns were compared within the flower organs in Arabidopsis thaliana. It was found that catalytic molecular functions were overrepresented in
petals. A shortlist comprising the top ten differentially expressed genes in petals were mapped to the model species with industrial value Petunia hybrida, and further downregulated by RNAi. The silencing phenotypes found permitted to assign functions in petal
development to seven novel genes: when silenced, they triggered alterations on flower size and shape (PhCYP76, PhNPH3, PhFeSOD, PhXTH, PhCYP96 and PhWAK), petal smoothness (PhPRA), color (PhNPH3 and PhWAK ) and symmetry
(PhCYP76 ). Pleiotropic phenotypes were found, such as changes in root morphology and leaf color (PhCYP76 ), flower number, capsule and seed morphology (PhCYP96 ) and plant height (PhCYP76 and PhCYP96 ).

To accomplish the experimental design, three methods were developed. First, the “pESTle” management system that assembles, annotates, stores and serves expressed sequence tag data. Second, a reference gene selection for real time PCR experiments that includes a new method for stability estimation based on rank aggregation of published algorithms, and concludes that a normalization
factor with two members of EF1α, SAND, CYP or RAN1 is stable enough under most conditions. And third, a PCR efficiency estimator based on amplicon characteristics which allows efficiency-driven primer design in a Web tool.