Escolar Documentos
Profissional Documentos
Cultura Documentos
Pereira - Introducao Ao Mundo Dos MicroRNAs 2015
Pereira - Introducao Ao Mundo Dos MicroRNAs 2015
Editor
Élgion Lúcio Silva Loreto
Universidade Federal de Santa Maria
Comissão Editorial
Carlos Frederico Martins Menck
Universidade de São Paulo
ISBN 978-85-89265-21-8
Prefácio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2. Origem e expansão do repertório de miRNAs nos organismos. . . . . . . . . . . . . . . . . 34
3. Organização genômica de miRNAs em animais e plantas. . . . . . . . . . . . . . . . . . . . . 39
3.1 MiRNAs intergênicos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2 MiRNAs intrônicos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3 MiRNAs exônicos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.4 Clusters de miRNAs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.5 A importância da organização genômica em análises filogenéticas. . . . . . 43
4. O genoma como substrato para a gênese de novos miRNAs . . . . . . . . . . . . . . . . . . . 44
4.1 Duplicação gênica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.2 Duplicação genômica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.3 De novo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.4 Íntrons. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.5 Pseudogenes, snoRNAs e tRNAs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.6 Elementos transponíveis. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.7 Transcritos antissenso de miRNA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5. Mecanismos de diversificação dos transcritos de miRNAs . . . . . . . . . . . . . . . . . . . . 52
5.1 Alteração da região seed e isomiRs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2 Edição de miRNA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.3 Alteração de braço de leitura de miRNAs. . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.4 Mudança de hairpin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
6. Considerações finais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2. Seção A – Biogênese e sua regulação. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.1 A transcrição de microRNAs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.1.1 Regulação da transcrição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
2.2 Processamento do pri-miRNA em pre-miRNA. . . . . . . . . . . . . . . . . . . . . . . . 70
2.2.1 Regulação do processamento por DROSHA . . . . . . . . . . . . . . . . . . . 71
2.3 Exportação para o citoplasma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
2.4 Processamento do pre-miRNA no citoplasma . . . . . . . . . . . . . . . . . . . . . . . . 72
2.4.1 Regulação do processamento por DICER . . . . . . . . . . . . . . . . . . . . . 72
2.5 Processamento de miRNAs em plantas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.6 Modificações pós-transcricionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.6.1 Regulação através da cauda. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.6.2 Edição de RNA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.6.3 Metilação. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.7 Formação do complexo de silenciamento induzido por RNA (RISC). . . . . . 76
2.7.1 Regulação das proteínas AGO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.7.2 Regras para a seleção da fita guia . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
2.8 Vias não canônicas de biogênese. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3. Seção B – Degradação e sua regulação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.1 Degradação de miRNAs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4. Considerações finais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
2. A biogênese dos miRNAs e sua relação com a nomenclatura . . . . . . . . . . . . . . . . . . 90
3. A nomenclatura e os bancos de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4. Convenções. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5. Submissão de sequências para os bancos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6. Conceitos de “família de microRNAs”. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Capítulo 5. Mecanismos de ação de microRNAs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
2. A maquinaria de silenciamento. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3. Mecanismos de ação de microRNAs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.1 Visão geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
3.2 Processos de inibição da tradução. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .97
3.2.1 Competição pelo 5’ CAP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.2.2 Inibição da montagem dos ribossomos. . . . . . . . . . . . . . . . . . . . . . . 98
3.2.3 Deadenilação seguida pelo bloqueio da iniciação da tradução. . . 98
3.2.4 Dissociação prematura de ribossomos. . . . . . . . . . . . . . . . . . . . . . . 99
3.2.5 Redução da velocidade de elongação . . . . . . . . . . . . . . . . . . . . . . . . 99
3.2.6 Proteólise durante a fase de elongação. . . . . . . . . . . . . . . . . . . . . . . 99
3.3 Desestabilização do RNA-alvo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.3.1 Clivagem do transcrito-alvo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.3.2 Deadenilação seguida de remoção do 5’ CAP. . . . . . . . . . . . . . . . . 100
3.4 Silenciamento transcricional. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.4.1 Metilação do DNA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.4.2 Modificações da cromatina. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .101
3.5 Promoção da transcrição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.6 Aumento da eficiência de tradução. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4. Concentração espacial da maquinaria de silenciamento gênico. . . . . . . . . . . . . . . 103
4.1 Corpúsculos de processamento de RNA (P-bodies) . . . . . . . . . . . . . . . . . . . 103
4.2 Retículo endoplasmático. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5. Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Capítulo 6. MicroRNAs virais e miRNAs celulares contra vírus. . . . . . . . . . 107
1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
2. MicroRNAs codificados pelos vírus. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
3. O papel dos miRNAs modulando a interação vírus-hospedeiro . . . . . . . . . . . . . . . 111
3.1 A influência na longevidade das células infectadas . . . . . . . . . . . . . . . . . . 112
3.2 A modulação da resposta imune do hospedeiro . . . . . . . . . . . . . . . . . . . . . 113
3.3 A regulação da expressão viral e do hospedeiro. . . . . . . . . . . . . . . . . . . . . 113
4. MicroRNAs celulares em resposta a vírus em animais. . . . . . . . . . . . . . . . . . . . . . . 114
5. MicroRNAs celulares em resposta a vírus em vegetais. . . . . . . . . . . . . . . . . . . . . . .115
6. Conclusões e perspectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
2. MicroRNAs e a transição de fase juvenil para fase adulta em vegetais . . . . . . . . . 122
3. MicroRNAs e desenvolvimento foliar. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4. Papel dos microRNAs na iniciação e desenvolvimento de órgãos reprodutivos. . 128
4.1 MiR172 atuando na regulação de genes de identidade floral . . . . . . . . . . 129
4.2 A via miR159/GAMYB-like é funcional ao longo do desenvolvimento das
anteras e também atua no tempo de florescimento . . . . . . . . . . . . . . . . . . 130
4.3 Interação entre vias reguladas por microRNAs durante o desenvolvimento
floral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
5. MicroRNAs e desenvolvimento de frutos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
6. MicroRNAs e seus efeitos na formação e desenvolvimento do sistema radicular.133
6.1 MicroRNAs e seus efeitos na formação da raiz principal. . . . . . . . . . . . . . 134
6.2 MicroRNAs e seus efeitos funcionais na formação e desenvolvimento de
raízes laterais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
6.3 Correlação dos microRNAs com fatores ambientais no desenvolvimento do
sistema radicular. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
7. Outros aspectos relacionados ao desenvolvimento vegetal. . . . . . . . . . . . . . . . . . . 138
8. Desafios e perspectivas das pesquisas
relacionadas aos microRNAs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Capítulo 8. MicroRNAs em insetos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
Dr. Cesar Seigi Fuziwara, Prof.a Dr.a Carolina Beltrame Del Debbio e
Prof.a Dr.a Edna Teruko Kimura
1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
5. Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
Capítulo 10. Implicações patológicas da desregulação de microRNAs. . . 177
1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
2. MicroRNAs nas doenças neurológicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
2.1 As epilepsias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
2.2 A doença de Alzheimer. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
2.3 A doença de Huntington. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
3. MicroRNAs e os transtornos psiquiátricos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
3.1 A Esquizofrenia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
3.2 O Transtorno Afetivo Bipolar. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
3.3 O Autismo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
4. MicroRNAs nas doenças cardiovasculares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
5. MicroRNAs e as doenças autoimunes ou inflamatórias crônicas . . . . . . . . . . . . . . 185
5.1 O Lúpus Eritematoso Sistêmico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
5.2 A Artrite Reumatoide . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
5.3 As doenças inflamatórias intestinais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
6. Considerações finais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
2. Diagnóstico e prognóstico baseados em miRNAs . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
2.1 Neoplasias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
2.2 Neoplasias hematológicas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
2.2.1 Leucemia Linfocítica Crônica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
2.2.2 Mieloma Múltiplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
2.2.3 Leucemias pediátricas agudas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
2.2.4 Linfomas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
2.3 Tumores sólidos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
2.3.1 Câncer de próstata. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
2.3.2 Câncer colorretal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
2.3.3 Câncer de pulmão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
2.3.4 Câncer de mama . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
2.3.5 Câncer gástrico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
2.3.6 Câncer cervical. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
2.4 miRNAs como biomarcadores em outras doenças . . . . . . . . . . . . . . . . . . . 200
2.4.1 Diabetes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
2.4.2 Doenças neurológicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
2.4.3 Epilepsia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
2.4.4 Esclerose Múltipla . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
2.4.5 Doença de Alzheimer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
3. Aplicações terapêuticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
3.1 Terapêutica baseada na inibição miRNAs . . . . . . . . . . . . . . . . . . . . . . . . . . 201
3.2 Terapêutica baseada na reposição de miRNAs . . . . . . . . . . . . . . . . . . . . . . 202
3.3 Perspectivas para o uso terapêutico dos miRNAs . . . . . . . . . . . . . . . . . . . . 203
1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
2. Técnicas para clonagem de miRNAs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
2.1 Métodos de isolamento e purificação de pequenos RNAs . . . . . . . . . . . . . 213
2.2 Métodos de quantificação. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
2.3 Estratégias de clonagem de miRNAs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
3. Técnicas para análise de expressão gênica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
3.1 Northern blot. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
3.2 Hibridização in situ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
3.3 RT-qPCR. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
3.4 Normalização e análise dos dados.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
3.5 Microarranjos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
3.6 Normalização e análise dos dados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
3.7 Sequenciamento em larga escala. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
3.8 Análise dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
3.9 Quantificação das moléculas primárias e precursoras dos miRNAs. . . . . 231
4. Bancos de dados para análises de identificação dos miRNAs . . . . . . . . . . . . . . . . . 231
Capítulo 13. Abordagens computacionais e moleculares para identificação
de alvos de microRNAs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
Prof. Dr. Régis Lopes Corrêa, Kelly Costa de Almeida, Thiago Sardou
Charret, Dr. Júlio Cesar Cetrulo Lorenzi, Prof. Dr. Tiago Campos Pereira
e Prof. Dr. Vinícius D’Avila Bitencourt Pascoal
1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
2. Métodos in silico para predição de alvos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
3. Métodos moleculares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
3.1 Baseados na superexpressão de miRNAs. . . . . . . . . . . . . . . . . . . . . . . . . . . 241
3.1.1 Seguida por análise via northern blot. . . . . . . . . . . . . . . . . . . . . . . 241
3.1.2 Acompanhada por ensaios de bioluminescência. . . . . . . . . . . . . .241
3.1.2.1 Controles negativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
3.1.2.2 Controle de normalização. . . . . . . . . . . . . . . . . . . . . . . . . . 243
3.1.2.3 Limitações. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
3.1.3 Seguida por análise com microarranjos. . . . . . . . . . . . . . . . . . . . . 244
3.1.4 Seguida por sequenciamento em larga escala e proteômica . . . . 244
3.2 Baseados na inibição da atividade de miRNAs . . . . . . . . . . . . . . . . . . . . . . 245
3.3 Detecção do sítio de clivagem por 5’ RACE. . . . . . . . . . . . . . . . . . . . . . . . . . 245
3.4 Detecção experimental de alvos de miRNAs em escala genômica . . . . . . 247
3.4.1 PARE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
3.4.2 GMUCT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
3.5 Imunoprecipitação de proteínas Argonauta . . . . . . . . . . . . . . . . . . . . . . . . 249
3.5.1 RIP-Chip . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
3.5.2 TAP-Tar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
3.5.3 HITS-CLIP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
3.5.4 PAR-CLIP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
3.5.5 iCLIP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
3.5.6 CLASH. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
4. Considerações finais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
Capítulo 14. Estratégias para depleção de miRNAs . . . . . . . . . . . . . . . . . . . . . . . . . 255
1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
2. Oligonucleotídeos antissenso - antimiRs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
2.1 Vantagens e limitações dos antimiRs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
3. Esponjas artificiais de miRNAs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
3.1 Vantagens e limitações das esponjas artificiais de miRNAs. . . . . . . . . . . . 260
4. Modificações em genes de microRNAs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
4.1 Knockouts gerados por métodos tradicionais . . . . . . . . . . . . . . . . . . . . . . . 262
4.2 Knockouts condicionais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
4.3 Vantagens e limitações dos knockouts gerados por métodos
tradicionais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
4.4 Knockouts gerados por CRISPR/Cas9. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
4.5 Exemplos de aplicação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264
4.6 Vantagens e limitações do CRISPR/Cas9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
5. Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
2. Superexpressão de microRNAs endógenos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
3. MicroRNAs artificiais (amiRNAs). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .270
3.1 Vantagens sobre outras técnicas de silenciamento. . . . . . . . . . . . . . . . . . . 271
3.2 Parâmetros para projetar amiRNAs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273
3.3 Construção de amiRNAs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
3.4 Aplicações no estudo de função gênica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
3.5 Uso no melhoramento genético de plantas . . . . . . . . . . . . . . . . . . . . . . . . . 278
4. miRNAs miméticos (miRNA mimics; mimetic miRNAs). . . . . . . . . . . . . . . . . . . . . . 280
4.1 Aspectos gerais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 280
4.2 Aplicações. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
4.3 miRNAs miméticos funcionais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
5. Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
1. Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
2. Bancos de dados de microRNAs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
3. Métodos para predição computacional de miRNAs . . . . . . . . . . . . . . . . . . . . . . . . . 293
3.1 Métodos comparativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293
3.2 Métodos não comparativos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297
3.3 Métodos baseados em dados de sequenciamento de nova geração . . . . . 305
4. Considerações finais e perspectivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 315
Prof. Dr. Marcelo A. Mori, Emilio Tarcitano, Silas Pinto da Silva e Beatriz
Alves Guerra
É
impressionante pensar que, até alguns anos atrás, pequenos RNAs eram vistos
simplesmente como resultado da degradação de outros transcritos celulares, isto
é, lixo molecular. Na passagem do milênio, uma reviravolta tomou o mundo da
ciência: os microRNAs são, na verdade, como ouro em pó no solo – uma abundante riqueza
ignorada pelo tamanho reduzido, antes confundida com sujeira na vastidão do citoplasma.
Ninguém poderia imaginar que moléculas tão pequenas pudessem ser capazes de tão grandes
façanhas dentro da célula: ligar e desligar milhares de genes de forma orquestrada, regulando
virtualmente todos os processos da vida.
A história dos microRNAs se confunde muito com a dos siRNAs. Inicialmente, essas
duas classes de moléculas eram facilmente distinguíveis. Mas, em pouco tempo, notou-se
que um mesmo conjunto de enzimas e de proteínas estava envolvido com a biogênese e
com a ação delas (Dicer, Dicer-like, Drosha, RISC, entre outras), sugerindo que miRNAs e
siRNAs eram muito próximos.
Com o passar dos anos, o acúmulo de dados na literatura evidenciou algo ainda mais
dramático: existe um continuum de pequenos RNAs (qiRNA, diRNA, siRNA, piRNA, miRNA,
tasiRNA etc.) que interagem com um continuum de proteínas relativamente semelhantes
(membros da família Argonauta, PIWI e outros), gerando um continuum de efeitos: silenciamento
gênico transcricional, inibição da tradução, clivagem do RNA-alvo, ativação da transcrição,
intensificação da tradução, deleção de sequências genômicas, entre outros. Vinte e dois anos
após os primeiros papers descrevendo miRNAs, encontramo-nos ainda desvendando a real
contribuição desses pequenos RNAs para a célula.
Este livro foi planejado objetivando apresentar o vasto tema dos miRNAs de maneira
clara, didática, abrangente e atualizada, para que fosse acessível a graduandos e a docentes.
Os primeiros cinco capítulos abordam aspectos elementares: o histórico das descobertas
dos miRNAs, a evolução dos genes de miRNAs, a biogênese e degradação, as regras de
nomenclatura e os mecanismos moleculares de ação.
Os quatro capítulos seguintes (6 a 9) discorrem sobre miRNAs na regulação de uma
imensa variedade de processos biológicos em vírus, plantas, animais e seres humanos. Os dois
capítulos posteriores (10 e 11) discutem sobre os efeitos patológicos da desregulação desses
miRNAs, assim como o potencial uso dessas moléculas no diagnóstico, prognóstico e terapia.
Os outros cinco capítulos (12 a 16) abordam um imensa gama de técnicas e de
ferramentas moleculares e computacionais que permitem o estudo dos miRNAs e de seus
genes-alvo. Por fim, o último capítulo (17) apresenta recentes descobertas no mundo dos
pequenos RNAs.
Esta obra é o segundo volume de uma série chamada “Introdução a ...”, por mim
organizada, que objetiva apresentar de maneira clara as técnicas e os tópicos recentes da
genética e da biologia molecular aos alunos e aos pesquisadores brasileiros. O primeiro
volume – Introdução à técnica de Interferência por RNA - RNAi (de 2013, com 170 páginas) –
Prefácio 21
tem sido um grande sucesso, com disponibilidade na livraria virtual da Sociedade Brasileira
de Genética.
Visando produzir uma obra ainda melhor, um grande esforço foi aplicado neste segundo
volume ao longo de dois anos, para que ele fosse ainda mais abrangente (17 capítulos), mais
didático (57 figuras), com diferentes pontos de vista (59 colaboradores), buscando proporcionar
ao leitor um texto estruturalmente organizado, simples, moderno e de fácil leitura.
Registro aqui meus agradecimentos a todos que auxiliaram direta e indiretamente na
produção desta obra (autores, colaboradores, revisores e editores) e às agências de fomento
CNPq, CAPES, FAPESP e Fundações de Amparo à Pesquisa dos Estados de todos os autores,
por fornecerem todo o arcabouço necessário para a elaboração deste livro.
Em especial, agradeço a Deus por me conceder a vida, por me dar a chance de estudar
a vida, por me fazer feliz nesta vida e por me conceder a vida eterna. “Fazendo Ele soar a
sua voz, logo há rumor de águas no céu, e faz subir os vapores das extremidades da terra; faz
os relâmpagos para a chuva, e dos seus tesouros faz sair o vento” (Jeremias 10:13).
Estruturação do capítulo
1. Introdução
1.1 C. elegans – um modelo de pesquisa
1.2 O controle do desenvolvimento larval de C. elegans
2. lin-4: o primeiro microRNA
3. O primeiro breakthrough: lin-4 é caracterizado como um pequeno RNA regulatório
3.1 lin-4 controla outros alvos: lin-28
3.2 Mecanismo de ação de lin-4
4. O segundo breakthrough: outro miRNA é identificado
5. O terceiro breakthrough: miRNAs são evolutivamente conservados
6. O quarto breakthrough: microRNAs são abundantes na natureza
7. O trio de artigos seminais
7.1 Artigo 1: Abundância de miRNAs em C. elegans
7.2 Artigos 2 e 3: miRNAs em diversas espécies e seus padrões de expressão
Figura 1. O ciclo de vida de Caenorhabditis elegans. Tempo médio de desenvolvimento da espécie a 22 °C. L1-L4:
estágios larvais de 1 a 4.
Figura 2. Genes heterocrônicos. Mutações em genes heterocrônicos podem causar um desenvolvimento precoce (e.g.,
larva de idade referente a L2 mas com aspecto de L3) ou atraso no desenvolvimento (e.g., larva de idade referente a
L2 com aspecto de L1).
Nota: Por convenção, os genes (e os alelos mutantes) foram indicados em letras minúsculas e em itálico (lin-14). A proteína
correspondente, em letras maiúsculas (LIN-14); o transcrito, em letras minúsculas (lin-14).
Figura 3. Lin-4 regula negativamente lin-14. O aumento dos níveis do RNA lin-4 está associado à redução dos níveis da
proteína LIN-14. Uma vez que a abundância do RNA lin-14 não se altera, postulava-se que lin-4 modularia negativamente
LIN-14 no nível pós-transcricional.
Figura 4. Interação entre lin-4 e lin-14. A. O pequeno RNA de lin-4 (21 nt) possui complementaridade parcial com sete
sítios na 3’ UTR do mRNA de lin-14. Essas interações senso-antissenso seriam a base do mecanismo molecular pelo qual
lin-4 regularia negativamente lin-14. B. Complementaridade parcial entre o RNA lin-4 e os sítios em lin-14.
Figura 5. Conservação da estrutura secundária dos stRNAs (e miRNAs). O transcrito precursor do let-7 (com 70 nt)
apresenta uma estrutura secundária no formato de um grampo de cabelo (hairpin, também denominada stem-loop ou
foldback). Essa estrutura também foi predita para homólogos desse stRNA em outras espécies. Era proposto que esses
precursores seriam processados por uma enzima então desconhecida (dicer) nos pequenos RNA maduros (21 nt).
Prof. Dr. Danillo Pinhal1, Pedro Gabriel Nachtigall1, Arthur Casulli de Oliveira1,
Luiz Augusto Bovolenta2, Marcos Edgar Herkenhoff1
1
Depto. de Genética, Instituto de Biociências de Botucatu, UNESP - SP
2
Depto. de Física e Biofísica, Instituto de Biociências de Botucatu, UNESP - SP
Estruturação do capítulo
1. Introdução
2. Origem e expansão do repertório de miRNAs nos organismos
3. Organização genômica de miRNAs em animais e plantas
3.1 MiRNAs intergênicos
3.2 MiRNAs intrônicos
3.3 MiRNAs exônicos
3.4 Clusters de miRNAs
3.5 A importância da organização genômica em análises filogenéticas
4. O genoma como substrato para a gênese de novos miRNAs
4.1 Duplicação gênica
4.2 Duplicação genômica
4.3 De novo
4.4 Íntrons
4.5 Pseudogenes, snoRNAs e tRNAs
4.6 Elementos transponíveis
4.7 Transcritos antissenso de miRNAs
5. Mecanismos de diversificação dos transcritos de miRNAs
5.1 Alteração da região seed e isomiRs
5.2 Edição de miRNAs
5.3 Alteração de braço de leitura de miRNAs
5.4 Mudança de hairpin
6. Considerações finais
Figura 1. Distribuição dos genes de miRNAs detectados no genoma de diversas espécies do reino animal (dados obtidos
do miRBase versão 21 em junho de 2015).
Figura 2. Organização genômica dos miRNAs. A) MiRNAs intergênicos e clusterizados. B) MiRNAs intrônicos, miRtrons
e clusterizados. C) MiRNAs exônicos. Os retângulos em verde-claro representam os genes, os retângulos em roxo os
miRNAs e os retângulos verde-escuros os éxons. As setas representam os promotores dos seus respectivos genes.
Figura 3. Exemplificação do cluster miR-93/19d/25 na espécie Danio rerio. Estão representadas na figura a localização
cromossômica (cromossomo 14, versão do genoma Zv9), a possível estrutura secundária do cluster, as estruturas
secundárias dos hairpins dos miR-93, miR-19d e miR-25 e suas respectivas sequências maduras com níveis de expressão
em reads per million (RPM) obtidos através do banco de dados miRBase (v.21). As estruturas secundárias e suas respectivas
colorações foram obtidas através de algoritmos baseados em cálculo de mínima energia livre (MFE) - RNAFold.
Figura 5. História evolutiva do cluster do miR-17. Cada miRNA integrante do cluster está representado por sua
estrutura secundária em forma de hairpin e o “X” representa a perda de função de um miRNA. Os números nos quadrados
representam a ordem dos eventos evolutivos ocorridos, enquanto que os desenhos das espécies, em que grupo elas
ocorreram. Estima-se que inicialmente o cluster era composto pelos miRNAs miR-17, miR-19 e miR-92 (1). Três eventos
de duplicação em tandem ocorreram dando origem ao cluster miR-17/18/93/19/19b/92 (3). Posteriormente, um evento
de duplicação do cluster inteiro ocorreu, seguido pela perda de função e neofuncionalização de alguns miRNAs, dando
origem aos clusters C1, representados pelos miR-17/18/19/19b/93 e C2, miR-106b/93/19bII/25 (4). No ancestral comum dos
peixes Acanthopterygii e Sarcopterygii o cluster C1 sofreu novo evento de duplicação em tandem, originando o cluster miR-
17/18/19/20/19b/93 (5). Posteriormente, nos mamíferos (H. sapiens, P. troglodytes, M. musculus e R. norvegicus), o cluster
C1 sofreu mais um evento de duplicação completa dando origem aos clusters C1M-A, contendo o miR-17/18/19/20/19b/93
e C1M-B, contendo o miR-17/18/20/19b/93, enquanto que o cluster C2 perdeu outro miRNA formando o cluster C2M
miR-106b/93/25. Nos teleósteos (T. nigroviridis, T. rubripes e D. rerio), o cluster C1 sofreu duplicação completa dando
origem aos clusters C1T-A, contendo miR-17/18/19/20/19b/93 e C1T-C, contendo miR-18/19b. Adicionalmente, um evento
de duplicação genômica exclusivo dos teleósteos duplicou o cluster C1T-A, formando uma nova cópia deste cluster, o
C1T-B, que sofreu perda de função do miR-19. Por fim, o cluster C2 se manteve neste grupo, formando o cluster C2T.
Figura 6. Surgimento de um novo gene de miRNA por duplicação gênica. Na duplicação local, os genes permanecem
próximos e são transcritos em conjunto. Na duplicação insercional os genes são alocados em regiões distintas e geram
dois transcritos diferenciados. As setas cinzas indicam região promotora do miRNA. Os retângulos cinza contendo dois
quadrados correspondem ao gene de miRNA. Os números 1 e 2 indicam as sequências 5p e 3p do miRNA inicial. Os
números 3 e 4 indicam as sequências 5p e 3p do novo miRNA duplicado.
4.3 De novo
Sabe-se que uma grande porção do genoma (aproximadamente 72%) é transcrito, porém
apenas 2% referem-se a genes codificadores de proteína (Guttman et al., 2009). Portanto,
existe uma grande quantidade de substrato de RNA que pode ser modificado e originar
novos genes de miRNA (Bentwich et al., 2005). Transcritos desestruturados e sem função
são considerados uma importante fonte de geração de novos genes de miRNAs, sendo este
processo denominado “de novo” (Figura 7) (Tang et al., 2010).
Contudo, a precisão da ação das enzimas Drosha e Dicer sobre a estrutura secundária
em forma de hairpin da molécula alvo demonstra que a possibilidade de surgimento de novo
de um gene de miRNA por um único evento evolutivo é improvável. Em vez disso, tem-se a
Figura 7. Esquema representando o surgimento “de novo” de um gene de miRNA a partir de uma região aleatória
do genoma. A seta cinza representa o promotor. O retângulo cinza, contendo dois quadrados cinza escuro, representa
um gene de miRNA.
4.4 Íntrons
A vasta maioria dos miRNAs descritos estão localizados em íntrons de genes codificadores
de proteínas (Rodriguez et al., 2004). Por exemplo, cerca de 50% e 20% dos miRNAs do genoma
de Homo sapiens e Caenorhabditis elegans, respectivamente, estão localizados em regiões
intrônicas de genes hospedeiros (Isik et al., 2010; Campo-Paysaa et al., 2011).
Íntrons são considerados trechos do genoma ideais para o surgimento de novos miRNAs
devido a quatro características principais: (1) são regiões desestruturadas que favorecem
a formação de uma estrutura em hairpin; (2) não necessitam do surgimento imediato de
uma nova unidade transcricional (promotores e regiões regulatórias), já que se utilizam da
unidade transcricional do gene hospedeiro; (3) são regiões transcritas com o gene, o que
possibilita o início da fixação como miRNAs funcionais, (4) são excisadas pela maquinaria
do processo de splicing, o que facilita o processo de biogênese de miRNAs. Juntos, todos esses
fatores contribuem para o surgimento de genes de miRNAs em regiões intrônicas (Figura 8).
Sabe-se que a maioria dos miRNAs espécie-específicos, considerados mais “jovens”,
estão localizados em íntrons, enquanto os miRNAs conservados, considerados mais “antigos”,
estão localizados em regiões intergênicas. Regiões genômicas que possuem uma função, mas
com o passar do tempo adquirem outra função, são chamadas de exaptações. Portanto, a
evolução de miRNAs em regiões intrônicas são chamadas de “exaptação intrônica” (Campo-
Paysaa et al., 2011).
Figura 8. Esquema representativo do processo de surgimento de um miRNA intrônico. A seta cinza representa o
promotor. O retângulo cinza claro contendo dois quadrados cinza escuro representa um gene de miRNA. Os retângulos
cinza de maior dimensão representam os éxons de um gene codificador de proteína.
Figura 10. Esquema representativo do processo de surgimento de um novo gene de miRNA a partir da transcrição
antissenso de uma sequência precursora. As setas cinzas representam o promotor do gene. Os retângulos cinza
claro representam os genes de miRNA. Os números nos quadrados e nos hairpins correspondem aos braços 5p e 3p.
UT: unidade transcricional.
6. Considerações finais
Enquanto os eventos que levaram à formação inicial de muitos loci de miRNAs
nas primeiras formas de vida talvez nunca sejam totalmente compreendidos, os esforços
cumulativos dos trabalhos sumarizados neste capítulo demonstram, de forma inequívoca, uma
notável escalada de complexidade na história evolutiva dos genes e transcritos de miRNAs.
Toda a extensa rede de interações gênicas, cuja interatividade extrapola a divisão
dos reinos da vida e do limite celular, tecidual ou mesmo do organismo, tem se mostrado,
em maior ou menor escala, dependente da atividade moduladora dessa ampla classe de
pequenos RNAs regulatórios.
Em última análise, à medida que iniciativas em pesquisa voltadas à descoberta e
caracterização de miRNAs crescem em importância, novas ferramentas, metodologias e abordagens
tornaram-se obrigatórias para fomentar o entendimento da regulação da expressão de genes
e o funcionamento do próprio genoma. Consequentemente, todos os eventos e mecanismos
associados à origem e evolução de miRNAs, pautados nas diferentes sessões deste capítulo,
devem ser colocados em discussão considerando-se que, em última análise, interferem na
geração de novas interações miRNAs-alvos, e assim promovem o surgimento de variabilidade
genética. Mais do que isso, em função dos efeitos combinatórios complexos sobre a regulação
gênica exercidos por muitos miRNAs, cada qual com seu efeito próprio, é comum observar
que miRNAs e seus alvos co-evoluem (Barbash et al., 2014; Zhao et al., 2015). Em função disto,
polimorfismos acumulam-se não apenas nos miRNAs, como o exemplo dos isomiRs, mas também
nas sequências-alvo, e conjuntamente se constituem no substrato ideal para a geração de pequenas
variações fenotípicas sobre as quais a seleção natural poderá atuar. Resta ser determinada a
relativa contribuição da evolução de diferentes mecanismos de regulação gênica à evolução
dessa diversidade fenotípica em plantas e animais (Chen e Rajewski, 2007).
Em linhas gerais, a análise do componente evolutivo atrelada à análise estrutural e
funcional de miRNAs mostram-se fundamentais para o entendimento de grande parte dos
sistemas biológicos viventes e potencialmente se tornará um complemento indispensável
às mais diversas pesquisas em desenvolvimento, dado seu caráter integrador. Portanto, a
continuidade nas investigações sobre a origem e evolução de miRNAs nos mais diversos
organismos certamente trará novas contribuições quanto à centralidade dessas pequenas
moléculas no controle da expressão gênica frente a diferentes contextos no genoma.
Figura 12. Esquematização do processo de mudança de hairpin de um miRNA. A linha em preto perfaz toda a
molécula de RNA. A linha em verde, indica o miRNA 5’ inicial e o quadrado azul associado representa sua região seed.
A linha em vermelho indica o miRNA* do hairpin inicial que posteriormente deixa de compor o hairpin com a mudança
estrutural da molécula. A linha roxa representa o miRNA* do novo hairpin gerado.
Ighor L.G. Arantes1, Prof.a Dr.a Maité F.S. Vaslin2, Carolina Alves Pereira Corrêa3,
Prof. Dr. Tiago Campos Pereira4 e Prof. Dr. Régis L. Corrêa1
1
Depto. de Genética, Instituto de Biologia, UFRJ
2
Depto. de Virologia, Instituto de Microbiologia Prof. Paulo de Goes, UFRJ
3
Depto. de Pediatria, FMRP, USP
4
Depto. de Biologia, FFCLRP, USP
Estruturação do capítulo
1. Introdução
2. Seção A – Biogênese e sua regulação
2.1 A transcrição de microRNAs
2.1.1 Regulação da transcrição
2.2 Processamento do pri-miRNA em pre-miRNA
2.2.1 Regulação do processamento por Drosha
2.3 Exportação para o citoplasma
2.4 Processamento do pre-miRNA no citoplasma
2.4.1 Regulação do processamento por Dicer
2.5 Processamento de miRNAs em plantas
2.6 Modificações pós-transcricionais
2.6.1 Regulação através da cauda
2.6.2 Edição de RNA
2.6.3 Metilação
2.7 Formação do complexo de silenciamento induzido por RNA (RISC)
2.7.1 Regulação das proteínas AGO
2.7.2 Regras para a seleção da fita guia
2.8 Vias não canônicas de biogênese
3. Seção B – Degradação e sua regulação
3.1 Degradação de miRNAs
4. Considerações finais
Figura 3. Regulação transcricional de miRNAs. Resumo das possíveis interações entre fatores de transcrição (FT) e
miRNAs. (A) Um FT se liga no promotor do gene de miRNA e o induz. O miRNA produzido, por sua vez, inibe o mRNA
do FT que o ativa. (B) Um FT se liga no promotor do gene de miRNA e o reprime. O miRNA, quando produzido, inibe o
mRNA do FT que o reprime. (C) Interação entre dois fatores transcricionais e dois miRNAs. O FT1 induz a expressão
do miRNA1. Esse inibe o mRNA codificador do FT2. Quando produzido, o FT2 induz a expressão do miRNA2. Esse inibe
o mRNA do FT1. (D-H) Interações entre fatores de transcrição, miRNAs e alvos de miRNAs não relacionados com os
mRNAs codificadores dos fatores transcricionais: (D) FT ativa a expressão de um miRNA e de seu alvo. (E) FT reprime
a expressão de um miRNA e de seu alvo. (F) FT ativa um miRNA e colabora com ele na repressão de seu alvo. (G) FT
reprime expressão de um miRNA e ativa a expressão de seu alvo. (H) FT induz a expressão de um miRNA, podendo
tanto ativar quanto reprimir a expressão de seu alvo.
RNA
pri-miRNA Polimerase II/
5’CAP A(n) 5’CAP A(n) Spliceossomo 5’CAP A(n)
DCL1/TGH/
Drosha/DGCR8 Drosha/DGCR8 DRB1/SE/
CPL1/DDL
pre-miRNA
Citoplasma Núcleo
Citoplasma Núcleo
Citoplasma Núcleo
RAN-GTP/EXP-5
RAN-GTP/EXP-5
RAN-GTP/EXP-5
DCL1/TGH/
DRB1/SE/
Dicer/TRBP/ Dicer/TRBP/ CPL1/DDL
ADAR1 ADAR1
Núcleo
RAN-GTP/HST
miRNA:miRNA* RISC
AGO 2
Citoplasma
miRNA maduro/ RISC AGO 1-4 RISC RISC RISC
AGO 2 AGO 1-4 AGO 1
RISC
Figura 4. Biogênese de miRNAs em animais e plantas. (A) Na via padrão de geração de miRNAs em animais, os genes
de miRNAs são transcritos pelo complexo da RNA Pol II no núcleo. O pri-miRNA gerado apresenta 7-metilguanosina
(CAP) na ponta 5’ e poliadenilação [(A)n] na região 3’. Seu processamento inicial é feito por Drosha, uma proteína do
tipo RNase III. Drosha atua com outros parceiros, entre eles uma proteína ligadora de RNA dupla fita (dsRBP). Em
mamíferos, essa dsRBP é chamada DGCR8 (DiGeorge Syndrome Critical Region 8). O pre-miRNA gerado é então exportado
para o citoplasma pela proteína Exp-5 (Exportin-5), com auxílio da proteína de transporte nuclear RAN-GTP. Uma vez
no citoplasma, o pre-miRNA é convertido em duplex de miRNA através do complexo de Dicer. Uma dsRBP chamada
TRBP (TAR RNA-Binding Protein) em mamíferos e a proteína ADAR1 (Adenosine Deaminase Acting on RNA1) também
fazem parte do complexo. Em seguida, uma das fitas do duplex de miRNA é selecionada para entrar no complexo
RISC (RNA-Induced Silencing Complex), contendo proteínas do tipo Argonauta. Em mamíferos, miRNAs podem entrar
em quatro distintas proteínas Argonautas (AGO 1-4). O complexo irá então reprimir alvos específicos por clivagem ou
inibição da tradução. (B) Alguns miRNAs podem ser gerados através de uma via independente de Dicer. Todas as etapas
de transcrição e processamento de pri-miRNAs ocorrem como descrito na via canônica. Ao chegar no citoplasma, no
entanto, a proteína Argonauta AGO2 em mamíferos é capaz promover a maturação do pre-miRNA em miRNA, mesmo
sem o auxílio de Dicer. (C) MiRtrons em animais são capazes de gerar miRNAs maduros de uma maneira independente
de Drosha. Nesse caso, a própria maquinaria de recomposição faz a conversão de pri-miRNAs em pre-miRNAs. Esses
são exportados para o citoplasma e seguem a via padrão de processamento por Dicer. (D) Em plantas, os pri-miRNAs
são processados por um complexo contendo a enzima Dicer DCL1 (Dicer-like1), uma dsRBP chamada DRB1 (DsRNA
BINDING PROTEIN1), além das proteínas SE (SERRATE), TGH (TOUGH), CPL1 (C-TERMINAL DOMAIN PHOSPHATASE-
LIKE1), a proteína DDL (DAWDLE), entre outras. O processamento de pre-miRNAs também é realizado no núcleo pelo
complexo DCL1. No entanto, há ainda a participação da proteína HEN1 (Hua-Ehancer 1), que promove uma metilação
neles. O miRNA produzido é exportado com o auxílio da proteína HST (HASTY) para o citoplasma e incorporado em
RISC contendo AGO1, preferencialmente.
2.6.3 Metilação
MiRNAs podem ainda ser quimicamente modificados. Essas alterações podem ocorrer
tanto na extremidade 5’, quanto na 3’ do miRNA produzido. No entanto, existem muito mais
edições conhecidas na região 3’.
Em plantas, o duplex miRNA/miRNA* gerado após a ação da enzima DCL1 é metilado
em sua extremidade 3’. A metilação ocorre especificamente na hidroxila localizada no carbono
2’ do último nucleotídeo da sequência e é catalisada pela enzima HEN1 (Yu et al., 2005).
Mutantes hen1 têm seus miRNAs portando diversas extensões de uridina nas extremidades 3’,
sugerindo, assim, que a prevenção dessa adição é um dos objetivos da metilação (Li et al., 2005).
Essa modificação protetora não é restrita aos miRNAs, sendo encontrada também
em diversas outras classes de RNAs não codificantes de plantas e algas, como siRNAs (Li
et al., 2005). Em animais, siRNAs também podem ser metilados (Horwich et al., 2007; Kirino
e Mourelatos, 2007; Saito et al., 2007). MiRNAs de animais, no entanto, geralmente não
apresentam esse tipo de modificação. Uma exceção ocorre em miRNAs que estejam ligados
com a proteína AGO2 de D. melanogaster (Okamura et al., 2009).
A proteção contra degradação pode ser mediada também, assim como ocorre em
mRNAs, através do processo de poliadenilação da região 3’ terminal. Ensaios in vitro na planta
Populus trichocarpa demonstraram que a adenilação previne a degradação exonucleotídica
da molécula (Lu et al., 2009). Esse tipo de modificação pode ser específica para determinados
miRNAs. Por exemplo, a polimerase poli-A citoplasmática GLD2 (também conhecida como
TUTase2) monoadenila e estabiliza especificamente o miR-122 em células hepáticas de
mamíferos (Katoh et al., 2009).
Recentemente foi mostrado que a RNA metiltransferase humana BCDIN3D metila a
extremidade 5’ do pre-miR-145 e do pre-miR-23b. Como a DICER interage com a extremidade
5’, essa modificação interfere no processamento do miRNA por essa enzima. Curiosamente,
BCDIN3D está envolvida na tumorigênese do câncer de mama, enquanto o miR-145 e o miR-
23b são possíveis supressores tumorais (Xhemalce et al., 2012).
4. Considerações finais
MiRNAs estão envolvidos na regulação gênica de praticamente todas as vias metabólicas
celulares. Dessa forma, a modulação de sua biogênese/degradação é de suma importância
para a manutenção da homeostase celular.
A transcrição majoritária pela RNA Pol II e a existência de fatores envolvidos na
recomposição e processamento de RNAs deixam claro que miRNAs e mRNAs compartilham
muitos elementos regulatórios. Assim, a expressão de miRNAs pode ser modulada e integrada
com a resposta a diversos estresses e também com o desenvolvimento do organismo, de
forma semelhante à produção de mRNAs.
Existe, no entanto, uma grande variação nos requerimentos proteicos para a produção
de miRNAs. A sua localização no genoma também pode impactar bastante no seu processo
de biogênese. A existência de fatores específicos para a geração de determinados miRNAs
indica, dessa forma, que esses RNAs regulatórios não codificantes estão longe de serem
uma unidade universal.
O estudo aprofundado da biogênese de grupos de miRNAs em diferentes organismos
será de extrema importância para a elucidação de seu papel em várias redes regulatórias
celulares, inclusive de desenvolvimento e proteção de doenças, além de permitir uma visão
mais global de seu processo evolutivo.
Estruturação do capítulo
1. Introdução
2. A biogênese dos miRNAs e sua relação com a nomenclatura
3. A nomenclatura e os bancos de dados
4. Convenções
5. Submissão de sequências para os bancos
6. Conceitos de “família de microRNAs”
Nomenclatura de microRNAs 89
1. Introdução
O uso de nomenclatura científica é uma prática antiga. O filósofo grego Aristóteles
(384-322 a.C.) foi um dos pioneiros a formalizar regras para classificação de seres vivos. Por
muitos e muitos anos, a nomenclatura científica se restringiu principalmente às áreas de
Botância e Zoologia. Com o surgimento da Genética, no século XIX, e o grande avanço dessa
ciência que se deu a partir de meados do século XX, a nomenclatura científica tornou-se
importante para dar nome e significado aos genes.
No entanto, muitos genes foram batizados com nomes anedóticos, tais como dracula,
smurf, superman, clark kent, kryptonite, barbie, pokemon, merlot, cabernet, chardonnay, entre
inúmeros outros. Por mais que alguns desses nomes estejam associados a fenótipos observáveis
em indivíduos mutantes, eles não representavam necessariamente a funcionalidade do
gene em questão. A situação tornou-se ainda mais complexa frente à conservação evolutiva
dos genes. Por exemplo imaginemos um gene de nome atípico, presente em invertebrados
e vertebrados, que regule processos de morfogênese e que, quando mutado em humanos,
está associado a progressão tumoral. Não apenas um, mas milhares de genes já estiveram
ou ainda estão na mesma situação, gerando confusões que seriam evitáveis se houvesse
uma padronização. Além disso, existem inúmeros casos nos quais um grupo de pesquisa
clonou, sequenciou, caracterizou e nomeou um dado gene enquanto outro grupo fez o
mesmo porém adotando outro nome.
A fim de se evitar tais discrepâncias, grupos de geneticistas começaram a se organizar,
criando orientações para a anotação de elementos genéticos, codificadores e não codificadores
de proteínas, desde o fim da década de 1970. Busca-se, desde então, definir conceitos e regras,
simples e informativas, que se tornem convenções universais para atender às necessidades
da comunidade científica. Para a espécie humana, por exemplo, a organização HUGO (The
Human Genome Organisation) criou o Comitê HGNC (HUGO Gene Nomenclature Committee),
responsável por aprovar e/ou padronizar nomes e símbolos de genes e mantê-los disponíveis
em uma base de dados (www.genenames.org).
Há pouco mais de 20 anos foram descobertos pequenos RNAs não codificadores de
proteínas, com papel de reguladores da expressão gênica. O primeiro foi chamado de lin-4
(Lee et al., 1993; Wightman et al., 1993) e o segundo, de let-7 (Reinhart et al., 2000). Apenas
em 2001 cunhou-se o termo microRNAs (ou miRNAs) para referir e classificar o lin-4, o let-7 e
centenas de outros pequenos RNAs reguladores que haviam sido identificados por clonagem e
sequenciamento (Lagos-Quintana et al., 2001; Lau et al., 2001; Lee e Ambros, 2001). Por razões
históricas, até hoje se mantém a nomenclatura dos microRNAs lin-4, let-7, lsy-6 (de vermes),
bantam e iab (de insetos), os quais não seguem os critérios que serão discutidos a seguir.
Nomenclatura de microRNAs 91
melanogaster. Em plantas, o pre-microRNA é indicado com letras em maiúsculas; por exemplo,
um microRNA da espécie Arabidopsis thaliana é nomeado por ath-MIR#. Além disso, é
muito comum em plantas o uso de letras, como sufixos, para indicar microRNAs maduros
cujas sequências são homólogas. Em milho (Zea mays), temos: zma-MIR160a, zma-MIR160b,
zma-MIR160c, zma-MIR160d, zma-MIR160e, zma-MIR160f, zma-MIR160g. Por outro lado,
nunca se usam sufixos numéricos na nomenclatura dos microRNAs de plantas (Griffiths-
Jones et al., 2008). Os microRNAs virais também possuem particularidades referentes
à nomenclatura. Convencionou-se associar os nomes dos microRNAs virais com os loci
genômicos que os hospedam. Por exemplo, os microRNAs ebv-miR-BART1, ebv-miR-BART4,
ebv-miR-BART6, ebv-miR-BART7, ebv-miR-BART11, ebv-miR-BART12, ebv-miR-BART19, ebv-
miR-BART21 e ebv-miR-BART22 originam-se do locus BART (BamHI A rightward transcripts)
do vírus Epstein-Barr (EBV) (Zhu et al., 2009).
No miRBase, a numeração dos microRNAs segue uma ordem sequencial. Por exemplo,
neste momento o mir-9500 é o último da lista dos microRNAs humanos, indicando que o
próximo a ser descoberto deverá ser nomeado como mir-9501. Por outro lado, se a nova
submissão for de um microRNA que guarda conservação evolutiva com algum microRNA
já nomeado em outra(s) espécie(s), o nome é mantido. É o caso do let-7, um dos microRNAs
mais conservados ao longo da história evolutiva dos metazoários (Pasquinelli et al., 2003).
4. Convenções
Algumas convenções têm sido aperfeiçoadas ao longo dos anos. Duas, em particular,
foram apresentadas no release 17 do miRBase.
A primeira mudança: após a ação da enzima Dicer, forma-se um duplex RNA-RNA.
Um dos membros do duplex (chamado guide strand) se acopla ao complexo RISC e o outro
membro geralmente é degradado (chamado passenger strand ou star). Foi observado, no
entanto, que ambos os membros do duplex poderiam potencialmente se ligar ao RISC e ser
funcionais, ainda que um pudesse predominar sobre o outro (Bartel, 2004; Yang et al., 2011).
Sendo assim, para a forma menos predominante adotou-se usar um asterisco (*) seguido
do número (Lau et al., 2001; Griffiths-Jones, 2004). No entanto, o asterisco está em desuso.
Passou-se a adotar os sufixos “-5p” ou “-3p” para indicar a extremidade do pre-microRNA da
qual se origina(m) o(s) membro(s) maduro(s). Por exemplo: hsa-miR-133a-5p originado da
porção 5’ do braço precursor e hsa-miR-133a-3p originado da porção 3’ do braço precursor.
A segunda mudança: nos diferentes genomas de eucariotos, alguns loci possuem
microRNAs na fita sense sobrepostos a microRNAs na fita antisense e por algum tempo foram
usados os sufixos “-S” ou “-AS”, respectivamente (Griffiths-Jones, 2004). No bicho-da-seda,
foram descritos, por exemplo, os microRNAs miR-263-S, miR-263-AS, miR-306-S e miR-306-AS
(Jagadeeswaran et al., 2010). Tal nomenclatura causou certa confusão pois, por mais que
ocupassem a mesma posição em fitas opostas, suas funções e alvos eram distintos. Para
resolver eventuais problemas em casos de ocorrência de similaridades de sequências, basta
manter o número e usar os sufixos “a”, “b”, “c” etc., conforme descrito anteriormente. Não
havendo qualquer similaridade, os microRNAs recebem numerações distintas.
Nomenclatura de microRNAs 93
Bibliografia
Ambros V, Bartel B, Bartel DP, Burge CB, Carrington Lee RC, Feinbaum RL, Ambros V. The C. elegans
JC, Chen X, et al. A uniform system for microRNA heterochronic gene lin-4 encodes small RNAs
annotation. RNA. 2003 March;9(3):277-9. http:// with antisense complementarity to lin-14. Cell.
dx.doi.org/10.1261/rna.2183803. PMid:12592000. 1993 December;75(5):843-54. http://dx.doi.
Bartel DP. MicroRNAs: genomics, biogenesis, mechanism, org/10.1016/0092-8674(93)90529-Y. PMid:8252621.
and function. Cell. 2004 January;116(2):281-97. Lu M, Zhang Q, Deng M, Miao J, Guo Y, Gao W,
http://dx.doi.org/10.1016/S0092-8674(04)00045-5. et al. An analysis of human microRNA and
PMid:14744438. disease associations. PLoS One. 2008; 3(10):e3420.
Bartel DP. MicroRNAs: target recognition and regulatory http://dx.doi.org/10.1371/journal.pone.0003420.
functions. Cell. 2009 January;136(2):215-33. http:// PMid:18923704.
dx.doi.org/10.1016/j.cell.2009.01.002. PMid:19167326. Molnár A, Schwach F, Studholme DJ, Thuenemann EC,
Ding J, Zhou S, Guan J. miRFam: an effective automatic Baulcombe DC. miRNAs control gene expression in
miRNA classification method based on n-grams the single-cell alga Chlamydomonas reinhardtii.
and a multiclass SVM. BMC Bioinformatics. 2011; Nature. 2007 June;447(7148):1126-9. http://dx.doi.
12(1):216. http://dx.doi.org/10.1186/1471-2105-12-216. org/10.1038/nature05903. PMid:17538623.
PMid:21619662. Pasquinelli AE, McCoy A, Jiménez E, Saló E, Ruvkun G,
Gaidatzis D, van Nimwegen E, Hausser J, Zavolan M. Martindale MQ, et al. Expression of the 22 nucleotide
BMC Bioinformatics. 2007 Mar 1;8:69. let-7 heterochronic RNA throughout the Metazoa: a
Griffiths-Jones S, Grocock RJ, van Dongen S, Bateman A, role in life history evolution? Evol Dev. 2003 July-
Enright AJ. miRBase: microRNA sequences, targets August;5(4):372-8. http://dx.doi.org/10.1046/j.1525-
and gene nomenclature. Nucleic Acids Res. 2006 142X.2003.03044.x. PMid:12823453.
January;34:D140-4. http://dx.doi.org/10.1093/nar/ Reinhart BJ, Slack FJ, Basson M, Pasquinelli AE, Bettinger
gkj112. PMid:16381832. JC, Rougvie AE, et al. The 21-nucleotide let-7 RNA
Griffiths-Jones S, Saini HK, van Dongen S, Enright AJ. regulates developmental timing in Caenorhabditis
elegans. Nature. 2000 February;403(6772):901-6.
miRBase: tools for microRNA genomics. Nucleic
http://dx.doi.org/10.1038/35002607. PMid:10706289.
Acids Res. 2008 January;36:D154-8. PMid:17991681.
Rodriguez A, Griffiths-Jones S, Ashurst JL, Bradley
Griffiths-Jones S. The microRNA Registry. Nucleic
A. Identification of mammalian microRNA host
Acids Res. 2004 January;32:D109-11. http://dx.doi.
genes and transcription units. Genome Res. 2004
org/10.1093/nar/gkh023. PMid:14681370.
October;14(10A):1902-10. http://dx.doi.org/10.1101/
Jagadeeswaran G, Zheng Y, Sumathipala N, Jiang H,
gr.2722704. PMid:15364901.
Arrese EL, Soulages JL, et al. Deep sequencing of
Ruby JG, Jan CH, Bartel DP. Intronic microRNA
small RNA libraries reveals dynamic regulation of
precursors that bypass Drosha processing. Nature.
conserved and novel microRNAs and microRNA-stars
2007 July;448(7149):83-6. http://dx.doi.org/10.1038/
during silkworm development. BMC Genomics. 2010;
nature05983. PMid:17589500.
11(1):52. http://dx.doi.org/10.1186/1471-2164-11-52.
Wightman B, Ha I, Ruvkun G. Posttranscriptional
PMid:20089182. regulation of the heterochronic gene lin-14 by lin-4
Jiang N, Yang Y, Janbon G, Pan J, Zhu X. Identification mediates temporal pattern formation in C. elegans.
and functional demonstration of miRNAs in the Cell. 1993 December;75(5):855-62. http://dx.doi.
fungus Cryptococcus neoformans. PLoS One. 2012; org/10.1016/0092-8674(93)90530-4. PMid:8252622.
7(12):e52734. http://dx.doi.org/10.1371/journal. Yang JS, Phillips MD, Betel D, Mu P, Ventura A,
pone.0052734. PMid:23300755. Siepel AC, et al. Widespread regulatory activity
Kamanu TK, Radovanovic A, Archer JA, Bajic VB. of vertebrate microRNA* species. RNA. 2011
Exploration of miRNA families for hypotheses February;17(2):312-26. http://dx.doi.org/10.1261/
generation. Sci Rep. 2013; 3:2940. http://dx.doi. rna.2537911. PMid:21177881.
org/10.1038/srep02940. PMid:24126940. Zhao T, Li G, Mi S, Li S, Hannon GJ, Wang XJ, et al. A
Lagos-Quintana M, Rauhut R, Lendeckel W, Tuschl T. complex system of small RNAs in the unicellular
Identification of novel genes coding for small expressed green alga Chlamydomonas reinhardtii. Genes Dev.
RNAs. Science. 2001 October;294(5543):853-8. http:// 2007 May;21(10):1190-203. http://dx.doi.org/10.1101/
dx.doi.org/10.1126/science.1064921. PMid:11679670. gad.1543507. PMid:17470535.
Lau NC, Lim LP, Weinstein EG, Bartel DP. An abundant Zhou J, Fu Y, Xie J, Li B, Jiang D, Li G, et al. Identification
class of tiny RNAs with probable regulatory of microRNA-like RNAs in a plant pathogenic
roles in Caenorhabditis elegans. Science. 2001 f u n g u s S c l e ro t i n i a s c l e ro t i o r u m by h i g h -
October;294(5543):858-62. http://dx.doi.org/10.1126/ throughput sequencing. Mol Genet Genomics.
science.1065062. PMid:11679671. 2012 April;287(4):275-82. http://dx.doi.org/10.1007/
Lau SK, Chow WN, Wong AY, Yeung JM, Bao J, Zhang s00438-012-0678-8. PMid:22314800.
N, et al. Identification of microRNA-like RNAs in Zhu JY, Pfuhl T, Motsch N, Barth S, Nicholls J, Grässer F,
mycelial and yeast phases of the thermal dimorphic Meister G. Identification of novel Epstein-Barr virus
fungus Penicillium marneffei. PLoS Negl Trop Dis. microRNA genes from nasopharyngeal carcinomas.
2013; 7(8):e2398. http://dx.doi.org/10.1371/journal. J Virol. 2009 Apr;83(7):3333-41.
pntd.0002398. PMid:23991243. Zou Q, Mao Y, Hu L, Wu Y, Ji Z. miRClassify: an
Lee RC, Ambros V. An extensive class of small a d va n c e d w e b s e r v e r f o r m i R N A f a m i l y
RNAs in Caenorhabditis elegans. Science. 2001 classification and annotation. Comput Biol Med.
October;294(5543):862-4. http://dx.doi.org/10.1126/ 2014 February;45:157-60. http://dx.doi.org/10.1016/j.
science.1065329. PMid:11679672. compbiomed.2013.12.007. PMid:24480175.
Estruturação do capítulo
1. Introdução
2. A maquinaria de silenciamento
3. Mecanismos de ação
3.1 Visão geral
3.2 Inibição da tradução
3.2.1 Competição pelo 5’ CAP
3.2.2 Inibição da montagem do ribossomo
3.2.3 Deadenilação seguida por inibição da iniciação da tradução
3.2.4 Dissociação prematura dos ribossomos (ribosome drop-off)
3.2.5 Redução da velocidade de elongação
3.2.6 Proteólise durante a fase de elongação
3.3 Desestabilização do RNA-alvo
3.3.1 Clivagem do RNA-alvo
3.3.2 Deadenilação seguida de remoção do 5’ CAP
3.4 Silenciamento transcricional
3.5 Promoção da transcrição
3.6 Aumento da eficiência de tradução
4. Concentração espacial do silenciamento gênico
4.1 Corpúsculos de processamento de RNA (P-bobies)
4.2 Retículo endoplasmático
5. Conclusões
2. A maquinaria de silenciamento
O complexo de silenciamento induzido por RNA (RNA-Induced Silencing Complex),
ou simplesmente RISC, foi originalmente definido como um complexo ribonucleoproteico
[proteína(s) e um pequeno RNA], capaz de clivar RNAs mensageiros durante o processo de
RNAi (Hammond et al., 2000). Mais recentemente, o conceito de RISC foi ampliado, englobando
qualquer complexo de silenciamento (transcricional, pós-transcricional ou traducional) que
inclua a proteína Argonauta (AGO) e uma pequena molécula de RNA guia (microRNA ou
siRNA). Adicionalmente, o complexo também pode incluir proteínas auxiliares que ampliam
ou modificam sua função (Ameres e Zamore, 2013).
Portanto, a regulação da expressão gênica pode ser mediada por diferentes tipos
de complexo RISC: siRISC, miRISC ou RITS (siRNA-directed RISC, microRNA-directed RISC e
RNA-Induced Transcriptional Silencing complex, respectivamente) (Aukerman e Sakai, 2003;
Verdel et al., 2004; Jones-Rhoades et al., 2006; Wu et al., 2010).
Após o complexo miRISC ter sido montado, o RNA guia nele presente irá direcioná-lo
até o alvo, promovendo alguma entre as diversas formas de regulação da expressão gênica
descritas a seguir.
Figura 1. Mecanismos e processos de repressão mediada por microRNAs. Mecanismos de “inibição da tradução”: A-F.
A) Competição pelo 5’ CAP. B) Inibição da montagem do ribossomo. C) Deadenilação seguida por inibição da iniciação
da tradução. D) Dissociação prematura dos ribossomos (ribosome drop-off). E) Redução da velocidade de elongação. F)
Proteólise durante a fase de elongação. Mecanismos de “desestabilização do RNA alvo”: G-H. G) Clivagem do RNA-alvo.
H) Deadenilação (representada pela linha pontilhada) seguida por remoção do 5’ CAP.
Figura 2. Silenciamento transcricional mediado por miRNAs. O modelo proposto sugere que miRISC seria capaz
de se ligar ao transcrito nascente, recrutando a DNA metiltransferase (DRM2), que promoveria a metilação (-CH3) de
sequências próximas no DNA. Essa modificação levaria ao silenciamento do gene-alvo.
Bibliografia
Ørom UA, Nielsen FC, Lund AH. MicroRNA-10a binds Chua NH.Arabidopsis decapping 5 is required
for mRNA decapping, P-body formation, and
their translation. Molecular cell. 2008;30(4):460-71. translational repression during postembryonic
Ameres SL, Zamore PD. Diversifying microRNA development. Plant Cell. 2009 Oct;21(10):3270-9.
sequence and function. Nat Rev Mol Cell Biol. 2013 Fire A, Xu S, Montgomery MK, Kostas SA, Driver SE,
August;14(8):475-88. http://dx.doi.org/10.1038/ Mello CC. Potent and specific genetic interference
by double-stranded RNA in Caenorhabditis elegans.
nrm3611. PMid:23800994.
Nature. 1998 February;391(6669):806-11. http://
Aukerman MJ, Sakai H. Regulation of flowering
dx.doi.org/10.1038/35888. PMid:9486653.
time and floral organ identity by a MicroRNA and Glazov E, Phillips K, Budziszewski GJ, Schöb H,
its APETALA2-like target genes. Plant Cell. 2003 Meins F Jr, Levin JZ. A gene encoding an RNase
November;15(11):2730-41. http://dx.doi.org/10.1105/ D exonuclease-like protein is required for post-
tpc.016238. PMid:14555699. transcriptional silencing in Arabidopsis. Plant J. 2003
Bao N, Lye KW, Barton MK. MicroRNA binding sites in August;35(3):342-9. http://dx.doi.org/10.1046/j.1365-
Arabidopsis class III HD-ZIP mRNAs are required 313X.2003.01810.x. PMid:12887585.
for methylation of the template chromosome. Dev Guo H, Ingolia NT, Weissman JS, Bartel DP.
Cell. 2004 November;7(5):653-62. http://dx.doi. Mammalian microRNAs predominantly act
org/10.1016/j.devcel.2004.10.003. PMid:15525527. to decrease target mRNA levels. Nature. 2010
Bashkirov VI, Scherthan H, Solinger JA, Buerstedde JM, August;466(7308):835-40. http://dx.doi.org/10.1038/
Heyer WD. A mouse cytoplasmic exoribonuclease nature09267. PMid:20703300.
Hammond SM, Bernstein E, Beach D, Hannon GJ. An
(mXRN1p) with preference for G4 tetraplex
RNA-directed nuclease mediates post-transcriptional
substrates. J Cell Biol. 1997 February;136(4):761-73.
gene silencing in Drosophila cells. Nature. 2000 Mar
http://dx.doi.org/10.1083/jcb.136.4.761. 16;404(6775):293-6.
PMid:9049243. Humphreys DT, Westman BJ, Martin DI, Preiss
Behm-Ansmant I, Rehwinkel J, Doerks T, Stark A, Bork T. MicroRNAs control translation initiation by
P, Izaurralde E. mRNA degradation by miRNAs inhibiting eukaryotic initiation factor 4E/cap
and GW182 requires both CCR4:NOT deadenylase and poly(A) tail function. Proc Natl Acad Sci USA.
and DCP1:DCP2 decapping complexes. Genes Dev. 2005 November;102(47):16961-6. http://dx.doi.
2006a July;20(14):1885-98. http://dx.doi.org/10.1101/ org/10.1073/pnas.0506482102. PMid:16287976.
gad.1424106. PMid:16815998. Iwakawa HO, Tomari Y. Molecular insights into
Brodersen P, Sakvarelidze-Achard L, Schaller H, microRNA-mediated translational repression in
Khafif M, Schott G, Bendahmane A, et al. Isoprenoid plants. Mol Cell. 2013 November;52(4):591-601.
biosynthesis is required for miRNA function and http://dx.doi.org/10.1016/j.molcel.2013.10.033.
PMid:24267452.
affects membrane association of ARGONAUTE
Iwasaki S, Takeda A, Motose H, Watanabe Y.
1 in Arabidopsis. Proc Natl Acad Sci USA. 2012
Characterization of Arabidopsis decapping
January;109(5):1778-83. http://dx.doi.org/10.1073/ proteins AtDCP1 and AtDCP2, which are essential
pnas.1112500109. PMid:22247288. for post-embryonic development. FEBS Lett. 2007
Chendrimada TP, Finn KJ, Ji X, Baillat D, Gregory May;581(13):2455-9. http://dx.doi.org/10.1016/j.
RI, Liebhaber SA, et al. MicroRNA silencing febslet.2007.04.051. PMid:17485080.
through RISC recruitment of eIF6. Nature. 2007 Jones-Rhoades M, Bartel D, Bartel B. MicroRNAs and
June;447(7146):823-8. http://dx.doi.org/10.1038/ their regulatory roles in plants. Annual Review of
nature05841. PMid:17507929. Plant Biology. 2006:19-53.
Prof. Dr. Ivan de Godoy Maia1, Dr. Douglas Silva Domingues2, Dr.a Helena Sanches Marcon1
1
Departamento de Genética – Instituto de Biociências, UNESP, Campus de Botucatu – SP
2
Departamento de Botânica – Instituto de Biociências, UNESP, Campus de Rio Claro – SP
Estruturação do capítulo
1. Introdução
2. MicroRNAs codificados pelos vírus
3. O papel dos miRNAs modulando a interação vírus-hospedeiro
3.1 A influência na longevidade das células infectadas
3.2 A modulação da resposta imune do hospedeiro
3.3 A regulação da expressão viral e do hospedeiro
4. MicroRNAs celulares em resposta a vírus em animais
5. MicroRNAs celulares em resposta a vírus em vegetais
6. Conclusões e perspectivas
Os herpesvírus apresentam um ciclo de vida que alterna uma fase epissomal latente
com infecções líticas nas quais ocorre a replicação viral (revisto por Speck e Ganem, 2010)
(figura 1). A expressão dos miRNAs virais e dos seus transcritos alvos nessas duas fases do
ciclo viral pode ser comparada com aquela observada durante o processo de diferenciação
celular ao longo do desenvolvimento (figura 1A). O período de latência requer a expressão
de poucos produtos gênicos virais de maneira a permitir a replicação viral em sincronia com
a divisão celular e a evasão do sistema imune (figura 1B). Durante essa fase, os herpesvírus
expressam fortemente seus miRNAs (representados em verde), os quais são invisíveis para
o sistema imune do hospedeiro (Cai et al., 2006), com o intuito de regular os transcritos
dos genes virais envolvidos com a fase lítica. Por outro lado, durante a chamada fase lítica
replicativa (figura 1C), que culmina na produção de novos vírus e na lise da célula hospedeira,
mudanças significativas na expressão gênica do hospedeiro e viral são observadas. Nesse
caso, os transcritos dos genes virais envolvidos com a fase lítica (representados em rosa
na figura 1C) têm a sua expressão aumentada, uma vez que não se encontram sob forte
regulação dos miRNAs virais.
Como padrão geral, os vírus capazes de codificar miRNAs apresentam uma molécula
de DNA como intermediária de replicação; replicam-se no núcleo da célula hospedeira,
compartimento no qual têm acesso integral à etapa inicial de biogênese dos miRNAs, e
normalmente apresentam longos períodos de infecção latente. Adicionalmente, esses vírus
apresentam transcrição bidirecional o que faz com que a regulação sequência-específica
dos transcritos virais seja facilitada pela expressão de miRNAs de sentido contrário. Em
geral, as regiões do genoma viral que codificam miRNAs estão agrupadas em unidades
de transcrição específicas normalmente associadas à infecção latente, mais precisamente
próximas ou dentro das regiões codificadoras dos transcritos dos genes correspondentes.
Figura 2. Regulação do ciclo do HIV por miRNAs do hospedeiro. Determinados miRNAs têm como alvos fatores
texto] que atuam como reguladores positivos (+) ou negativos (-) da transcrição viral. Outros miRNAs atuam diretamente
sobre o RNA viral, inibindo a sua tradução. Como consequência, a quantidade de proteínas virais expressas é reduzida.
TR: Transcrição reversa; Int.: Integração; N: Núcleo celular. Fonte: modificado de Klase et al. (2012)
6. Conclusões e perspectivas
No presente capítulo discutimos o papel dos miRNAs, de origem celular ou viral, no
ciclo de vida dos vírus e os efeitos que essas moléculas podem ter no processo infeccioso.
Como relatado, os miRNAs apresentam grande diversidade funcional e podem desempenhar
inúmeros papéis nas interações com os vírus, atuando de forma positiva ou negativa sobre
essa importante classe de agentes patogênicos.
O relatado potencial dos miRNAs como agentes antivirais em plantas tem sido aplicado
no desenvolvimento de plantas transgênicas capazes de expressar miRNAs artificiais
Bibliografia
Axtell MJ. Evolution of microRNAs and their targets: Grundhoff A, Sullivan CS, Ganem D. A combined
are all microRNAs biologically relevant? Biochim computational and microarray-based approach
Biophys Acta. 2008 November;1779(11):725-34. identifies novel microRNAs encoded by human
http://dx.doi.org/10.1016/j.bbagrm.2008.02.007. gamma-herpesviruses. RNA. 2006 May;12(5):733-
PMid:18342023. 50. http://dx.doi.org/10.1261/rna.2326106.
Cai X, Schäfer A, Lu S, Bilello JP, Desrosiers RC, PMid:16540699.
Edwards R, et al. Epstein-Barr virus microRNAs Grundhoff A, Sullivan CS. Virus-encoded microRNAs.
are evolutionarily conserved and differentially Virology. 2011 March;411(2):325-43. http://dx.doi.
expressed. PLoS Pathog. 2006 March;2(3):e23. org/10.1016/j.virol.2011.01.002. PMid:21277611.
http://dx.doi.org/10.1371/journal.ppat.0020023. Henke JI, Goergen D, Zheng J, Song Y, Schüttler
PMid:16557291. CG, Fehr C, et al. microRNA-122 stimulates
Choy EY-W, Siu K-L, Kok K-H, Lung RW-M, Tsang CM, To translation of hepatitis C virus RNA. EMBO J. 2008
KF, et al. An Epstein-Barr virus-encoded microRNA December;27(24):3300-10. http://dx.doi.org/10.1038/
targets PUMA to promote host cell survival. J Exp emboj.2008.244. PMid:19020517.
Med. 2008 October;205(11):2551-60. http://dx.doi. Huang Y, Shen XJ, Zou Q, Wang SP, Tang SM, Zhang GZ.
org/10.1084/jem.20072581. PMid:18838543. Biological functions of microRNAs: a review. J Physiol
Cullen BR. Viral and cellular messenger RNA Biochem. 2011 March;67(1):129-39. http://dx.doi.
targets of viral microRNAs. Nature. 2009 org/10.1007/s13105-010-0050-6. PMid:20981514.
January;457(7228):421-5. http://dx.doi.org/10.1038/ Hussain M, Taft RJ, Asgari S. An insect virus-encoded
nature07757. PMid:19158788. microRNA regulates viral replication. J Virol. 2008
Cullen BR. Viruses and microRNAs: RISCy interactions September;82(18):9164-70. http://dx.doi.org/10.1128/
with serious consequences. Genes Dev. 2011 JVI.01109-08. PMid:18614632.
September;25(18):1881-94. http://dx.doi.org/10.1101/
Hussain M, Torres S, Schnettler E, Funk A, Grundhoff
gad.17352611. PMid:21896651.
A, Pijlman GP, et al. West Nile virus encodes a
Dölken L, Krmpotic A, Kothe S, Tuddenham L, Tanguy
M, Marcinowski L, et al. Cytomegalovirus microRNAs
region which up-regulates GATA4 mRNA and
facilitate persistent virus infection in salivary glands.
facilitates virus replication in mosquito cells. Nucleic
PLoS Pathog. 2010; 6(10):e1001150. http://dx.doi.
Acids Res. 2012 March;40(5):2210-23. http://dx.doi.
org/10.1371/journal.ppat.1001150. PMid:20976200.
Dunoyer P, Lecellier CH, Parizotto EA, Himber C, org/10.1093/nar/gkr848. PMid:22080551.
Voinnet O. Probing the microRNA and small Jopling CL, Yi M, Lancaster AM, Lemon SM, Sarnow
interfering RNA pathways with virus-encoded P. Modulation of hepatitis C virus RNA abundance
suppressors of RNA silencing. Plant Cell. 2004 by a liver-specific MicroRNA. Science. 2005
May;16(5):1235-50. http://dx.doi.org/10.1105/ September;309(5740):1577-81. http://dx.doi.
tpc.020719. PMid:15084715. org/10.1126/science.1113329. PMid:16141076.
Gao R, Liu P, Wong S-M. Identification of a plant Kasschau KD, Xie Z, Allen E, Llave C, Chapman EJ,
viral RNA genome in the nucleus. PLoS One. 2012; Krizan KA, et al. P1/HC-Pro, a viral suppressor
7(11):e48736. http://dx.doi.org/10.1371/journal. of RNA silencing, interferes with Arabidopsis
pone.0048736. PMid:23155403. development and miRNA unction. Dev Cell. 2003
Gao R, Wan ZY, Wong SM. Plant growth retardation February;4(2):205-17. http://dx.doi.org/10.1016/
and conserved miRNAs are correlated to Hibiscus S1534-5807(03)00025-X. PMid:12586064.
chlorotic ringspot virus infection. PLoS One. 2013; Kincaid RP, Burke JM, Sullivan CS. RNA virus microRNA
8(12):e85476. http://dx.doi.org/10.1371/journal. that mimics a B-cell oncomiR. Proc Natl Acad Sci
pone.0085476. PMid:24386476. USA. 2012 February;109(8):3077-82. http://dx.doi.
Gottwein E. Roles of microRNAs in the life cycles of org/10.1073/pnas.1116107109. PMid:22308400.
mammalian viruses. In: Cullen BR, editor. Intrisic Kincaid RP, Sullivan CS. Virus-encoded microRNAs: an
immunity. Springer; 2013. 262 p. overview and a look to the future. PLoS Pathog. 2012
Grey F, Meyers H, White EA, Spector DH, Nelson J. December;8(12):e1003018. http://dx.doi.org/10.1371/
A human cytomegalovirus-encoded microRNA journal.ppat.1003018. PMid:23308061.
regulates expression of multiple viral genes Klase Z, Houzet L, Jeang K-T. MicroRNAs and
involved in replication. PLoS Pathog. 2007 HIV-1: complex interactions. J Biol Chem. 2012
November;3(11):e163. http://dx.doi.org/10.1371/ November;287(49):40884-90. http://dx.doi.
journal.ppat.0030163. PMid:17983268. org/10.1074/jbc.R112.415448. PMid:23043098.
Depto. de Ciências Biológicas, Escola Superior de Agronomia Luiz de Queiroz (ESALQ/USP), Piracicaba, SP
2
Estruturação do capítulo
1. Introdução
2. MicroRNAs e a transição de fase juvenil para fase adulta em vegetais
3. MicroRNAs e desenvolvimento foliar
4. Papel dos microRNAs na iniciação e desenvolvimento de órgãos reprodutivos
4.1 MiR172 atuando na regulação de genes de identidade floral
4.2 A via miR159/GAMYB-like é funcional ao longo do desenvolvimento das anteras e
também atua no tempo de florescimento
4.3 Interação entre vias reguladas por microRNAs durante o desenvolvimento floral
5. MicroRNAs e desenvolvimento de frutos
6. MicroRNAs e seus efeitos na formação e desenvolvimento do sistema radicular
6.1 MicroRNAs e seus efeitos na formação da raiz principal
6.2 MicroRNAs e seus efeitos funcionais na formação e desenvolvimento de raízes laterais
6.3 Correlação dos microRNAs com fatores ambientais no desenvolvimento do sistema
radicular
7. Outros aspectos relacionados ao desenvolvimento vegetal
8. Desafios e perspectivas das pesquisas relacionadas aos microRNAs
Figura 1. Fenótipos de plantas mutantes em que a biogênese e/ou a ação dos miRNAs encontra(m)-se prejudicada(s).
A) Mutante hipomórfico dcl1. B) Mutante nulo hst. C) WT (tipo-selvagem). D) Mutante hyl1-2. E) Mutante hipomórfico
ago1. Fotos tiradas de plantas 47dias após germinação.
Figura 2. miR156 e miR172 no desenvolvimento. Esquema resumido demonstrando o padrão de expressão do miR156
e do miR172 durante as estapas de desenvolvimento vegetativo e reprodutivo de arabidopsis, evidenciando que a
expressão do miR156 reduz-se conforme a planta se desenvolve, e assim seus respectivos alvos (SPL9 e 10) ficam livres
de sua regulação, e esses alvos ativam a expressão do miR172 que consequentemente reprime os repressores florais
(AP2), fazendo com que a planta entre no estádio reprodutivo.
Figura 3. Representação do MAC, fonte dos órgãos aéreos da planta. L1 corresponde à camada de células que se
dividem anticlinalmente (perpendicularmente ao maior eixo da célula) e originam a epiderme. L2 (divisões anticlinais)
e L3 (divisões peri e anticlinais) são camadas de células que geram os tecidos internos e, portanto, o corpo da planta. A
zona periférica assinalada com a seta indica o local de formação do primórdio foliar (Braybrook e Kuhlemeier, 2010).
Figura 4. Representação da ação do miRNA 390 na biogênese dos Tasi-ARFs (TAS3). O miR390 liga-se à cadeia de RNA
precurssora do TAS3 (1) e faz a clivagem pela ação da Argonauta 7 (2). O produto clivado é convertido em uma dupla fita
de RNA pela RDR6 (3), que posteriormente é fragmentada e chamada de tasi-ARFs pelo efeito da DCL4 (4). Esses fragmentos
são incorporados no complexo RISC (5), o qual reconhecerá e clivará, em ação trans, os seus respectivos alvos (6).
Figura 5. Padrão espaço-temporal de expressão do miR156. A) Em ovários de tomateiro selvagem (cultivar MT). B)
Controle legativo. C) Fruto selvagem de tomateiro selvagem (cultivar MT). D) Fenótipo do fruto do tomateiro geneticamente
modificado com a superexpressão do miR156. Seta maior demonstra a expressão miR156 no óvulo, seta menor indica
a expressão do miR156 na região da placenta do ovário. Fotos C e D foram gentilmente cedidas por Geraldo F. Silva.
Figura 6. MicroRNAs envolvidos no desenvolvimento da arquitetura do sistema radicular tanto na raiz principal (quarto
retângulo à direita) como na raiz lateral (primeiro à esquerda; primeiro e terceiro à direita); diferenciação do sistema
vascular (mais inferior), resposta a nutrientes (segundo à esquerda) e simbioses como nódulos (terceiro à esquerda) e
micorrizas (segundo à direita), em monocotiledôneas e eudicotiledôneas.
Estruturação do capítulo
1. Introdução
2. Ativação do genoma zigótico e embriogênese
3. Regulação do desenvolvimento e da metamorfose
4. Regulação do crescimento celular e corporal
5. Regulação de apoptose
6. Manutenção e diferenciação de células da linhagem germinativa
7. Regulação do desenvolvimento do sistema nervoso
8. Regulação do tempo de vida e envelhecimento
9. Regulação do sistema imune
10. Regulação da relação inseto vetor-parasita
11. Efeito sobre variações fenotípicas populacionais
12. Regulação do dimorfismo sexual e comportamento reprodutivo
13. Regulação do comportamento social
14. MicroRNAs na alimentação larval e na determinação de castas
15. Considerações finais
5. Regulação de apoptose
O controle do mecanismo de morte celular programada é fundamental para a
manutenção da homeostase celular e do crescimento dos organismos. Os microRNAs bantam,
miR-2, miR-11, miR-13, miR-14, miR-263 e miR-278 regulam a atividade de genes controladores
6. Manutenção e diferenciação de
células da linhagem germinativa
Os microRNAs também desempenham tarefas na manutenção e renovação das
células-tronco da linhagem germinativa. O microRNA miR-184 é expresso maternalmente,
regulando a expressão de saxophone (sax), que por sua vez é o receptor de decapentaplégico
(decapentaplegic, dpp). O locus sax é importante para a progressão da ovogênese e, no
zigoto, controla os fatores K10 e Tramtracks69, que atuam no estabelecimento dos eixos
dorsoventral e anteroposterior nas fases iniciais da embriogênese (revisado por Asgari, 2013).
Em machos de Drosophila, uma deficiência em miR-7 impede a diferenciação das células-
tronco gaméticas em espermatócitos primários (revisado por Asgari, 2013). Nas fêmeas,
bantam, em condições normais, interage com a proteína dFmr1, garantindo a manutenção
das células germinativas nos ovários. Ainda, miR-7, miR-278 e miR-309 regulam o transcrito
Decapo (Dap), uma quinase dependente de ciclina, regulando dessa forma o ciclo celular da
linhagem germinativa (revisado por Asgari, 2013). A deficiência de Dicer-1, participante da
biogênese dos microRNAs, causa infertilidade em fêmeas da barata B. germanica (revisado
por Asgari, 2013).
Pancratov e colaboradores (2013) descobriram que miR-310 e miR-313 atuam sobre
a via Wnt/Wingless, tendo um importante papel sobre o desenvolvimento gonadal em
machos de Drosophila. A via Wnt/Wingless regula muitas redes gênicas relacionadas ao
desenvolvimento, sendo uma das mais prevalentes associadas ao câncer. Em moscas, o gene
armadillo
Atuam como antagonistas dessa via miR-310 e miR-313, reprimindo a atividade de armadillo.
As atividades desses microRNAs são essenciais para promover a correta proliferação e
diferenciação de células gaméticas e somáticas nos testículos de Drosophila, garantindo a
homeostase desse órgão (Pancratov et al., 2013).
Um microRNA específico de insetos encontrado em todos os insetos holometábolos
pesquisados é miR-282. A ausência desse microRNA em Drosophila promove uma redução na
produção de ovos devido ao aumento da apoptose nos tecidos ovarianos (Vilmos et al., 2013).
Em Drosophila, os microRNAs miR-275 e miR-306 regulam a expressão do gene
Bam (Bag of marbles) que, por sua vez, controla a diferenciação de espermatogônias para
espermatócitos (Eun et al., 2013).
Bibliografia
Adams MD, Celniker SE, Holt RA, Evans CA, Gocayne Behura SK. Insect microRNAs: Structure, function
JD, Amanatides PG, et al. The genome sequence and evolution. Insect Biochem Mol Biol. 2007
of Drosophila melanogaster. Science. 2000 January;37(1):3-9. http://dx.doi.org/10.1016/j.
March;287(5461):2185-95. http://dx.doi.org/10.1126/ ibmb.2006.10.006. PMid:17175441.
science.287.5461.2185. PMid:10731132. Belles X, Cristino AS, Tanaka ED, Rubio M, Piulachs
Agrawal N, Sachdev B, Rodrigues J, Sree KS, Bhatnagar MD. Insect microRNAs: from molecular mechanisms
RK. Development associated profiling of chitinase to biological roles. In: Gilbert LI, editor. Insect
and microRNA of Helicoverpa armigera identified molecular biology and biochemistry. Amsterdam:
chitinase repressive microRNA. Sci Rep. 2013; 3:2292. Elsevier-Academic Press; 2011. p. 30-56. v. 1.
http://dx.doi.org/10.1038/srep02292. PMid:23887392. Benoit B, He CH, Zhang F, Votruba SM, Tadros W,
Alic N, Andrews TD, Giannakou ME, Papatheodorou I, Westwood JT, et al. An essential role for the
Slack C, Hoddinott MP, et al. Genome-wide dFOXO RNA-binding protein Smaug during the Drosophila
targets and topology of the transcriptomic response maternal-to-zygotic transition. Development. 2009
to stress and insulin signalling. Mol Syst Biol. 2011;
March;136(6):923-32. http://dx.doi.org/10.1242/
7(1):502. http://dx.doi.org/10.1038/msb.2011.36.
dev.031815. PMid:19234062.
PMid:21694719.
Boulan L, Martín D, Milán M. bantam miRNA
Arif S, Murat S, Almudi I, Nunes MD, Bortolamiol-Becet
promotes systemic growth by connecting insulin
D, McGregor NS, et al. Evolution of mir-92a underlies
signaling and ecdysone production. Curr Biol.
natural morphological variation in Drosophila
2013 March;23(6):473-8. http://dx.doi.org/10.1016/j.
melanogaster. Curr Biol. 2013 March;23(6):523-8.
http://dx.doi.org/10.1016/j.cub.2013.02.018. cub.2013.01.072. PMid:23477723.
PMid:23453955. Boutla A, Delidakis C, Tabler M. Developmental defects
Asgari S. MicroRNA functions in insects. Insect Biochem by antisense-mediated inactivation of micro-RNAs
Mol Biol. 2013 April;43(4):388-97. http://dx.doi. 2 and 13 in Drosophila and the identification of
org/10.1016/j.ibmb.2012.10.005. PMid:23103375. putative target genes. Nucleic Acids Res. 2003
Bartel DP. MicroRNAs: target recognition and regulatory September;31(17):4973-80. http://dx.doi.org/10.1093/
functions. Cell. 2009 January;136(2):215-33. nar/gkg707. PMid:12930946.
http://dx.doi.org/10.1016/j.cell.2009.01.002. Choi IK, Hyun S. Conserved microRNA miR-8 in fat body
PMid:19167326. regulates innate immune homeostasis in Drosophila.
Bashirullah A, Pasquinelli AE, Kiger AA, Perrimon Dev Comp Immunol. 2012 May;37(1):50-4. http://
N, Ruvkun G, Thummel CS. Coordinate regulation dx.doi.org/10.1016/j.dci.2011.12.008. PMid:22210547.
of small temporal RNAs at the onset of Drosophila Clemons A, Haugen M, Flannery E, Tomchaney M,
metamorphosis. Dev Biol. 2003 July;259(1):1-8. Kast K, Jacowski C, et al. 2010. Aedes aegypti: an
http://dx.doi.org/10.1016/S0012-1606(03)00063-0. emerging model for vector mosquito development.
PMid:12812783. Cold Spring Harb Protoc. 2010;2010(10):pdb.emo141.
Dr. Cesar Seigi Fuziwara, Prof.a Dr.a Carolina Beltrame Del Debbio e
Prof.a Dr.a Edna Teruko Kimura
Depto. de Biologia Celular e do Desenvolvimento
Instituto de Ciências Biomédicas – Universidade de São Paulo
Estruturação do capítulo
1. Introdução
2. MicroRNAs na fisiologia humana – visão geral
3. Tecido Muscular Cardíaco e Esquelético
3.1 Coração
3.2 Músculo esquelético
4. Cérebro: Desenvolvimento e plasticidade sináptica
5. Conclusões
Tabela 1. Número de sequências de miRNAs depositadas no banco de dados miRBase v21 (www.mirbase.org).
Figura 1. Expressão de miRNAs em diferentes tecidos humanos. São indicados alguns miRNAs altamente expressos
no cérebro, coração, fígado, músculo, pâncreas e tiroide. Fonte: Imagem construída a partir de ilustração do Creative
Commons.
Figura 2. MicroRNAs predominantes em diferentes tecidos e orgãos no homem (Lagos-Quintana et al., 2002;
Landgraf et al., 2007; Rao et al., 2006).
3.1 Coração
Os miRNAs regulam o correto desenvolvimento e a correta função do coração. Esse
fato foi constatado por um estudo em que a deleção do gene da Dicer em camundongo
genéticamente modificado resultou em cardiomiopatia dilatada progressiva, falência cardíaca
e morte pós-natal. Nesses animais observa-se a perda da expressão de proteínas contráteis
e severo desarranjo sarcomérico (Chen et al., 2008).
Um estudo de sequenciamento em larga escala no coração adulto de camundongos
mostrou que os 20 miRNAs mais expressos correspondem a mais de 90% dos transcritos de
miRNAs detectados nesse tecido (Rao et al., 2009). Dentre esses miRNAs destaca-se a alta
expressão de miR-1, que corresponde a 40-45% dos transcritos de miRNAs (Lagos-Quintana
et al., 2002; Rao et al., 2009).
miR-1 é transcrito a partir de dois genes, miR-1-1 e miR-1-2, localizados em cromossomos
diferentes, cuja expressão é influenciada pelos fatores de transcrição SRF, MyoD e Mef2 (Zhao
et al., 2005). O enriquecimento da expressão de miR-1 no coração adulto indica que esse miRNA
atua de maneira central na manutenção da função cardíaca. A desregulação na expressão
de miR-1 resulta em importantes defeitos no desenvolvimento e na função cardiovascular.
De fato, camundongos knockout para o gene de miR-1-2 apresentam múltiplos defeitos na
(van Rooij et al., 2007). Por outro lado, a expressão exógena de miR-208a no coração induz a
hipertrofia cardíaca em camundongos (Callis et al., 2009). Esse efeito é atribuído à redução
dos níveis proteicos de Thrap1, um componente do complexo receptor nuclear do hormônio
Rooij et al., 2007). Cabe ressaltar ainda que o nocauteamento de miR-208a leva à perda de
expressão de outro miRNA, miR-499, localizado no íntron do gene Myh7b (van Rooij et al., 2009),
e que também influencia no remodelamento cardíaco. A reposição de miR-499 nos animais
knockout
em animais hipotiroidianos, indicando que miR-499 é um mediador a jusante de miR-208a.
Outro miRNA associado ao remodelamento cardíaco é miR-195 que encontra-se
aumentado durante o processo de hipertrofia cardíaca em humanos e camundongos. O
aumento de miR-195 in vitro resulta em crescimento hipertrófico de cardiomiócitos, observado
pela organização da actinina no citoplasma. Esse processo também é observado in vivo
quando miR-195 é expresso especificamente no coração de camundongos e induz hipertrofia
em animais com poucas semanas de vida, e que progride para cardiomiopatia dilatada e
falência cardíaca em animais jovens (van Rooij et al., 2006).
Nesse estudo, o duplo knockout de miR-208b e miR-499 resulta em animais que perdem
substancialmente miofibras do tipo I, observado no músculo sóleo, além de se observar
5. Conclusões
A descoberta dos miRNAs revelou um novo nível de regulação dos sistemas biológicos.
Além dos exemplos de atuação no sistema nervoso e em músculos apresentados neste capítulo,
a influência dos miRNAs na fisiologia humana se estende a diversos órgãos, incluindo fígado,
pâncreas, rins, ovários, placenta, testículos, retina, tecido adiposo, hematopoese e sistema
imune (Arner; Kulyte, 2015; Chiang et al., 2010; Del Debbio et al., 2010; Donadeu et al., 2012;
Latreille et al., 2014; Record, 2014; Ricarte Filho; Kimura, 2006; Sayed; Abdellatif, 2011;
Taganov et al., 2006; Tang et al., 2011).
No genoma humano, o grande número de miRNAs que se expressam num padrão
específico quanto aos tipos e abundância nos tecidos indica uma complexidade e uma alta
peculiaridade da atuação dos miRNAs nos diferentes tipos celulares. Além disso, adiciona-se
ao sistema, a presença de miRNAs circulantes, altamente estáveis e que no homem transitam
no sangue, ligados predominantemente à proteína Argonauta 2, os quais possibilitam a cada
tecido atuar como doador e/ou alvo de miRNAs (Arroyo et al., 2011) (veja mais informações
sobre miRNAs circulantes no capítulo 17. A expressão diferencial de miRNAs no estado
fisiológico e nas patologias tornam essas moléculas altamente promissoras como marcadores
biológicos e até mesmo agentes terapêuticos (Kasinski; Slack, 2011; van Rooij; Olson, 2012). O
antissenso de miR-122 (SPC3649-miravirsen) foi o primeiro a ser utilizado em ensaio clínico
em pacientes com hepatite C (Janssen et al., 2013; Lindow; Kauppinen, 2012). Atualmente estão
em andamento outros ensaios clínicos de miRNA como marcador molecular ou adjuvante
terapêutico em doenças crônicas e câncer (www.clinicaltrails.org).
Os miRNAs, desde a sua identificação e o reconhecimento de seu grande potencial na
função regulatória da expressão gênica, abriram uma nova fronteira no entendimento das
funções biológicas, trazendo avanços importantes na Fisiologia e Medicina – e com muito
ainda a ser explorado no futuro.
Bibliografia
Abelson JF, Kwan KY, O’Roak BJ, Baek DY, Stillman AA, Brennecke J, Cohen SM. Towards a complete description
Morgan TM, et al. Sequence variants in SLITRK1 are of the microRNA complement of animal genomes.
associated with Tourette’s syndrome. Science. 2005 Genome Biol. 2003; 4(9):228. http://dx.doi.org/10.1186/
October;310(5746):317-20. http://dx.doi.org/10.1126/ gb-2003-4-9-228. PMid:12952528.
science.1116502. PMid:16224024. Callis TE, Pandya K, Seok HY, Tang RH, Tatsuguchi M,
Arner P, Kulyté A. MicroRNA regulatory networks Huang ZP, et al. MicroRNA-208a is a regulator of
in human adipose tissue and obesity. Nat Rev cardiac hypertrophy and conduction in mice. J Clin
Endocrinol. 2015 May;11(5):276-88. http://dx.doi. Invest. 2009 September;119(9):2772-86. http://dx.doi.
org/10.1038/nrendo.2015.25. PMid:25732520. org/10.1172/JCI36154. PMid:19726871.
Arroyo JD, Chevillet JR, Kroh EM, Ruf IK, Pritchard Cao X, Pfaff SL, Gage FH. A functional study of
CC, Gibson DF, et al. Argonaute2 complexes carry a miR-124 in the developing neural tube. Genes Dev.
population of circulating microRNAs independent of 2007 March;21(5):531-6. http://dx.doi.org/10.1101/
vesicles in human plasma. Proc Natl Acad Sci USA. gad.1519207. PMid:17344415.
2011 March;108(12):5003-8. http://dx.doi.org/10.1073/ Chen JF, Mandel EM, Thomson JM, Wu Q, Callis TE,
pnas.1019055108. PMid:21383194. Hammond SM, et al. The role of microRNA-1 and
Bartel DP. MicroRNAs: target recognition and regulatory microRNA-133 in skeletal muscle proliferation and
functions. Cell. 2009 January;136(2):215-33. http:// differentiation. Nat Genet. 2006 February;38(2):228-33.
dx.doi.org/10.1016/j.cell.2009.01.002. PMid:19167326. http://dx.doi.org/10.1038/ng1725. PMid:16380711.
Estruturação do capítulo
1. Introdução
2. MicroRNAs nas doenças neurológicas
2.1 As epilepsias
2.2 A doença de Alzheimer
2.3 A doença de Huntington
3. MicroRNAs e os transtornos psiquiátricos
3.1 A Esquizofrenia
3.2 O Transtorno Afetivo Bipolar
3.3 O Autismo
4. MicroRNAs nas doenças cardiovasculares
5. MicroRNAs e as doenças autoimunes ou inflamatórias crônicas
5.1 O Lúpus Eritematoso Sistêmico
5.2 A Artrite Reumatoide
5.3 As doenças inflamatórias intestinais
6. Considerações finais
2.1 As epilepsias
As epilepsias formam um grupo de doenças neurológicas crônicas decorrentes de
alterações das funções cerebrais associadas ou não a outras doenças do sistema nervoso, e
atingem de 1,5% a 2% da população geral (Hauser et al., 1996; Borges et al., 2004), o que faz
com que as epilepsias sejam consideradas um problema de saúde pública pela Organização
Mundial de Saúde. A característica comum a todas as síndromes epilépticas é a ocorrência de
crises epilépticas que são causadas por descargas neuronais anormais, as quais ocorrem de
forma passageira, sincrônica e desorganizada, levando às manifestações clínicas dependentes
da região (ou regiões) afetada(s) do sistema nervoso central (SNC) (Beghi, 2009).
McKiernan e colaboradores (2012) detectaram em espécimes saudáveis de hipocampo
humano a expressão de, aproximadamente, 200 miRNAs entre 380 miRNAs analisados.
Esses autores, ao trabalharem com espécimes de pacientes com a epilepsia do lobo temporal
mesial (ELTM), observaram uma diminuição dos miRNAs expressos. Desses, 24% não foram
detectados no tecido epiléptico e 51% apresentaram menor expressão quando comparados
com os controles. Os autores investigaram a possibilidade de uma falha na maquinaria de
maturação dos miRNAs e constataram uma diminuição significativa na expressão da enzima
Dicer, responsável pela formação de miRNAs maduros.
Diversos miRNAs apresentam envolvimento com mecanismos inflamatórios, sendo
o miR-146a o primeiro miRNA associado a inflamação em estudos com epilepsia (Aronica
et al., 2010). Esse miRNA regula a expressão de receptores toll-like (TLRs, sigla do inglês toll-
like receptors). Nível elevado desse miRNA foi encontrado em hipocampo de ratos imaturos
e adultos após status epilepticus e em espécimes de hipocampo de crianças e adultos com
epilepsia do lobo temporal (ELT) (Aronica et al., 2010; Omran et al., 2012). O aumento da
expressão do miR-146a está presente em neurônios e astrócitos, indicando a especificidade
de tipos celulares que produzem esse miRNA (Iyer et al., 2012). Outro miRNA associado a
processos inflamatórios do SNC na ELT é o miR-155. Esse miRNA apresenta um aumento da
expressão no tecido hipocampal de crianças com ELT e, além disso, também foi encontrado
diferencialmente expresso em modelos de ratos imaturos. Pode-se ressaltar que esse aumento
(APP) pela da enzima beta secretase 1 (BACE1), e dos emaranhados neurofibrilares, frutos
da hiperfosforilação da proteína Tau (Braak; Braak, 1995; Hardy; Selkoe, 2002).
Vários estudos recentes relacionam a desregulação dos miRNAs encontrados em
cérebros de pacientes com a progressão da doença. Dentre eles, destacam-se miR-9, miR-29,
miR-34, miR-106, miR-107, miR-146 e miR-181 (Schonrock; Gotz, 2012). Muitos deles têm sido
associados à alteração na regulação de genes-chave conhecidos pelo envolvimento em DA.
O miR-107 parece ser um dos mais relevantes nesse distúrbio neurodegenerativo, sua
baixa expressão foi observada nos estágios iniciais da doença no lobo temporal e correlacionado
com a alta expressão do gene BACE1 (Wang et al, 2008; Nelson; Wang, 2010). Os mesmos
autores confirmaram que miR-107 diminui com o avanço da doença e observaram que o
aumento de BACE1
da densidade de placas neuríticas (Wang et al., 2008). Do mesmo modo, Long et al. (2014)
observaram que a desregulação dos níveis de BACE1 pode ocorrer também em decorrência da
redução significativa dos níveis de miR-339-5p em amostras cerebrais de pacientes, quando
comparadas com as de indivíduos controles pareados cuidadosamente pela idade. A família
do miR-29 também tem se mostrado presente em casos esporádicos de DA. Esse cluster tem
sítios de ligação para o gene BACE1 e sua perda é correlacionada com a alta expressão de
BACE1 (Hebert et al., 2008; Zong et al., 2011).
3.1 A Esquizofrenia
De acordo com o Manual de Diagnóstico e Estatística da Sociedade Norte-Americana
de Psiquiatria (DSM-IV), a Esquizofrenia está presente em cerca de 1% da população geral. É
uma doença complexa caracterizada por uma desintegração dos processos de pensamento
e de capacidade de resposta emocional (DSM-IV). Alguns sintomas comuns da doença são
alucinações visuais e acústicas, delírios paranoicos, disfunção social e discurso e pensamento
desorganizado, a etiologia é complexa e pouco compreendida (DSM-IV). Não há dados da
prevalência desse distúrbio na população brasileira.
Níveis anormais de alguns miRNAs foram detectadas no cérebro de pacientes com
Esquizofrenia em comparação com o cérebro de indivíduos sem diagnóstico de distúrbios
neuropsiquiátricos. Perkins e colaboradores (2007) examinaram a expressão de 264
miRNAs no córtex pré-frontal (área Brodmann 9) a partir de um grupo de 15 pacientes
esquizofrênicos ou esquizoafetivos e 21 amostras de indivíduos controle e identificaram
3.3 O Autismo
Grupo de distúrbios caracterizado por um espectro de prejuízos qualitativos na interação
social, associados com diferentes graus de déficits na comunicação, comportamentos repetitivos
e interesses restritos (DSM-IV). Estima-se que 1% a 2% da população seja acometida por
alguma forma de autismo (Kim et al., 2011). A causa desse grupo de distúrbios permanece
desconhecida mas em pelo menos 20% dos casos uma causa genética foi identificada (Delorme
et al., 2013). Pouco se sabe sobre a importância dos miRNAs para esse grupo de distúrbios.
Até o momento, a desregulação do padrão de expressão de miRNAs em indivíduos com essa
síndrome foi verificada primeiramente por Abu-Elneel e colaboradores (2008), que relataram
6. Considerações finais
Está bem estabelecido que mecanismos envolvendo a desregulação de miRNAs (indução
ou repressão) estão presentes em várias doenças humanas. Por outro lado, o imenso potencial
dos miRNAs como agentes terapêuticos tem sido cada vez mais reconhecido. Além disso, o
papel de miRNAs circulantes como novos marcadores para o diagnóstico e no estabelecimento
do prognóstico de doenças humanas também começa a ser reconhecido. Algumas terapias
baseadas em miRNA já foram validadas em modelos animais com relevância clínica e poucos
estão em fase de desenvolvimento pré-clínico. No entanto, a falta de sistemas efetivos de
entrega (delivery) e a baixa especificidade dos miRNAs terapêuticos permanecem como
obstáculo à sua aplicação efetiva como ferramenta terapêutica.
Estruturação do capítulo
1. Introdução
2. Diagnóstico e prognóstico baseados em miRNAs
2.1 Neoplasias
2.2 Neoplasias hematológicas
2.2.1 Leucemia Linfocítica Crônica
2.2.2 Mieloma múltiplo
2.2.3 Leucemias pediátricas agudas
2.2.4 Linfomas
2.3 Tumores sólidos
2.3.1 Câncer de próstata
2.3.2 Câncer colorretal
2.3.3 Câncer de pulmão
2.3.4 Câncer de mama
2.3.5 Câncer gástrico
2.3.6 Câncer cervical
2.4 miRNAs como biomarcadores em outras doenças
2.4.1 Diabetes
2.4.2 Doenças neurológicas
2.4.3 Epilepsia
2.4.4 Esclerose Múltipla
2.4.5 Doença de Alzheimer
3. Aplicações terapêuticas
3.1 Terapêutica baseada na inibição de miRNAs
3.2 Terapêutica baseada na reposição de miRNAs
3.3 Perspectivas para o uso terapêutico dos miRNAs
2.1 Neoplasias
O padrão de expressão de microRNAs é uma assinatura em potencial para a classificação,
diagnóstico e predição sobre a progressão do câncer (Duttagupta et al., 2011), sendo utilizados
para isso não somente amostras de biópsia dos tumores como também os fluidos biológicos
como soro, plasma, urina, escarro e outros, propiciando investigações minimamente invasivas.
O primeiro estudo que associou a desregulação dos microRNAs com doenças humanas
foi publicado em 2002 por Calin e colaboradores, descrevendo a deleção ou regulação negativa
de miR-15a e miR-16-1 na Leucemia Linfocítica Crônica (LLC) (Calin et al., 2002). Depois desse
relato, a atividade dos microRNAs como supressores tumorais e oncogenes foi demonstrada
em diversos tumores, como revisado em (Kasinski e Slack, 2011; Calin e Croce, 2006b).
Devido à participação dos microRNAs na regulação de grande parte dos genes
codificadores de proteínas, eles agem também sobre a regulação de quase todos os processos
biológicos das células (Friedman et al., 2009; Bartel, 2009) e, portanto, estão frequentemente
envolvidos com a patogênese das doenças humanas (Mendell e Olson, 2012). A expressão de
grupos de microRNAs pode caracterizar determinadas doenças e também seus diferentes
estágios e subtipos. Consequentemente, a expressão e função dos microRNAs podem ser úteis
como ferramentas para o diagnóstico e prognóstico das mais diversas patologias (Mendell
e Olson, 2012; Garzon et al., 2010), além de serem considerados também promissores alvos
terapêuticos (Pereira et al., 2013). Desse modo, diversos grupos de pesquisa concentraram-se
na tradução dos conhecimentos básicos sobre microRNAs em diversos processos patológicos
para a prática clínica. O perfil de expressão de microRNAs pode ser usado para diferenciar
amostras tumorais de amostras saudáveis, bem como subtipos, graus ou estágios do câncer e
das leucemias, sendo portanto úteis no diagnóstico dessas doenças. Além disso, os padrões de
expresssão dos microRNAs também já se mostraram úteis como ferramentas de prognóstico,
ou seja, são capazes de prever a progressão da doença em diferentes aspectos clínicos.
Apesar da grande evolução das técnicas de imagem para o diagnóstico e acompanhamento
das doenças neoplásicas, a análise do tecido tumoral por meio de técnicas invasivas (biópsias)
ainda é muito utilizada. Isso ocorre pois o número de biomarcadores confiáveis nos fluidos
biológicos ainda é baixo para que essa ferramenta menos invasiva de diagnóstico seja utilizada
com mais frequência na prática clínica. Nesse sentido, os microRNAs são extremamente
promissores, pois estão presentes de forma estável nos fluidos biológicos como saliva, plasma,
soro e urina (Madhavan et al., 2013). A grande estabilidade dos microRNAs nesses fluidos é
devida, em parte, ao fato de eles serem carreados dentro de vesículas chamadas exossomos.
Essas vesículas são formadas dentro das células e posteriormente liberadas ao fundirem-se
2.2.4 Linfomas
Em linfomas, o padrão de expressão do miR-155 é muito importante para diferenciar
o Linfoma de Burkitt (LB), no qual a expressão do miR-155 é ausente do Linfoma Difuso
de Grandes Células B (LDGCB) no qual o miR-155 está expresso (Di Lisio et al., 2012a). A
perda da expressão do miR-155 correlaciona-se com a presença da translocação MYC-IGH,
típica do LB. No LB, a expressão do MYC encontra-se desregulada, como consequência de
translocações entre o MYC (8q24) e genes de imunoglobulinas. O MYC regula a expressão de
vários microRNAs, que por sua vez agem coordenadamente para controlar a expressão de
MYC. Assim, o LB é caracterizado pelo descontrole dessa alça de regulação, do qual participam
let-7a, let-7e, let-7f, miR-34b, miR-98, miR-331 e miR-363, além do cluster miR-17-92, que está
expresso no LB e é alvo transcricional de MYC (Di Lisio et al., 2012b). O cluster miR-17-92
também foi capaz de diferenciar o LDGCB de células B germinativas (LDGCB-CBG) do linfoma
folicular de alto grau (LF grau 3) (Fassina et al., 2012). Malumbres et al. (2009) definiram um
grupo de microRNAs que podem ser utilizados para diferenciar dois tipos de LDGCB com
prognósticos distintos, o LDGCB-CBG do LDGCB de células B ativadas (LDGCB-CBA). Dentre
esses microRNAs, a alta expressão do miR-222 associou-se com o subtipo CBA e também com
menor sobrevida total e sobrevida sem progressão (Malumbres et al., 2009). No linfoma
de células do manto (LCM), pacientes com menor expressão do miR-29 apresentam menor
sobrevida, sendo esse um parâmetro comparável ao Índice de Prognóstico Internacional
do LCM. Já a perda do miR-20b está associada a um prognóstico favorável (Di Lisio et al.,
2012b). Quanto aos microRNAs circulantes, miR-21, miR-155 e miR-210 estão mais expressos
em pacientes com linfoma difuso de células B grandes em relação aos controles saudáveis
(Lawrie et al., 2008). O miR-221 plasmático foi capaz de diferenciar pacientes de controles
em um estudo, além de correlacionar-se com a sobrevida no linfoma extranodal de células
T e natural killers (Guo et al., 2010).
2.4.1 Diabetes
As doenças metabólicas, incluindo a diabetes, são outro grande exemplo da capacidade
regulatória dos miRNAs, uma vez que eles são capazes de alterar o metabolismo da glicose e
da homeostase de lipídeos (Lynn, 2009). Já foi demonstrado que a alteração da expressão de
miRNAs em pacientes com diabetes pode causar alterações na produção e secreção de insulina
pelas células beta-pancreáticas (Chen et al., 2014). O uso de miRNAs como biomarcadores na
diabetes é bem documentado, sendo que a quantificação de determinados miRNAs em fluidos
corporais possibilita o monitoramento do desenvolvimento e da progressão da doença. A
elevada expressão de 12 miRNAs (miR-152, miR-30a-5p, miR-181a, miR-24, miR-148a, miR-210,
miR-27a, miR-29a, miR-26a, miR-27b, miR-25 e do miR-200a) analisados no soro de pacientes
foi associada a diabetes do tipo 1 (Nielsen et al., 2012). Outros estudos demonstram que os
níveis séricos do miR-23a, com sensibilidade de 79,2% e especificidade de 75% (Yang et al.,
2014), e do miR-126 (Liu et al., 2014) são capazes de discriminar pacientes com diabetes do
tipo 2 de controles saudáveis. Em relação a diabetes gestacional já foi determinado que os
níveis séricos de miR-132, miR-29a e miR-222 são preditivos para essa doença, com uma
sensibilidade de 66,7% e especificidade de 63,3%.
2.4.3 Epilepsia
Um exemplo é a Epilepsia, doença caracterizada pela ocorrência de repetidas convulsões
causadas pela ativada anormal e dessincronizada de neurônios no cérebro (Henshall, 2014).
Em busca de determinar novos marcadores séricos para essa doença, foi realizado um estudo
de larga escala que demonstrou a elevada expressão dos miRNAs: Let-7d-5p, miR-106b-5p,
miR-130a-3p miR-146a-5p e uma diminuição da expressão dos miR-15a-5p e miR-194-5p
nos pacientes, em comparação com indivíduos saudáveis. Entre esses miRNAs, o miR-106b-
5p foi determinado como o melhor preditor para a doença, com sensibilidade de 80,3% e
especificidade de 81,2%.
3. Aplicações terapêuticas
Quando pensamos no uso dos miRNAs na terapêutica devemos dividir essa ideia em
dois grandes segmentos: (i) o primeiro relacionado ao uso de drogas inibidoras de miRNAs e
o segundo (ii) composto da aplicação direta dos miRNAs como drogas. Desse modo, a seguir
abordaremos esses dois conceitos isoladamente, para melhor entendimento.
Tabela 1. Principais moduladores de miRNA sendo desenvolvidos e as empresas responsáveis por essas
drogas.
Método miRNA
Indicação terapêutica Status
de ação alvo
Santaris Pharma (http://www.santaris.com/)
Hepatite C Inibição miR-122 Fase II
Hipercolesteromia Inibição miR-122
miRagen Therapeutics (http://www.miragentherapeutics.
com/)
Falha cardíaca crônica Inibição miR-208/499 Pré-clínico
Remodelamento cardíaco pós-infarto Inibição miR-15/195 Pré-clínico
Policitemia Vera Inibição miR-451 Pré-clínico
Doença de artérias periféricas Inibição miR-92 Otimização
Bibliografia
Arruda LC, Lorenzi JC, Sousa AP, Zanette DL, Palma PV, Calin GA, Dumitru CD, Shimizu M, Bichi R, Zupo S, Noch
Panepucci RA, et al. Autologous hematopoietic SCT E, et al. Frequent deletions and down-regulation of
normalizes miR-16, -155 and -142-3p expression in micro- RNA genes miR15 and miR16 at 13q14 in
multiple sclerosis patients. Bone Marrow Transplant. chronic lymphocytic leukemia. Proc Natl Acad Sci
2015 March;50(3):380-9. http://dx.doi.org/10.1038/ USA. 2002 November;99(24):15524-9. http://dx.doi.
bmt.2014.277. PMid:25486582. org/10.1073/pnas.242606799. PMid:12434020.
Bandres E, Bitarte N, Arias F, Agorreta J, Fortes P, Calin GA, Ferracin M, Cimmino A, Di Leva G, Shimizu
Agirre X, et al. microRNA-451 regulates macrophage M, Wojcik SE, et al. A MicroRNA signature
migration inhibitory factor production and associated with prognosis and progression in
proliferation of gastrointestinal cancer cells. Clin
chronic lymphocytic leukemia. N Engl J Med. 2005
Cancer Res. 2009 April;15(7):2281-90. http://dx.doi.
October;353(17):1793-801. http://dx.doi.org/10.1056/
org/10.1158/1078-0432.CCR-08-1818. PMid:19318487.
NEJMoa050995. PMid:16251535.
Bartel DP. MicroRNAs: target recognition and regulatory
Chau BN, Xin C, Hartner J, Ren S, Castano AP, Linn G, et
functions. Cell. 2009 January;136(2):215-33.
http://dx.doi.org/10.1016/j.cell.2009.01.002. al. MicroRNA-21 promotes fibrosis of the kidney by
PMid:19167326. silencing metabolic pathways. Sci Transl Med. 2012
Bloomston M, Frankel WL, Petrocca F, Volinia S, Alder February;4(121):121ra18. http://dx.doi.org/10.1126/
H, Hagan JP, et al. MicroRNA expression patterns scitranslmed.3003205. PMid:22344686.
to differentiate pancreatic adenocarcinoma from Chen H, Lan HY, Roukos DH, Cho WC. Application
normal pancreas and chronic pancreatitis. JAMA. of microRNAs in diabetes mellitus. J Endocrinol.
2007 May;297(17):1901-8. http://dx.doi.org/10.1001/ 2014 July;222(1):R1-10. http://dx.doi.org/10.1530/
jama.297.17.1901. PMid:17473300. JOE-13-0544. PMid:24781254.
Brase JC, Johannes M, Schlomm T, Fälth M, Haese A, Chen J, Yao D, Li Y, Chen H, He C, Ding N, et al. Serum
Steuber T, et al. Circulating miRNAs are correlated microRNA expression levels can predict lymph
with tumor progression in prostate cancer. Int J node metastasis in patients with early-stage cervical
Cancer. 2011 February;128(3):608-16. http://dx.doi. squamous cell carcinoma. Int J Mol Med. 2013
org/10.1002/ijc.25376. PMid:20473869. September;32(3):557-67. PMid:23799609.
Brenner B, Hoshen MB, Purim O, David MB, Ashkenazi Chen X, Ba Y, Ma L, Cai X, Yin Y, Wang K, et al.
K, Marshak G, et al. MicroRNAs as a potential Characterization of microRNAs in serum: a
prognostic factor in gastric cancer. World J novel class of biomarkers for diagnosis
Gastroenterol. 2011 September;17(35):3976-85. http://
of cancer and other diseases. Cell Res. 2008
dx.doi.org/10.3748/wjg.v17.i35.3976. PMid:22046085.
October;18(10):997-1006. http://dx.doi.org/10.1038/
Cai H, Yuan Y, Hao YF, Guo TK, Wei X, Zhang YM. Plasma
cr.2008.282. PMid:18766170.
microRNAs serve as novel potential biomarkers
Chen ZH, Zhang GL, Li HR, Luo JD, Li ZX, Chen GM, et
for early detection of gastric cancer. Med Oncol.
2013 March;30(1):452. http://dx.doi.org/10.1007/ al. A panel of five circulating microRNAs as potential
s12032-012-0452-0. PMid:23307259. biomarkers for prostate cancer. Prostate. 2012
Calin GA, Croce CM. Genomics of chronic lymphocytic September;72(13):1443-52. http://dx.doi.org/10.1002/
leukemia microRNAs as new players with clinical pros.22495. PMid:22298030.
significance. Semin Oncol. 2006 April;33(2):167-73. Cheng H, Zhang L, Cogdell DE, Zheng H, Schetter AJ,
http://dx.doi.org/10.1053/j.seminoncol.2006.01.010. Nykter M, et al. Circulating plasma MiR-141 is a
PMid:16616063. novel biomarker for metastatic colon cancer and
Calin GA, Croce CM. MicroRNA signatures in human predicts poor prognosis. PLoS One. 2011; 6(3):e17745.
cancers. Nat Rev Cancer. 2006 November;6(11):857-66. http://dx.doi.org/10.1371/journal.pone.0017745.
http://dx.doi.org/10.1038/nrc1997. PMid:17060945. PMid:21445232.
Estruturação do capítulo
1. Introdução
2. Técnicas para clonagem de miRNAs
2.1 Métodos de isolamento e purificação de pequenos RNAs
2.2 Métodos de quantificação
2.3 Estratégias de clonagem de miRNAs
3. Técnicas para análise de expressão gênica
3.1 Northern blot
3.2 Hibridização in situ
3.3 RT-qPCR
3.3.1 Normalização e análise dos dados
3.4 Microarranjos
3.4.1 Normalização e análise dos dados
3.5 Sequenciamento em larga escala
3.5.1 Análise dos dados
3.6 Quantificação das moléculas primárias e precursoras dos miRNAs
4. Bancos de dados para análises de identificação dos miRNAs
Figura 1. As etapas básicas da clonagem de pequenos RNAs. Primeiro um RNA total de alta qualidade é isolado
e, a partir desse, a fração de pequenos RNAs é obtida. Depois adicionam-se adaptadores nas extremidades 3’ e 5’,
seguindo-se uma reação de transcrição reversa para converter o RNA em cDNA. Em alguns protocolos, a etapa de
adição de adaptadores ocorre simultaneamente à transcrição reversa (ver figura 2). Após a amplificação por PCR, os
fragmentos estão prontos para serem clonados em um vetor ou utilizados em análises de expressão. Alternativamente
(setas pontilhadas), os cDNAs amplificados podem ser concatenados utilizando-se os sítios de restrição incluídos nos
adaptadores.
Notas
1) Para maior eficiência, os protocolos mais antigos recomendavam o uso de tubos
de reação siliconados, pois os tubos normais podem reter alguns ácidos nucléicos
de baixo peso molecular.
2) As etapas de purificação adicionais quase sempre resultam em alguma redução
na quantidade de RNAs. Dessa forma, é necessário fazer testes de extração com o
material de estudo para ponderar sobre o custo-benefício no resultado almejado.
3.3 RT-qPCR
Uma técnica frequentemente encontrada como parte da rotina de laboratórios, a RT-
qPCR é relativamente simples e tem sido usada para avaliar a expressão de miRNAs. A sigla
“RT” vem de transcrição reversa (do inglês, reverse transcription), que é a primeira etapa
da técnica. A sigla “PCR” é a abreviação da expressão em inglês Polymerase Chain Reaction
(ou Reação em Cadeia da Polimerase). A PCR pode ser qualitativa, na qual se verifica a
presença ou ausência de um transcrito; ou quantitativa, quando é possível acessar os níveis
de expressão do transcrito-alvo. Aqui será discutido o uso da PCR quantitativa ou PCR em
tempo real, que é abreviada por RT-qPCR. Mais informações sobre as etapas desse método
podem ser encontrados na revisão de Garibyan e Avashia (2013).
Um dos desafios encontrados na análise da expressão de miRNAs por RT-qPCR é o
comprimento curto dessas moléculas. Uma saída foi aumentar o comprimento dos miRNAs,
de modo que o cDNA produzido seja longo o suficiente para ser amplificado por qPCR.
Existem dois métodos bem estabelecidos que garantem o aumento do comprimento dos
Figura 4. Método dos iniciadores stem loop para a síntese de cDNAs a partir de miRNAs maduros. Iniciadores stem
loop específicos aos miRNAs-alvo são utilizados na síntese do cDNA por transcrição reversa. As moléculas de cDNA
sintetizadas podem ser quantificadas por PCR em tempo real usando-se dois métodos: agentes intercalantes ou sondas
Taqman. Os agentes intercalantes, como o SYBR® Green, ligam-se às moléculas de cDNA dupla-fita e emitem fluorescência
que é capturada e utilizada na quantificação dos transcritos de miRNA. As sondas Taqman são sondas específicas marcadas
com uma molécula repórter que emite fluorescência durante a síntese da molécula complementar ao transcrito-alvo.
Assim, os dois métodos diferem no momento da amplificação em que os níveis dos transcritos são medidos. As reações
podem ser feitas em placas convencionais de PCR, em tempo real, com 96 ou 394 poços; ou, ainda, em maior escala,
utilizando-se dispositivos microfluídicos em que é possível analisar a expressão de até 96 miRNAs em oito amostras.
Figura 5. Método de análise da expressão de miRNAs por microarranjo. O esquema apresenta a sequência de
eventos de um experimento por microarranjo. Inicialmente, as moléculas de RNAs pequenos são isoladas. Em seguida
são marcadas com fluorescência e hibridadas com sondas complementares previamente ancoradas a uma lâmina. Após
a hibridação, a imagem da lâmina é capturada e segue-se a análise dos dados.
Nota
Read (em português, “leitura”) corresponde à sequência de nucleotídeos obtida na
reação de sequenciamento para cada fragmento. O conjunto de reads originadas de
uma amostra é chamado de biblioteca.
Bibliografia
Ambros V, Bartel B, Bartel DP, Burge CB, Carrington Braasch DA, Corey DR. Locked nucleic acid (LNA):
JC, Chen X, et al. A uniform system for microRNA fine-tuning the recognition of DNA and RNA. Chem
annotation. RNA. 2003 March;9(3):277-9. http:// Biol. 2001 January;8(1):1-7. http://dx.doi.org/10.1016/
dx.doi.org/10.1261/rna.2183803. PMid:12592000. S1074-5521(00)00058-2. PMid:11182314.
Anders S, Huber W. Differential expression analysis for Calabrese JM, Seila AC, Yeo GW, Sharp PA. RNA
sequence count data. Genome Biol. 2010;11(10):R106. sequence analysis defines Dicer’s role in mouse
http://dx.doi.org/10.1186/gb-2010-11-10-r106. embryonic stem cells. Proc Natl Acad Sci USA.
PMid:20979621. 2007 November;104(46):18097-102. http://dx.doi.
Andersen CL, Jensen JL, Ørntoft TF. Normalization of
org/10.1073/pnas.0709193104. PMid:17989215.
real-time quantitative reverse transcription-PCR
Castoldi M, Schmidt S, Benes V, Noerholm M,
data: a model-based variance estimation approach
Kulozik AE, Hentze MW, et al. A sensitive array
to identify genes suited for normalization, applied
to bladder and colon cancer data sets. Cancer for microRNA expression profiling (miChip)
Res. 2004 August;64(15):5245-50. http://dx.doi. based on locked nucleic acids (LNA). RNA. 2006
org/10.1158/0008-5472.CAN-04-0496. PMid:15289330. May;12(5):913-20. http://dx.doi.org/10.1261/
Baskerville S, Bartel DP. Microarray profiling of rna.2332406. PMid:16540696.
microRNAs reveals frequent coexpression with Chappell L, Baulcombe D, Molnár A. (2005) Isolation
neighboring miRNAs and host genes. RNA. 2005 and cloning of small RNAs from virus-infected
March;11(3):241-7. http://dx.doi.org/10.1261/ plants. Curr Protoc Microbiol. 2006;Chapter 16:Unit
rna.7240905. PMid:15701730. 16H.2. http://dx.doi.org/10.1002/9780471729259.
Becker C, Hammerle-Fickinger A, Riedmaier I, Pfaffl mc16h02s00
MW. mRNA and microRNA quality control for Chen C, Ridzon DA, Broomer AJ, Zhou Z, Lee DH,
RT-qPCR analysis. Methods. 2010 April;50(4):237-43. Nguyen JT, et al. Real-time quantification of
http://dx.doi.org/10.1016/j.ymeth.2010.01.010. microRNAs by stem-loop RT-PCR. Nucleic Acids Res.
PMid:20079844. 2005;33(20):e179.
Benes V, Castoldi M. Expression profiling of microRNA Cummins JM, He Y, Leary RJ, Pagliarini R, Diaz LA Jr,
using real-time quantitative PCR, how to use it and Sjoblom T, et al. The colorectal microRNAome. Proc
what is available. Methods. 2010 April;50(4):244-9.
Natl Acad Sci USA. 2006 March;103(10):3687-92.
http://dx.doi.org/10.1016/j.ymeth.2010.01.026.
http://dx.doi.org/10.1073/pnas.0511155103.
PMid:20109550.
PMid:16505370.
Bentley DR, Balasubramanian S, Swerdlow HP,
Smith GP, Milton J, Brown CG, et al. Accurate Devor EJ, Huang L, Abdukarimov A, Abdurakhmonov
whole human genome sequencing using IY. Methodologies for in vitro cloning of small
reversible terminator chemistry. Nature. 2008 RNAs and application for plant genome(s). Int J
November;456(7218):53-9. http://dx.doi.org/10.1038/ Plant Genomics. 2009;2009:915061. http://dx.doi.
nature07517. PMid:18987734. org/10.1155/2009/915061. PMid:19551152.
Berezikov E, Cuppen E, Plasterk RH. Approaches to Elbashir SM, Lendeckel W, Tuschl T. RNA interference
microRNA discovery. Nat Genet. 2006 June;38(6s is mediated by 21- and 22-nucleotide RNAs. Genes
Suppl):S2-7. http://dx.doi.org/10.1038/ng1794. Dev. 2001 January;15(2):188-200. http://dx.doi.
PMid:16736019. org/10.1101/gad.862301. PMid:11157775.
Prof. Dr. Régis Lopes Corrêa1, Kelly Costa de Almeida, Thiago Sardou Charret2,
Dr. Júlio Cesar Cetrulo Lorenzi3,4, Prof. Dr. Tiago Campos Pereira5
e Prof. Dr. Vinícius D’Avila Bitencourt Pascoal2
1
Depto. de Genética, Instituto de Biologia, Universidade Federal do Rio de Janeiro - RJ
2
Depto. de Ciência Básica, Nova Friburgo, Universidade Federal Fluminense - RJ
3
Depto. de Genética, FMRP, USP - SP
4
Rockefeller University, New York - Estados Unidos
5
Depto. de Biologia, FFCLRP, Universidade de São Paulo - SP
Estruturação do capítulo
1. Introdução
2. Métodos de identificação de alvos in silico
2.1 TargetScan, PicTar, miRanda, PITA, Rna22, Diana-microT e psRNAtarget
3. Métodos moleculares
3.1 Baseados na superexpressão de miRNAs
3.1.1 Seguida por análise via northern blot
3.1.2 Acompanhada por ensaios de bioluminescência
3.1.2.1 Controles negativos
3.1.2.2 Controle de normalização
3.1.2.3 Limitações
3.1.3 Seguida por análise com microarranjos
3.1.4 Seguida por sequenciamento em larga escala e proteômica
3.2 Baseados na inibição da atividade de miRNAs
3.3 Detecção do sítio de clivagem por 5’ RACE
3.4 Detecção experimental de alvos de miRNAs em escala genômica
3.4.1 PARE (= Degradome)
3.4.2 GMUCT
3.5 3.5 Imunoprecipitação de proteínas Argonauta
3.5.1 RIP-Chip
3.5.2 TAP-Tar
3.5.3 HITS-CLIP
3.5.4 PAR-CLIP
3.5.5 iCLIP
3.5.6 CLASH
4. Considerações finais
Figura 1. Principais características dos programas usualmente utilizados para a predição de alvos de miRNAs
em animais e plantas. Parâmetros como restrição das análises à 3’ UTR de transcritos, necessidade de conservação
dos sítios de ligação em outras espécies e requerimento de pareamento na região “seed” do miRNA são mostrados por
todos os principais programas.
3. Métodos moleculares
Figura 3. Ensaio com Luciferase para validação da interação de miRNA com possíveis alvos em células de
mamíferos. Células de mamíferos são transfectadas com um vetor expressando tanto a Firefly luciferase (FL; fusionada
à 3’ UTR sob investigação) quanto a Renilla luciferase (RL), além de um gene marcador de resistência (para seleção).
Idealmente, essas células não expressam o miRNA sendo estudado. A) A transfecção com o plasmídeo sozinho leva à
emissão do sinal da FL e RL (esse último é usado como normalizador da eficiência de transfecção). B) Se a interação
predita in silico entre o miRNA e o MRE da 3’ UTR for verdadeira, ao se realizar a cotransfecção do plasmídeo com o
RNA mimético (com sequência idêntica ao miRNA estudado), esse último irá levar a redução da proteína e consequente
queda do sinal (fluorescência). C) Como controle negativo, pode-se cotransfectar as células com um miRNA scrambled,
que será incapaz de interagir com o MRE, evidenciando que o processo é sequência-específico; mantém, assim, a
fluorescência verde. D) Alternativamente, pode-se construir uma versão da 3’ UTR sem o MRE (ou portando mutações).
Semelhantemente, o miRNA mimético será incapaz de se ligar a ele, validando assim, mais especificamente, o local de
interação entre o miRNA e a 3’ UTR. E) Por fim, pode-se cotransfectar com um miRNA mimético portando mutações na
seed, evidenciando, de maneira complementar ao exemplo em “D”, o local preciso de interação do miRNA e a 3’ UTR.
MRE (microRNA response element): a região de 21-22 nt, dentro do RNA alvo, à qual o miRNA se liga especificamente.
MCS (multiple cloning site): sítio para clonagem da 3’ UTR sob investigação. Cabeça de seta: promotor para transcrição.
3.1.2.3 Limitações
Os métodos baseados na observação indireta de proteínas através de fluorescência
ou bioluminescência permitem avaliar de forma relativamente rápida se um determinado
Figura 4. Técnica RACE (Rapid Amplification of cDNA Ends) utilizada para identificação dos alvos clivados por
microRNAs. A técnica utiliza um adaptador de RNA (que se liga à extremidade 5’ gerada pela clivagem do RNA-alvo por
slicer/microRNA), transcrição reversa, nested PCR e sequenciamento do amplicon para identificar o sítio de clivagem.
PD: primer direto, ancorado no adaptador 5’. PD(N): primer direto, usado na nested PCR, ancorado mais internamente
no adaptador 5’. PRU: primer reverso universal, ancorado na cauda poli(T). PRGS(N): primer reverso gene-específico,
usado na nested PCR, ancorado na extremidade do gene. O retângulo pontilhado indica a transição entre sequência do
RNA-alvo e adaptador, ou seja, o local onde o miRNA mediou a clivagem.
3.4.1 PARE
A técnica de PARE (Parallel Analysis of RNA Ends), também chamada de Degradome
(Addo-Quaye et al., 2008), é derivada da técnica 5’ RACE e é a mais utilizada atualmente.
Ela tira proveito da extremidade 5’-monofosfato livre do produto da clivagem do mRNA 3’
mediado por Argonauta, capturando essa sequência através da ligação de um adaptador de
RNA (figura 5). Após essa etapa realiza-se uma transcrição reversa para a síntese de cDNA.
Até esse ponto, a princípio, todos os RNAs eventualmente clivados por miRNAs teriam sido
ligados com adaptadores e convertidos em cDNA. Na técnica de PARE, no entanto, o adaptador
5’ possui um sítio de reconhecimento da enzima de restrição Mme I, uma endonuclease
especial que corta o DNA 20 bases após o seu sítio de reconhecimento. Quando utilizada,
Figura 5. Princípios da técnica PARE (Parallel analysis of RNA Ends). Utilizando adaptadores de RNA, a técnica possibilita
uma análise ampla de todos os RNAs mensageiros clivados por Argonautas/microRNAs na amostra analisada sem
conhecimento prévio de sequência. A endonuclease Mme I apresenta uma particularidade: seu sítio de reconhecimento
(presente no adaptador 5’, círculo com linha contínua) fica a alguns nucleotídeos de distância de seu sítio de clivagem
(localizado no RNA-alvo, seta curva). O retângulo pontilhado indica a transição entre sequência do RNA-alvo e adaptador,
ou seja, o local em que o miRNA mediou a clivagem. (As regiões poli-A/poli-T foram representadas por linhas a partir
do 6º elemento da imagem.)
3.4.2 GMUCT
A técnica GMUCT (Genome-wide Mapping of Uncapped and Cleaved Transcripts),
originalmente descrita em 2008 (Gregory et al., 2008), foi posteriormente aprimorada,
reduzindo-se consideravelmente sua complexidade e tempo de execução, versão chamada
GMUCT 2.0 (Willmann et al., 2014). Uma das principais vantagens do novo protocolo é a
baixa quantidade de material requerida: até 5 µg de RNA total. O protocolo de PARE, por
exemplo, necessita de no mínimo 40 µg de RNA total para ser executado.
Assim como em PARE, um adaptador é adicionado na extremidade 5’ de transcritos
clivados por miRNAs. A transcrição reversa, no entanto, é realizada através de pequenos oligos
de seis bases aleatórias (random primers) fusionados com um adaptador na extremidade 3’.
Os adaptadores 5’ e 3’, dessa forma, são usados para amplificar a biblioteca, adicionando-se
sequências compatíveis com a plataforma de sequenciamento em larga escala da empresa
Illumina. O mapeamento das sequências obtidas no genoma do organismo de interesse
pode então revelar padrões consistentes com produtos de clivagem mediados por miRNAs
ou outros tipos de RNAs não codificantes.
3.5.2 TAP-Tar
Para tentar contornar esse limitante, a técnica de RIP-Chip foi modificada, recebendo o
nome de TAP-Tar (Tandem Affinity Purification of miRNA TARget mRNAs) (Nonne et al., 2010).
Nessa técnica são realizados dois processos de imunoprecipitação seguidos, diminuindo-
se assim a concentração de RNAs inespecíficos. Para tanto, inicialmente os extratos
celulares são tratados com um miRNA modificado específico, contendo uma biotina na sua
extremidade 5’. A biotina é uma proteína muito pequena envolvida na síntese de ácidos
graxos e alguns aminoácidos. Ela, no entanto, possui altíssima afinidade química por uma
proteína bacteriana chamada estreptavidina. Espera-se, assim, que o miRNA inserido no
sistema seja incorporado em proteínas Argonauta, conduzindo essas para os RNAs-alvo.
Dessa forma, após a imunoprecipitação da Argonauta, um segundo processo de precipitação
pode ser realizado através da interação específica e forte entre a biotina e a estreptavidina,
reduzindo-se consideravelmente o número de falsos-positivos. Assim como em RIP-Chip, o
material final é usado para extração de RNA e esse, hibridado em chips de microarranjo.
As técnicas de RIP-Chip e TAP-Tar, portanto, permitem a identificação de RNAs
associados com Argonauta, não importando se o mecanismo de regulação ocorre por clivagem
3.5.3 HITS-CLIP
Para resolver todas essas questões, uma técnica chamada HITS-CLIP (HIgh-Throughput
Sequencing of RNA isolated by CrossLinking ImmunoPrecipitation) foi desenvolvida (Chi et
al., 2009). Assim como as demais, HITS-CLIP também se baseia na imunoprecipitação de
proteínas Argonauta com anticorpos específicos. Porém, nessa técnica foi adicionado um
passo inicial de hibridação em que as interações de miRNAs com seus alvos e desses com
Argonauta são “congeladas” através da irradiação com luz ultravioleta. Esse processo, portanto,
evita o pareamento espúrio de miRNAs com alvos novos não relacionados ao seu contexto
celular original, solucionando um dos principais problemas associados às técnicas RIP-Chip e
TAP-Tar. Após a aplicação de ultravioleta, o material segue o processo de imunoprecipitação
da Argonauta e extração do RNA utilizado para sequenciamento em larga escala, gerando
dados em escala genômica.
3.5.4 PAR-CLIP
Um refinamento da técnica HITS-CLIP foi mais recentemente desenvolvido,
denominando-se PAR-CLIP (PhotoActivatable-Ribonucleoside-enhanced CrossLinking and
ImmunoPrecipitation) (Hafner et al., 2010). Nessa técnica, o comprimento de onda do ultravioleta
irradiado foi modificado, passando de 254 nm para 365 nm, permitindo uma ligação mais
forte entre os componentes. Essa modificação só é possível, no entanto, devido à incorporação
prévia de nucleotídeos fotoativos pelas células. A recuperação de RNAs após esse procedimento
é de 100 a 1.000 vezes maior do que pelo método de irradiação de ultravioleta convencional.
Além disso, esses análogos de nucleotídeos promovem mutações de timina para citosina,
facilitando a identificação de onde, exatamente, os miRNAs pareiam nos alvos.
3.5.5 iCLIP
Além de HITS-CLIP e PAR-CLIP, existem ainda duas metodologias chamadas iCLIP
(individual-nucleotide resolution Cross-Linking and ImmunoPrecipitation) (Konig et al., 2010) e
CLASH (cross-linking, ligation, and sequencing of hybrids) (Kudla et al., 2011) que também tiram
proveito da irradiação por ultravioleta para estabilizar interações entre RNAs e proteínas.
No protocolo iCLIP, após a estabilização e imunoprecipitação proteica, um adaptador
é ligado nos RNAs antes da realização da transcrição reversa. No entanto, esse processo é
feito ainda na presença de polipeptídeos derivados da proteína imunoprecipitada. Dessa
3.5.6 CLASH
Já a metodologia CLASH diferencia-se das demais pelo fato de tentar identificar não
só o RNA-alvo, mas também associar diretamente o miRNA que medeia a repressão. Em
outras palavras, o método é desenvolvido para detectar híbridos de RNA-RNA associados
com proteínas. Para tanto, após o tratamento com ultravioleta e imunoprecipitação, o
miRNA é fisicamente ligado com seu alvo, formando uma quimera. Populações de RNAs
híbridos são então sequenciadas e em seguida programas de bioinformática são aplicados
para reconstruir o pareamento original que existia entre os RNAs. Uma síntese de todas as
técnicas moleculares pode ser vista na tabela 2.
4. Considerações finais
MiRNAs são considerados hoje em dia importantes reguladores de praticamente todos os
processos celulares. Entender que genes são regulados por eles, portanto, é fundamental para
compreender seus papéis fisiológicos. Desde seu descobrimento, no entanto, a identificação de
alvos de miRNAs mostrou-se uma tarefa bastante complicada. Para chegar ao desenvolvimento
de todas as técnicas hoje existentes, um grande esforço de ciência básica foi executado com o
objetivo de entender melhor as regras biológicas de seleção e repressão de alvos por miRNAs.
Após o entendimento das primeiras regras, diversas ferramentas computacionais de
identificação de alvos foram desenvolvidas. A utilidade dessas ferramentas é óbvia, uma vez
que permitem a identificação rápida de alvos, a baixo custo. Os programas existentes podem
levar em consideração diferentes aspectos da biologia dos miRNAs, como necessidade ou não
de pareamento na região seed, conservação ou não do sítio de ligação dos miRNAs em outras
espécies relacionadas e restrição ou não das análises em regiões 3’ UTRs dos transcritos. Dados
experimentais em animais já foram capazes de confirmar diversas interações inicialmente
preditas por bioinformática, especialmente nos programas que colocam mais peso nas análises
na região seed. Contudo, a identificação in silico apresenta grandes limitações e gera alto
número de falsos-positivos.
Com o intuito de aprimorar a identificação de alvos, diversos procedimentos
experimentais foram desenvolvidos. A técnica a ser escolhida, no entanto, depende do objetivo
da pesquisa. Se a análise restringe-se a poucos miRNAs, então técnicas como superexpressão
seguida por sequenciamento massivo ou Chip, 5’ RACE modificado ou uso de proteínas
marcadoras podem ser bastante reveladoras.
No entanto, se o objetivo da pesquisa é ter uma visão global de todos os RNAs degradados
por miRNAs em uma determinada condição de crescimento ou estresse, então técnicas de
Bibliografia
Addo-Quaye C, Eshoo TW, Bartel DP, Axtell MJ. Hafner M, Landthaler M, Burger L, Khorshid M,
Endogenous siRNA and miRNA targets identified by Hausser J, Berninger P, et al. PAR-CliP--a method
sequencing of the Arabidopsis degradome. Curr Biol. to identify transcriptome-wide the binding sites
2008 May;18(10):758-62. http://dx.doi.org/10.1016/j. of RNA binding proteins. J Vis Exp
cub.2008.04.042. PMid:18472421. PMid:20644507.
Axtell MJ, Westholm JO, Lai EC. Vive la différence: Hammond SM. Soaking up small RNAs. Nat Methods.
biogenesis and evolution of microRNAs in plants and 2007 September;4(9):694-5. http://dx.doi.org/10.1038/
animals. Genome Biol. 2011; 12(4):221. http://dx.doi. nmeth0907-694. PMid:17762876.
org/10.1186/gb-2011-12-4-221. PMid:21554756. Helwak A, Kudla G, Dudnakova T, Tollervey D.
Bassett AR, Azzam G, Wheatley L, Tibbit C, Rajakumar T, Mapping the human miRNA interactome by CLASH
McGowan S, et al. Understanding functional miRNA- reveals frequent noncanonical binding. Cell. 2013
target interactions in vivo by site-specific genome April;153(3):654-65. http://dx.doi.org/10.1016/j.
engineering. Nat Commun. 2014; 5:4640. http://
cell.2013.03.043. PMid:23622248.
dx.doi.org/10.1038/ncomms5640. PMid:25135198.
Ikeda K, Satoh M, Pauley KM, Fritzler MJ, Reeves
Betel D, Koppal A, Agius P, Sander C, Leslie C.
WH, Chan EK. Detection of the argonaute protein
Comprehensive modeling of microRNA targets
predicts functional non-conserved and non- Ago2 and microRNAs in the RNA induced silencing
canonical sites. Genome Biol. 2010; 11(8):R90. http:// complex (RISC) using a monoclonal antibody. J
dx.doi.org/10.1186/gb-2010-11-8-r90. PMid:20799968. Immunol Methods. 2006 December;317(1-2):38-44.
Betel D, Wilson M, Gabow A, Marks DS, Sander C. The http://dx.doi.org/10.1016/j.jim.2006.09.010.
microRNA.org resource: targets and expression. PMid:17054975.
Nucleic Acids Res. 2008 January;36(Database Jin Y, Chen Z, Liu X, Zhou X. Evaluating the microRNA
issue):D149-53. PMid:18158296. targeting sites by luciferase reporter gene assay.
Broughton JP, Pasquinelli AE. Identifying Argonaute Methods Mol Biol. 2013; 936:117-27. http://dx.doi.
binding sites in Caenorhabditis elegans using iCLIP. org/10.1007/978-1-62703-083-0_10. PMid:23007504.
Methods. 2013 September;63(2):119-25. http://dx.doi. Kakrana A, Hammond R, Patel P, Nakano M, Meyers
org/10.1016/j.ymeth.2013.03.033. PMid:23583680. BC. sPARTA: a parallelized pipeline for integrated
Brousse C, Liu Q, Beauclair L, Deremetz A, Axtell MJ, analysis of plant miRNA and cleaved mRNA data sets,
Bouché N. A non-canonical plant microRNA target including new miRNA target-identification software.
site. Nucleic Acids Res. 2014 April;42(8):5270-9. http:// Nucleic Acids Res. 2014 October;42(18):e139. http://
dx.doi.org/10.1093/nar/gku157. PMid:24561804. dx.doi.org/10.1093/nar/gku693. PMid:25120269.
Chen M, Meng Y, Mao C, Chen D, Wu P. Methodological Kertesz M, Iovino N, Unnerstall U, Gaul U, Segal E.
framework for functional characterization of plant The role of site accessibility in microRNA target
microRNAs. J Exp Bot. 2010 May;61(9):2271-80. http:// recognition. Nat Genet. 2007 October;39(10):1278-84.
dx.doi.org/10.1093/jxb/erq087. PMid:20388745. http://dx.doi.org/10.1038/ng2135. PMid:17893677.
Chi SW, Zang JB, Mele A, Darnell RB. Argonaute HITS- Kim YK, Wee G, Park J, Kim J, Baek D, Kim JS,
CLIP decodes microRNA-mRNA interaction maps. e t a l . TA L E N - b a s e d k n o c ko u t l i b r a r y fo r
Nature. 2009 July;460(7254):479-86. PMid:19536157. human microRNAs. Nat Struct Mol Biol. 2013
Dai X, Zhao PX. psRNATarget: a plant small RNA target December;20(12):1458-64. http://dx.doi.org/10.1038/
analysis server. Nucleic Acids Res. 2011 July;39(Web
nsmb.2701. PMid:24213537.
Server issue):W155-9. PMid:21622958.
Kiriakidou M, Nelson PT, Kouranov A, Fitziev P,
Davis S, Lollo B, Freier S, Esau C. Improved targeting
Bouyioukos C, Mourelatos Z, et al. A combined
of miRNA with antisense oligonucleotides. Nucleic
computational-experimental approach predicts
Acids Res. 2006; 34(8):2294-304. http://dx.doi.
org/10.1093/nar/gkl183. PMid:16690972. human microRNA targets. Genes Dev. 2004
German MA, Pillay M, Jeong DH, Hetawal A, Luo May;18(10):1165-78. http://dx.doi.org/10.1101/
S, Janardhanan P, et al. Global identification of gad.1184704. PMid:15131085.
microRNA-target RNA pairs by parallel analysis of König J, Zarnack K, Rot G, Curk T, Kayikci M, Zupan B,
RNA ends. Nat Biotechnol. 2008 August;26(8):941-6. et al. iCLIP reveals the function of hnRNP particles
http://dx.doi.org/10.1038/nbt1417. PMid:18542052. in splicing at individual nucleotide resolution. Nat
Gregory BD, O’Malley RC, Lister R, Urich MA, Tonti- Struct Mol Biol. 2010 July;17(7):909-15. http://dx.doi.
Filippini J, Chen H, et al. A link between RNA org/10.1038/nsmb.1838. PMid:20601959.
metabolism and silencing affecting Arabidopsis Krek A, Grün D, Poy MN, Wolf R, Rosenberg L, Epstein
development. Dev Cell. 2008 June;14(6):854-66. EJ, et al. Combinatorial microRNA target predictions.
http://dx.doi.org/10.1016/j.devcel.2008.04.005. Nat Genet. 2005 May;37(5):495-500. http://dx.doi.
PMid:18486559. org/10.1038/ng1536. PMid:15806104.
Estruturação do capítulo
1. Introdução
2. Oligonucleotídeos antissenso - antimiRs
2.1 Vantagens e limitações dos antimiRs
3. Esponjas artificiais de miRNAs
3.1 Vantagens e limitações das esponjas de miRNAs artificiais
4. Modificações em genes de microRNAs
4.1 Knockouts por métodos convencionais
4.2 Knockouts condicionais
4.3 Vantagens e limitações dos knockouts por métodos convencionais
4.4 Knockouts via CRISPR/Cas9
4.5 Exemplos de aplicação
4.6 Vantagens e limitações dos knockouts por CRISPR/Cas9
5. Conclusões
Figura 1. Mecanismo de ação de moléculas antimiR. MiRISC é capaz de se ligar ao mRNA-alvo, inibindo sua tradução
(esquerda). O antimiR se liga ao miRNA presente em miRISC, impedindo-o de agir sobre o mRNA-alvo (direita).
Figura 2. Esponja artificial de miRNAs. Exemplo de um cassete de expressão de uma esponja, com um gene repórter
GFP fusionado a 3’ UTR portando repetidos sítios de ligação ao miRNA-alvo (sequências antissenso ao microRNA). O
mal pareamento (mismatch) entre miRNA e esponja previne a clivagem pela Argonauta2, tornando a esponja estável.
CMV: promotor do citomegalovírus; Sinal: sequência para poliadenilação
Figura 3. Esquema para a construção de uma esponja artificial de miRNAs. A figura mostra os principais passos de
um protocolo para a construção de uma esponja artificial de miRNAs. Esse protocolo é baseado no trabalho de Wang
(2009b), que teve por base o estudo original de Ebert e colaboradores (2007).
Figura 4. Representação de um sistema CRISPR/Cas9. O RNA guia (gRNA) é formado pela fusão entre o crRNA (que
carreia a sequência complementar ao alvo) e o tracrRNA (que recruta a Cas9) e guia a nuclease Cas9 até o alvo genômico
próximo à sequência PAM (Protospacer Adjacent Motif). A clivagem do alvo genômico recruta o mecanismo de reparo
por junção de pontas não homólogas, facilitando, assim, a inserção de indels no local.
5. Conclusões
A inibição de miRNAs, assim como a alteração de seus genes codificadores são
abordagens poderosas para se compreender o papel biológico desses pequenos RNAs, assim
como uma esperança terapêutica para certas doenças.
Isso pode ser alcançado com estratégias rápidas, de efeito temporário e parcial (como
os antimiRs e esponjas) ou via abordagens mais trabalhosas, de efeito permanente e total
(como os organismos KO). Também é importante lembrar da existência, de “bancos de
knockouts”, que possuem imensas coleções de amostras (sementes, células, embriões etc.)
portadoras de mutações em pontos distintos no genoma e com informações de fácil acesso
via web. O uso desses bancos com o objetivo de buscar uma amostra portando mutações no
gene de miRNA de interesse é uma possibilidade adicional para conduzir o estudo.
Bibliografia
Barritt LC, Miller JM, Scheetz LR, Gardner K, Pierce ML, Friedland AE, Tzur YB, Esvelt KM, Colaiácovo MP,
Soukup GA, et al. Conditional deletion of the human Church GM, Calarco JA. Heritable genome editing in
ortholog gene Dicer1 in Pax2-Cre expression domain C. elegans via a CRISPR-Cas9 system. Nat Methods.
impairs orofacial development. Indian J Hum 2013 August;10(8):741-3. http://dx.doi.org/10.1038/
Genet. 2012 September;18(3):310-9. http://dx.doi. nmeth.2532. PMid:23817069.
org/10.4103/0971-6866.107984. PMid:23716939. Gavériaux-Ruff C, Kieffer BL. Conditional gene targeting
Bernstein E, Kim SY, Carmell MA, Murchison EP, in the mouse nervous system: Insights into brain
Alcorn H, Li MZ, et al. Dicer is essential for mouse function and diseases. Pharmacol Ther. 2007
development. Nat Genet. 2003 November;35(3):215-7. March;113(3):619-34. http://dx.doi.org/10.1016/j.
http://dx.doi.org/10.1038/ng1253. PMid:14528307. pharmthera.2006.12.003. PMid:17289150.
Bill BR, Petzold AM, Clark KJ, Schimmenti LA, Ekker SC. Gentner B, Schira G, Giustacchini A, Amendola M,
A primer for morpholino use in zebrafish. Zebrafish. Brown BD, Ponzoni M, et al. Stable knockdown of
2009 March;6(1):69-77. http://dx.doi.org/10.1089/ microRNA in vivo by lentiviral vectors. Nat Methods.
zeb.2008.0555. PMid:19374550. 2009 January;6(1):63-6. http://dx.doi.org/10.1038/
nmeth.1277. PMid:19043411.
Doudna JA, Charpentier E. Genome editing. The new
Hall B, Limaye A, Kulkarni AB. Overview: generation
frontier of genome engineering with CRISPR-Cas9.
of gene knockout mice. Curr Protoc Cell Biol. 2009
Science. 2014 November;346(6213):1258096. http://
September;Chapter 19:12, 1-17. PMid:19731224.
dx.doi.org/10.1126/science.1258096. PMid:25430774.
Harrison MM, Jenkins BV, O’Connor-Giles KM,
Ebert MS, Neilson JR, Sharp PA. MicroRNA sponges: Wildonger J. A CRISPR view of development. Genes
competitive inhibitors of small RNAs in mammalian Dev. 2014 September;28(17):1859-72. http://dx.doi.
cells. Nat Methods. 2007 September;4(9):721-6. http:// org/10.1101/gad.248252.114. PMid:25184674.
dx.doi.org/10.1038/nmeth1079. PMid:17694064. Ho TT, Zhou N, Huang J, Koirala P, Xu M, Fung R, et al.
Ebert MS, Sharp PA. MicroRNA sponges: progress and Targeting non-coding RNAs with the CRISPR/Cas9
possibilities. RNA. 2010 November;16(11):2043-50. system in human cell lines. Nucleic Acids Res. 2015
http://dx.doi.org/10.1261/rna.2414110. February;43(3):e17. http://dx.doi.org/10.1093/nar/
PMid:20855538. gku1198. PMid:25414344.
Esau CC. Inhibition of microRNA with antisense Horwich MD, Zamore PD. Design and delivery of
oligonucleotides. Methods. 2008 January;44(1):55-60. antisense oligonucleotides to block microRNA
http://dx.doi.org/10.1016/j.ymeth.2007.11.001. function in cultured Drosophila and human cells. Nat
PMid:18158133. Protoc. 2008; 3(10):1537-49. http://dx.doi.org/10.1038/
Fragoso R, Mao T, Wang S, Schaffert S, Gong X, Yue nprot.2008.145. PMid:18802435.
S, et al. Modulating the strength and threshold of Hsu PD, Lander ES, Zhang F. Development and
NOTCH oncogenic signals by mir-181a-1/b-1. PLoS applications of CRISPR-Cas9 for genome engineering.
Genet. 2012; 8(8):e1002855. http://dx.doi.org/10.1371/ Cell. 2014 June;157(6):1262-78. http://dx.doi.
journal.pgen.1002855. PMid:22916024. org/10.1016/j.cell.2014.05.010. PMid:24906146.
Estruturação do capítulo
1. Introdução
2. Superexpressão de miRNAs endógenos – Prof. Dr. Tiago C. Pereira
3. MicroRNAs artificiais (amiRNAs) – Dr.a Franceli R. Kulcheski
3.1 Vantagens sobre outras técnicas de silenciamento
3.2 Parâmetros para projetar amiRNAs
3.3 Construção de amiRNAs
3.4 Aplicações no estudo de função gênica
3.5 Uso no melhoramento genético de plantas
4. miRNAs miméticos (miRNA mimics, mimetic miRNAs) – Dr.a Daniela Zimbardi e
Prof. Dr. Tiago Campos Pereira
4.1 Aspectos gerais
4.2 Aplicações
4.3 miRNAs miméticos funcionais
5. Conclusões
Figura 1. Comparação entre três categorias apresentadas neste capítulo. A biogênese de um miRNA endógeno
convencional é apresentada como base. A superexpressão de um miRNA endógeno pode ser obtida, por exemplo,
através do aumento do número de cópias desse gene (transgenia ou uso de vetores); consequentemente, o número de
miRISCs na célula será maior. Um microRNA artificial pode ser construído usando-se um backbone de um miRNA com as
sequências maduras de outro miRNA (linhas pontilhadas). Em todos esses casos há dependência de maquinaria celular
de transcrição e processamento. MiRNAs miméticos são gerados por síntese química e obtidos comercialmente como
duplexes de RNA, prontos para serem carregados em RISC. Portanto, a administração de miRNAs miméticos aumenta
o nível intracelular do miRNA endógeno mimetizado.
Figura 3. Parâmetros de reconhecimento entre o amiRNA e o mRNA-alvo. A hibridização entre o amiRNA e seu
respectivo alvo seguem os padrões de reconhecimento entre miRNAs e alvos canônicos. Em animais, um pareamento
perfeito entre a região seed do miRNA e seu alvo são imprescindíveis. Enquanto em plantas uma alta complementariedade
entre ambas as sequências com ausência total de mismatches nos sítios de clivagem são cruciais para a regulação do
alvo pelo miRNA.
Figura 4. Construção de amiRNAs segundo protocolo descrito por Schwab et al. (2006). A introdução do amiRNA
no precursor ocorre pela troca das sequências de miRNA/miRNA* pelo amiRNA/amiRNA* através de mutagênese sítio-
dirigida. Esse processo é feito através de uma série de PCRs que se sobrepõem. Oligonucleotídeos I e IV são usados para
substituir miRNA/miRNA* (vermelho pontilhado) por amiRNA/amiRNA* (azul). Primers A e B são baseados na sequência
do precursor ou, nesse caso, no plasmídio empregado. A obtenção de pre-miRNAs funcionais é feita pela combinação dos
produtos de PCR A-IV, II-III e I-B em uma única reação com os primers A e B. Quando o precursor contendo as sequências
de amiRNAs for introduzido no organismo, a produção desses amiRNAs seguirá a via canônica de processamento de
miRNAs. Fonte: adaptado de http://wmd3.weigelworld.org/cgi-bin/webapp.cgi
Tabela 1. Exemplos de aplicações de amiRNAs em espécies vegetais com potencial uso na agricultura.
4.2 Aplicações
Uma das principais aplicações dos miRNAs miméticos é a restauração da função de
miRNAs supressores de tumor, que possuem o potencial de regular oncogenes, frequentemente
alterados em câncer (Zhao et al., 2015; Su et al., 2015). Várias dessas moléculas têm demonstrado
potencial para o tratamento dessa doença em estudos envolvendo modelos animais. Algumas
estão, inclusive, em fase de testes pré-clínicos, como os miRNAs miméticos do let-7 e miR-16,
pela Mirna Therapeutics.
Além desses, um miRNA mimético do miR-34, desenvolvido pela mesma empresa e
chamado MRX34, entrou em fase I de testes clínicos em 2013 para tratamento de câncer de
fígado primário ou metástase com envolvimento do fígado, em uma administração injetável
formulada com lipossomas. O miR-34 representa uma família de miRNAs compreendendo
3 membros, miR-34a, -34b e -34c, que compartilham a mesma sequência seed. Essa família
controla o ciclo celular e apoptose e é descrita como frequentemente alterada em várias
malignidades (van Rooij et al., 2014).
5. Conclusões
Estratégias utilizando sequências derivadas de miRNAs (tabela 2) constituem a
terceira geração de moléculas mediadoras de silenciamento gênico. Além das propriedades
tipicamente observadas em siRNAs/shRNAs, os miRNAs e seus derivados têm o potencial de
ir além, podendo ser desenhados racionalmente para: (i) promover a clivagem do RNA-alvo
ou inibição da tradução e (ii) para atingir um, poucos ou múltiplos alvos.
É importante considerar que há outras sequências e construções genéticas além das
três categorias básicas aqui apresentadas, gerando um continuum de possibilidades. Por
exemplo, há miRNAs virais capazes de mimetizar miRNAs endógenos celulares (Dahlke et
al., 2012; Manzano et al., 2013).
miRNA mimético
Superexpressão miRNA mimético
miRNA artificial funcional (miRNA
Características de miRNAs (miRNA mimic;
(amiRNA) mimic; mimetic
endógenos mimetic miRNA)
miRNA)
Estrutura da Gene de miRNA miRNA precursor Duplex Duplex
molécula clonado em vetor (clonado em vetor miRNA/miRNA* miRNA/miRNA*
ou integrado no ou integrado no
genoma genoma)
Obtenção Construção genética em laboratório Síntese química – aquisição comercial
Processamento Requer processamento pela maquinaria Não requer processamento, apenas
endógeno celular (Drosha, Dicer) e incorporação incorporação em RISC
em RISC
Natureza da Natural (endógena) Apesar de Natural (endógena) Artificial (i.e.,
sequência constituído por não conhecida
nucleotídica partes naturais na natureza)
(backbone), a
construção final
é artificial (i.e.,
não conhecida na
natureza)
Número de Apresenta o mesmo Um ou vários alvos Apresenta o mesmo Um ou vários alvos
alvos número de alvos do (dependente do número de alvos do (dependente do
miRNA endógeno desenho) miRNA mimetizado desenho)
Mecanismo de Apresenta o Clivagem ou Apresenta o Clivagem ou
silenciamento mesmo mecanismo inibição da tradução mesmo mecanismo inibição da tradução
mediado pelo (dependente do mediado pelo (dependente
miRNA endógeno desenho) miRNA mimetizado do desenho)
Principais Plantas e animais Plantas e animais Mamíferos Mamíferos
modelos
utilizados
Fábio Ribeiro Cerqueira1, Yuri Bento Marques1,2, Thales Francisco Mota Carvalho1,
José Cleydson Ferreira da Silva1, Marcos Fernando Basso3,
Guilherme Loss de Morais4 e Joseane Biso de Carvalho4
1
Departamento de Informática - Universidade Federal de Viçosa
2
Instituto Federal do Norte de Minas Gerais
3
Laboratório de Genética e Biotecnologia - Embrapa Agroenergia, PqEB
4
Laboratório de Bioinformática - Laboratório Nacional de Computação Científica
Estruturação do capítulo
1. Introdução 3.2.5 CID-miRNA
2. Bancos de dados de microRNAs 3.2.6 SSCprofiler
2.1 miRBase 3.2.7 Virgo
2.2 Human microRNA Disease Database 3.2.8 microPred
2.3 miRNAMap 2.0 3.2.9 PlantMiRNAPred
2.4 miR2Disease 3.2.10 miRPara
2.5 PMRD e PNRD 3.2.11 miRNAFold
2.6 miRNEST 2.0 3.2.12 HuntMi
2.7 miRCancer 3.2.13 HeteroMirPred
2.8 VIRmiRNA 3.2.14 MirnaSearch
2.9 ViRBase 3.2.15 MirBoost
2.10 Critérios para depósito em bancos 3.2.16 miRNA-dis
de dados 3.3 Métodos baseados em dados de
3. Métodos para predição computacional de sequenciamento de nova geração
miRNAs 3.3.1 Controle de qualidade dos
3.1 Métodos comparativos dados de small RNA-Seq
3.1.1 Srnaloop 3.3.2 miRCat
3.1.2 MiRScan 3.3.3 miRDeep
3.1.3 MirCheck 3.3.4 miRExpress
3.1.4 ProMiR 3.3.5 mirTRAP
3.1.5 MirAlign 3.3.6 MIReNA
3.1.6 RNAmicro 3.3.7 miRanalyzer
3.1.7 microHARVESTER 3.3.8 mirExplorer
3.1.8 MiRFinder 3.3.9 miRDeep-P
3.1.9 MiRRim 3.3.10 miRDeep2
3.2 Métodos não comparativos 3.3.11 miREvo
3.2.1 Noções sobre aprendizagem de 3.3.12 deepBlockAlign
máquina 3.3.13 miRDeep*
3.2.2 Triplet-SVM 3.3.14 miRPlant
3.2.3 Vmir 3.3.15 miRdentify
3.2.4 MiPred 4. Considerações finais e perspectivas
2.1 miRBase
Os miRNAs identificados encontram-se disponíveis em diversos bancos de sequências
de acesso aberto. Porém o principal exemplo desses repositórios, e que tornou-se referência
nos principais estudos envolvendo miRNAs, é o miRBase (Griffiths-Jones, 2004; Griffiths-Jones
et al., 2006; Kozomara; Griffiths-Jones, 2014), principalmente por ser o banco de dados mais
completo em termos do número de miRNAs depositados, por conter informações relevantes
sobre eles, por ser atualizado constantemente e por oferecer aos usuários opções de interação
com os seus dados. A primeira versão do miRBase foi disponibilizada em 2002, contendo
218 sequências de pre-miRNAs provenientes de cinco espécies (Griffiths-Jones, 2004). Esse
número teve um crescimento significativo graças aos avanços na área de biologia molecular,
2.4 miR2Disease
O miR2Disease é um banco de dados de curadoria manual, atualizado a cada dois
meses, que tem como objetivo prover informações abrangentes sobre o funcionamento
anormal de miRNAs em diversas doenças humanas (Jiang et al., 2009). Os miRNAs foram
recuperados do miRBase e as informações relacionadas a seus alvos e à doença resultante
foram recuperadas do repositório de literatura científica PubMed. Pesquisadores também
podem submeter ao miR2Disease miRNAs, seus alvos e a doença correlacionada, caso
essas informações não tenham sido já disponibilizadas em outros repositórios. Para cada
relação miRNA-doença encontrada no repositório são disponibilizados o identificador
do miRNA, o nome da doença relacionada, uma descrição da relação entre o miRNA e a
doença (utilizando vocabulário médico), o perfil de expressão do miRNA nas condições de
ocorrência da doença, o método utilizado para verificação da expressão do miRNA, os alvos
que foram verificados experimentalmente e a referência ao trabalho científico que originou
as informações disponibilizadas.
2.7 miRCancer
O banco de dados miRCancer armazena miRNAs recuperados do miRBase que estão
envolvidos em doenças cancerígenas em humanos (Xie et al., 2013). As informações referentes
aos miRNAs diferencialmente expressos durante o desenvolvimento da doença, seus alvos
e a doença associada são recuperadas do repositório PubMed. O miRCancer disponibiliza
informações atualizadas contendo o nome dos miRNAs, com respectiva regulação de expressão,
tipo do câncer envolvido, perfil de expressão (regulação positiva ou negativa) e a referência
bibliográfica. O miRCancer é atualizado regularmente, utilizando uma abordagem de mineração
de texto para buscar informações abrangentes na literatura. Em seguida, os dados passam
por curadoria manual. A associação do miRNA com a doença pode ser buscada pelo nome
do miRNA ou da doença, independentemente, ou pela combinação de ambos.
2.8 VIRmiRNA
O VIRmiRNA é um banco de dados dedicado somente aos miRNAs virais, com três
subdivisões de dados: miRNAs, alvos e miRNAs antivirais (Qureshi et al., 2014). Apresenta
ferramentas para predição de alvo e análise da conservação da região seed de miRNAs entre
os miRNAs virais e celulares, além de BLAST para consulta no próprio banco de dados e
em outros, como o miRBase e PMRD. O VIRmiRNA pode ser usado para o entendimento
de interações vírus-hospedeiro e identificação de novos alvos para o desenvolvimento de
terapias antivirais. Esse banco apresenta em seu repositório: 1.308 miRNAs codificados
por 44 vírus, 7.283 alvos de miRNAs em 15 vírus e 542 miRNAs antivirais produzidos pelo
hospedeiro contra 24 vírus.
3.1.1 Srnaloop
Esse método foi desenvolvido para auxiliar na identificação de miRNAs presentes no
genoma de C. elegans (Grad et al., 2003). Desenvolvido para identificar sequências nucleotídicas
com potencial de codificação de RNAs que apresentem formação de hairpins, o método
baseia-se na comparação de sequências de DNA ou RNA de forma semelhante ao algoritmo
BLAST (Altschul et al., 1990), porém diferenciando-se por suportar sequências de tamanhos
menores e alinhar sequências de pares de bases complementares. O Srnaloop atribui uma
pontuação para cada hairpin identificado utilizando parâmetros tais como: energia livre,
estrutura, complementaridade de sequências, entre outros.
3.1.2 MiRScan
O MiRScan foi construído para identificação de miRNAs em C. elegans e C. briggsae
(Lim et al., 2003). O método busca sequências conservadas que formem hairpins com base
3.1.3 MirCheck
É uma abordagem computacional para identificação de miRNAs em genomas de
Arabidopsis thaliana e de Oryza sativa que utiliza diversas características, sendo uma delas
a conservação entre essas duas espécies (Jones-Rhoades; Bartel, 2004). A proposta é baseada
em características conhecidas de miRNAs em plantas, tais como: a maioria dos miRNAs de
A. thaliana tem homólogos já identificados no genoma do arroz; as estruturas secundárias
de hairpins, em sua maioria, podem ser preditas pelo software RNAfold se for dada uma
sequência suficientemente longa para conter tanto o miRNA quanto o miRNA*; os hairpins
de A. thaliana e arroz geralmente são mais conservados no miRNA e miRNA* do que no
segmento que os une; todos os matches a miRNAs conhecidos no genoma da A. thaliana,
com exceção dos que são antissenso com relação a regiões codificantes, têm potencial para
formar hairpin e são, portanto, anotados como miRNAs; e muitos miRNAs de A. thaliana são
considerados altamente complementares aos seus mRNAs-alvo, sendo essa característica
conservada em arroz também. Um dos passos realizados pelo MirCheck para identificar
miRNAs foi verificar estruturas secundárias, com o objetivo de identificar sequências de
20 nucleotídeos (nt) que sejam potenciais miRNAs, tendo como entrada uma sequência
candidata a pre-miRNA, uma estrutura secundária do candidato ao hairpin e uma sequência
20-mer dentro do hairpin para ser avaliada como um potencial miRNA.
3.1.4 ProMiR
Utilizando alinhamento de sequências com modelos probabilísticos co-learning,
baseados em Modelos Ocultos de Markov (HMM – Hidden Markov Models), o ProMiR prediz
miRNAs a partir de genomas próximos filogeneticamente (Nam et al., 2005). Esse método
foi o primeiro a utilizar um modelo probabilístico e apresentar validação experimental dos
resultados. Os autores descrevem todo o processo utilizado na identificação de miRNAs em
humanos, avaliando simultaneamente a sequência e a estrutura do pre-miRNA, que de forma
simplificada baseia-se em: identificação das sequências do genoma que apresentam estrutura
de hairpin; verificação da expressão do pre-miRNA das sequências encontradas utilizando
o algoritmo BLAST e o banco de ESTs (Expressed Sequence Tags) do NCBI; filtragem dessas
sequências utilizando o ProMiR para predição de pre-miRNAs candidatos; nova filtragem para
reduzir a quantidade de falsos-positivos levando em consideração estabilidade termodinâmica
do hairpin e conservação; e validação experimental.
3.1.5 MirAlign
É uma ferramenta computacional de interface web que está baseada na estrutura e
informação de sequências de miRNAs conhecidos (Wang et al., 2005). A partir de um possível
precursor de miRNA, é realizado um pré-processamento extraindo candidatos a miRNAs com
3.1.6 RNAmicro
O RNAmicro combina análise comparativa com método de AM para predição de miRNAs
(Hertel; Stadler, 2006). Inicialmente, é realizado um pré-processamento que identifica possíveis
hairpins de pre-miRNAs conservados utilizando alinhamento múltiplo de sequências. Em
seguida, cria-se um vetor de atributos numéricos de cada um desses hairpins, explorando
12 propriedades com base em sua estrutura, composição e conservação da sequência, bem
como na estabilidade termodinâmica. Por fim, utiliza-se a abordagem máquina de vetores
de suporte (SVM – Suport Vector Machine) (Tan et al., 2006), utilizando a função kernel RBF,
para criar um preditor que com base nos atributos empregados seja capaz de encontrar
precursores em uma dada sequência. Na etapa comparativa, são utilizados filtros menos
rigorosos para identificar possíveis hairpins de pre-miRNAs, descartando aqueles em que as
estruturas não contenham uma haste com pelo menos 10 pares de bases ou que contenham
dois ou mais loops com pelo menos cinco pares de bases cada um. De acordo com os autores,
o software foi testado em genomas de mamíferos, urocordados e nematoides.
3.1.7 microHARVESTER
Esta ferramenta é capaz de predizer miRNAs em plantas com base em padrões de
conservação e critérios de similaridade de sequência (Dezulian et al., 2006). A partir dos
candidatos a miRNAs e seus precursores, o microHARVESTER realiza filtragens, como, por
exemplo: filtragem dos precursores candidatos a partir da avaliação do alinhamento da
sequência do miRNA; filtragem dos precursores candidatos a partir da aplicação de uma
versão modificada do algoritmo de alinhamento Smith-Waterman (Smith; Waterman, 1981),
a fim de determinar a sequência do miRNA maduro no precursor candidato; filtragem dos
pre-miRNAs candidatos a partir da análise de MFE da sequência candidata utilizando os
parâmetros do software RNAfold; e para cada candidato que passou pelos filtros é criado um
alinhamento múltiplo de sequências usando o software T-Coffee (Di Tommaso et al., 2011).
Após todas essas análises, o microHARVESTER exibe um relatório em formato PDF contendo
informações da análise correspondentes a cada miRNA candidato.
3.1.8 MiRFinder
O MiRFinder classifica pre-miRNAs candidatos utilizando comparação de sequências
de espécies relacionadas e um método de AM (Huang et al., 2007). O método executa um
3.1.9 MiRRim
O MiRRim implementa um algoritmo baseado em HMM que utiliza propriedades
evolutivas e estruturais de pre-miRNAs para identificação de miRNAs (Terai et al., 2007).
Para ajustar o HMM, os autores utilizam características estruturais extraídas de um conjunto
de dados formado por 290 miRNAs e 50 nt adjacentes a eles, sendo essas características:
o escore de conservação, calculado pelo alinhamento múltiplo realizado pelo algoritmo
phylo-HMM; o z-score, obtido a partir da significância estatística da MFE; o potencial para
formação de hairpin; e o potencial para formação de loops e hairpins simétricos.
Tabela 2. Métodos de predição de miRNAs/pre-miRNAs por abordagem comparativa. A saída +/- é para
indicar que a ferramenta realiza uma classificação binária, respondendo meramente se o candidato
dado como entrada é verdadeiro ou falso.
3.2.2 Triplet-SVM
O Triplet-SVM foi proposto para classificar pre-miRNAs (Xue et al., 2005). Inicialmente,
recebe como entrada sequências de candidatos a pre-miRNA em formato FASTA. Então utiliza
o software RNAfold para gerar a estrutura secundária de cada sequência informada. Assim,
cada estrutura secundária tem seus triplets extraídos, contabilizados e normalizados. Por fim,
os valores encontrados são dados como entrada a um classificador SVM que classifica cada
pre-miRNA candidato como positivo ou negativo. Para realizar o treinamento do classificador,
foram utilizados 193 pre-miRNAs humanos que não apresentam múltiplos loops, obtidos
do miRBase versão 5, como exemplos positivos. Adicionalmente, foram utilizadas 8.494
sequências que formam hairpins, obtidas de regiões codificantes de proteínas do DNA humano,
como exemplos negativos.
Figura 1. Estratégia geral de métodos de AM supervisionados para predição de pre-miRNAs. (A) Inicialmente, são
obtidas as sequências de pre-miRNAs conhecidos através de bases de dados como as que foram descritas neste capítulo.
Sequências de pre-miRNAs são rotuladas como exemplos positivos (p. ex.: rótulo 1). Já as sequências de outros tipos de
RNA são rotuladas como exemplos negativos (p. ex.: rótulo 0). (B) Em seguida, são extraídos determinados atributos das
estruturas primária e secundária de cada sequência. (C) Atributos como: energia livre mínima, delta G, frequência de
cada nucleotídeo, quantidade de loops, quantidade de bojos (regiões de mismatch), características da haste (como número
de partes que se complementam), triplets, dentre outros. (D) Com a extração dos atributos, é utilizado um algoritmo
de AM, como Random Forest, SVM, Redes Neurais Artificiais etc., para a indução de um modelo. (E) Um modelo é uma
generalização da relação que pode ser extraída dos dados de treinamento entre os valores de atributos e os rótulos da
classe, de maneira que quando for necessário classificar uma nova sequência candidata a pre-miRNA extraem-se os
atributos dela e o modelo, de acordo com os valores dos atributos, fará a predição da classe (positiva ou negativa). (F)
Uma sequência candidata a pre-miRNA que será classificada com o modelo induzido a partir do conjunto de treinamento.
3.2.4 MiPred
O MiPred tem sua implementação disponibilizada via interface web e realiza a
classificação de pre-miRNAs (Jiang et al., 2007). Como entrada, recebe sequências de possíveis
pre-miRNAs em formatos FASTA, CGC, GenBank ou EMBL. Inicialmente, cada sequência
informada tem sua estrutura secundária avaliada quanto à formação de hairpin. Caso positiva,
são extraídos atributos da sequência que são dados como entrada para um classificador
denominado Random Forest (Breiman, 2001). Para realizar o treinamento do classificador,
foram obtidos 462 pre-miRNAs humanos no miRBase versão 8.2. Desses, 36 foram descartados
por possuírem múltiplos loops. Portanto, 426 pre-miRNAs humanos foram utilizados como
exemplos positivos. Adicionalmente, foram analisados 8.494 exemplos negativos do trabalho
de Xue et al. (2005), em que só foram utilizados como exemplos negativos para treinamento
aqueles que atenderam a valores típicos relativos aos seguintes critérios: tamanhos mínimo
e máximo, quantidade de pareamentos, energia livre e ausência de múltiplos loops.
3.2.5 CID-miRNA
Essa abordagem prediz a localização de pre-miRNAs em uma sequência a partir da
seguinte entrada de dados informada em seu servidor web: uma sequência de DNA; escore
mínimo; escore estrutural mínimo; e tamanhos mínimos da haste terminal e da janela
(Tyagi et al., 2008). Para realizar a predição, foi construído um modelo de Gramática Livre
de Contexto Estocástica (SCFG) (Sakakibara et al., 1994). Para a construção da gramática
foram utilizadas características das estruturas primárias e secundárias de 474 sequências
de pre-miRNAs humanos validados como exemplos positivos (obtidos no miRBase). Para
garantir que não houvesse duplicidades, as sequências com alta homologia foram retiradas.
Adicionalmente, foram utilizadas 300 sequências de rRNA humano como exemplos negativos,
obtidas no GenBank. O CID-miRNA utiliza o algoritmo CYK, que determina se uma cadeia de
caracteres pode ser gerada por uma determinada gramática livre de contexto, para definir
um escore através da triagem dos conjuntos positivos e negativos. Por fim, foi utilizado um
classificador J48 através do Weka toolkit (Tan et al., 2006; Hall et al., 2009), com o intuito de
construir uma árvore de decisão para determinar o melhor valor de escore discriminante
3.2.6 SSCprofiler
O SSCprofiler utiliza o método probabilístico Modelos Ocultos de Markov (HMM) para
realizar a predição de novos pre-miRNAs em Homo sapiens (Seymore et al., 1999; Oulas et
al., 2009). É necessário informar uma sequência genômica; as coordenadas na sequência
informada em que o algoritmo deve realizar a busca (perfazendo no máximo mil nt); valores
limiares (thresholds) que servirão de valores discriminantes na HMM; energia livre mínima;
dentre outros parâmetros relacionados à estrutura secundária do hairpin e à conservação.
Por utilizar informação de conservação, esse método tem também um viés comparativo. No
entanto, essa não é a característica mais marcante dessa abordagem. Os aspectos intrínsecos
da estrutura secundária do precursor são, sem dúvida, dominantes no SSCprofiler.
Inicialmente, é realizada a predição da estrutura das sequências analisadas e avaliada
a sua conservação. Em seguida, os candidatos a pre-miRNAs são filtrados de acordo com os
parâmetros informados anteriormente. Após isso, são extraídos os atributos das sequências,
que incluem aspectos da estrutura secundária e da conservação. Por fim, esses dados são
fornecidos como entrada para o HMM. Para treinar o HMM foram utilizados 249 pre-miRNAs
humanos obtidas no miRBase versão 12. Adicionalmente, foram utilizadas 8 mil sequências do
tipo 3’ UTR do genoma humano como exemplos negativos. Essas sequências foram utilizadas
como negativas porque não havia registros de miRNAs nessas regiões. Ao final, o programa
mostra as posições dos pre-miRNAs encontrados e as respectivas estruturas secundárias.
3.2.7 Virgo
O método Virgo, que tem sua implementação disponibilizada via interface web,
realiza a predição de novos pre-miRNAs a partir de uma sequência genômica de até 5
mil nt (Kumar et al., 2009). Em primeiro lugar, utiliza o software RNAfold para predizer a
estrutura secundária dos candidatos. A seguir, realiza um filtro para descartar os candidatos
que não atendam às características de pre-miRNAs conhecidos. Para cada candidato restante
são extraídos atributos para realizar a classificação com o algoritmo SVM light (Joachims,
1999). Para treinar o classificador, foram utilizadas sequências de 377 miRNAs precursores
humanos validados experimentalmente como exemplos positivos. Ademais, foram utilizadas
430 sequências artificiais como exemplos negativos. O software dá como saída os candidatos
que foram classificados positivamente pelo classificador.
3.2.8 microPred
O microPred também baseia-se em técnicas de AM para classificar pre-miRNAs
(Batuwita; Palade, 2009). Recebe como entrada sequências de possíveis pre-miRNAs em
formato FASTA. Na continuidade, cada uma das sequências candidatas tem sua estrutura
secundária gerada utilizando-se o software RNAfold e, então, 49 atributos são extraídos. Após
a extração, são selecionados os 21 melhores atributos, ou seja, aqueles que proveem mais
informação para a tarefa de classificação. Por fim, os dados são fornecidos como entrada
para um algoritmo SVM. Para realizar o treinamento do classificador, foram utilizadas 691
sequências não redundantes de pre-miRNAs humanos como exemplos positivos, obtidas
através do miRBase versão 12. Os autores construíram a base de exemplos negativos juntando
754 sequências de ncRNAs (exceto miRNAs) às 8.494 sequências negativas do trabalho de
Xue et al. (2005). Ao final, o programa exibe os candidatos classificados como pre-miRNAs.
3.2.10 miRPara
Esse método deu origem a um software livre para predição de miRNAs maduros e pre-
miRNAs tendo como entrada grandes sequências genômicas (Wu et al., 2011). Primeiramente, a
sequência de DNA informada é dividida em fragmentos de 500 nt com 200 nt de sobreposição.
Para cada fragmento de 500 nt é utilizado o software UNAFold para predição de candidatos
a pre-miRNAs (Markham; Zuker, 2008). Em seguida, os hairpins com menos de 60 nt e
aqueles que contenham segmentos com sobreposição são rejeitados. Os demais hairpins
são então reavaliados com o software UNAFold. Após essa etapa, os hairpins restantes são
investigados visando encontrar candidatos a miRNA. Para realizar essa análise são extraídos
77 atributos de cada candidato. O miRPara é mais um método que utiliza um modelo de
aprendizagem construído por uma abordagem SVM. Os modelos de classificação incluídos no
método utilizaram 5.576 sequências validadas de miRNAs/pre-miRNAs obtidas no miRBase
versão 13 como exemplos positivos. Esses exemplos foram empregados em três modelos:
animais, plantas e global, o primeiro com 4.886 sequências de animais, o segundo com 1.215
sequências de plantas e o terceiro com todas as 5.576 sequências validadas. Para o conjunto
de dados negativo foram criadas 5.576 sequências artificiais. Os autores descrevem que
várias proporções distintas entre o número de exemplos negativos e positivos foram testadas,
para avaliar o efeito do desbalanceado na eficiência do modelo. Aqueles candidatos a pre-
miRNA/miRNA que são classificados como verdadeiros pelo modelo SVM são mostrados
como saída do programa.
3.2.11 miRNAFold
Disponibilizado via interface web, é utilizado para localizar pre-miRNAs em uma
sequência informada (Tempel; Tahi, 2012). A sequência é avaliada janela por janela, a partir
do fornecimento da seguinte entrada: tamanho da janela, parâmetros espécie-específicos
e porcentagem de atributos a serem verificados como filtro nas etapas do algoritmo. Para
cada janela é construída uma matriz par-base, ou seja, em que os caracteres da subsequência
sendo investigada são representados pelas linhas e os caracteres da sequência inversa
são representados pelas colunas, e cada célula da matriz é preenchida de acordo com a
complementaridade das bases da linha e coluna correspondentes. O valor da célula será
zero para indicar ausência de complementaridade ou um valor inteiro positivo i para indicar
3.2.12 HuntMi
É uma abordagem para classificação de pre-miRNAs (Gudys et al., 2013). Como entrada,
recebe candidatos a pre-miRNAs em formato FASTA. Como saída, informa se cada sequência
enviada é verdadeiramente um pre-miRNA. A ferramenta computacional fornece modelos
prontos para classificar pre-miRNAs de plantas, animais e vírus. Além disto, é possível criar
novos modelos com conjuntos de dados de treinamento informados pelo usuário. Para os
modelos criados no trabalho reportado pelos autores, os exemplos positivos foram obtidos a
partir de todos os pre-miRNAs validados experimentalmente contidos no miRBase versão 17.
Para os exemplos negativos, foram utilizados RNAs mensageiros de animais, plantas e vírus.
Nesse processo foram extraídas subsequências dos mRNAs, nas quais o início da sequência
foi aleatoriamente escolhido e o final calculado para que os exemplos negativos tivessem o
mesmo tamanho dos positivos, garantindo assim a mesma distribuição de tamanhos entre
as duas classes. Para realizar a classificação, além dos 21 atributos utilizados no método
microPred, foram criados sete novos atributos. A fim de resolver o desbalanceamento
entre a quantidade de exemplos positivos e negativos, foram testadas diversas estratégias
e classificadores como: Naive Bayes, Redes Neurais Artificiais, SVM, Random Forest, APLSC,
SMOTE e ROC Select (Chawla et al., 2002; Tan et al., 2006). Como resultado final, Random
Forest + ROC Select apresentaram os melhores desempenhos.
3.2.13 HeteroMirPred
É um método que realiza a classificação de precursores de miRNAs (Lertampaiporn
et al., 2013). Recebe como entrada sequências de possíveis pre-miRNAs. A seguir, são
extraídos 125 atributos de cada sequência informada. Os candidatos a pre-miRNAs são
então classificados por um conjunto de algoritmos: K-Nearest-Neighbor, Random Forest
e SVM (Tan et al., 2006). Para treinar os classificadores, foram utilizados 600 pre-miRNAs
de H. sapiens, 200 de O. sativa e 200 de A. thaliana, obtidos do miRBase 17, como exemplos
positivos. Adicionalmente, foram utilizadas 4 mil sequências negativas do trabalho de Xue
et al. (2005), extraídos de regiões codificantes de proteína do genoma humano. Para lidar
3.2.14 MirnaSearch
O MirnaSearch está disponível como um servidor web e foi concebido para predição
de novos pre-miRNAs e respectivos miRNAs (Titov; Vorozheykin, 2013). Utiliza a abordagem
HMM cujo treinamento empregou 1.872 pre-miRNAs humanos obtidos do miRBase versão
20 como exemplos positivos e 1.872 sequências aleatórias de pseudo-precursores como
conjunto negativo. Para realizar a busca por novos miRNAs e precursores, utiliza padrões
das estruturas primária e secundária [esta gerada através do software GaRNA (Titov et al.,
2002)] de pre-miRNAs candidatos extraídos da sequência genômica informada. Após um
pre-miRNA ser predito, é realizada outra análise para encontrar o miRNA maduro nele
contido. Como saída do programa, são mostrados pre-miRNA, miRNA maduro e a estrutura
secundária. A HMM foi treinada apenas em miRNAs de H. sapiens. Em consequência disso,
embora seja possível realizar a busca utilizando o genoma de qualquer espécie, não são
esperados os mesmos resultados de seletividade e sensibilidade.
3.2.15 MirBoost
O método MirBoost visa a classificação de pre-miRNAs (Tran et al., 2015). Para tal,
utiliza uma técnica de AM denominada ensemble em que vários modelos são gerados para que
a classificação seja feita em conjunto por eles. Em particular, o método utiliza a abordagem
ensemble chamada Boosting (Tan et al., 2006), que no caso do MirBoost gera os modelos
empregando uma variação da técnica SVM denominada weakened SVM (Li et al., 2005).
O programa recebe como entrada sequências de possíveis pre-miRNAs. Para realizar a
classificação, são extraídos 187 atributos de cada sequência candidata, sendo 32 atributos da
haste exata mais longa, 45 da haste não exata e 110 da sequência completa. Visando eliminar
atributos redundantes, foram utilizadas diversas técnicas de seleção de atributos implementadas
no software Weka. Os atributos selecionados por mais de uma técnica foram mantidos.
Para a construção do modelo foram utilizados como exemplos positivos 863 pre-miRNAs
humanos contidos no miRBase versão 18. Para os exemplos negativos, foram utilizadas
regiões exônicas de genes codificantes de proteínas, sequências de tRNAs, siRNAs, snRNAs
e snoRNAs. Além disto, o programa permite a criação de modelos próprios a partir de
dados informados pelo usuário. Ao final, o programa classifica os pre-miRNAs fornecidos
na entrada como verdadeiros ou falsos.
3.2.16 miRNA-dis
O método miRNA-dis disponibiliza sua implementação via interface web para
classificação de pre-miRNAs de animais, plantas e vírus (Liu et al., 2015). Inicialmente, o
programa recebe como entrada sequências candidatas a pre-miRNA no formato FASTA. Em
seguida, para cada sequência informada, é construído um vetor de atributos para classificação
extraídos da estrutura secundária que o pacote Vienna produz (Hofacker, 2003).
Tabela 3. Métodos de predição de miRNAs/pre-miRNAs por abordagem não comparativa. A saída +/- é
para indicar que a ferramenta computacional realiza uma classificação binária, respondendo meramente
se o candidato dado como entrada é verdadeiro ou falso.
Principal Tipo de
Método Organismo Referência URL**
entrada* saída
Triplet-SVM Eucariotos Candidato a +/- Xue et al. bioinfo.au.tsinghua.edu.
pre-miRNA (2005) cn/mirnasvm
Vmir Eucariotos Sequência de pre- Grundhoff et booksite.elsevier.
DNA miRNA al. (2006) com/9780123739179
MiPred Eucariotos Candidato a +/- Jiang et al. www.bioinf.seu.edu.cn/
pre-miRNA (2007) miRNA
CID-miRNA H. sapiens Sequência de pre- Tyagi et al. mirna.jnu.ac.in/cidmirna
DNA miRNA (2008)
SSCprofiler H. sapiens Sequência de pre- Oulas et al. mirna.imbb.forth.gr/
DNA miRNA (2009) SSCprofiler.html
Virgo Vírus Sequência de pre- Kumar et al. miracle.igib.res.in/virgo
DNA miRNA (2009)
microPred Eucariotos Candidato a +/- Batuwita; www.cs.ox.ac.uk/people/
pre-miRNA Palade (2009) manohara.rukshan.
batuwita/microPred.htm
PlantMiRNAPred Plantas Candidato a +/- Xuan et al. nclab.hit.edu.cn/
pre-miRNA (2011) PlantMiRNAPred
miRPara Eucariotos Sequência de pre- Wu et al. 159.226.126.177/mirpara/
DNA miRNA e (2011) cgi-bin/form.cgi
miRNA
miRNAFold Eucariotos Sequência de pre- Tempel; Tahi evryrna.ibisc.univ-evry.
DNA miRNA (2012) fr/miRNAFold
HuntMi Eucariotos Candidato a +/- Gudys et al. adaa.polsl.pl/agudys/
pre-miRNA (2013) huntmi/huntmi.htm
HeteroMirPred Eucariotos Candidato a +/- Lertampaiporn ncrna-pred.com/
pre-miRNA et al. (2013) premiRNA.html
MirnaSearch H. sapiens Sequência de pre- Titov; wwwmgs.bionet.nsc.ru/
DNA miRNA e Vorozheykin mgs/programs/rnaanalys/
miRNA (2013) index.html
MirBoost Eucariotos Candidato a +/- Tran et al. evryrna.ibisc.univ-evry.
pre-miRNA (2015) fr/miRBoost/index.html
miRNA-dis Animais, Candidato a +/- Liu et al. bioinformatics.hitsz.edu.
plantas e pre-miRNA (2015) cn/miRNA-dis
vírus
*Sequência de DNA: Contig, scaffold ou qualquer fragmento de DNA; **Os sítios indicados foram acessados em junho
de 2015.
3.3.2 miRCat
É um método que permite identificar miRNAs e seus precursores a partir de dados
provenientes de plantas e animais (Moxon et al., 2008). Sua implementação foi feita na
plataforma Java e faz parte do The UEA Plant sRNA Toolkit. As predições baseiam-se em
critérios que podem ser ajustados pelo usuário.
Como entrada principal do programa, o usuário fornece os reads e o genoma referência.
O miRCat alinha os reads ao genoma utilizando a ferramenta computacional PatMan (Prüfer
et al., 2008). As regiões genômicas que apresentarem abundância de reads mapeados (mínimo
3.3.3 miRDeep
Para realizar a separação de miRNAs de outros pequenos RNAs sequenciados e
de produtos de degradação em dados de small RNA-Seq, o miRDeep utiliza um modelo
probabilístico para atribuir um escore que reflete o grau de confiança para rotular um
determinado RNA como miRNA maduro (Friedländer et al., 2008). O escore é calculado de
acordo com a posição e a frequência do RNA sequenciado com relação à estrutura secundária
do pre-miRNA e é proporcional à compatibilidade dessas características com o que se conhece
sobre o processamento dos pre-miRNAs no interior da célula. Em particular, espera-se que
a quantidade de reads mapeados na parte do hairpin que corresponde ao miRNA maduro
seja bem maior que o número de reads que mapeiam nas outras partes geradas pela enzima
Dicer, ou seja, no loop e no miRNA*. A ferramenta computacional é capaz de detectar miRNAs
3.3.4 miRExpress
Essa ferramenta tem como principal finalidade identificar e avaliar o perfil de
expressão de miRNAs já conhecidos a partir de dados de small RNA-Seq (Wang et al. 2009).
O primeiro passo é a identificação e contagem de reads únicos e trimming para a remoção
de sequências completas ou parciais de adaptadores. O segundo passo é alinhar os reads a
miRNAs conhecidos disponibilizados no miRBase. O alinhamento é baseado no algoritmo
de Smith-Waterman e é implementado no esquema Single Instruction Multiple Data (SIMD)
utilizado para processamento paralelo. Finalmente, no terceiro passo, perfis de expressão
são construídos computando-se a contagem dos reads para cada miRNA de acordo com os
alinhamentos.
Os reads que não se alinharem a miRNAs conhecidos na espécie em análise podem
ser submetidos a alinhamento com miRNAs de outras espécies, possibilitando a descoberta
de novos miRNAs na espécie de interesse. O miRExpress é implementado para o sistema
operacional Linux.
3.3.5 mirTRAP
O que diferencia o mirTRAP de outros métodos é, principalmente, a utilização dos
seguintes três critérios para análise de um pre-miRNA candidato (Hendrix et al., 2010). Primeiro,
a enzima Dicer poder gerar, a partir do pre-miRNA, não só o miRNA, o miRNA* e o loop, mas
também o moRNA e o moRNA*. Segundo, a fita oposta ao pre-miRNA raramente apresenta
mapeamento de reads. Quando isso ocorre, os produtos antissenso dos loci de miRNAs conhecidos
têm matching perfeito com os miRNAs da fita referência. Isso contrasta com os loci de outros
tipos de RNA (p. ex.: endo-siRNA e piRNA). Nesses casos, os produtos antissenso se apresentam
deslocados em vários pares de bases. Finalmente, como terceiro critério, miRNAs tendem
a ocorrer em regiões genômicas que não possuem outros tipos de pequenos RNAs. Assim,
3.3.6 MIReNA
Esse método demonstra grande flexibilidade, pois pode funcionar de quatro formas
diferentes: como classificador de pre-miRNAs, em que recebe potenciais pre-miRNAs como
entrada e os classifica como positivos ou negativos; como preditor de novos pre-miRNAs a
partir de uma sequência de DNA informada, gerando estruturas secundárias de trechos da
sequência de entrada e verificando se atendem a critérios típicos dessa estrutura; predição de
miRNAs a partir de uma base de dados de miRNAs conhecidos; e predição de novos miRNAs/
pre-miRNAs utilizando dados de small RNA-Seq (Mathelier; Carbone, 2010). Assim, é um
método que se encaixa em todas as categorias de abordagens apresentadas neste capítulo.
No caso de predições baseadas em dados de NGS, uma vez identificadas as regiões
candidatas a pre-miRNAs no genoma referência de acordo com o mapeamento de reads, as
sequências respectivas são dadas como entrada para o RNAfold e cinco critérios (também
utilizados nos outros casos de uso do MIReNA) devem ser atendidos para eliminação de
falsos-positivos: o pre-miRNA candidato deve apresentar características que possibilitem
a identificação do miRNA e do miRNA*; a distância entre o miRNA e o miRNA* deve ser
coerente; a porcentagem de bases não pareadas entre o miRNA o miRNA* não deve ultrapassar
um valor pré-estipulado; o valor de AMFE do pre-miRNA não deve ultrapassar um valor
predefinido; e o valor de MFEI (minimum free energy index) do pre-miRNA não pode ser maior
que um valor estabelecido. Após essa filtragem, os pre-miRNAs remanescentes são novamente
avaliados e filtrados com base nas condições de processamento pela Dicer, verificando-se
a sua identidade com outros RNAs não codificantes.
O MIReNA é implementado na linguagem C. Mas seu funcionamento requer as seguintes
instalações: compilador Perl, compilador Python, ambiente bash e o RNAfold v.1.8.x.
3.3.7 miRanalyzer
Sua primeira versão, disponibilizada em 2009, requer, além do genoma referência, um
arquivo de entrada em formato FASTA contendo os reads e suas frequências na biblioteca small
RNA-Seq (Hackenberg et al., 2009). Para alinhamento, utiliza o algoritmo Bowtie. Inicialmente,
filtra os reads com base no tamanho (predefinido pelo usuário) e na qualidade (bases “N”).
Os reads que passaram pelo processo de filtragem são submetidos a uma primeira etapa,
onde são alinhados a sequências de RNAs conhecidos (RNAs não codificantes, retroelementos,
elementos transponíveis, tRNAs, rRNAs, cis-elementos regulatórios, produtos de splicing,
sequências de transcritos do organismo referência).
3.3.8 mirExplorer
Método aplicável a animais e plantas para predição de novos miRNAs/pre-miRNAs
baseado na abordagem de AM Adaboost (Tan et al., 2006). O Adaboost é utilizado tanto no
módulo chamado mirExplorer-genome, que só tem como entrada uma sequência de DNA e
que, portanto, só se baseia em características intrínsecas do pre-miRNA, quando no módulo
chamado mirExplorer-NGS, que utiliza dados de small RNA-Seq (Guan et al., 2011).
Os atributos levados em consideração para a construção do modelo relacionam-se
a características da estrutura secundária do pre-miRNA e do processamento das enzimas
Drosha e Dicer. Para o módulo mirExplorer-NGS, além dessas características, o pre-miRNA
deve ter pelo menos dois reads únicos mapeados ou a frequência total de reads mapeados
deve ser maior que dois. Além disto, a porcentagem de reads mapeados na fita negativa do
pre-miRNA deve ser menor que 10%. As estruturas secundárias dos pre-miRNAs candidatos
são avaliadas com auxílio do software RNAfold.
Os dados de small RNA-Seq fornecidos como entrada são filtrados para remoção de
reads correspondentes a RNAs não codificantes (rRNA e tRNA), mRNAs e miRNAs conhecidos.
Os reads são então mapeados ao genoma de referência e os atributos são avaliados com o
algoritmo Adaboost.
O mirExplorer foi escrito na linguagem de programação Pascal e compilado usando
a plataforma Lazarus IDE, podendo ser utilizado de uma forma independente do tipo de
sistema operacional.
3.3.9 miRDeep-P
MirDeep-P é uma variante do algoritmo mirDeep adaptado para predizer miRNAs/
pre-miRNAs em genomas de plantas (Yang; Li, 2011). Os reads de small RNA-Seq, que devem
3.3.10 miRDeep2
É uma versão atualizada do algoritmo miRDeep, utilizada para identificação de
miRNAs conhecidos e para predição de novos miRNAs a partir de dados gerados por NGS
(Friedländer et al., 2012). Os arquivos de entrada são em formato FASTA (dados de small
RNA-Seq, genoma de referência e arquivos de miRNAs já conhecidos). Tem como principais
vantagens, com relação ao algoritmo original, uma maior acurácia na predição e melhor
eficiência computacional, permitindo analisar quantidades maiores de dados.
Essa nova versão utiliza o software Bowtie para alinhamento dos reads, utiliza o
RNAfold para avaliação da estrutura secundária de candidatos a pre-miRNA e traz melhorias
na interface gráfica, possibilitando maior interatividade do usuário com os resultados das
análises. O programa é dividido em três módulos. O primeiro trata do processo de filtragem/
trimming dos reads e mapeamento deles ao genoma referência, gerando um arquivo de saída
em formato FASTA com as descrições dos hotspots (coordenadas genômicas). O segundo
refere-se à identificação de pre-miRNAs conhecidos e predição de novos, utilizando como
arquivo de entrada o arquivo de saída do módulo anterior. A sequência de cada pre-miRNA
candidato é extraída do genoma-referência e sua estrutura secundária é avaliada com o
RNAfold. O hairpin é analisado com base nos critérios da formação típica da estrutura
secundária, características do miRNA/miRNA* e formação do loop. Finalmente, no terceiro
módulo é realizada uma análise dos reads mapeados nos precursores selecionados nas
etapas anteriores para produzir uma tabela de contagem.
3.3.11 miREvo
O método miREvo está disponível como programas tanto na versão linha de comando
(CLI) quanto na versão interface gráfica do usuário (GUI). As predições que realiza utilizam
o algoritmo miRDeep2, mas com a devida parametrização para o caso de plantas. Além
disto, implementa modificações que permitam análises com bases evolutivas dos miRNAs.
Foi validado com conjunto de dados de NGS obtidos de D. melanogaster e A. thaliana (Wen
et al., 2012).
O miREvo foi desenvolvido com a finalidade de auxiliar na análise de miRNAs a partir
de dados de small RNA-Seq utilizando uma abordagem por homologia de sequências em
espécies relacionadas, alinhando genomas completos de múltiplas espécies (WGAs – whole
genome alignments). O método emprega o algoritmo Bowtie para o mapeamento de reads.
3.3.12 deepBlockAlign
Esse método tem como ponto de partida a formação de aglomerados de reads mapeados
em genomas de referência e não leva em consideração a estrutura secundária do pre-miRNA
candidato (Langenberger et al., 2012). Usando o algoritmo Blockbuster (Langenberger et al.,
2009), os grupos de reads sobrepostos são decompostos em blocos de reads que possuam
posições similares de início e término no genoma. Blocos sobrepostos e proximamente
espaçados formam um grupo de blocos ou locus. O objetivo do deepBlockAlign é estabelecer
uma forma de medir a proximidade entre os grupos de blocos para identificar aqueles que
compartilham características em comum e que, portanto, corresponderiam a RNAs não
codificantes do mesmo tipo. Assim, pode-se distinguir, por exemplo, miRNAs de tRNAs. Para
destacar os grupos de blocos que compartilham características em comum, o deepBlockAlign
realiza um clustering hierárquico.
O processo de clustering é mais uma vertente de AM, chamada de aprendizagem
não-supervisionada, em que se objetiva construir clusters tais que a similaridade entre
elementos de mesmo cluster seja maximizada, enquanto que a similaridade de elementos
de clusters distintos seja minimizada. Para comparar os elementos, emprega-se alguma
medida de proximidade (distância ou similaridade) baseada nos atributos das instâncias
sendo agrupadas. No caso dos grupos de blocos do deepBlockAlign, que são as instâncias a
passarem pelo clustering, os atributos são a expressão relativa dos blocos, a distância entre
blocos e a forma dos blocos, i.e., a distribuição de reads dentro dos blocos, no que concerne
à posição de mapeamento.
O alinhamento de reads ao genoma é realizado pelo algoritmo Segemehl (Hoffmann
et al., 2009; Otto et al., 2014) e o clustering hierárquico, pelo programa pvclust (Suzuki;
Shimodaira, 2006). O deepBlockAlign pode ser utilizado para dados de small RNA-Seq obtidos
de plantas e animais e é implementado na linguagem C.
3.3.13 miRDeep*
É uma extensão do algoritmo miRDeep que implementa diversas abordagens
similares ao miRDeep2, porém desenvolvido por grupos de pesquisa diferentes (An et al.,
2013). Permite arquivos de entrada de NGS no formato BAM, SAM ou FASTQ. A ferramenta
computacional permite o pré-processamento dos dados (filtragem e trimming dos reads);
realiza alinhamentos utilizando o software Bowtie, gerando um arquivo de saída em formato
3.3.14 miRPlant
O miRPlant é um método que se assemelha ao miRDeep e suas variações, sendo
também considerado uma extensão do miRDeep*, mas no qual a predição de novos miRNAs/
pre-miRNAs é baseada em características específicas para plantas, tais como estrutura do
hairpin e a estratégia de identificação da região de sua excisão (An et al., 2014). A principal
vantagem comparado aos métodos da linha miRDeep, além de melhorias na interface gráfica,
é que o miRPlant é altamente recomendado para predição a partir de dados de small RNA-
Seq obtidos de plantas, uma vez que os critérios utilizados na predição são todos baseados
nas características da biogênese de miRNAs de plantas, possibilitando maior acurácia.
Os arquivos de entrada podem ser em formato FASTQ ou FASTA. Resumidamente,
o miRPlant realiza os seguintes passos: filtra os reads com base na qualidade, tamanho e
remove sequências adaptadoras; seleciona os reads e utiliza o software Bowtie para alinhá-
los a um genoma referência, sem permitir mismatches; a região genômica que apresentar
um agrupamento de reads mapeados em forma de hotspot é extraída e avaliada com base
nas características da estrutura secundária, ou seja, no seu potencial para formar hairpin;
e o algoritmo mirDeep é utilizado com a finalidade de determinar um valor de escore para
o pre-miRNA candidato predito.
Para validação do método, foram utilizados 16 conjuntos de dados de small RNA-Seq
provenientes de A. thaliana, Medicago truncatula e Prunus persica, demonstrando uma
acurácia 10% superior ao software miRDeep-P. O miRPlant é uma plataforma integrada escrita
em Java que pode ser utilizada em sistemas operacionais Unix/Linux, MacOS X e Windows.
3.3.15 miRdentify
O miRdentify implementa um pipeline de análise de dados de small RNA-Seq para
predição de miRNAs/pre-miRNAs em humanos, animais, nematoides e moscas-das-frutas
(Hansen et al., 2014). Inicialmente, os reads passam por filtragem e trimming através do
algoritmo fa2tab, implementado no próprio miRdentify. Em seguida, os reads são mapeados
no genoma referência usando-se o software Bowtie. Após isso, as sequências genômicas
contendo os hotspots de reads mapeados são extraídas com uma abertura de janela de 46
a 80 nucleotídeos (valor ajustável pelo usuário). As características da estrutura secundária
desses candidatos são então avaliadas utilizando-se o software MultiRNAFold v1.1 (Andronescu
et al., 2005).
Após análise da estrutura secundária das sequências candidatas a pre-miRNAs,
apenas aquelas que apresentarem MFE < -14 e características para identificação de miRNAs
e respectivos miRNAs* são mantidas como pre-miRNAs promissores. Em seguida, esses
pre-miRNAs candidatos são novamente avaliados com base nas características dos miRNA,
Principal
Método Organismo Tipo de saída Referência URL**
entrada*
miRCat Animais/ Reads/Genoma pre-miRNA/ Moxon et al. srna-workbench.cmp.uea.
Plantas miRNA (2008) ac.uk
miRDeep Animais Reads/Genoma/ pre-miRNA/ Friedländer www.mdc-berlin.
Banco de dados miRNA et al. (2008) de/8551903/en
de miRNAs
miRExpress Animais/ Reads pre-miRNA/ Wang et al. mirexpress.mbc.nctu.edu.tw
Plantas miRNA/Nível de (2009)
expressão
mirTRAP Animais Reads/Genoma pre-miRNA/ Hendrix et flybuzz.berkeley.edu/
miRNA al. (2010) miRTRAP
MIReNA Animais/ Candidato a pre-miRNA/ Mathelier; www.lgm.upmc.fr/mirena/
Plantas pre-miRNA/ miRNA/+/- Carbone index.html
Reads/ (2010)
Sequência de
DNA
miRanalyzer Animais Reads/Genoma pre-miRNA/ Hackenberg; bioinfo5.ugr.es/miRanalyzer/
miRNA/Nível de Rodríguez- miRanalyzer.php
expressão Ezpeleta;
Aransay
(2011)
mirExplorer Animais/ Reads/Genoma premiRNA/ Guan et al. biocenter.sysu.edu.cn/mir
Plantas miRNA (2011)
miRDeep-P Plantas Reads/Genoma pre-miRNA/ Yang; Li www.australianprostate
miRNA/Nível de (2011) centre.org/research/
expressão software/mirdeep-star
miRDeep2 Animais Reads/Genoma/ pre-miRNA/ Friedländer www.mdc-berlin.
Banco de dados miRNA/Nível de et al. (2012) de/8551903/en
de miRNAs expressão
miREvo Animais/ Reads/Genoma pre-miRNA/ Wen et al. evolution.sysu.edu.cn/
Plantas miRNA/Nível de (2012) software/mirevo.htm
expressão
deepBlockAlign Animais/ Reads/Genoma pre-miRNA/ Langenberger rth.dk/resources/dba/
Plantas miRNA et al. (2012) download.php
Figura 2. Ferramentas computacionais de predição de miRNAs. As ferramentas para os diferentes grupos taxonômicos
estão indicadas pelas letras: A (animais); P (plantas); AP (animais e plantas); V (vírus); APV (animais, plantas e vírus).
Os tipos de dados de saída correspondem aos números: 1 - Sequência (e muitas vezes a estrutura secundária) dos
precursores de miRNAs; 2 - Sequência dos miRNAs maduros; 3 - Nível de expressão; 4 - Alvos putativos; 5 - Classificação
(positivo ou negativo) de pre-miRNAs candidatos.
Bibliografia
Altschul SF, Gish W, Miller W, Myers EW, Lipman DJ. Dezulian T, Remmert M, Palatnik JF, Weigel D, Huson
Basic local alignment search tool. J Mol Biol. 1990 DH. Identification of plant microRNA homologs.
October;215(3):403-10. http://dx.doi.org/10.1016/ Bioinformatics. 2006 February;22(3):359-60.
S0022-2836(05)80360-2. PMid:2231712. http://dx.doi.org/10.1093/bioinformatics/bti802.
An J, Lai J, Lehman ML, Nelson CC. miRDeep*: an PMid:16317073.
integrated application tool for miRNA identification Di Tommaso P, Moretti S, Xenarios I, Orobitg M,
from RNA sequencing data. Nucleic Acids Res. 2013 Montanyola A, Chang J-M, et al. T-Coffee: a web
January;41(2):727-37. http://dx.doi.org/10.1093/nar/ server for the multiple sequence alignment of
gks1187. PMid:23221645. protein and RNA sequences using structural
An J, Lai J, Sajjanhar A, Lehman ML, Nelson CC. information and homology extension. Nucleic Acids
miRPlant: an integrated tool for identification of Res. 2011 July;39(Web Server issue suppl 2):W13-7.
plant miRNA from RNA sequencing data. BMC PMid:21558174.
Bioinformatics. 2014; 15(1):275. http://dx.doi. Friedländer MR, Chen W, Adamidi C, Maaskola
org/10.1186/1471-2105-15-275. PMid:25117656. J, Einspanier R, Knespel S, et al. Discovering
Andrews S. FastQC: A quality control tool for high microRNAs from deep sequencing data using
throughput sequence data. Cambridgeshire: miRDeep. Nat Biotechnol. 2008 April;26(4):407-15.
Babraham Institute; 2010 [citado 2015 Abr]. http://dx.doi.org/10.1038/nbt1394. PMid:18392026.
Disponível em: http://www.bioinformatics. Friedländer MR, Mackowiak SD, Li N, Chen W,
babraham.ac.uk/projects/fastqc Rajewsky N. miRDeep2 accurately identifies
Andronescu M, Zhang ZC, Condon A. Secondary known and hundreds of novel microRNA genes
structure prediction of interacting RNA molecules. in seven animal clades. Nucleic Acids Res. 2012
J Mol Biol. 2005 February;345(5):987-1001. January;40(1):37-52. http://dx.doi.org/10.1093/nar/
http://dx.doi.org/10.1016/j.jmb.2004.10.082. gkr688. PMid:21911355.
PMid:15644199. Gomes CP, Cho J-H, Hood L, Franco OL, Pereira
Batuwita R, Palade V. microPred: effective classification RW, Wang K. A review of computational tools
of pre-miRNAs for human miRNA gene prediction. in microRNA discovery. Front Genet. 2013; 4:81.
Bioinformatics. 2009 April;25(8):989-95. http://dx.doi. http://dx.doi.org/10.3389/fgene.2013.00081.
org/10.1093/bioinformatics/btp107. PMid:19233894. PMid:23720668.
Bolger AM, Lohse M, Usadel B. Trimmomatic: a Grad Y, Aach J, Hayes GD, Reinhart BJ, Church GM,
flexible trimmer for Illumina sequence data. Ruvkun G, et al. Computational and experimental
Bioinformatics. 2014 August;30(15):2114-20. identification of C. elegans microRNAs. Mol Cell.
http://dx.doi.org/10.1093/bioinformatics/btu170. 2003 May;11(5):1253-63. http://dx.doi.org/10.1016/
PMid:24695404. S1097-2765(03)00153-9. PMid:12769849.
Bonnet E, Wuyts J, Rouzé P, Van de Peer Y. Evidence Griffiths-Jones S, Grocock RJ, van Dongen S, Bateman
that microRNA precursors, unlike other non- A, Enright AJ. miRBase: microRNA sequences,
coding RNAs, have lower folding free energies targets and gene nomenclature. Nucleic Acids Res.
than random sequences. Bioinformatics. 2004 2006 January;34(Suppl 1):D140-4. http://dx.doi.
November;20(17):2911-7. http://dx.doi.org/10.1093/ org/10.1093/nar/gkj112. PMid:16381832.
bioinformatics/bth374. PMid:15217813. Griffiths-Jones S. The microRNA Registry. Nucleic Acids
Bortoluzzi S, Biasiolo M, Bisognin A. MicroRNA- Res. 2004 January;32(Suppl 1):D109-11. http://dx.doi.
offset RNAs (moRNAs): by-product spectators org/10.1093/nar/gkh023. PMid:14681370.
or functional players? Trends Mol Med. 2011 Grundhoff A, Sullivan CS, Ganem D. A combined
September;17(9):473-4. http://dx.doi.org/10.1016/j. computational and microarray-based approach
molmed.2011.05.005. PMid:21700497. identifies novel microRNAs encoded by human
Breiman L. Random forests. Mach Learn. 2001; 45(1):5- gamma-herpesviruses. RNA. 2006 May;12(5):733-
32. http://dx.doi.org/10.1023/A:1010933404324. 50. http://dx.doi.org/10.1261/rna.2326106.
Chawla NV, Bowyer KW, Hall LO, Kegelmeyer WP. PMid:16540699.
Smote: Synthetic minority over-sampling technique. Guan D -G, Liao J-Y, Qu Z-H, Zhang Y, Qu L-H.
J Artif Intell Res. 2002; 16(1):321-57. mirExplorer: detecting microRNAs from genome
Coruh C, Shahid S, Axtell MJ. Seeing the forest for the and next generation sequencing data using the
trees: annotating small RNA producing genes in AdaBoost method with transition probability
plants. Curr Opin Plant Biol. 2014 April;18:87-95. matrix and combined features. RNA Biol. 2011
http://dx.doi.org/10.1016/j.pbi.2014.02.008. September-October;8(5):922-34. http://dx.doi.
PMid:24632306. org/10.4161/rna.8.5.16026. PMid:21881406.
Estruturação do capítulo
Seção 1. RNAs endógenos competidores: esponjas naturais de miRNAs
Dr.a Amanda Freire de Assis e Dr.a Ernna Hérida Domingues de Oliveira
1.1 Introdução
1.2 Considerações moleculares para as interações entre ceRNAs
1.3 Identificação de ceRNAs
1.4 RNAs circulares: uma nova e curiosa classe de ceRNAs
Seção 2. miRNAs circulantes
Prof. Dr. Marcelo A. Mori, Emilio Tarcitano, Silas Pinto da Silva e Beatriz Alves Guerra
2.1 Introdução
2.2 miRNAs circulantes em humanos
2.3 Transporte intertecidual de miRNAs
2.4 Presença de miRNAs em fluidos corporais
2.5 Papel biológico de miRNAs circulantes
2.6 Perspectivas
Seção 3. miPEPs: peptídeos codificados por pri-miRNAs
Prof. Dr. Tiago Campos Pereira
3.1 miPEPs
3.2 Perspectivas
1.1 Introdução
Uma das técnicas utilizadas para se estudar a função de miRNAs é conhecida como
esponjas artificiais de miRNAs (vistas no capítulo 14). Em síntese, essas são moléculas sintéticas
de RNA contendo elementos responsivos a miRNAs (MREs – do inglês microRNA response
elements), i.e., sítios aos quais os miRNAs se ligam (figura 1). Assim, ao sequestrá-los, é
possível correlacionar o fenótipo gerado na célula ao papel biológico do miRNA. Geralmente
esponjas artificiais apresentam MREs específicos para um determinado miRNA.
RNAs endógenos competidores (ceRNAs – do inglês competing endogenous RNAs) são
transcritos naturais de genes codificadores e não codificadores de proteínas que atuam como
esponjas endógenas de miRNAs (endogenous miRNA sponges) (figura 1). Os ceRNAs possuem
MREs e, portanto, podem competitivamente se ligar a microRNAs, sequestrando-os de seus
mRNAs-alvo primários. Contudo, diferentemente das esponjas artificiais, os ceRNAs contêm
MREs para uma combinação de diferentes microRNAs. Dessa forma, os ceRNAs atuam na
regulação da expressão gênica pois impedem a ação repressora dos microRNAs sobre seus
alvos através de uma diminuição da disponibilidade de miRNAs no citoplasma (Seitz, 2009;
Poliseno et al., 2010; Salmena et al., 2011; Tay et al., 2011).
Um dos primeiros exemplos de ceRNA foi descrito em plantas por Franco-Zorrila e
colaboradores (2007). Em seu estudo com Arabidopsis thaliana, os autores demonstraram que
o RNA não codificador IPS1 (Induced by Phosphate Starvation 1) possui um efeito sequestrador
efetivo sobre o miR-399 por mimetizar o MRE de seu mRNA-alvo PHO2 (Putative Ubiquitin-
conjugating Enzyme E2 24), um mecanismo que foi chamado de target mimicry.
Em 2011, foi levantada a hipótese de que haveria uma rede de interação entre os
ceRNAs, na qual eles estariam se comunicando e corregulando seus níveis citoplasmáticos
através da competição por um conjunto limitado de miRNAs (Salmena et al., 2011). Ou seja,
todos os transcritos que contivessem MREs comuns poderiam se comunicar e regular uns
aos outros, competindo especificamente por miRNAs compartilhados (figura 1).
Figura 1. RNAs endógenos competidores (ceRNAs). Pseudogenes, long non-coding RNAs (lncRNAs), RNAs circulares
(circRNAs) e outros mRNAs podem atuar como ceRNAs e sequestrar os miRNAs de seus mRNAs-alvo. ORF: Quadro aberto
de leitura (open reading frame) AAAA: cauda poli-A.
miRNAs circulantes
2.1 Introdução
Em meados da década de 1990, estudos conduzidos por Craig Mello e Andrew Fire
utilizando o nematoide Caenorhabditis elegans identificaram um mecanismo sem precedentes
de silenciamento gênico mediado por RNA de dupla fita, o que mais tarde foi denominado
interferência por RNA (RNAi) (Fire et al., 1998). Mello e Fire demonstraram que a injeção
de RNA de dupla fita no espaço extracelular do verme resultava em silenciamento sistêmico
do gene alvo de sequência complementar ao RNA injetado. Em poucos anos, as proteínas
que participavam desse processo foram identificadas e homólogos foram observados em
várias espécies, inclusive humanos. Como era de se esperar, consistente com a conservação
evolutiva de um mecanismo intrincado de silenciamento gênico por RNA de dupla fita, uma
via de RNAi endógena foi descoberta em praticamente todos os metazoários, tendo os miRNAs
como seu agente principal (Lagos-Quintana et al., 2001; Lau et al., 2001; Lee; Ambros, 2001).
Mais tarde, a partir da segunda metade dos anos 2000, com a observação recorrente
da presença de RNAs na circulação e em outros fluidos biológicos humanos (El-Hefnawy et
al., 2004; Fleischhacker; Schmidt, 2007), uma pergunta fundamental tornou-se cada vez mais
óbvia: estariam miRNAs sendo secretados ativamente por células humanas para agir em
tecidos distais e controlar a expressão gênica de uma maneira endócrina? Essa hipótese foi
em parte baseada nos experimentos de prova de princípio em C. elegans, cujo silenciamento
gênico sistêmico por RNA de dupla fita se mostrou dependente de uma proteína conservada
evolutivamente denominada SID-1 (Winston et al., 2002; Feinberg; Hunter, 2003), ou em
experimentos em plantas, onde a compreensão sobre pequenos RNAs como moléculas
sinalizadoras já era conhecida (Yoo et al., 2004). Além disso, estudos com RNAs sintéticos
em camundongos ajudaram a elucidar mecanismos de transporte de RNAs circulantes em
mamíferos. Foi visto que a ligação covalente de moléculas lipofílicas, como colesterol, ácidos
graxos ou ácidos biliares, à RNA de fita simples ou de dupla fita pequenos (antagomirs
ou siRNAs), favorecia a estabilidade e a captação dessas espécies por células receptoras
de camundongos, além de ajudar a promover o silenciamento gênico sistêmico mediado
pelas mesmas (Krutzfeldt et al., 2005; Wolfrum et al., 2007). Interessantemente, a captação
pelas células de camundongos dos RNAs modificados parecia depender da interação dessas
moléculas com lipoproteínas, receptores de lipoproteínas e transportadores de membrana,
como a proteína homóloga à SID-1 de C. elegans (Wolfrum et al., 2007). Dessa forma, assim
como inferido em C. elegans quando a via de interferência por RNA foi descoberta, a prova
de que o transporte de espécies de RNA exógenos e o silenciamento mediado pelas mesmas
aconteciam em mamíferos por meio de uma via conservada abriu pressuposto para a busca
de moléculas endógenas que atuavam da mesma maneira em humanos.
MicroRNAs diferencialmente
Fluido biológico Condição estudada Referências
expressos no fluido biológico
Plasma Caracterização de miR-141, miR-149, miR-299-5p, Chim et al., 2008
microRNAs placentários miR-135b, miR-141
Soro Linfoma de células B miR-155, miR-210, miR-21 Lawrie et al., 2008
Plasma Gravidez ectópica miR-517 Miura et al., 2015
Plasma Epilepsia miR-106b-5p Wang et al., 2015
Soro Pancreatite autoimune miR-150-5p Hamada et al., 2015
Soro Tireoidite de Hashimoto miR-125a-3p Peng et al., 2015
2.6 Perspectivas
Apesar de se conhecerem de maneira geral alguns mecanismos pelos quais miRNAs são
secretados, carregados na circulação e importados por células receptoras, onde possivelmente
exercem papel fisiológico, pouco se sabe sobre os detalhes e a dimensão desses fenômenos
num contexto in vivo. Poucos estudos e limitações metodológicas, como a dificuldade em
classificar, definir e isolar seletivamente complexos contendo miRNAs circulantes, a diferença
nos métodos de coleta dos fluidos biológicos, o uso majoritário de cultura de células nos estudos
e a preferência pela análise de miRNAs circulantes em contextos patológicos, dificultam a
extrapolação dos dados para organismos complexos em situações fisiológicas. Ainda não está
claro, portanto, se miRNAs circulantes podem ser regulados para contribuir para a resposta
fisiológica de organismos multicelulares. Além disso, um fator limitante nos estudos, como
dito anteriormente, é que grande parte dessas espécies de miRNAs presentes nos fluidos
está complexada à Argonauta 2, porém não se conhece nenhuma possível função para essas
espécies nesse estado. Outro fator importante é que a quantidade de miRNAs na circulação é
indiscutivelmente muito menor no meio extracelular do que dentro das células, deixando a
3.1 miPEPs
“A ciência é um edifício em construção – a cada momento um novo tijolo é adicionado”
(autor desconhecido). Muitas vezes esse processo nos surpreende por revelar fenômenos
sequer imagináveis. É o exemplo de alguns genes codificadores de miRNAs, capazes de gerar
dois produtos funcionais totalmente distintos: (i) um miRNA maduro e (ii) um pequeno
peptídeo de aproximadamente 20 resíduos de aminoácidos (aa) com função regulatória
(Lauressergues et al., 2015). Esse é um caso nítido de uma descoberta fruto de mentes
aguçadas, cujos passos são descritos a seguir.
Um grupo de pesquisadores franceses alinhou sequências nucleotídicas de 284
ecótipos da planta Medicago truncatula, comparando as regiões em torno do miR171b. Eles
notaram que apenas 0,85% dos SNPs identificados se localizavam na região do pre-miRNA
correspondente, evidenciando claramente um uma seleção para manter essas sequências.
Em especial, não foi encontrado nenhum SNP nas sequências correspondentes ao miRNA
maduro ou ao miRNA*.
Em contraste, o promotor e a região 3’ do pri-miR171b eram bem mais divergentes –
8% e 15% dos SNPs, respectivamente. Contudo, a porção 5’ se apresentava mais conservada
(3% dos SNPs), sugerindo a existência de uma possível região codificadora na região. Uma
busca computacional identificou dois quadros abertos de leitura (open reading frames –
ORFs), sendo um deles de 20 aa e denominado miPEP171b (microRNA171b-encoded peptide).
Para validar a existência de miPEP171b, os autores geraram anticorpos contra esse
putativo peptídeo, cuja expressão foi detectada com sucesso por meio de western blot, a
partir de extratos da planta tipo selvagem. Ensaios de microscopia de imunofluorescência
detectaram miPEP171b na mesma região onde o miR171b é expresso, evidenciando uma
coexpressão e, possivelmente, um papel regulador de miPEP171b sobre miR171b.
Para investigar essa hipótese, o grupo realizou uma série de estudos genéticos e
bioquímicos. Inicialmente eles deletaram a ORF codificadora do miPEP171b, o que resultou na
redução do acúmulo do pri-miR171b. Em contrapartida, a superexpressão de miPEP171b levou
ao efeito oposto. Nenhum dos diversos outros miRNAs analisados foi afetado, evidenciando
um fenômeno alvo-específico.
Adicionalmente, mutações sinônimas nessa ORF (modificando a sequência nucleotídica
sem alterar o peptídeo resultante) não afetaram o acúmulo do miR171b, ao passo que uma
única mutação pontual (no códon de iniciação dessa ORF) levava à redução do acúmulo do
pri-miRNA171b. Em conjunto, esses dois experimentos evidenciaram que o produto funcional
final dessa região é um peptídeo, não um RNA regulador.
3.2 Perspectivas
Este trabalho trouxe à luz um evento em loop totalmente inesperado: a regulação de
proteínas por microRNAs, por sua vez regulados por microproteínas (miPEPs). Simultaneamente,
diversas perguntas difíceis e certos paradoxos surgem: Exatamente através de qual mecanismo
miPEP171b afeta a transcrição? Qual é a base molecular para sua especificidade? Como
ocorre a tradução (um evento tipicamente citoplasmático) de miPEP171 se o pri-miR171b
é processado no núcleo.
Talvez a resposta esteja na integração dos miPEPs com outros fenômenos recém-
descritos e igualmente curiosos: (i) a observação de tradução no núcleo (Iborra et al., 2001)
e (ii) a descoberta de pequenos peptídeos regulatórios (11 a 32 aa) (Kondo et al., 2010).
Estudos investigando possíveis interconexões entre esses elementos poderão revelar um
magnífico mundo novo.
Bibliografia
Akers JC, Ramakrishnan V, Kim R, Skog J, Nakano I, Ben-Dov IZ, Tan YC, Morozov P, Wilson PD, Rennert H,
Pingle S, et al. MiR-21 in the extracellular vesicles Blumenfeld JD, et al. Urine microRNA as potential
(EVs) of cerebrospinal fluid (CSF): a platform for biomarkers of autosomal dominant polycystic
kidney disease progression: description of miRNA
glioblastoma biomarker development. PLoS One. profiles at baseline. PLoS One. 2014; 9(1):e86856.
2013; 8(10):e78115. PMid:24205116. PMid:24489795.
Ala U, Karreth FA, Bosia C, Pagnani A, Taulli R, Léopold Cesana M, Cacchiarelli D, Legnini I, Santini T, Sthandier
V, et al. Integrated transcriptional and competitive O, Chinappi M, et al. A long noncoding RNA controls
endogenous RNA networks are cross-regulated in muscle differentiation by functioning as a competing
endogenous RNA. Cell. 2011 October;147(2):358-69.
permissive molecular environments. Proc Natl Acad PMid:22000014.
Sci U S A. 2013 April;110(18):7154-9. PMid:23536298. Chao CW, Chan DC, Kuo A, Leder P. The mouse formin
Arroyo JD, Chevillet JR, Kroh EM, Ruf IK, Pritchard (Fmn) gene: abundant circular RNA transcripts and
CC, Gibson DF, et al. Argonaute2 complexes carry a gene-targeted deletion analysis. Mol Med. 1998
population of circulating microRNAs independent September;4(9):614-28. PMid:9848078.
Chen X, Liang H, Zhang J, Zen K , Zhang CY.
of vesicles in human plasma. Proc Natl Acad Sci U Secreted microRNAs: a new form of intercellular
S A. 2011 March;108(12):5003-8. PMid:21383194. communication. Trends Cell Biol. 2012
Ashwal-Fluss R, Meyer M, Pamudurti NR, Ivanov March;22(3):125-32. PMid:22260888.
A, Bartok O, Hanan M, et al. circRNA biogenesis Chen X, Ba Y, Ma L, Cai X, Yin Y, Wang K, et al.
competes with pre-mRNA splicing. Mol Cell. 2014 Characterization of microRNAs in serum: a novel
class of biomarkers for diagnosis of cancer and other
October;56(1):55-66. PMid:25242144. diseases. Cell Res. 2008 October;18(10):997-1006.
Bahn JH, Zhang Q, Li F, Chan TM, Lin X, Kim Y, et al. PMid:18766170.
The landscape of microRNA, Piwi-interacting RNA, Chim SS, Shing TK, Hung EC, Leung TY, Lau TK, Chiu
and circular RNA in human saliva. Clin Chem. 2015 RW, et al. Detection and characterization of placental
January;61(1):221-30. PMid:25376581. microRNAs in maternal plasma. Clin Chem. 2008
March;54(3):482-90. PMid:18218722.
Bartel DP. MicroRNAs: target recognition and regulatory Cocucci E, Racchetti G, Meldolesi J. Shedding
functions. Cell. 2009 January;136(2):215-33. microvesicles: artefacts no more. Trends Cell Biol.
PMid:19167326. 2009 February;19(2):43-51. PMid:19144520.
5’ RACE....................237, 245, 247, 248, 252 cluster de miRNA.................... 41-45, 90, 91,
93, 265, 309
CRISPR.....................245, 263, 264, 265, 266
A cropping....................................................... 70
bioluminescência..................... 237, 241, 243 Dicer-like...................... 73, 74, 101, 127, 218
Braço...... 30, 52, 55, 56, 70, 77, 92, 230, 274 Duplicação................................ 43-47, 54, 56
C E
circRNA....................322, 324, 325, 326, 330 Esponja.................... 245, 256, 258-261, 263,
266, 322, 323, 325
CLASH.............................. 237, 251, 252, 253
Exorribonuclease................. 80, 97, 100, 327
clonagem........................... 90, 148, 184, 211,
Exportação............................. 65, 66, 72, 329
212, 213, 214, 215, 216, 217, 218, 219, 231,
242, 247, 259 Exportin-5.....................................72, 73, 182
Hibridização in situ......... 132, 181, 212, 222 miRNA*.................51, 52, 53, 55, 56, 57, 73,
76, 77, 78, 80, 101, 271, 273, 274, 275, 276,
HITS-CLIP....................... 237, 251, 253, 324 282, 294, 307, 308, 309, 311, 313, 314, 333
miRNA artificial....................................... 270
I miRNA intergênico..............................39, 43
miRNA intrônico....................................... 49
iCLIP................................. 237, 251, 252, 253
miRNA maduro.............................52, 53, 55,
imunoprecipitação................. 215, 249, 250,
56, 57, 66, 67, 69, 76, 77, 167, 178, 224, 227,
251, 252, 253
231, 259, 270, 295, 303, 307, 308, 333
IsomiR......................... 52, 53, 54, 56, 57, 306
miRNA mimético................... 242, 243, 260,
270-273, 275, 277, 279-282
L miRNA star................................................. 52
miRtron......................... 6, 40, 42, 68, 69, 73,
let-7........................28, 29, 30, 31, 32, 58, 60, 78, 79, 91, 291
62, 71, 72, 75, 81, 83, 84, 85, 86, 87, 90, 92,
93, 94, 99, 102, 149, 150, 152, 153, 155, moRNAs................................... 306, 308, 309
156, 157, 159, 161, 162, 168, 175, 176, 206, MRE.......................... 242, 243, 246, 322-325
233, 235, 254, 280, 281, 319, 335
LNA..........................132, 185, 221, 222, 225,
227, 231, 257 N
Loquacious.................................................. 72
northern blot26, 31, 148, 220, 221, 222,
Luciferase.............50, 54, 242, 243, 258, 260 226, 228, 230, 231, 233, 235, 237, 241, 258
ORF................................. 26, 31, 66, 322, 333 RdRP......................................... 218, 274, 280
recomposição.............. 68, 69, 73, 74, 75, 78,
79, 81, 325
P retículo endoplasmático..................103, 251
ribossomo.............27, 28, 95, 97, 98, 99, 103
PAR-CLIP......................... 237, 251, 253, 324
RIP-Chip................................... 237, 250, 251
PARE.................237, 247, 248, 249, 253, 254
RISC.......................60, 65, 66, 73, 76, 77, 78,
Passageira (fita, RNA ou oligo).....52, 53, 77 80, 81, 83, 84, 85, 86, 87, 92, 96, 104, 105,
120, 126, 127, 215, 233, 242, 249, 253, 272,
PAZ........................................................73, 77
274, 282, 328
P-bodies.............................................103, 105
RITS.............................................96, 101, 105
PicTAR...............................................237, 240 RLC........................................................76, 77
piRNA...................21, 96, 215, 218, 308, 330 RNase H.................................................77, 99
PITA..................237, 238, 239, 240, 260, 324 RNase III...................................70, 73, 84, 87
PIWI............................................................. 77 RT-qPCR.211, 212, 221, 222, 223, 225, 226,
228, 230, 231, 232, 234, 235, 258, 281
poliadenilação.....73, 76, 217, 218, 219, 223,
224, 259
pre-miRNA................. 40, 41, 52, 53, 56, 65,
66, 69, 70, 71, 72, 73, 74, 75, 77, 78, 79, 113, S
231, 270, 288, 289, 290, 292, 294, 295, 296,
scrambled......................... 242, 243, 257, 334
298, 301, 302, 303, 304, 307, 308, 309, 310,
311, 312, 313, 314, 318, 319, 320, 333 SDN......................................................80, 280
pri-miRNA.................. 41, 52, 53, 65, 66, 69, seed...................33, 43, 44, 48, 52, 53, 54, 57,
70, 71, 72, 73, 74, 79, 82, 84, 231, 288 76, 93, 96, 111, 112, 114, 166, 167, 168, 171,
174, 238, 239, 240, 242, 243, 244, 252, 254,
proteólise.....................................97, 100, 156 257, 258, 259, 265, 274, 275, 281, 284, 291
psRNAtarget..............................237-241, 275 SERRATE........................... 73, 74, 83, 84, 87
sibling miRNAs.......................................... 53
silenciamento transcricional.............97, 101
Q
siRISC..................................................96, 100
qPCR....... 211, 212, 221, 222, 223, 225, 226, siRNA.......................84, 85, 86, 96, 104, 140,
228, 230, 231, 232, 234, 235, 258, 281 141, 142, 220, 253, 267, 271, 284, 308
T
V
TAP-Tar............................ 237, 250, 251, 254
target mimicry......................... 137, 138, 322 via não canônica...................................40, 78