Escolar Documentos
Profissional Documentos
Cultura Documentos
Dissertação
Dissertação
INSTITUTO DE BIOLOGIA
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIAS E
BIOTECNOLOGIA
Niterói
2020
VICTOR GUSTAVO OLIVEIRA EVANGELHO
Dissertação de Mestrado
submetida à Universidade
Federal Fluminense como
requisito parcial visando à
obtenção do grau de Mestre em
Ciências e Biotecnologia
II
III
VICTOR GUSTAVO OLIVEIRA EVANGELHO
Dissertação de Mestrado
submetida à Universidade
Federal Fluminense como
requisito parcial visando à
obtenção do grau de Mestre em
Ciências e Biotecnologia
Banca Examinadora:
IV
(...) a criatividade é uma fonte central
de significado em nossas vidas. A
maioria das coisas que são
interessantes, importantes e
humanas são o resultado da
criatividade.
- Mihaly Csikszentmihalyi
V
AGRADECIMENTOS
Agradeço a minha mãe Valéria Oliveira dos Santos, por ter percorrido esse
caminho comigo, entre todas as dificuldades, estivemos sempre juntos e seu
apoio foi decisivo para chegar até aqui e, juntamente com o meu padrasto,
Renato Vargas Medeiros Jr., fez o melhor para que eu pudesse alcançar os meus
objetivos.
Ao meu amigo Alex Sandro Lins, pelo apoio e por ser uma peça chave no meu
primeiro contato com a Universidade Federal Fluminense.
À minha orientadora, professora Dra. Helena Carla Castro, por acreditar no meu
potencial e viabilizar todas as oportunidades para o meu crescimento acadêmico
e para o desenvolvimento da minha criatividade, sendo uma pessoa
extremamente íntegra.
VI
Ao Dr. Murilo Lamim Bello, por aceitar me coorientar e por ser uma pessoa
extremamente disposta para me auxiliar. Sendo de grande importância para o
desenvolvimento da pesquisa e no alcance dos resultados obtidos.
Ao Me. André Lima, por ter sido o meu coorientador na Iniciação Científica
voluntária, realizada no PPBI, me propondo desafios que possibilitaram maior
imersão na bioinformática.
VII
SUMÁRIO
LISTA DE ABREVIAÇÕES................................................ XI
LISTA DE ILUSTRAÇÕES ..............................................XVI
RESUMO........................................................................XVIII
ABSTRACT......................................................................XIX
1 INTRODUÇÃO ................................................................. 1
1.1 EPIDEMIOLOGIA DO TRANSTORNO DO ESPECTRO
AUTISTA .................................................................................................. 1
VIII
2. OBJETIVO .................................................................... 16
2.1 OBJETIVO GERAL ....................................................................... 16
3. METODOLOGIA ........................................................... 17
3.1 LEVANTAMENTO DE DADOS .................................................... 18
4. RESULTADOS.............................................................. 25
4.1 IDENTIFICAÇÃO DE GENES CANDIDATOS .......................... 25
IX
CÉLULAS NERVOSAS ....................................................................... 30
5. DISCUSSÃO ................................................................. 44
6. CONSIDERAÇÕES FINAIS .......................................... 53
6.1 CONCLUSÃO ................................................................................. 53
X
LISTA DE ABREVIAÇÕES
AEA - Anandamida
2AG - 2-araquidonoilglicerol
ACH - Acetilcolina
ADCY3 - Adenilato ciclase 3
ADCY5 - Adenilato ciclase 5
ADNP - Homeobox de neuroprotetor dependente de atividade
ADORA2A - Receptor de adenosina a2a
ADRB2 - Adrenoceptores beta 2
ANK2 - Anquirina 2
ATP2B2 - Membrana plasmática atpase Ca2 + transportando 2
AVPR1A - Receptor de arginina vasopressina 1ª
AVPR1B - Receptor de arginina vasopressina 1B
BCKDK - Cetoácido desidrogenase cinase de cadeia ramificada
BDNF - Fator neurotrófico derivado do cérebro
BPA - Bisfenol A
BST1 - Antígeno 1 da célula estromal da medula óssea
CACNA1B - Subunidade do canal dependente de voltagem de cálcio alpha1b
CACNA1D - Subunidade alfa1 D do canal controlado por voltagem de cálcio
CACNA1E - Subunidade alfa1e do canal dependente de voltagem de cálcio
CACNA1F - Subunidade alfa1 F do canal dependente de voltagem de cálcio
Subunidade do canal dependente de voltagem de
CACNA1G -
cálcio alpha1 G
CACNA1H - Subunidade alfa1 H do canal dependente de voltagem de cálcio
CACNA1I - Subunidade alfa1 do canal controlado por voltagem de cálcio
CAMK2A - Proteína quinase alfa dependente de cálcio / calmodulina
CAMK4 - Proteína quinase dependente de cálcio / calmodulina IV
CD38 - Molécula CD38
CDC - Centers for Disease Control and Prevention
CDKN1B - Inibidor de quinase dependente de ciclina 1B
CHRM3 - Receptor colinérgico muscarínico 3
CHRNA7 - Subunidade alfa nicotínica do receptor colinérgico
CID-10 - Classificação Internacional de Doenças - volume 10
CNV - Variação no número de cópias
XI
CREBBP - Proteína de ligação a CREB
CSEA - Cell-type Specific Expression Analysis
CTNNB1 - Catenina beta 1
DLG4 - Grande Disco Homólogo 4
DLGAP1 - Proteína 1 associada à DLG
DMS-V - Diagnostic and Statistical Manual of Mental Disorders - V
DRD1 - Receptor de dopamina D1
DRD2 - Receptor D2 da dopamina
DRD3 - Receptor de dopamina D3
E2F - Fatores de transcrição E2F
eIF4E - Fator de iniciação da tradução eucariótica 4E
EN2 - Proteína Homeobox Engrailed-2
EP300 - Proteína de ligação a E1A p300
ErbB1 - Receptor do fator de crescimento epidérmico 1
ErbB3 - Tirosina quinase 3 do receptor erb-b2
ERBB4 - Receptor tirosina quinase 4 de erb-b2
FDR - False discovery rate
FMR1 - Fragile X Mental Retardation 1
Imagens de ressonância magnética funciona (Functional
FMRI -
Magnetic Ressonance Imaging)
FOXG1 - proteína G1 da caixa da forquilha
GABA - Ácido-gamma aminobutírico
GABBR2 - Receptor Do Ácido Gama-Aminobutírico Beta 2
GABRA1 - Receptor Do Ácido Gama-Aminobutírico Alfa 1
GABRA4 - Receptor Do Ácido Gama-Aminobutírico Alfa 4
GABRA5 - Receptor Do Ácido Gama-Aminobutírico Alfa 5
GABRB1 - Subunidade Beta-1 Do Receptor Do Ácido Gama-Aminobutírico
GABRB3 - Subunidade Beta-3 Do Receptor Do Ácido Gama-Aminobutírico
Subunidade gamma3 do receptor do tipo A do ácido gama-
GABRG3 -
aminobutírico
GABRQ - Subunidade teta do receptor tipo A do ácido gama-aminobutírico
GLUT - Glutamina
GNAS - Locus complexo do GNAS
GPHN - Gefirina
GRIA1 - Subunidade 1 do tipo AMPA do receptor ionotrópico do glutamato
XII
Subunidade 1 do tipo NMDA do receptor ionotrópico do
GRIN1 -
glutamato
Subunidade do tipo NMDA do receptor ionotrópico de glutamato
GRIN2A -
2ª
Subunidade do tipo NMDA do receptor ionotrópico de glutamato
GRIN2B -
2B
Subunidade 2B do tipo NMDA de receptor ionotrópico de
GRIN2B -
glutamato
GRM4 - Receptor metabotrópico de glutamato 4
GRM5 - Receptor metabotrópico de glutamato 5
GRM7 - Receptor metabotrópico de glutamato 7
GRPR - Receptor de peptídeo liberador de gastrina
GSEA - Gene set enrichment analysis
GSK3B - Glicogênio sintase quinase 3 beta
GWAS - Genome-wide association studies
HDAC I - Histona desacetilases, classe I
HOMER1 - Proteína de andaime homer 1
HRAS - Proto-oncogene H-RAS
HTR1B - Receptor de 5-hidroxitriptamina 1B
HTR2A - Receptor de 5-hidroxitriptamina 2ª
IBGE - Instituto Brasileiro de Geografia e Estatistica
IFN-y - Interferon-gama
IPSC’s - Induced pluripotent stem cells
ITPR1 - Receptor de 1,4,5-trisfosfato de inositol tipo 1
KIF5C - Membro da família cinesina 5C
Klf4 - Kruppel como fator 4
MAGED1 - Membro da família MAGE D1
MAPK1 - Proteína quinase 1 ativada por mitógeno
MAPK3 - Proteína quinase 3 ativada por mitógeno
MET - Receptor tirosina-quinase
mGluR - Receptores metabutópicos de glutamato
miRNA - Micro ácido ribonucleico
mRNA - Ácido ribonucleico mensageiro
mTOR - Alvo mecanicista da rapamicina quinase
mTORC1 - Complexo mtor 1
XIII
mTORC2 - Complexo mtor 2
NF1 - Neurofibromina 1
NLGN3 - Neuroligina 3
NLGN4X - Neuroligina 4 ligada ao X
NOS2 - Óxido nítrico sintase 2
NRG1 - Neuregulina 1
NRXN1 - Neurexina 1
NTRK1 - Receptor tirosina quinase 1 neurotrófico
NTRK3 - Receptor tirosina quinase 3 neurotrófico
OMS - Organização Mundial de Saúde
OXTR - Receptor de ocitocina
P2RX4 - Receptor purinérgico P2X 4
P2RX5 - Receptor purinérgico P2X 5
PAK2 - Quinase 2 ativada por p21
PCB-95 - 2,2 ', 3,5', 6-pentaclorobifenilo, > 95% de pureza
PDE1C - Fosfodiesterase 1C
PDGFR-B - Receptor beta do fator de crescimento derivado de plaquetas
PEX7 - Fator 7 de biogênese peroxissômica
Subunidade gama catalítica de fosfatidilinositol-4,5-bisfosfato 3-
PIK3CG -
quinase
PLCB1 - Fosfolipase C beta 1
PLCD1 - Fosfolipase C delta 1
PLN - Fosfolamban
PPP1R1B - Subunidade reguladora da proteína fosfatase 1 1B
PPP2R1B - Subunidade da estrutura da proteína fosfatase 2 Abeta
PPP2R5D - Subunidade reguladora da proteína fosfatase 2 b'delta
PRKCB - Proteína cinase C beta
PTEN - Homólogo de fosfatase e tensina
PTGER3 - Receptor 3 da prostaglandina E
PTGS2 - Prostaglandina-endoperóxido sintase 2
PTPN11 - Proteína tirosina fosfatase, tipo não receptor 11
RAC1 - Família gtpase pequena Rac
REM - Rapid eye movement
RPS6KA2 - Proteína ribossômica S6 quinase A2
RPS6KA3 - Proteína ribossômica S6 quinase A3
XIV
Subunidade alfa do canal de voltagem controlada por voltagem
SCN1A -
de sódio 1
SCN2A - Subunidade alfa 2 do canal dependente de voltagem de sódio
SHANK1 - SH3 e vários domínios de repetição de anquirina 1
SHANK2 - SH3 e vários domínios de repetição de anquirina 2
SHANK3 - SH3 e vários domínios de repetição de anquirina 3
SHH - Molécula de sinalização sônica do ouriço
SLC6A3 - Família de portadores de soluto 6 membros 3
SLC6A8 - Família de transportadores de soluto 6, membro 8
SMAD2 - Membro da família SMAD 2
SMAD3 - Membro da família SMAD 3
Sox2 - Fator de transcrição 2 da caixa SRY
SUS - Sistema Único de Saúde
Repetição de espectrina contendo proteína 1 do envelope
SYNE1 -
nuclear
SYNGAP1 - Proteína 1 ativadora de Ras gtpase sináptica
TBR1 - Fator 1 de transcrição cerebral em caixa T
TCF7L2 - Fator de transcrição 7 como 2
TDAH - Transtorno do déficit de atenção
TH - Tirosina hidroxilase
TOC - Transtorno obsessivo compulsivo
TSC1 - Subunidade do complexo esclerose tuberosa 1
TSC2 - Subunidade do complexo esclerose tuberosa 2
US$ - United states dólar
Tirosina 3-monoxigenase / triptofano 5-monooxigenase proteína
YWHAE -
de ativação
XV
LISTA DE ILUSTRAÇÕES
Figura 1. Localização cromossômica dos genes envolvidos no autismo.. ......... 4
Figura 2. Esquematização dos fatores etiológicos já identificados no autismo. . 8
Figura 3. Processo de formação do tubo neural................................................. 9
Figura 4. Modelos organoides cerebrais (minicérebros) usados em experimentos
em pesquisas científicas ...................................................................................11
Figura 5. Fluxograma apresentando as principais etapas da metodologia
computacional empregada no presente estudo................................................ 17
Figura 6. Interface gráfica da ferramenta ToppGene Suite. .............................. 19
Figura 7. Interface gráfica da ferramenta Enrichr. ............................................ 20
Figura 8. Interface gráfica da ferramenta CSEA Tool. ...................................... 21
Figura 9. Interface gráfica da ferramenta MSingDB. ........................................ 22
Figura 10. Interface gráfica da ferramenta NetworkAnalyst ............................. 23
Figura 11. Interface gráfica da ferramenta STRING. ........................................ 24
Figura 12. Análise de expressão celular no sistema nervoso central utilizando a
ferramenta CSEA-tool.. .................................................................................... 32
Figura 13. Rede de genes não sindrômicos, gerada na ferramenta
NetworkAnalyst. ............................................................................................... 33
Figura 14. Rede de interação de genes sindrômicos, gerados pela ferramenta
NetworkAnalyst. ............................................................................................... 35
Figura 15. Sub-rede de vias compartilhadas entre as análises de vias
sindrômicas e não sindrômicas. ....................................................................... 39
Figura 16. Rede de interação proteína-proteína, gerada por meio da ferramenta
String. ............................................................................................................... 43
Figura 17. Representação da cascata de sinalização na via PI3K-AKT-mTOR,
hiperativação de FOXG1 e inibição da expressão de RELINA......................... 50
XVI
LISTA DE TABELAS
Gráfico 1. Prevalência do autismo em síndromes associadas. .......................... 6
Tabela 1. Genes extraídos do Sfari Gene. ....................................................... 25
Tabela 2. Análise e agrupamento por similaridade funcional ............................ 26
Tabela 3. Função neurofisiológica por análise GSEA. ...................................... 27
Tabela 4. Fenótipo humano com base nos genes analisados. ......................... 28
Tabela 5. Processos biológico envolvendo os genes analisados. ................... 29
Tabela 6. Sobreposição genética entre os genes do autismo e outras doenças
neurológicas e neuroatipicidades. .................................................................... 30
Tabela 7. Resultado da expressão gênica tecidual. ......................................... 31
Tabela 8. Análise de validação de vias biológicas KEGG realizada no Enrichr. 36
Tabela 9. Análise de validação de vias biológicas BIOCARTA realizada no
Enrichr. ............................................................................................................. 37
Tabela 10. Análise de validação de vias biológicas NCI-Nature 2016 realizada no
Enrichr. ............................................................................................................. 38
Tabela 11. Genes identificados em mais de 10 vias biológicas. ....................... 40
Tabela 12. Iteração proteína-proteína .............................................................. 41
XVII
RESUMO
O autismo é um transtorno do desenvolvimento neurológico que acomete cerca
de 62,1 milhões de pessoas ao redor do mundo. As estimativas de prevalência
têm aumentado na população mundial. No Brasil, estima-se que 2 milhões de
pessoas tenham autismo. Recentes pesquisas apontam que até 2025 o custo
para cuidar de pessoas com autismo, incluindo custos médicos, poderá ser
superior a US$ 461 bilhões, somente nos Estados Unidos. A barreira econômica
e o atendimento especializado são grandes desafios no diagnóstico precoce do
autismo, principalmente em crianças de famílias carentes as quais são
diagnosticadas com idades mais avançadas em comparação com crianças de
famílias mais favorecidas. O autismo é causado por uma complexa combinação
de fatores genéticos e ambientais. Em muitos casos, o diagnóstico molecular é
bastante difícil, portanto, há uma crescente busca por biomarcadores mais
precisos que possam auxiliar na avaliação clínica. O presente trabalho teve como
objetivo principal analisar marcadores moleculares relacionados ao autismo.
Dessa forma, utilizou-se ferramentas de bioinformática para analisar as vias
moleculares comuns entre os genes candidatos identificados em indivíduos com
o transtorno no espectro autista. Observou-se que os dados gerados indicavam
a convergência genética em uma via molecular, sugerindo que a ativação
desordenada das cascatas de sinalização RAS-MAPK e PI3K-AKT convergem
na via mTOR, resultando em uma hiperatividade desta via bioquímica. Estes
resultados apontam alterações moleculares que ocasionam a perturbação da
homeostase no sistema nervoso central, indicando que a análise da expressão
gênica da via de sinalização mTOR pode contribuir para a identificação de um
biomarcador mais preciso para diversos subtipos de autismo. Com a descoberta
de biomarcadores e o desenvolvimento de testes laboratoriais acessíveis,
haverá uma melhora significativa no diagnóstico clínico precoce do autismo.
XVIII
ABSTRACT
XIX
1 INTRODUÇÃO
2
favorecidas (JANVIER et al., 2018).
3
uma interação genética e ambiental. Essas variantes comuns estão em toda a
população, mas sozinhas elas conferem um baixo risco para o desenvolvimento
do transtorno, porém, funcionam como fator acumulativo para predispor ao
autismo (Figura 2).
4
miRNA’s não codificantes são denominados assim por não serem traduzidos, ou
seja, não são utilizados pela maquinaria celular para gerar uma conformação
final de proteína funcional. Contudo, são transcritos de regiões gênicas (WU et
al., 2016).
Em uma pesquisa realizada com 24 indivíduos autistas, utilizando a saliva
como material biológico, foram identificados 246 miRNA’s. Este estudo
demonstrou que 14 miRNA’s estavam alterados quando comparados com os 21
indivíduos controles (p <0,05). A maioria dos 14 miRNA’s identificados eram
responsáveis por regular o desenvolvimento neurológico e, além de presentes
na saliva, são amplamente expressos no cérebro. O referido estudo finaliza
apontando miR-27ª, miR-23ª e miR-628-5p como potenciais biomarcadores,
tendo apresentado expressão diferencial elevada, em relação aos controles
(HICKS; MIDDLETON, 2016).
A sintomatologia do autismo também apresenta alterações imunológicas.
Essa sobreposição pode ser observada em indivíduos com alterações na
regulação de miR-146 e miR-155. Indivíduos com autismo podem apresentar
mais frequentemente quadros ou processos alérgicos do que indivíduos não
autistas (TONACCI et al., 2019).
Em um estudo com 443 indivíduos com autismo, o miR-203ª-3p foi o
miRNA com mais regulação negativa, em quatro miRNAs foram identificados
com alta regulação positiva miR-665, miR-4705, miR-620 e miR-1277-5p (HICKS
et al., 2019).
De acordo com um estudo de SHEN et al. (2016), foram selecionados
2.767 genes em diferentes subtipos de autismo, utilizando técnicas validadas na
bioinformática. Os resultados indicaram 66 miRNA’s, que posteriormente foram
refinados por parâmetros específicos, que os reduziram para 8 miRNA’s, sendo
eles: miR-193b-3p, miR-486-5p, miR-129-5p, miR-181b-5p, miR-34ª-5p, miR-96-
5p e miR-195-5p. Essa pesquisa indicou a influência dos miRNA’s no autismo,
demonstrando que a sua desregulação pode interferir na modulação dos
mRNA’s.
5
diversas síndromes neurológicas caracterizadas por alterações monogênicas ou
por alterações cromossômicas (WOZNIAK et al., 2016). Contudo, em alguns
casos essas anomalias genéticas podem estar acompanhadas pelo autismo.
O autismo pode estar associado às condições monogênicas ou alterações
cromossômicas, como: Síndrome de Rett, Síndrome de Cohen, Síndrome de
Cornelia de Lange, Esclerose Tuberosa, Síndrome de Algeman, Síndrome de
CHARGE, Síndrome do X-Frágil, Neurofibromatose Tipo 1, Síndrome de Down,
Síndrome de Noonan, Síndrome de Williams, Síndrome de Deleção 22q11.2,
Síndrome de Joubert e outros (RICHARDS et al., 2015). Uma meta-análise
(Gráfico 1) estimou a prevalência do autismo em síndromes associadas
(RICHARDS et al., 2015).
Joubert Síndrome
Síndrome De Deleção 22q11.2
Síndrome De Williams
Síndrome De Noonan
Síndrome De Down
Neurofibromatose Tipo 1
Síndrome Do X Frágil
Síndrome De CHARGE
Síndrome De Algeman
Esclerose Tuberosa
Síndrome De Cornelia De Lange
Síndrome De Cohen
Síndrome De Rett
6
serem enquadrados no espectro autista (TARTAGLIA et al., 2017).
7
Figura 2. Esquematização dos fatores etiológicos já identificados no autismo.
8
neurulação (DEHAY; KENNEDY, 2007). Essa etapa dará origem à placa neural
e subsequentemente o tubo neural terá a sua formação finalizada, sendo
responsável pela formação do sistema nervoso central (Figura 3).
Posteriormente, há a formação da crista neural, responsável por originar o
sistema nervoso periférico e outras linhagens celulares (HUANG; SAINT-
JEANNET, 2004).
9
rede neuronal (MA et al., 2019).
Embora os exames utilizando imagens de ressonância magnética
funcional (FMRI) tenham larga aplicabilidade e utilização em estudos em
pacientes do espectro autista, os resultados em amostras limitadas e a própria
heterogeneidade do transtorno limitam a replicabilidade desses estudos
(MARTINO et al., 2017).
No autismo, alterações funcionais são mais proeminentemente
evidenciadas pelos novos estudos utilizando minicérebros gerados a partir de
pacientes com o transtorno (ILIEVA et al., 2018). Nesse cenário, as células-
tronco pluripotentes induzidas (IPSC’s) são capazes de tornarem-se um modelo
derivado de material biológico humano (Figura 4). Ou seja, a partir de uma célula
somática é possível gerar outras linhagens celulares, sendo um novo modelo
para o estudo neural (PAŞCA et al., 2015).
Esses modelos celulares são induzidos por meio de fatores de transcrição
específicos, Oct3/4, Sox2, c-Myc e Klf4, que permitem a essas células adquirirem
a pluripotência e posteriormente são diferenciadas em precursores de neurônios,
minicérebros ou neuroesferas (TAKAHASHI; YAMANAKA, 2006).
Contudo, os minicérebros estão longe de representarem toda a
complexidade do sistema nervoso central, mas partem de uma exponencial
capacidade de viabilizar a modelagem de transtornos e síndromes implicadas no
neurodesenvolvimento ao mimetizar o cérebro fetal humano (ILIEVA et al., 2018;
QIAN et al., 2019).
10
Figura 4. Modelos organoides cerebrais (minicérebros) usados em experimentos em
pesquisas científicas. A) Linha do tempo correlacionando o desenvolvimento do sistema
nervoso humano e o modelo organoide cerebral e B) Fases do processo de
transdiferenciação de células pluripotentes em corpos embrionários, neuroectoderma,
epitélio neural e organoides cerebrais (Adaptado de HUANG et al., 2017).
11
MARCHETTO et al., 2016). Outros modelos de minicérebros também
evidenciaram alterações em neurônios GABAérgicos (KELAVA; LANCASTER,
2016).
Dados recentes, não publicados, mas apresentados na reunião anual da
Society for Neuroscience de 2019, em Chicago, indicam que os minicérebros
provenientes de indivíduos com autismo têm mais excitabilidade ao longo do
desenvolvimento. Nesse estudo, foram gerados centenas de minicérebros, e ao
realizarem a análise dos tipos celulares desses minicérebros, a maioria
apresentava uma baixa população de interneurônios parvalbumínicos,
responsáveis por modular a atividade inibitória no sistema nervoso central
(Spectrum, 2019).
Dados anteriores do mesmo grupo já indicavam alterações na sinalização
GABAérgica e glutamatérgica, o que resultou em fenótipo de alterações
comportamentais identificadas no autismo (LUNDEN et al., 2018).
12
Uma pesquisa analisou a correlação entre transtorno obsessivo
compulsivo (TOC) e autismo. Foi estimado que até 32% dos indivíduos com
autismo tenham transtorno obsessivo compulsivo (VAN STEENSEL; BÖGELS;
PERRIN, 2011). Cerca de 27% dos autistas possuem transtorno bipolar (CROEN
et al., 2015) e até 35% desses indivíduos sofrem com esquizofrenia (CHISHOLM
et al., 2015).
Um levantamento realizado em 2017 pela Autism Speaks,
uma organização que financia pesquisas relacionadas ao autismo nos Estados
Unidos, identificou que disfunções intestinais são 8 vezes mais frequentes
nesses indivíduos (CHAIDEZ; HANSEN; HERTZ-PICCIOTTO, 2013).
Aproximadamente 64,7% dos autistas possuem disfunções do sono (HEIJDEN
et al., 2017). Além disso, cerca de 10% das pessoas identificadas com autismo
entre 40 e 60 anos desenvolvem Alzheimer (PLANA-RIPOLL et al., 2019).
13
1.6.1 ANÁLISE GWAS E GSEA
14
Entretanto, a heterogeneidade do autismo dificulta a identificação de um
mesmo gene em uma grande amostra de indivíduos, dessa forma, o estudo in
silico, baseado nas vias genéticas enriquecidas de genes sobrepostos, tende a
refinar a análise de fatores comuns (LOMBARDO; LAI; BARON-COHEN, 2019).
Diante disso, a bioinformática apresenta vantagens na análise de um
grande volume de dados genéticos. Dessa forma, os genes são vistos em rede
de enriquecimento e de sobreposição gênica, não sendo necessário coletar
material genético humano, nem atender a um número mínimo amostral, mas sim
utilizando dados públicos já validados.
15
2. OBJETIVO
16
3. METODOLOGIA
17
3.1 LEVANTAMENTO DE DADOS
18
genômica aleatória. O valor de p da pontuação de similaridade é definido por
método do qui-quadrado inverso de Fisher (CHEN et al., 2009).
C = ln(p) * z (2)
19
Fisher e z é o score computado para avaliar o desvio da classificação esperada.
20
Figura 8. Interface gráfica da ferramenta CSEA Tool.
21
Figura 9. Interface gráfica da ferramenta MSingDB.
22
Figura 10. Interface gráfica da ferramenta NetworkAnalyst
23
sobrepostas e comuns aos dois grupos de genes (Genes sindrômicos e não
sindrômicos), assim indicando a interação entre as vias biológicas.
24
4. RESULTADOS
A categorização dos genes foi uma estratégia inicial visando validar quais
genes estavam envolvidos no autismo. Os resultados iniciais não tiveram ampla
cobertura sobre o espectro genético analisado, tendo em vista que a ferramenta
MsigDB categorizou 258 genes, dos 910 inseridos para à análise.
Entretanto, os resultados foram relevantes para compreender parte das
possíveis funcionalidades de grupos genéticos envolvidos no transtorno (Tabela
2).
25
Tabela 2. Análise e agrupamento por similaridade funcional
TOTAL DE GENES
FAMÍLIA DE GENES IDENTIFICADAS
IDENTIFICADOS
Genes Que Codificam Fatores De Transcrição 105
Genes Que Codificam Proteínas Quinases 41
Proto-oncogenes 29
Genes Mutados No Câncer Ocasionado Por Translocação 23
Marcadores De Diferenciação Celular 20
Genes Homeobox 17
Supressores Tumorais 12
Citocinas E Fatores De Crescimento 11
26
Tabela 3. Função neurofisiológica por análise GSEA.
ATIVIDADES
GENES SOBREPOSTOS p-VALOR
NEUROFISIOLÓGICAS
Parte do neurônio
254 3,75E-130
Sinapse
210 6,51E-123
Parte da sinapse
183 2,64E-113
Sinalização celular
224 7,66E-106
Sinalização sináptica
151 6,05E-98
Pós-sinapse
142 8,91E-98
Projeção neurônica
192 8,48E-96
Membrana sináptica
115 1,59E-86
Neurogênese
196 1,98E-83
Membrana plasmática
171 2,58E-83
27
Tabela 4. Fenótipo humano com base nos genes analisados.
GENES DE
FENÓTIPO HUMANO p-VALOR
ENTRADA
Comportamento autista 1,075E-19 74
Autismo 2,385E-12 48
Comportamento anormal de emoção / afeto 2,764E-12 156
Hiperatividade 4,669E-12 63
Fala atrasada e desenvolvimento da linguagem 9,804E-11 81
Atraso no desenvolvimento psicomotor 2,131E-10 223
Deficiência intelectual 2,236E-10 212
Convulsões dialepticas 1,186E-09 28
Comportamento agressivo 5,474E-12 96
Apreensão focal 9,338E-09 36
Anormalidade do EEG 1,634E-08 71
Espasmos epilépticos 8,21E-08 21
Convulsões febris 2,525E-07 25
Anormalidade do tamanho do crânio 2,687E-07 157
Estrabismo 0,000001569 106
Comportamento autoagressivo 0,000001867 25
Encefalopatia epiléptica 0,000002354 23
Comportamento social anormal 0,000003583 22
Movimento ocular conjugado anormal 0,000005747 107
Estereotipia 0,00003023 28
Anormalidade do Cérebro 0,0000337 182
Tônus muscular anormal 0,00003723 197
Anormalidade da morfologia do prosencéfalo 0,00004206 182
Eletrofisiologia do sistema nervoso anormal 0,00004367 91
Aplasia / Hipoplasia do Cérebro 0,00006786 152
Transtorno do déficit de atenção e hiperatividade 0,00007314 33
Microcefalia 0,0001076 114
Interações sociais prejudicadas 0,000294 18
28
Tabela 5. Processos biológico envolvendo os genes analisados.
29
Tabela 6. Sobreposição genética entre os genes do autismo e outras doenças
neurológicas e neuroatipicidades.
30
Tabela 7. Resultado da expressão gênica tecidual.
P-VALOR*
TECIDOS*
0,05 0,01 0,001 0,0001
Tecido adiposo 0,348 (0,725) 0,234 (0,835) 0,466 (1,0) 0,527 (1,0)
Sangue 0,948 (0,996) 0,979 (0,999) 0,963 (1,0) 1,0 (1,0)
4,733e-38 5,454e-39 1,106e-29 4,921e-09
Cérebro
(1,183e-36) (1,363e-37) (2,766e-28) (1,23e-07)
Esôfago 0,857 (0,996) 0,989 (0,999) 1,0 (1,0) 1,0 (1,0)
Coração 0,74 (0,996) 0,838 (0,999) 0,834 (1,0) 1,0 (1,0)
31
Figura 12. Análise de expressão celular no sistema nervoso central, utilizando a
ferramenta CSEA-tool. Os pentágonos podem ser interpretados como um mapa de
calor. Os pentágonos em vermelho e laranja, apresentam uma significância estatística
alta, enquanto o pentágono amarelo e cinza apresentam uma baixa expressão gênica
ou a não expressão desses genes, respectivamente.
32
resultando em diversas vias biológicas (Figura 13).
Figura 13. Rede de genes não sindrômicos, gerada por meio da ferramenta
NetworkAnalyst. Os nós da rede possuem cores que estão relacionada a sua pontuação
de enriquecimento (valor de p). A cor vermelha apresenta significância estatisticamente
alta, as cores amarela e roxa são clarificadas como significância intermediária.
33
(P=0,00484); Moléculas De Adesão Celular (P=0,00831); sinapses colinégicas
(P=0,0484).; Sinapse Dopaminérgica (P=0,0103); Depressão a Longo Prazo
(P=0,0171); Via de Sinalização Wnt (P=0,0177); Regulação do Citoesqueleto de
Actina (P=0,0225); Vias metabólicas no Câncer (P=0,0288); Sinapse
Serotoninérgica (P=0,0291); Orientação Axonal (P=0,0484); Ritmo Circadiano
(P=0,0741); Sinalização Endocanabinóide Retrógrada (P=0,0786); Metabolismo
de Tirosina (P=0,0991); Contração De Músculo Liso Vascular (P=0,108); Ciclo
de Vesículas Sinápticas (P=0,136); Metabolismo do Triptofano (P=0,166);
Interação ECM-Receptor (P=0,17); Via de Sinalização de Receptores em Células
T (P=0,191); Via de Sinalização de Neurotrofinas (P=0,191); Via de Sinalização
de Receptores De Células B (P=0,191) e Via De Sinalização De Erbb (P = 0,191)
foram mais condizente com os achados na literatura apresentada na fisiologia
do transtorno do espectro autista.
34
Figura 14. Rede de interação de genes sindrômicos, gerada por meio da ferramenta
NetworkAnalyst. Os nós da rede possuem cores que estão relacionada a sua pontuação
de enriquecimento (valor de p). A cor vermelha apresenta significância estatisticamente
alta, as cores amarela e roxa são clarificadas como significância intermediária.
A análise também indicou seis vias que estão presentes na rede de genes
não sindrômicos (Figura 8), sendo elas: Potenciação a Longo Prazo (P=0,0292);
Via de Sinalização da Neurotrofina (P=0,0714); Sinapse Dopaminérgica
(P=0,0714); Via De Sinalização De Erbb (P=0,197); Sinapse GABAérgica (P =
0,257); Sinapse Colinérgica (P = 0,522).
35
4.5.3 VALIDAÇÃO DA FERRAMENTA DE ENRIQUECIMENTO
FUNCIONAL
Glioma 0,0009362
36
Tabela 9. Análise de validação de vias biológicas BIOCARTA realizada no Enrichr.
Por fim, a análise NCI-Nature (Tabela 10) também foi condizente com o
resultado das análises demonstradas nas Tabelas 8 e 9. Dessa forma,
evidenciou-se que a ferramenta utilizada para a análise de enriquecimento
funcional de genes sindrômicos e não sindrômicos indica análise estatística
confiável. As três análises realizadas na validação foram relevantes para
constatar a relação da via mTOR, aprimorando assim, a capacidade de mensurar
os dados em diversificados biobancos.
37
Tabela 10. Análise de validação de vias biológicas NCI-Nature 2016 realizada no Enrichr.
38
Figura 15. Sub-rede de vias compartilhadas entre as análises de vias sindrômicas e não
sindrômicas. A visão da rede de enriquecimento demonstra a sinalização de cálcio
(genes em azul claro) e demais vias integralizadas (genes em azul escuro)
39
4.5.5 GENES RECORRENTES
CACNA1D 10
CACNA1B 10
GRIN1 10
GRIN2A 10
GRIN2B 10
GRM5 10
MTOR 10
CAMK2A 11
TCF7L2 11
CTNNB1 12
PIK3CG 14
RAC1 14
GSK3B 15
ITPR1 15
ADCY3 16
GNAS 18
ADCY5 19
HRAS 21
PLCB1 21
PRKCB 28
MAPK1 32
MAPK3 32
40
4.5.6 ANÁLISE DE INTERAÇÃO PROTEÍNA-PROTEÍNA
GENES DE * GENES EM
PROTEÍNA p-VALOR
ENTRADA ANOTAÇÃO
TNIK 1,964E-28 71 282
SYNGAP1 1,089E-24 48 143
DLG4 1,249E-22 63 274
FMR1 1,952E-20 62 290
AGAP2 4,894E-20 50 193
DLGAP1 1,314E-18 45 167
SHANK3 7,607E-18 44 166
DLG1 8,308E-14 32 110
GRIN2B 1,042E-12 29 97
DLG2 1,154E-12 22 53
GRIN1 1,192E-12 31 112
DLG3 1,335E-12 27 84
41
HNRNPL 8,83E-12 153 1679
PCDHA10 1,139E-11 14 20
SRC 3,812E-11 59 405
BAIAP2 1,115E-10 25 84
CTNNB1 1,988E-09 78 685
SHANK2 2,59E-09 16 36
HIST1H3A 2,636E-09 48 318
RAC1 7,233E-09 41 250
CYFIP2 1,339E-08 24 94
GRIK2 4,631E-08 13 26
GRIN2A 6,811E-08 16 43
KALRN 7,403E-08 20 70
PRKCA 9,639E-08 42 282
APBA1 1,374E-07 12 23
PPP1CA 1,858E-07 49 370
CASK 3,203E-07 25 117
YWHAZ 4,279E-07 65 585
GRID2 4,414E-07 10 16
CYFIP1 7,724E-07 31 180
SHANK1 8,57E-10 12 26
FLNA 0,000001061 44 328
DLGAP2 0,000002206 10 18
TSC1 0,000002572 29 168
PATJ 0,000002662 19 76
GRIA1 0,000003967 14 41
DLGAP3 0,000004453 10 19
ANKS1B 0,00000573 9 15
KMT2A 0,000006328 23 115
TOP2A 0,000007361 25 135
HOMER1 7,527E-09 20 89
GRIP1 0,000007819 16 57
TANC1 8,246E-09 11 25
PRKCG 0,000008369 19 81
CAMK2A 0,000009575 21 99
NCOR1 0,00001186 30 190
IQSEC2 0,00001253 9 16
PCDHA6 0,00001391 6 6
ERBIN 0,00001605 22 111
*Os genes de anotação representam os dados genéticos já catalogados na ferramenta em
detrimento de uma determinada via molecular.
42
Uma análise posterior, utilizando a ferramenta String (Figura 16)
demonstrou que os 45 genes apontados em nossa análise de interação são
cooexpressos e convergem em vias a jusante da mTOR, por meio de da ERK-
MAPK e a montante, AKT-PI3K.
Figura 16. Rede de interação proteína-proteína, gerada por meio da ferramenta String
apontou as sinalizações • Glutamatérgicas (p= 1,26e-16), • Rap1 (p= 9,56e-10), • Ras
(p= 2,24e-09), • mTOR (p= 2,36e-06), • MAPK (p= 1,22e-05), • PI3K-AKT (p= 3,09e-
05), • Cálcio (p= 0,00042) e • AMPK (p= 0,00090). Os genes que apresentam mais de
uma cor estão envolvidos em mais de uma via de sinalização.
43
5. DISCUSSÃO
44
entre proto-oncogenes e o transtorno, (CRAWLEY et al., 2016; WEN; HERBERT,
2017).
Nossos achados sugerem que os genes implicados no autismo se
sobrepõem com outras condições neuroatípicas, corroborando com os
resultados publicados em outros estudos. Principalmente com os dados que
correlacionam a sobreposições genéticas compartilhadas entre o autismo,
esquizofrenia e o transtorno bipolar (ELLIS et al., 2016). Essa sobreposição
genética foi evidenciada em um estudo que analisou tecido cortical pós-mortem
de indivíduos com autismo, esquizofrenia e transtorno bipolar, identificando uma
regulação negativa dos genes envolvidos na modulação dessas vias implicadas
na neurotransmissão sináptica (OCONNELL et al., 2018).
Entre as vias evidenciadas na análise de enriquecimento funcional, a
sinalização de cálcio foi super-representada no conjunto de genes relacionados
ao autismo não sindrômico, juntamente com a sinalização glutamatérgicas,
ambas fundamentais para o processamento neurobiológico.
O cálcio, por sua vez, regula não só a liberação de neurotransmissores,
como também o processo da proliferação celular, por meio da via PI3K / AKT e
seu alvo a jusante mTOR (KWASNIK et al., 2018). Dessa forma, mutações ou
polimorfismos nessa via podem ocasionar a hiperatividade da via mTOR, que
por sua vez, leva a um déficit na comunicação neuronal, alterações no sistema
imunológico e implicações negativas no sistema nervoso entérico, podendo
gerar alterações gastrointestinais, comumente presente no autismo (VAN
SADELHOFF et al., 2019).
A sinapse glutamatérgica é mediada pelos receptores de glutamato, como
mGLUR, NMDAR e a família SHANK, composta por três genes, SHANK1,
SHANK2 e SHANK3. Embora esses genes estejam relacionados ao autismo, o
SHANK3 é o mais estudado e possui mais isoformas identificadas em autistas,
estando associado ao déficit cognitivo (PONNA et. al., 2017).
As alterações desses genes implicam em interferências no
desenvolvimento neurológico, levando ao atraso de linguagem e comportamento
autista. O SHANK3 parece estar correlacionado também com variações na
sensibilidade auditiva (KABITZKE et al., 2017). Em contraponto, a modulação
da energia intracelular mediada pelo glutamato parece estar relacionada à
atividade da mTOR, regulando o metabolismo do sistema nervoso central
45
durante a diferenciação e o período crítico após a neurogênese (AGOSTINI et
al., 2016). Evidencias apontam que a sinalização de glutamato ativa
positivamente a mTOR, por meio de mGluR e N-metil-D-aspartato (HOU, 2004).
Os resultados da relação molecular entre os genes identificados no
autismo e as atipicidades dos processos neurobiológicos indicaram que a via
mTOR está subjacente ao transtorno, tanto idiopático, quanto sindrômico. Essa
desregulação é mediada por vias a jusantes e a montantes, imprescindíveis no
neurodesenvolvimento. Esses dados foram complementados pelos nossos
resultados da análise in silico da expressão tecidual do sistema nervoso central,
que indicou maior expressão dos genes nos neurônios médios espinhosos,
componentes dos gânglios da base. Esses neurônios fazem parte das sinapses
inibitórias, excitatórias e apresentam três fenótipos, sendo o primeiro com
expressão dos receptores DRD1 (D1), o segundo com receptores DRD2 (D2) e
um subgrupo expressando os dois receptores (SOARES-CUNHA et al., 2019).
Curiosamente, os neurônios médios espinhosos são responsáveis por
mediar respostas comportamentais que estão alteradas no autismo (PÉTER et
al., 2017; GILCHRIST et al., 2017). Esses neurônios estão localizados no
estriado. Os neurônios médios espinhosos D1 estão implicados na via direta, e
os neurônios D2 modulam a via indireta. Ambos desempenham papel
fundamental na motivação, movimento do corpo, dos olhos, comportamento de
aversão e recompensa. A sinalização da mTOR já foi implicada em alterações
no estriado, juntamente com as alterações na expressão de Shank3, indicando
uma conectividade e atividade estriatal anormal (LEE et al., 2017).
A proteína mTOR é codificada a partir de um gene homônimo com 60
exons e constitui a família das quinases, estando relacionada a fosfatidilinositol
3-quinase. Presente em dois complexos distintos, sendo eles mTORC1 e
mTORC2, o complexo mTOR 1 é um regulador mestre e integra diversas vias
biológicas, esse complexo modula fatores de crescimento, síntese proteica,
regulação da energia, síntese lipídica, processos catabólicos e anabólicos
(DUNLOP E. A. et al., 2009). O complexo mTOR 2 promove a sobrevivência
celular e regula a motilidade do citoesqueleto (LAPLANTE M. et al., 2013).
A via mTOR atua no organismo humano como modulador metabólico,
mas no sistema no sistema nervoso central é um regulador mestre na síntese
proteica (CHEN; ALBERTS; LI, 2014). Essa via é regulada por diversos
46
mediadores, como: FMR1 (Síndrome do X-frágil), TSC1/2 (Esclerose Tuberosa I
e II), MECP2 (Síndrome de Rett), NF1 (Neurofibromatose 1), PTEN (Síndrome
de Cowden, síndrome de macrocefalia / autismo, síndrome do tumor de
hamartoma) e outras síndromes monogênicas que podem coocorrem como
autismo. Esses mediadores garantem a inibição da mTOR, impedindo a sua
ativação exacerbada (HUBER et al., 2015).
Na fase pós-natal e ao longo das fases críticas do desenvolvimento, a via
mTOR regula a autofagia envolvida na poda sináptica (TANG et al., 2014;
LIEBERMAN et al., 2019). Esse fato corrobora com achados que apontam que
67% dos indivíduos com autismo tenha excesso de células neuronais no córtex
pré-frontal, até o início da vida adulta (CHOW et al., 2012). O excesso de
sinapses está relacionado a déficits motores, recorrentemente associados a 80%
dos indivíduos com autismo, sendo a poda neuronal fundamental para o
refinamento da arquitetura neural e sua homeostase (PIOCHON et al., 2014).
A análise de células T e tecido cerebral pós-mortem de indivíduos com
autismo idiopático identificaram elevação AKT e mTOR fosforilada (p <0,02)
(TANG et al., 2014; ONORE et al., 2017). Outra evidência significativa foi
demonstrada em um estudo que comparou indivíduos com autismo idiopático e
seus irmãos não afetados. A elevação na sinalização de mTOR foi identificada
nas células dos indivíduos com autismo (TYLEE et al., 2017).
Conforme indicado em nossos resultados e pela literatura, a via RAS-
MAPK-ERK é responsável por regular o crescimento celular (DORARD; VUCAK;
BACCARINI, 2017). Estima-se que grande parte dos indivíduos com RASopatia
tenham autismo ou traços autistas (ADVIENTO et al., 2013). As RASopatias são
um conjunto de síndromes caracterizadas por predisposições a determinados
tumores, dificuldade de aprendizado, atrasos neurocognitivos na infância.
Mutações nos genes da via RAS/MAPK, são responsáveis por este grupo de
síndromes (Síndrome de Noonan, Costello, entre outras).
A via RAS-MAPK-ERK pode ativar o complexo mTOR 1, por meio da
fosforilação do complexo de esclerose tuberosa 1 e 2, o cross-talk demonstra a
relação entre essas vias em diversas patologias, câncer e neurodegeneração
(ROUX et al., 2004; CARRIÈRE et al., 2008; LICAUSI; HARTMAN, 2018).
Alterações da mTOR in vitro têm demonstrado a diminuição da
diferenciação de oligodendrócitos e células de schwann, envolvidas na
47
mielinização dos neurônios e essenciais no potencial de ação do neurônio
(GUARDIOLA-DIAZ et al. 2012).
Um estudo recente analisou 55 crianças com autismo idiopático. A
metodologia consistiu na coleta de sangue periférico, onde foram analisadas as
expressões dos genes rpS6, eIF4E, TSC1 e MKNK1, os resultados apontaram
que a via MAPK e mTOR se correlacionaram com a gravidade do autismo nesses
indivíduos (ROSINA et al., 2019). A sinalização via MAPK integra diversos genes
que codificam canais de cálcio que estão alterados no autismo (WEN et al.,
2016).
Os estudos utilizando minicérebros indicam expressão da mTOR em
células embrionárias humanas, ao longo da organogênese. Ao analisarem os
processos moleculares subjacentes a neurogênese, os achados apontaram que
65 genes do autismo são expressos na via mTOR, o que demonstra
vulnerabilidade durante o neurodesenvolvimento de indivíduos predispostos ao
transtorno durante os processos de diferenciação e migração das células da glia
radial (NOWAKOWSKI et al., 2017).
A via a montante PI3K-AKT e o complexo da mTORC2 inferem no
processo de migração dos progenitores neuronais, por meio da ativação da via
FOXG1, inibe a transcrição da RELINA (CARGNIN et al., 2018). Dessa forma, a
inibição da expressão da RELINA, interfere na coordenação da migração de
células nervosas e na laminação da neuronal que permite a formação das seis
camadas do sistema nervoso central (GAIANO, 2008; BAEK et al., 2015).
O FOXG1, por sua vez, viabiliza a conformação de interneurônios
GABAérgicos (MARIANI et al., 2015; ZHU et al., 2019). O que se correlaciona
com a poda neural ineficiente observada em autista, tendo em vista que os
interneurônios modulam a poda neuronal mediante a inibição da via mTOR.
Esses dados complementam os achados em minicérebros humanos e indicam
um link entre a via PI3K-AKT-mTOR e FOXG1 no processo de formação do
sistema nervoso central (HUI; TANAKA, 2019).
Dados resultantes de uma análise mediada por inteligência artificial
demonstram que o autismo poderia ser identificado por intermédio da análise de
leucócitos extraídos de recém-nascidos. Bahado-Singh, et al. (2019) analisou as
células imunológicas de 14 recém-nascidos e identificou as vias Rho-GTPase e
mTOR como as mais enriquecidas no estudo, sendo preditivas para a
48
identificação do transtorno. É interessante observar que a via mTOR como o alvo
de até 58% dos genes catalogados no biobanco Sfari gene e, até 64% dos genes
classificados com Score 1, 2 e 3 pelo mesmo biobanco (TRIFONOVA et al.,
2019).
Outro ponto importante é o viés sexual, ao observarmos a frequência do
autismo no sexo masculino. Acredita-se que o sexo feminino precise receber
uma carga genética maior relacionada ao transtorno. Evidências indicam que
indivíduos autistas do sexo feminino possuem mais mutações genéticas, esse
maior impacto mutacional predispõem o sexo feminino ao transtorno. Contudo,
ainda não está claro como o fator protetivo relacionado ao sexo funciona
(TURNER et al., 2019). Um estudo financiado pela Simons Simplex Collection,
mantenedora da Sfari Gene apresentou resultados indicando que pacientes
autistas do sexo feminino foram identificadas com um maior número de variantes
do número de cópias (CNV) do que os pacientes autistas do sexo masculino
(JACQUEMONT et al., 2014).
Em contraponto, a regulação da via mTOR já foi pesquisada em modelos
murinos fêmeas, o que pode indicar o fator para o dimorfismo sexual presente
no transtorno. Esses achados indicam que as fêmeas apresentam uma atividade
da via mTOR diferente dos murinos machos (SPONAGEL et al., 2018).
49
Figura 17. Representação da cascata de sinalização na via PI3K-AKT-mTOR, hiperativação
de FOXG1 e inibição da expressão de RELINA (Desenvolvido pelo autor, utilizando
parcialmente elementos do site: https://smart.servier.com/). 50
Alguns dados publicados demonstram a possibilidade no
desenvolvimento de um tratamento para o autismo. A inibição de proteínas
envolvidas na cascata de sinalização da mTOR demonstra resultados
promissores. Dentre elas, inibidores da peIF4E apresenta melhoras nos déficits
comportamentais (GKOGKAS et al., 2012).
Resultados de estudos que utilizaram rapamicina, evirolimos ou análogos,
demonstraram nos últimos anos que a inibição da via mTOR foi capaz de atenuar
o comportamento de indivíduos com autismo e em camundongos modelos,
melhorando a sociabilidade, o comportamento motor e a aprendizagem. Bem
como, diminuindo as convulsões (BURKET et al., 2014; SATO, 2016;
MIZUGUCHI et al., 2019).
Uma pesquisa publicada na NATURE, por Chen et al. (2019), indicou que
a inibição da mTORC2 foi capaz de melhorar a poda sináptica, autofagia,
convulsões e comportamento autista em camundongos Pten. Esses achados
corroboram com os resultados que apontam a via mTOR como o ponto de
convergência no autismo sindrômico e idiopático. A inibição da Mtor também
apresentou melhoras comportamentais em camundongos expostos na fase
intrauterina com ácido valpróico, fator ambiental ligado ao autismo (KOTAJIMA-
MURAKAMI et al., 2019).
Atualmente, o FDA possui apenas dois medicamentos aprovados para a
terapia do autismo, risperidona e aripiprazol, ambos para irritabilidade (FALLAH
et al., 2019). Essa carência de tratamentos abre uma nova frente para a
intervenção e desenvolvimento de medicamentos mais específicos para o
autismo.
Por fim, é importante ressaltarmos algumas limitações dos estudos
moleculares que buscam identificar possíveis biomarcadores no autismo. Muitos
estudos utilizam modelos, como os minicérebros, para estudar e entender
alterações moleculares no cérebro humano. Entretanto, estes organoides são
estruturas produzidas em laboratórios que podem, em algumas situações, não
ser representativas do que ocorre originalmente no cérebro humano.
Outro ponto a ser considerado, há ampla heterogeneidade genética nos
transtornos do espectro autista, pacientes sindrômicos e não sindrômicos; e
novos genes candidatos são identificados de forma recorrente; que dificultam a
elaboração de painéis genéticos para o diagnóstico precoce. Além disso, é
51
importante ressaltar também, pode haver uma sobreposição genética com outras
neuroatipicidades ou outros distúrbios como a esquizofrenia, transtorno bipolar
e epilepsia.
Neste contexto, fica evidente que a busca de um bom biomarcador é uma
tarefa complexa, mas de fundamental importância para o diagnóstico precoce e
tratamento dos pacientes com autismo na nossa sociedade.
52
6. CONSIDERAÇÕES FINAIS
6.1 CONCLUSÃO
• Através dos dados extraídos dos biobancos genéticos, foi possível validar
910 genes relacionados ao autismo.
6.2 PERSPECTIVAS
53
7. REFERÊNCIAS BIBLIOGRÁFICAS
AHMAD, Ashfaq; ALI, Tahir; PARK, Hyun Young; BADSHAH, Haroon; REHMAN,
Shafiq Ur; KIM, Myeong Ok. Neuroprotective Effect of Fisetin Against Amyloid-
Beta-Induced Cognitive/Synaptic Dysfunction, Neuroinflammation, and
Neurodegeneration in Adult Mice. Molecular Neurobiology, [s.l.], v. 54, n. 3,
p.2269-2285, 5 mar. 2016. Springer Science and Business Media LLC.
http://dx.doi.org/10.1007/s12035-016-9795-4.
54
ANITHA, Ayyappan; THANSEEM, Ismail. MicroRNA and Autism. Advances In
Experimental Medicine And Biology, [s.l.], p.71-83, 2015. Springer International
Publishing. http://dx.doi.org/10.1007/978-3-319-22671-2_5.
ANTUNES, Gabriela; SILVA, Samuel F. Faria da; SOUZA, Fabio M. Simoes de.
Mirror Neurons Modeled Through Spike-Timing-Dependent Plasticity are Affected
by Channelopathies Associated with Autism Spectrum Disorder. International
Journal Of Neural Systems, [s.l.], v. 28, n. 05, p.1750058-1750071, jun. 2018.
BAI, Dan; YIP, Benjamin Hon Kei; WINDHAM, Gayle C.; SOURANDER, Andre;
FRANCIS, Richard; YOFFE, Rinat; GLASSON, Emma; MAHJANI, Behrang;
SUOMINEN, Auli; LEONARD, Helen. Association of Genetic and Environmental
Factors With Autism in a 5-Country Cohort. Jama Psychiatry, [s.l.], v. 76, n. 10,
p.1035-1046, 1 out. 2019. American Medical Association (AMA).
http://dx.doi.org/10.1001/jamapsychiatry.2019.1411.
55
BARON-COHEN, Simon. The truth about Hans Asperger’s Nazi
collusion. Nature, [s.l.], v. 557, n. 7705, p.305-306, maio 2018. Springer Science
and Business Media LLC. http://dx.doi.org/10.1038/d41586-018-05112-1.
56
BROWN, Emily A.; LAUTZ, Jonathan D.; DAVIS, Tessa R.; GNIFFKE, Edward P.;
VANSCHOIACK, Alison A. W.; NEIER, Steven C.; TASHBOOK, Noah; NICOLINI,
Chiara; FAHNESTOCK, Margaret; SCHRUM, Adam G.. Clustering the autisms
using glutamate synapse protein interaction networks from cortical and
hippocampal tissue of seven mouse models. Molecular Autism, [s.l.], v. 9, n. 1,
p.1-25, 15 set. 2018. Springer Science and Business Media LLC.
http://dx.doi.org/10.1186/s13229-018-0229-1.
BRUINING, Hilgo; EIJKEMANS, Marinus Jc; KAS, Martien Jh; CURRAN, Sarah
R; VORSTMAN, Jacob As; BOLTON, Patrick F. Behavioral signatures related to
genetic disorders in autism. Molecular Autism, [s.l.], v. 5, n. 1, p.11-32, 2014.
Springer Science and Business Media LLC. http://dx.doi.org/10.1186/2040-2392-
5-11.
BURKET, Jessica A.; BENSON, Andrew D.; TANG, Amy H.; DEUTSCH, Stephen
I.. Rapamycin improves sociability in the BTBR T+Itpr3tf/J mouse model of
autism spectrum disorders. Brain Research Bulletin, [s.l.], v. 100, p.70-75, jan.
2014. Elsevier BV. http://dx.doi.org/10.1016/j.brainresbull.2013.11.005.
CARGNIN, Francesca; KWON, Ji-sun; KATZMAN, Sol; CHEN, Bin; LEE, Jae W.;
LEE, Soo-kyung. FOXG1 Orchestrates Neocortical Organization and Cortico-
Cortical Connections. Neuron, [s.l.], v. 100, n. 5, p.1083-1096, dez. 2018. Elsevier
BV. http://dx.doi.org/10.1016/j.neuron.2018.10.016.
57
syndromic and non-syndromic autism typically function within the nucleus and
regulate gene expression. Molecular Autism, [s.l.], v. 7, n. 1, p.1-18, 15 mar. 2016.
Springer Science and Business Media LLC. http://dx.doi.org/10.1186/s13229-
016-0082-z.
CHEN, J.; BARDES, E. E.; ARONOW, B. J.; JEGGA, A. G.. ToppGene Suite for
gene list enrichment analysis and candidate gene prioritization. Nucleic Acids
Research, [s.l.], v. 37, n. , p.305-311, 22 maio 2009. Oxford University Press
(OUP). http://dx.doi.org/10.1093/nar/gkp427.
58
[s.l.], v. 10, n. 1, p.111-144, 24 jan. 2015. Annual Reviews.
http://dx.doi.org/10.1146/annurev-pathol-012414-040405.
CHOW, Maggie L.; PRAMPARO, Tiziano; WINN, Mary E.; BARNES, Cynthia
Carter; LI, Hai-ri; WEISS, Lauren; FAN, Jian-bing; MURRAY, Sarah; APRIL,
Craig; BELINSON, Haim. Age-Dependent Brain Gene Expression and Copy
Number Anomalies in Autism Suggest Distinct Pathological Processes at Young
Versus Mature Ages. Plos Genetics, [s.l.], v. 8, n. 3, p.1-19, 22 mar. 2012. Public
Library of Science (PLoS). http://dx.doi.org/10.1371/journal.pgen.1002592.
59
J, Van Naarden Braun K, Dowling NF. MMWR Surveill Summ. 2018 Apr
27;67(6):1-23. doi: 10.15585/mmwr.ss6706a1.
60
http://dx.doi.org/10.1038/nrn2097.
DOAN, Ryan N.; BAE, Byoung-il; CUBELOS, Beatriz; CHANG, Cindy; HOSSAIN,
Amer A.; AL-SAAD, Samira; MUKADDES, Nahit M.; ONER, Ozgur; AL-SAFFAR,
Muna; BALKHY, Soher. Mutations in Human Accelerated Regions Disrupt
Cognition and Social Behavior. Cell, [s.l.], v. 167, n. 2, p.341-354, out. 2016.
Elsevier BV. http://dx.doi.org/10.1016/j.cell.2016.08.071.
DONG, Bin; LIU, Chen; XUE, Ruicong; WANG, Yan; SUN, Yu; LIANG, Zhuomin;
FAN, Wendong; JIANG, Jingzhou; ZHAO, Jingjing; SU, Qiao. Fisetin inhibits
cardiac hypertrophy by suppressing oxidative stress. The Journal Of Nutritional
Biochemistry, [s.l.], v. 62, p.221-229, dez. 2018. Elsevier BV.
http://dx.doi.org/10.1016/j.jnutbio.2018.08.010.
61
DORARD, Coralie; VUCAK, Georg; BACCARINI, Manuela. Deciphering the
RAS/ERK pathway in vivo. Biochemical Society Transactions, [s.l.], v. 45, n. 1,
p.27-36, 8 fev. 2017. Portland Press Ltd. http://dx.doi.org/10.1042/bst20160135.
DUNLOP EA, Tee AR (2009) Mammalian target of rapamycin complex 1:
signalling inputs, substrates and feedback mechanisms. Cell. Signal. 21(6), 827–
35.
62
FALLAH, Merrick S.; SHAIKH, Mateen R.; NEUPANE, Binod; RUSIECKI, Daniel;
BENNETT, Teresa A.; BEYENE, Joseph. Atypical Antipsychotics for Irritability in
Pediatric Autism: A Systematic Review and Network Meta-Analysis. Journal Of
Child And Adolescent Psychopharmacology, [s.l.], v. 29, n. 3, p.168-180, abr.
2019. Mary Ann Liebert Inc. http://dx.doi.org/10.1089/cap.2018.0115.
FEZER, Gabriela Foresti; MATOS, Marília Barbosa de; NAU, Angélica Luciana;
ZEIGELBOIM, Bianca Simone; MARQUES, Jair Mendes; LIBERALESSO, Paulo
Breno Noronha. CARACTERÍSTICAS PERINATAIS DE CRIANÇAS COM
TRANSTORNO DO ESPECTRO AUTISTA. Revista Paulista de Pediatria, [s.l.],
v. 35, n. 2, p.130-135, jun. 2017. FapUNIFESP (SciELO).
http://dx.doi.org/10.1590/1984-0462/;2017;35;2;00003.
GAUGLER, T., Klei, L., Sanders, S. J., Bodea, C. A., Goldberg, A. P., Lee, A. B.,
Ripke, S. Most genetic risk for autism resides with common variation. Nature
genetics. 46(8), 881–885, 2014.
63
GESCHWIND, Daniel H.. Advances in Autism. Annual Review Of Medicine, [s.l.],
v. 60, n. 1, p.367-380, fev. 2009. Annual Reviews.
http://dx.doi.org/10.1146/annurev.med.60.053107.121225.
HEIJDEN, K. B. van Der; STOFFELSEN, R. J.; POPMA, A.; SWAAB, H.. Sleep,
chronotype, and sleep hygiene in children with attention-deficit/hyperactivity
disorder, autism spectrum disorder, and controls. European Child & Adolescent
Psychiatry, [s.l.], v. 27, n. 1, p.99-111, 8 jul. 2017. Springer Science and Business
Media LLC. http://dx.doi.org/10.1007/s00787-017-1025-8.
HICKS, Steven D.; CARPENTER, Randall L.; WAGNER, Kayla E.; PAULEY,
Rachel; BARROS, Mark; TIERNEY-AVES, Cheryl; BARNS, Sarah; GREENE,
64
Cindy Dowd; MIDDLETON, Frank A.. Saliva MicroRNA Differentiates Children
With Autism From Peers With Typical and Atypical Development. Journal Of The
American Academy Of Child & Adolescent Psychiatry, [s.l.], v. 59, n. 2, p.296-308,
fev. 2020. Elsevier BV. http://dx.doi.org/10.1016/j.jaac.2019.03.017.
HONG, Charles C.-h.; FALLON, James H.; FRISTON, Karl J.; HARRIS, James
C.. Rapid Eye Movements in Sleep Furnish a Unique Probe Into
Consciousness. Frontiers In Psychology, [s.l.], v. 9, p.1-16, 31 out. 2018.
Frontiers Media SA. http://dx.doi.org/10.3389/fpsyg.2018.02087.
HOWARD, Brian M.; MO, Zhicheng; FILIPOVIC, Radmila; MOORE, Anna R.;
ANTIC, Srdjan D.; ZECEVIC, Nada. Radial Glia Cells in the Developing Human
Brain. The Neuroscientist, [s.l.], v. 14, n. 5, p.459-473, 16 nov. 2007. SAGE
Publications. http://dx.doi.org/10.1177/1073858407313512.
HUANG, Jing; LIU, Fangkun; TANG, Hui; WU, Haishan; LI, Lehua; WU, Renrong;
ZHAO, Jingping; WU, Ying; LIU, Zhixiong; CHEN, Jindong. Tranylcypromine
Causes Neurotoxicity and Represses BHC110/LSD1 in Human-Induced
Pluripotent Stem Cell-Derived Cerebral Organoids Model. Frontiers In Neurology,
65
[s.l.], v. 8, p.1-20, 7 dez. 2017. Frontiers Media SA.
http://dx.doi.org/10.3389/fneur.2017.00626.
HUERTA, Marisela; BISHOP, Somer L.; DUNCAN, Amie; HUS, Vanessa; LORD,
Catherine. Application of DSM-5 Criteria for Autism Spectrum Disorder to Three
Samples of Children With DSM-IV Diagnoses of Pervasive Developmental
Disorders. American Journal Of Psychiatry, [s.l.], v. 169, n. 10, p.1056-1064, out.
2012. American Psychiatric Association Publishing.
http://dx.doi.org/10.1176/appi.ajp.2012.12020276.
HUI, Kelvin K.; TANAKA, Motomasa. Autophagy links MTOR and GABA signaling
in the brain. Autophagy, [s.l.], v. 15, n. 10, p.1848-1849, 7 jul. 2019. Informa UK
Limited. http://dx.doi.org/10.1080/15548627.2019.1637643.
66
ICENTINI, Caterina et al. Current role of non-coding RNA in the clinical
setting. Non-coding Rna Research, [s.l.], v. 4, n. 3, p.82-85, set. 2019. Elsevier
BV. http://dx.doi.org/10.1016/j.ncrna.2019.09.001.
67
JIA, Shengnan; XU, Xiaodong; ZHOU, Senhao; CHEN, Yan; DING, Guoping;
CAO, Liping. Fisetin induces autophagy in pancreatic cancer cells via
endoplasmic reticulum stress- and mitochondrial stress-dependent
pathways. Cell Death & Disease, [s.l.], v. 10, n. 2, p.1-21, fev. 2019. Springer
Science and Business Media LLC. http://dx.doi.org/10.1038/s41419-019-1366-y.
JIANG YH, Wang Y, Xiu X, Choy KW, Pursley AN, Cheung SW. Genetic diagnosis
of autism spectrum disorders: the opportunity and challenge in the genomics era.
Crit Rev Clin Lab Sci 2014;51:249–262.
Kamita MK, Silva LA, Magliaro FC, Kawai RY, Fernandes FD, Matas CG.
Brainstem auditory evoked potentials in children with autism spectrum disorder.
J Pediatr (Rio J). https://doi.org/10.1016/j.jped.2018.12.010
68
KATHARINA SCHWARZE BSc, MA., James Buchanan MA, DPhil., Jenny C
Taylor MA, DPhil; […] & Sarah Wordsworth MSc, PhD. Are whole-exome and
whole-genome sequencing approaches cost-effective? A systematic review of the
literature. Nature genetics. 2018
KING, Ian F.; YANDAVA, Chandri N.; MABB, Angela M.; HSIAO, Jack S.; HUANG,
Hsien-sung; PEARSON, Brandon L.; CALABRESE, J. Mauro; STARMER,
Joshua; PARKER, Joel S.; MAGNUSON, Terry. Topoisomerases facilitate
transcription of long genes linked to autism. Nature, [s.l.], v. 501, n. 7465, p.58-
62, 28 ago. 2013. Springer Science and Business Media LLC.
http://dx.doi.org/10.1038/nature12504.
69
on social interaction deficits and gene expression in mice exposed to valproic
acid in utero. Molecular Brain, [s.l.], v. 12, n. 1, p.1-23, 8 jan. 2019. Springer
Science and Business Media LLC. http://dx.doi.org/10.1186/s13041-018-0423-2.
LEE, Yeunkum; KIM, Sun Gyun; LEE, Bokyoung; ZHANG, Yinhua; KIM, Yoonhee;
KIM, Shinhyun; KIM, Eunjoon; KANG, Hyojin; HAN, Kihoon. Striatal
Transcriptome and Interactome Analysis of Shank3-overexpressing Mice
Reveals the Connectivity between Shank3 and mTORC1 Signaling. Frontiers In
Molecular Neuroscience, [s.l.], v. 10, p.1-17, 28 jun. 2017. Frontiers Media SA.
http://dx.doi.org/10.3389/fnmol.2017.00201.
LEIGH, J. Paul; DU, Juan. Brief Report: Forecasting the Economic Burden of
Autism in 2015 and 2025 in the United States. Journal Of Autism And
Developmental Disorders, [s.l.], v. 45, n. 12, p.4135-4139, 17 jul. 2015. Springer
Nature. http://dx.doi.org/10.1007/s10803-015-2521-7.
LEYFER, Ovsanna T.; FOLSTEIN, Susan E.; BACALMAN, Susan; DAVIS, Naomi
O.; DINH, Elena; MORGAN, Jubel; TAGER-FLUSBERG, Helen; LAINHART,
Janet E.. Comorbid Psychiatric Disorders in Children with Autism: Interview
Development and Rates of Disorders. Journal Of Autism And Developmental
Disorders, [s.l.], v. 36, n. 7, p.849-861, 15 jul. 2006. Springer Science and
Business Media LLC. http://dx.doi.org/10.1007/s10803-006-0123-0.
70
LICAUSI, Francesca; HARTMAN, Nathaniel. Role of mTOR Complexes in
Neurogenesis. International Journal Of Molecular Sciences, [s.l.], v. 19, n. 5,
p.1544-1560, 22 maio 2018. MDPI AG. http://dx.doi.org/10.3390/ijms19051544.
LIU, Yin; CHEN, Sujun; WANG, Su; SOARES, Fraser; FISCHER, Martin; MENG,
Feilong; DU, Zhou; LIN, Charles; MEYER, Clifford; DECAPRIO, James
A.. Transcriptional landscape of the human cell cycle. Proceedings Of The
National Academy Of Sciences, [s.l.], v. 114, n. 13, p.3473-3478, 13 mar. 2017.
Proceedings of the National Academy of Sciences.
http://dx.doi.org/10.1073/pnas.1617636114.
LUNDEN, Jason W.; DURENS, Madel; PHILLIPS, Andre W.; NESTOR, Michael
W.. Cortical interneuron function in autism spectrum condition. Pediatric
Research, [s.l.], v. 85, n. 2, p.146-154, 26 out. 2018. Springer Science and
Business Media LLC. http://dx.doi.org/10.1038/s41390-018-0214-6.
71
LYALL, Kristen; SCHMIDT, Rebecca J; HERTZ-PICCIOTTO, Irva. Maternal
lifestyle and environmental risk factors for autism spectrum
disorders. International Journal Of Epidemiology, [s.l.], v. 43, n. 2, p.443-464, 11
fev. 2014. Oxford University Press (OUP). http://dx.doi.org/10.1093/ije/dyt282.
MA, Lin; WANG, Yiran; HUI, Yi; DU, Yanhua; CHEN, Zhenyu; FENG, Hexi;
ZHANG, Shuwei; LI, Nan; SONG, Jianren; FANG, Yujiang. WNT/NOTCH
Pathway Is Essential for the Maintenance and Expansion of Human MGE
Progenitors. Stem Cell Reports, [s.l.], v. 12, n. 5, p.934-949, maio 2019. Elsevier
BV. http://dx.doi.org/10.1016/j.stemcr.2019.04.007.
MAENNER, Matthew J.; SHAW, Kelly A.; BAIO, Jon; WASHINGTON, Anita;
PATRICK, Mary; DIRIENZO, Monica; CHRISTENSEN, Deborah L.; WIGGINS,
Lisa D.; PETTYGROVE, Sydney; ANDREWS, Jennifer G.. Prevalence of Autism
Spectrum Disorder Among Children Aged 8 Years — Autism and Developmental
Disabilities Monitoring Network, 11 Sites, United States, 2016. Mmwr.
Surveillance Summaries, [s.l.], v. 69, n. 4, p.1-12, 27 mar. 2020. Centers for
Disease Control MMWR Office. http://dx.doi.org/10.15585/mmwr.ss6904a1.
MAIA, Fernanda Alves; ALMEIDA, Maria Tereza Carvalho; ALVES, Maria Rachel;
BANDEIRA, Laura Vicuña Santos; SILVA, Victor Bruno da; NUNES, Nathália
Ferreira; CARDOSO, Leila Cristina Gonçalves; SILVEIRA, Marise
Fagundes. Transtorno do espectro do autismo e idade dos genitores: estudo de
caso-controle no Brasil. Cadernos de Saúde Pública, [s.l.], v. 34, n. 8, p.1-12, 20
ago. 2018. FapUNIFESP (SciELO). http://dx.doi.org/10.1590/0102-
311x00109917.
72
835, 5 jul. 2016. Springer Science and Business Media LLC.
http://dx.doi.org/10.1038/mp.2016.95.
MISSLER, M.; SUDHOF, T. C.; BIEDERER, T.. Synaptic Cell Adhesion. Cold
Spring Harbor Perspectives In Biology, [s.l.], v. 4, n. 4, p.005694-005694, 25 jan.
2012. Cold Spring Harbor Laboratory.
http://dx.doi.org/10.1101/cshperspect.a005694.
MITCHELL, Michelle M.; WOODS, Rima; CHI, Lai-har; SCHMIDT, Rebecca J.;
PESSAH, Isaac N.; KOSTYNIAK, Paul J.; LASALLE, Janine M.. Levels of select
73
PCB and PBDE congeners in human postmortem brain reveal possible
environmental involvement in 15q11-q13 duplication autism spectrum
disorder. Environmental And Molecular Mutagenesis, [s.l.], v. 53, n. 8, p.589-598,
29 ago. 2012. Wiley. http://dx.doi.org/10.1002/em.21722.
MOSSMANN, Dirk; PARK, Sujin; HALL, Michael N.. MTOR signalling and cellular
metabolism are mutual determinants in cancer. Nature Reviews Cancer, [s.l.], v.
18, n. 12, p.744-757, 13 nov. 2018. Springer Nature.
http://dx.doi.org/10.1038/s41568-018-0074-8.
74
46, n. 11, p.759-765, 25 jun. 2009. BMJ.
http://dx.doi.org/10.1136/jmg.2009.066852.
OLUSANYA, Bolajoko O.; DAVIS, Adrian C.; WERTLIEB, Donald; BOO, Nem-
yun; NAIR, M.k.c.; HALPERN, Ricardo; KUPER, Hannah; BREINBAUER,
Cecilia; VRIES, Petrus J de; GLADSTONE, Melissa. Developmental disabilities
among children younger than 5 years in 195 countries and territories, 1990–2016:
a systematic analysis for the Global Burden of Disease Study 2016. The Lancet
Global Health, [s.l.], v. 6, n. 10, p.1100-1121, out. 2018. Elsevier BV.
http://dx.doi.org/10.1016/s2214-109x(18)30309-7.
OREKHOVA, Elena V.; STROGANOVA, Tatiana A.. Arousal and attention re-
orienting in autism spectrum disorders: evidence from auditory event-related
potentials. Frontiers In Human Neuroscience, [s.l.], v. 8, p.743-754, 2014.
Frontiers Media SA. http://dx.doi.org/10.3389/fnhum.2014.00034.
75
OZONOFF S, Young GS, Carter A, Messinger D, Yirmiya N, Zwaigenbaum L,
Bryson S, Carver LJ, Constantino JN, Dobkins K, Hutman T, Iverson JM, Landa
R, Rogers SJ, Sigman M, Stone WL. Recurrence risk for 76utismo spectrum
disorders: A Baby Siblings Research Consortium study. Pediatrics. 2011; 128:
e488-e495.
76
Communications, [s.l.], v. 5, n. 1, p.1-14, 24 nov. 2014. Springer Science and
Business Media LLC. http://dx.doi.org/10.1038/ncomms6586.
77
RAMOS, Taiane Coelho; BALARDIN, Joana Bisol; SATO, João Ricardo; FUJITA,
André. Abnormal Cortico-Cerebellar Functional Connectivity in Autism Spectrum
Disorder. Frontiers In Systems Neuroscience, [s.l.], v. 12, p.1-20, 15 jan. 2019.
Frontiers Media SA. http://dx.doi.org/10.3389/fnsys.2018.00074.
REED, Geoffrey M.; FIRST, Michael B.; KOGAN, Cary S.; HYMAN, Steven E.;
GUREJE, Oye; GAEBEL, Wolfgang; MAJ, Mario; STEIN, Dan J.; MAERCKER,
Andreas; TYRER, Peter. Innovations and changes in the ICD-11 classification of
mental, behavioural and neurodevelopmental disorders. World Psychiatry, [s.l.],
v. 18, n. 1, p.3-19, 2 jan. 2019. Wiley. http://dx.doi.org/10.1002/wps.20611.
RHINE, Maya A.; PARROTT, Jennifer M.; SCHULTZ, Maria N.; KAZDOBA,
Tatiana M.; CRAWLEY, Jacqueline N.. Hypothesis-driven investigations of
diverse pharmacological targets in two mouse models of autism. Autism
Research, [s.l.], v. 12, n. 3, p.401-421, 17 jan. 2019. Wiley.
http://dx.doi.org/10.1002/aur.2066.
78
RICHARDS, Caroline et al. Prevalence of autism spectrum disorder
phenomenology in genetic disorders: a systematic review and meta-
analysis. The Lancet Psychiatry, [s.l.], v. 2, n. 10, p.909-916, out. 2015. Elsevier
BV. http://dx.doi.org/10.1016/s2215-0366(15)00376-4.
ROSENBERG R.E., Law JK, Yenokyan G, McGready J, Kaufmann WE, Law PA.
Characteristics and concordance of autism spectrum disorders among 277 twin
pairs. Arch Pediatr Adolesc Med 2009; 163(10):907-914.
79
Bentham Science Publishers Ltd..
http://dx.doi.org/10.2174/18715206113139990129.
ROUX, P. P.; BALLIF, B. A.; ANJUM, R.; GYGI, S. P.; BLENIS, J.. Tumor-
promoting phorbol esters and activated Ras inactivate the tuberous sclerosis
tumor suppressor complex via p90 ribosomal S6 kinase. Proceedings Of The
National Academy Of Sciences, [s.l.], v. 101, n. 37, p.13489-13494, 1 set. 2004.
Proceedings of the National Academy of Sciences.
http://dx.doi.org/10.1073/pnas.0405659101.
RUBENSTEIN E, Young JC, Croen LA, DiGuiseppi C, Dowling NF, Lee LC,
Schieve L, Wiggins LD, Daniels J. Maternal opioid prescription from
preconception through pregnancy and the odds of autism spectrum disorder and
autism features in children. Journal of Autism and Developmental Disorders.
2018.
80
251, nov. 2015. Elsevier BV.
http://dx.doi.org/10.1016/j.pscychresns.2015.08.016.
SHEN, Li; LIN, Yuxin; SUN, Zhandong; YUAN, Xuye; CHEN, Luonan; SHEN,
Bairong. Knowledge-Guided Bioinformatics Model for Identifying Autism
Spectrum Disorder Diagnostic MicroRNA Biomarkers. Scientific Reports, [s.l.], v.
6, n. 1, p.1-21, dez. 2016. Springer Science and Business Media LLC.
http://dx.doi.org/10.1038/srep39663.
SMITH, Isaac C.; REICHOW, Brian; VOLKMAR, Fred R.. The Effects of DSM-5
Criteria on Number of Individuals Diagnosed with Autism Spectrum Disorder: A
Systematic Review. Journal Of Autism And Developmental Disorders, [s.l.], v. 45,
81
n. 8, p.2541-2552, 22 mar. 2015. Springer Nature.
http://dx.doi.org/10.1007/s10803-015-2423-8.
SOFIA D. Viana, Flávio Reis, and Rui Alves, “Therapeutic Use of mTOR Inhibitors
in Renal Diseases: Advances, Drawbacks, and Challenges,” Oxidative Medicine
and Cellular Longevity, vol. 2018, Article ID 3693625, 17 pages,
2018. https://doi.org/10.1155/2018/3693625.
STAHL, Eli A.; BREEN, Gerome; FORSTNER, Andreas J.; MCQUILLIN, Andrew;
RIPKE, Stephan; TRUBETSKOY, Vassily; MATTHEISEN, Manuel; WANG,
Yunpeng; COLEMAN, Jonathan R. I.. Genome-wide association study identifies
30 loci associated with bipolar disorder. Nature Genetics, [s.l.], v. 51, n. 5, p.793-
803, maio 2019. Springer Science and Business Media LLC.
http://dx.doi.org/10.1038/s41588-019-0397-8.
82
STURGILL, Thomas W.; HALL, Michael N. Activating Mutations in TOR Are in
Similar Structures As Oncogenic Mutations in PI3KCα. Acs Chemical Biology,
[s.l.], v. 4, n. 12, p.999-1015, 3 dez. 2009. American Chemical Society (ACS).
http://dx.doi.org/10.1021/cb900193e.
SUN, Xu; MA, Xueman; LI, Qiwei; YANG, Yong; XU, Xiaolong; SUN, Jiaqi; YU,
Mingwei; CAO, Kexin; YANG, Lin; YANG, Guowang. Anti-cancer effects of fisetin
on mammary carcinoma cells via regulation of the PI3K/Akt/mTOR pathway: In
vitro and in vivo studies. International Journal Of Molecular Medicine, [s.l.], p.327-
345, 2 maio 2018. Spandidos Publications.
http://dx.doi.org/10.3892/ijmm.2018.3654.
83
TAKAHASHI, Kazutoshi; YAMANAKA, Shinya. Induction of Pluripotent Stem
Cells from Mouse Embryonic and Adult Fibroblast Cultures by Defined
Factors. Cell, [s.l.], v. 126, n. 4, p.663-676, ago. 2006. Elsevier BV.
http://dx.doi.org/10.1016/j.cell.2006.07.024.
84
v. 95, n. 6, p.705-712, nov. 2019. Elsevier BV.
http://dx.doi.org/10.1016/j.jped.2018.06.008.
TURNER, Tychele N.; WILFERT, Amy B.; BAKKEN, Trygve E.; BERNIER,
Raphael A.; PEPPER, Micah R.; ZHANG, Zhancheng; TORENE, Rebecca I.;
RETTERER, Kyle; EICHLER, Evan E.. Sex-Based Analysis of De Novo Variants
in Neurodevelopmental Disorders. The American Journal Of Human Genetics,
[s.l.], v. 105, n. 6, p.1274-1285, dez. 2019. Elsevier BV.
http://dx.doi.org/10.1016/j.ajhg.2019.11.003.
VACCARINO, Flora M.; SMITH, Karen Müller. Increased Brain Size in Autism—
What It Will Take to Solve a Mystery. Biological Psychiatry, [s.l.], v. 66, n. 4, p.313-
315, ago. 2009. Elsevier BV. http://dx.doi.org/10.1016/j.biopsych.2009.06.013.
VAN SADELHOFF, Joris H. J.; PARDO, Paula Perez; WU, Jiangbo; GARSSEN,
Johan; VAN BERGENHENEGOUWEN, Jeroen; HOGENKAMP, Astrid; HARTOG,
Anita; KRANEVELD, Aletta D.. The Gut-Immune-Brain Axis in Autism Spectrum
Disorders; A Focus on Amino Acids. Frontiers In Endocrinology, [s.l.], v. 10, p.1-
16, 16 abr. 2019. Frontiers Media SA.
http://dx.doi.org/10.3389/fendo.2019.00247.
85
VAN STEENSEL, Francisca J. A.; BÖGELS, Susan M.; PERRIN, Sean. Anxiety
VERAS A, Araujo F, Pinheiro K, Guimarães L, Azevedo V, Soares S, da Costa da
Silva A, Ramos R. Pan4Draft: A Computational Tool to Improve the Accuracy of
Pan-Genomic Analysis Using Draft Genomes. Nature . 2018 Jun 25; 8 (1):
9670. doi: 10.1038 / s41598-018-27800-8
WANG, Yamin; WANG, Bin; LU, Jiaqi; SHI, Haixia; GONG, Siyi; WANG, Yufan;
HAMDY, Ronald C.; CHUA, Balvin H. L.; YANG, Lingli; XU, Xingshun. Fisetin
provides antidepressant effects by activating the tropomyosin receptor kinase B
signal pathway in mice. Journal Of Neurochemistry, [s.l.], v. 143, n. 5, p.561-568,
16 nov. 2017. Wiley. http://dx.doi.org/10.1111/jnc.14226.
WEN, Ya; HERBERT, Martha R.. Connecting the dots: Overlaps between autism
and cancer suggest possible common mechanisms regarding signaling pathways
related to metabolic alterations. Medical Hypotheses, [s.l.], v. 103, p.118-123, jun.
2017. Elsevier BV. http://dx.doi.org/10.1016/j.mehy.2017.05.004.
86
WOZNIAK, Robert H.; LEEZENBAUM, Nina B.; NORTHRUP, Jessie B.; WEST,
Kelsey L.; IVERSON, Jana M.. The development of autism spectrum disorders:
variability and causal complexity. Wiley Interdisciplinary Reviews: Cognitive
Science, [s.l.], v. 8, n. 1-2, p.1-15, dez. 2016. Wiley.
http://dx.doi.org/10.1002/wcs.1426.
XIANG, Anny H.; WANG, Xinhui; MARTINEZ, Mayra P.; PAGE, Kathleen;
BUCHANAN, Thomas A.; FELDMAN, R. Klara. Maternal Type 1 Diabetes and
Risk of Autism in Offspring. Jama, [s.l.], v. 320, n. 1, p.1-16, 3 jul. 2018. American
Medical Association (AMA). http://dx.doi.org/10.1001/jama.2018.7614.
XING, Xiaoliang; ZHANG, Jing; WU, Kunyang; CAO, Beibei; LI, Xianfeng; JIANG,
Fang; HU, Zhengmao; XIA, Kun; LI, Jia-da. Suppression of Akt-mTOR pathway
rescued the social behavior in Cntnap2-deficient mice. Scientific Reports, [s.l.], v.
9, n. 1, p.1-9, 28 fev. 2019. Springer Science and Business Media LLC.
http://dx.doi.org/10.1038/s41598-019-39434-5.
87
XU, X.; WELLS, A. B.; O'BRIEN, D. R.; NEHORAI, A.; DOUGHERTY, J. D.. Cell
Type-Specific Expression Analysis to Identify Putative Cellular Mechanisms for
Neurogenetic Disorders. Journal Of Neuroscience, [s.l.], v. 34, n. 4, p.1420-1431,
22 jan. 2014. Society for Neuroscience. http://dx.doi.org/10.1523/jneurosci.4488-
13.2014.
YANG, Changhong; LI, Jiarui; WU, Qixi; YANG, Xiaoxu; HUANG, August Yue;
ZHANG, Jie; YE, Adam Yongxin; DOU, Yanmei; YAN, Linlin; ZHOU, Wei-
zhen. AutismKB 2.0: a knowledgebase for the genetic evidence of autism
spectrum disorder. Database, [s.l.], v. 2018, p.1-12, 1 jan. 2018. Oxford University
Press (OUP). http://dx.doi.org/10.1093/database/bay106.
YANG, Hongbin; SUN, Lixia; WANG, Zhuang; LI, Weihua; LIU, Guixia; TANG,
Yun. ADMETopt: A Web Server for ADMET Optimization in Drug Design via
Scaffold Hopping. Journal Of Chemical Information And Modeling, [s.l.], v. 58, n.
10, p.2051-2056, 25 set. 2018. American Chemical Society (ACS).
http://dx.doi.org/10.1021/acs.jcim.8b00532.
88
SCHMITZ-ABE, Klaus; HARMIN, David a.; ADLI, Mazhar; MALIK, Athar n.. Using
Whole-Exome Sequencing to Identify Inherited Causes of Autism. Neuron, [s.l.],
v. 77, n. 2, p.259-273, jan. 2013. Elsevier BV.
http://dx.doi.org/10.1016/j.neuron.2012.11.002.
ZHANG, Yan-jie; DUAN, Yanwen; ZHENG, X.f. Steven. Targeting the mTOR
kinase domain: the second generation of mTOR inhibitors. Drug Discovery Today,
[s.l.], v. 16, n. 7-8, p.325-331, abr. 2011. Elsevier BV.
http://dx.doi.org/10.1016/j.drudis.2011.02.008.
ZHU, Wenliang; ZHANG, Boya; LI, Mengqi; MO, Fan; MI, Tingwei; WU, Yihui;
TENG, Zhaoqian; ZHOU, Qi; LI, Wei; HU, Baoyang. Precisely controlling
endogenous protein dosage in hPSCs and derivatives to model FOXG1
syndrome. Nature Communications, [s.l.], v. 10, n. 1, p.1-18, 25 fev. 2019.
Springer Science and Business Media LLC. http://dx.doi.org/10.1038/s41467-
019-08841-7.
89
8. APÊNDICE E ANEXOS
8.1 PUBLICAÇÕES
90