Dissertação

UNIVERSIDADE FEDERAL FLUMINENSE
INSTITUTO DE BIOLOGIA
PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIAS E
BIOTECNOLOGIA
VICTOR GUSTAVO OLIVEIRA EVANGELHO
IDENTIFICAÇÃO E ANÁLISE DE BIOMARCADORES

MOLECULARES ENVOLVIDOS NO AUTISMO
APLICANDO MÉTODOS DE BIOINFORMÁTICA
Dissertação de Mestrado submetida a

Universidade Federal Fluminense visando à obtenção do grau de
Mestre em Ciências e Biotecnologia
Orientador(es): Dra. Helena Carla Castro

Dra. Márcia R. Amorim
Dr. Murilo Lamim Bello
Niterói
2020

MOLECULARES ENVOLVIDOS NO AUTISMO APLICANDO
MÉTODOS DE BIOINFORMÁTICA
Trabalho desenvolvido no Laboratório de Antibióticos, Bioquímica e Modelagem

Molecular / Laboratório de Genética Molecular Humana do Departamento de Biologia
Geral do Instituto de Biologia, Programa de Pós-Graduação em Ciências e
Biotecnologia, Universidade Federal Fluminense. Apoio Financeiro: CAPES, CNPq,
FAPERJ, UFF-FOPESQ.
Dissertação de Mestrado
submetida à Universidade
Federal Fluminense como
requisito parcial visando à
obtenção do grau de Mestre em
Ciências e Biotecnologia
Orientador(es): Dra. Helena Carla Castro

Dra. Márcia R. Amorim
Dr. Murilo Lamim Bello
II
III

MOLECULARES ENVOLVIDOS NO AUTISMO APLICANDO
MÉTODOS DE BIOINFORMÁTICA
Dissertação de Mestrado
submetida à Universidade
Federal Fluminense como
requisito parcial visando à
obtenção do grau de Mestre em
Ciências e Biotecnologia
Banca Examinadora:
Maria Denise Feder – Departamento de Biologia Geral – Universidade Federal

Fluminense (Presidente)
Lídia Maria Da Fonte De Amorim – Departamento de Biologia Celular e Molecular

- Universidade Federal Fluminense (Membro interno)
Bianca Aloise Maneira Corrêa Santos – Departamento de Fármacos e

Medicamentos – Universidade Federal do Rio de Janeiro (Membro externo)
Natalia Lidmar Von Ranke – Departamento de Fármacos e Medicamentos –

Universidade Federal do Rio de Janeiro (Suplente externo)
Evelize Folly Das Chagas – Departamento de Biologia Celular e Molecular -

Universidade Federal Fluminense (Suplente interno)
Márcia Rodrigues Amorim dos Santos – Departamento de Biologia Geral –

Universidade Federal Fluminense (Coorientadora)
Murilo Lamim Bello – Departamento de Farmácia – Universidade Federal Do Rio

De Janeiro (Coorientador)
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 primeiramente a vida e por ter encontrado pessoas que me

possibilitaram aprender a exercer a ciência. Em um país onde a desigualdade
prolifera, onde desintegramos nossas perspectivas, acredito que tive sorte em
poder expressar a minha vontade na construção de um caminho, que acredito
eu, seja vocacionado.
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 companheiro Vitor Gouvêa Campos de Oliveira, pelo apoio

incondicional, por toda compreensão e por ser um dos pilares da minha vida.
Ao meu amigo Alex Sandro Lins, pelo apoio e por ser uma peça chave no meu
primeiro contato com a Universidade Federal Fluminense.
À Dra. Cristina Delou, por estar presente na minha trajetória inicial na

Universidade Federal Fluminense. A partir do seu atendimento pude conhecer o
programa de altos estudos e isso me estimulou internamente.
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.
À minha coorientadora, Márcia Rodrigues Amorim, por me apoiar e me

oportunizar o desenvolvimento diário ao longo da Iniciação Tecnológica e no
mestrado, me ensinando e incentivando diariamente. Sempre dialogando para
possibilitar reflexões importantes para o nosso projeto.
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.
Aos integrantes do laboratório de genética humana (UFF); Carolina Oliveto,

Carolina Castro, Júlia Fernandes, Me. Kaio Salum e Dra. Fabiana Barzotto
Kohlrausch, pelo apoio ao longo do processo de desenvolvimento desse
trabalho.
À empresa júnior Antônio Paes de Carvalho (APC Biotecnologia - UFRJ),

representada, em 2016, por, até então alunos da graduação em biomedicina:
Caroline Gonzaga, Pedro Tan, Yuri Torres e João Victor Rosa, por terem me
proporcionado a primeira oportunidade prática em uma universidade pública.
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
1.2 MECANISMOS GENÉTICOS IDENTIFICADOS NO

TRANSTORNO DO ESPECTRO AUTISTA ....................................... 3
1.2.1 MECANISMO DE REGULAÇÃO PÓS-TRANSCRICIONAL

IMPLICADOS NO AUTISMO ............................................................ 4
1.2.2 SÍNDROMES ASSOCIADAS AO AUTISMO ....................... 5
1.2.3 FATORES AMBIENTAIS .......................................................... 7
1.3 DIAGNÓSTICO GENÉTICO .......................................................... 7
1.4 MINICÉREBROS DERIVADOS DE INDIVÍDUOS AUTISTAS

COMO MODELOS DE ESTUDO ......................................................... 8
1.5 CONDIÇÕES DE SAÚDE ASSOCIADAS AO AUTISMO ...... 12
1.6 BIOINFORMÁTICA APLICADA À GENÔMICA

COMPUTACIONAL E CIÊNCIA DE DADOS................................... 13
1.6.1 ANÁLISE GWAS E GSEA .............................................................. 14
1.6.2 ANÁLISE E OTIMIZAÇÃO DE ESTUDOS GENÉTICOS

UTILIZANDO A BIOINFORMÁTICA....................................................... 14
1.6.3 IDENTIFICAÇÃO DE BIOMARCADORES E SEUS IMPACTOS

NA SAÚDE PÚBLICA E NO TRATAMENTO PERSONALIZADO .... 15
VIII
2. OBJETIVO .................................................................... 16
2.1 OBJETIVO GERAL ....................................................................... 16
2.2 OBJETIVOS ESPECÍFICOS ........................................................ 16
3. METODOLOGIA ........................................................... 17
3.1 LEVANTAMENTO DE DADOS .................................................... 18
3.2 ANÁLISE GENÉTICA UTILIZANDO FERRAMENTAS DE

BIOINFORMÁTICA .............................................................................. 18
3.2.1 ANÁLISE FENOTÍPICA E ANOTAÇÃO FUNCIONAL .............. 18
3.2.2 ANÁLISE DE EXPRESSÃO GÊNICA .......................................... 19
3.2.3 SIMILARIDADE FUNCIONAL ....................................................... 21
3.2.4 ANÁLISE DE ENRIQUECIMENTO FUNCIONAL DE GENES

SINDRÔMICOS, NÃO SINDRÔMICOS E CONVERGÊNCIA DE VIAS
BIOLÓGICAS................................................................................... 23
3.2.5 VALIDAÇÃO DA FERRAMENTA DE ENRIQUECIMENTO

FUNCIONAL ..................................................................................... 22
3.2.6 ANÁLISE DE SUB-REDE COMUM ENTRE OS DOIS GRUPOS

GENÉTICOS ............................................................................................... 23
3.2.7 ANÁLISE DE INTERAÇÃO PROTEÍNA-PROTEÍNA ................ 24
4. RESULTADOS.............................................................. 25
4.1 IDENTIFICAÇÃO DE GENES CANDIDATOS .......................... 25
4.2 MATRIZ DE SOBREPOSIÇÃO COMPUTACIONAL E

CLASSIFICAÇÃO DE SIMILARIDADE FUNCIONAL DE GENES
.................................................................................................................. 25
4.3 ANÁLISE DO FENÓTIPO HUMANO E ANOTAÇÃO

FUNCIONAL .......................................................................................... 27
4.4 ANÁLISE DA EXPRESSÃO GÊNICA TECIDUAL E DE
IX
CÉLULAS NERVOSAS ....................................................................... 30
4.5 ANÁLISE NETWORKANALYST ................................................. 32
4.5.1 ANÁLISE DE SOBREPOSIÇÃO DE REDE UTILIZANDO

GENES NÃO SINDRÔMICOS ................................................................. 32
4.5.2 ANÁLISE DE SOBREPOSIÇÃO DE REDE UTILIZANDO

GENES SINDRÔMICOS ........................................................................... 34

FUNCIONAL ............................................................................................. 36
4.5.4 ANÁLISE DE INTERAÇÃO DE SUB-REDE UTILIZANDO

MÓDULOS INERENTE AO SISTEMA NERVOSO CENTRAL .......... 38
4.5.5 GENES RECORRENTES ............................................................... 40
4.5.6 ANÁLISE DE INTERAÇÃO PROTEÍNA-PROTEÍNA ................ 41
5. DISCUSSÃO ................................................................. 44
6. CONSIDERAÇÕES FINAIS .......................................... 53
6.1 CONCLUSÃO ................................................................................. 53
6.2 PERSPECTIVAS ............................................................................ 53
7. REFERÊNCIAS BIBLIOGRÁFICAS ............................ 54

8. APÊNDICE E ANEXOS ................................................ 90
8.1 PUBLICAÇÕES.............................................................................. 90
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
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
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
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.
Palavras-chave: Autismo; Genes; Bioinformática; Biobancos; mTOR
XVIII
ABSTRACT
Autism is a neurodevelopmental disorder that affects about 62,1 million people

around the world. Prevalence estimates have increased in the world population.
In Brazil, it is estimated that 2 million people have autism. Recent research
indicates that by 2025 the cost of caring for people with autism, including medical
costs, could be more than $ 461 billion in the United States alone. The economic
barrier and specialized care are major challenges in the early diagnosis of autism,
especially in children from underprivileged families who are diagnosed at older
ages compared to children from more privileged families. Autism is caused by a
complex combination of genetic and environmental factors. In many cases,
molecular diagnosis is quite difficult, so there is an increasing search for more
accurate biomarkers that can assist in clinical evaluation. The present work had
as main objective to analyze molecular markers related to autism. Thus,
bioinformatics tools were used to analyze the common molecular pathways
among candidate genes identified in individuals with autism spectrum disorder. It
was observed that the data generated indicated genetic convergence in a
molecular pathway, suggesting that the disordered activation of the RAS-MAPK
and PI3K-AKT signaling cascades converge in the mTOR pathway, resulting in
hyperactivity in this biochemical pathway. These results point to molecular
changes that cause disturbance of homeostasis in the central nervous system,
indicating that the biochemical analysis of mTOR can contribute to a more
accurate early diagnosis for several subtypes of autism. With the discovery of
biomarkers and the development of accessible laboratory tests, there will be a
significant improvement in the clinical diagnosis of autism.
Keywords: Autism; Genes; bioinformatics; biobanks; mTOR
XIX
1 INTRODUÇÃO
1.1 EPIDEMIOLOGIA DO TRANSTORNO DO ESPECTRO

AUTISTA
O autismo é um transtorno do neurodesenvolvimento que acomete cerca

62,1 milhões de pessoas ao redor do mundo, segundo um estudo
epidemiológico, que analisou dados entre 1990 até 2016 (OLUSANYA et al.,
2018).
O termo autismo significa “si mesmo” e foi criado pelo psiquiatra suíço
Eugen Bleuler, em 1908, como uma condição subjacente a esquizofrenia,
caracterizada pelo isolamento social. Essa neuroatipicidade é diagnosticada por
meio de avaliações comportamentais estabelecidas no manual de Classificação
Estatística Internacional de Doenças e Problemas Relacionados com a Saúde
(CID) ou no Manual Diagnóstico e Estatístico de Transtornos Mentais (DMS). Os
indicadores de diagnóstico incluem: déficit significativo na socialização e na
comunicação, interesses restritos, incapacidade para compreender abstrações,
comportamento estereotipado ou repetitivo e alterações no processamento
sensorial. Entretanto, nas diferentes manifestações do quadro clínico os
indivíduos com esse transtorno podem ou não apresentar todos esses
indicadores (HUERTA et al., 2012; ROBERTSON; BARON-COHEN, 2017).
Essas características impactam diretamente no processo de interação e
adaptabilidade ao meio inserido (GESCHWIND, 2009).
Historicamente, o autismo como conhecemos hoje, foi identificado pela
também psiquiatra Grunya Sukhareva, em 1924, duas décadas antes de Leo
Kanner, em 1943 e Hans Asperger, em 1944 (POSAR; VISCONTI, 2017).
Kanner e Asperger descreveram os seus estudos sobre o autismo e contribuíram
para evidenciar a condição. Contudo, Hans descreveu o que posteriormente
seria conceituado como síndrome de Asperger. A síndrome se diferenciava do
autismo por apresentar um indivíduo sem deficiência intelectual e sem
dificuldade para adquirir a linguagem (TARAZI et al., 2015). A síndrome de
Asperger foi inserida no Manual Diagnóstico e Estatístico de Transtornos Mentais
(DMS) em 1994, onde foi base para o diagnóstico até a atualização do DMS-V,
em 2013 (ROBERTSON, 2018; PSYCHIATRY, 2018).
1
No Brasil, a síndrome de Asperger foi retirada no novo CID-11, onde
ocorreu a unificação dos subtipos de transtornos para transtorno do espectro
autista (REED et al., 2019).
De acordo com uma pesquisa divulgada em 27 de março de 2020,
realizada pelo Centers for Disease Control and Prevention (CDC), órgão ligado
ao governo dos Estados Unidos, o autismo afeta 1 a cada 54 crianças. Além
disso, o autismo é quatro vezes mais recorrente no sexo masculino, do que no
sexo feminino (CHRISTENSE et al., 2012). Em uma projeção, Leigh e Du (2015)
estimaram que até 2025, os Estados Unidos terão um custo de US$ 461 bilhões
para cuidar de pessoas com autismo, incluindo custos médicos e despesas
variadas. O custo em 2015 foi estimado em US$ 268 bilhões.
No Brasil, estima-se que cerca de 2,7 milhões de pessoas tenham
autismo, segundo a Organização Mundial de Saúde (OMS). Entretanto, poucas
informações oficiais são de conhecimento público, o que limita a compreensão
do quadro no país.
Especificamente no Brasil, algumas políticas públicas têm sido
implementadas nos últimos anos, embora tardias. Entretanto, essas medidas
foram instituídas para garantir direitos básicos para os indivíduos no espectro
autista, uma delas foi a Política Nacional de Proteção dos Direitos da Pessoa
com Transtornos do Espectro do Autismo (BRASIL, 2012). E a Lei nº 12.764, que
para fins de acesso aos atendimentos da saúde pública, por meio do SUS,
equipararam os indivíduos com autismo à população com deficiência, permitindo
usufruir das mesmas prerrogativas.
Segundo Diretrizes de Atenção à Reabilitação da Pessoa com
Transtornos do Espectro do Autismo (BRASIL, 2014), pelo Ministério da Saúde,
alguns indicadores devem ser analisados na atenção básica, para verificar se a
criança apresenta um desenvolvimento atípico enquadrado no espectro autista.
Essa iniciativa emerge como uma estratégia para o diagnóstico precoce, porém,
o mesmo ainda se trata de um desafio no país.
Estudos apontam que há uma barreira para realizar o diagnóstico
precoce, tendo em vista que nem todos os profissionais da saúde receberam
treinamento necessário (DURKIN et al., 2015). Nos Estados Unidos, estima-se
que crianças oriundas de famílias carentes possuem o diagnóstico de autismo
em idades mais avançadas ao serem comparadas com crianças de famílias mais
2
favorecidas (JANVIER et al., 2018).
1.2 MECANISMOS GENÉTICOS IDENTIFICADOS NO

TRANSTORNO DO ESPECTRO AUTISTA
O autismo é um transtorno multifatorial com grande complexidade

etiológica (Figura 1); diferentes fatores genéticos têm sido sugeridos até o
momento (HUQUET G et al., 2013; GAUGLER et al., 2014). Entretanto, muito se
discute sobre o impacto dos genes no comportamento humano. Pesquisas
recentes apontam para uma base genética, atuando, em sua maioria, em
sinergia com o meio no qual o indivíduo está inserido (KANDEL et al., 2014).
A complexidade genética subjacente ao autismo compreende centenas
de genes (BROWN et al., 2018). As alterações já identificadas são variadas,
algumas mutações autossômicas recessivas nos genes PEX7, SYNE1 e BCKDK
(YU et al., 2013) e, mutações de novo nos genes CHD8, DYRK1A, SCN2A,
ANK2, GRIN2B, SYNGAP1, ADNP, TBR1 são indicadores de risco para a
suscetibilidade para desenvolver o transtorno (CHEN et al., 2015).
Sinergicamente, variantes comuns são fatores de risco para o transtorno,
contribuindo para a variabilidade do comprometimento do indivíduo.
Demonstrando assim, que pais não afetados podem portar alelos que
contribuam para o desenvolvimento do autismo em sua prole (LA TORRE-
UBIETA et al., 2016). Mutações ligadas a cromossomos sexuais também estão
relatadas na literatura, como ocorre nos genes NLGN3, NLGN4X e SLC6A8,
localizados no cromossomo X (MARCO; SKUSE, 2006).
As translocações e a variação no número de cópias (CNV) de um
determinado gene ou segmento cromossômico também estão altamente
correlacionados ao transtorno autista. Além disso, deleções nas regiões 16p11.2,
15p13.3 e no gene NRXN1, assim como a duplicação em 16q11.2 e 15q.11.2q13
foram bem descritas em alguns indivíduos localizados no espectro autista (LA
TORRE-UBIETA et al., 2016).
Estimar o risco poligênico no autismo ainda é um desafio, segundo
GAUGLER et al. (2014), as variantes comuns representam 49% dos casos de
autismo; em 10% ocorreria mutações raras e de novo (ou seja, mutações não
herdadas) e os demais 41% dos casos de autismo seriam ocasionados entre
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).
Figura 1. Localização cromossômica dos genes envolvidos no autismo. Ilustração

gerada utilizando a ferramenta online RGD.
Em contraponto, um estudo realizado por BAI et al. (2019), com análise

amostral em cinco países, Austrália, Finlândia, Dinamarca, Suécia e Israel. O
estudo indicou que o autismo é 80% herdado. Os achados foram baseados em
uma análise de 2 milhões de pessoas, sendo 22 mil com diagnóstico de autismo.
Dados epidemiológicos, provenientes dos Estados Unidos, indicam
recorrência do transtorno em membros de uma mesma família, reforçando a
existência de uma propensão genética presente nessa etiologia. As evidências
demonstraram que os pais, cujo primeiro filho foi diagnosticado com autismo,
possuem 2% a 18% de chances de gerar um segundo filho que também tenha o
transtorno (OZONOFF et. al., 2011).
Entre gêmeos monozigóticos, a ocorrência sobe, uma vez que a partir da
identificação do primeiro irmão diagnosticado, o segundo irmão terá entre 36 a
95% de também estar enquadrado no espectro autista. Em dizigóticos, as
chances são de 0 a 31% (ROSENBERG et al., 2009).
1.2.1 MECANISMO DE REGULAÇÃO PÓS-TRANSCRICIONAL IMPLICADOS

NO AUTISMO
Os miRNA (micro-RNA) atuam na regulação do processo pós-

transcricional, especialmente inibindo a tradução de RNAs mensageiros. Os
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.
1.2.2 SÍNDROMES ASSOCIADAS AO AUTISMO
O autismo idiopático era considerado como uma condição separada das
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).
SÍNDROMES ASSOCIADAS AO AUTISMO
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
0% 10% 20% 30% 40% 50% 60% 70%
Gráfico 1. Prevalência do autismo em síndromes associadas (Adaptado de RICHARDS

et al., 2015).
Outras síndromes, que incluem aneuploidias dos cromossomos sexuais

como 47, XXY (Síndrome de Klinefelter), 47, XYY, 48, XXYY e 49, XYYYY
também podem apresentar o fenótipo e indicadores compatíveis com o
transtorno (DEMILY et al., 2017; JOSEPH et al., 2018). Os homens com
aneuploidias em cromossomos sexuais apresentam 4,8 vezes mais chances de
6
serem enquadrados no espectro autista (TARTAGLIA et al., 2017).
1.2.3 FATORES AMBIENTAIS
Fatores ambientais são frequentemente relacionados à etiologia do

autismo, interferindo no funcionamento normal de um organismo por meio da
alteração da expressão gênica (SANDIN et al., 2014).
Compreende-se como fatores ambientais qualquer influência externa
(fator químico, físico ou biológico) que contribua com a probabilidade de um
indivíduo desenvolver o transtorno, como por exemplo: metais pesados,
pesticidas, bisfenol A (BPA), PCB-95 e demais substâncias químicas
(KALKBRENNER et al., 2014); bem como, a deficiência nutricional relacionada
à carência de ácido fólico (LYALL et al., 2014), vitamina D (MODABBERNIA et
al., 2017) e ácidos graxos (FUJIWARA et al., 2016). Contudo, mais estudos
deverão ser realizados para apontar a relação exata desses compostos com o
aumento do risco para o desenvolvimento do autismo.
Pesquisas estabeleceram relações com a exposição ao ácido valpróico,
fármaco utilizado para o tratamento de epilepsia (VERONIKI et al., 2017;
SANDIN et al., 2014; RUBENSTEIN E. et al., 2018; PELCH; BOLDEN;
KWIATKOWSKI, 2019). As condições maternas como, hipertensão, diabetes e
resposta imune durante o desenvolvimento intrauterino (CHEN et al., 2016;
MAHER et al., 2018; XIANG et al., 2018) também já foram descritas como
condições relacionadas ao desencadeamento do autismo.
Mais especificamente, as alterações imunes estão implicadas em efeitos
adversos durante a embriogênese. É bem estabelecido que alguns anticorpos
maternos podem ultrapassar a barreira placentária, exercendo impacto no
neurodesenvolvimento, (JONES; WATER, 2018).
1.3 DIAGNÓSTICO GENÉTICO
A compreensão da arquitetura genética do autismo é complexa, tendo em

vista o número de genes que podem estar envolvidos e os possíveis fatores
ambientais (Figura 2).
7
Figura 2. Esquematização dos fatores etiológicos já identificados no autismo.
A estratificação de dados biológicos gerados a partir de pesquisas

realizadas na população e os custos elevados nesses estudos ainda inibem o
avanço científico, tornando-se um desafio atual (GAUGLER et al., 2014).
Ainda não foram identificados biomarcadores precisos que pudessem ser
aplicados na complementariedade laboratorial e auxiliar o diagnóstico clinico do
autismo (KHEMAKHEM et al., 2017). Atualmente, alguns exames são capazes
de identificar alterações genéticas no diagnóstico clínico, entretanto o acesso da
população é limitado em função dos custos financeiros oriundos dessa
abordagem.
O sequenciamento genético, por exemplo, oferecido por alguns
laboratórios, tem um custo aproximado de 10 a 30 mil reais (SCHWARZE et al.,
2018). Outras técnicas, como o sequenciamento completo do exoma e o método
por microarrays, possuem um custo menor, porém ainda inacessível para a
maioria da população, afastando a utilização desses métodos para rastreamento
genético (SCHWARZE et al., 2018).
1.4 MINICÉREBROS DERIVADOS DE INDIVÍDUOS AUTISTAS

COMO MODELOS DE ESTUDO
O sistema nervoso tem sua origem na terceira semana de gestação,
sendo originário do folheto embrionário ectoderma, por meio do processo de
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).
Figura 3. Processo de formação do tubo neural (Adaptado de GAMMILL; BRONNER-

FRASER, 2003).
A partir das células neuroepiteliais, ocorre a expansão do processo

mitótico que gerarão as células gliais radiais, progenitoras dos neurônios e
células da glia (HOWARD et al., 2007).
A formação do encéfalo tem sua complexidade coordenada pelas
características genéticas, mediadas pelas vias WNT, NOTCH e SHH, implicados
nas fases críticas da neurogênese, que coordenam a manutenção de
progenitores, migração celular, diferenciação, reorganização e refinamento da
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).
Estudos mais recentes demonstram que, em cultura, as células de

indivíduos autistas possuem um ciclo celular acelerado, em comparação aos
controles, resultando em uma maior capacidade proliferativa, resultando também
em um fenótipo celular com mais neurites e conexões sinápticas (MARIANI et
al., 2015). Esses dados corroboram com os achados em estudos pós-natais que
apontam uma relação entre o autismo e uma circunferência maior do encéfalo
(VACCARINO; SMITH, 2009; COURCHESNE et al., 2011; SACCO et al., 2015).
A análise da variabilidade da expressão desses minicérebros indicou uma
superexpressão do gene FOXG1, responsável por mediar a formação do sistema
nervoso central. A variação na dosagem desse gene está implicada na
desregulação na formação de neurônios produtores de GABA, o que corrobora
com a desregulação da excitação e inibição (MARIANI et al., 2015;
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).
1.5 CONDIÇÕES DE SAÚDE ASSOCIADAS AO AUTISMO
Indivíduos com autismo apresentam uma ou mais condições de saúde

mental associada a este transtorno (ROMERO et al., 2016). Em um estudo
recente, publicado na Nature Genetics, Grove et al. (2019) reforçam os fatores
hereditários e a sobreposição da arquitetura genética que elucidam a
coexistência do autismo com outras neuroatipicidades. Utilizando ferramentas
de bioinformática, um estudo de associação genômica com 18.381 pessoas com
o transtorno e 27.969 controles, demonstrou que o autismo possui sobreposição
genética com outras condições, como esquizofrenia, transtorno bipolar,
depressão grave, alta inteligência e deficiência intelectual.
Dados consistentes apontam que até 88% dos autistas possuem
alterações e prejuízos no processamento sensorial (EL-ANSARY et al., 2016). O
Transtorno do Déficit de Atenção com Hiperatividade (TDAH) afeta de 30% a
60% indivíduos com autismo, enquanto somente 7% da população típica é fetada
pela condição (LEYFER et al., 2006). A epilepsia, condição mais comumente
relatada no autismo, afeta até 46% desses indivíduos. O transtorno de
ansiedade, por sua vez, afeta 42% desses indivíduos e até 26% dos adultos com
autismo tem depressão (SPENCE; SCHNEIDER, 2009).
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).
1.6 BIOINFORMÁTICA APLICADA À GENÔMICA

COMPUTACIONAL E CIÊNCIA DE DADOS
A genômica computacional é uma subárea da bioinformática, emergindo

com recursos específicos para analisar dados ômicos e sua interação em redes
moleculares (WAGNER, 1997; KOONIN, 2001). Esses dados têm sido gerados
a partir do crescimento exponencial de plataformas que armazenam e os
disponibilizam de forma pública para o livre acesso (YAN, 2017).
As ferramentas de bioinformática possibilitam a integração de diversos
dados biológicos, viabilizando pesquisas in silico. Dessa forma, a integração de
um grande número de dados é possível, favorecendo uma análise expressiva de
grandes volumes de informação.
Além das contribuições da bioinformática para o sequenciamento do
genoma e outras técnicas de análise genética, há dois tipos de análises muito
empregadas atualmente, sendo elas: Gene Set Enrichment Analysis (GSEA) e
Genome-Wide Association Studies (GWAS).
13
1.6.1 ANÁLISE GWAS E GSEA
A análise Genome-Wide Association Studies (GWAS) emprega uma

abordagem baseada em análise computacional complexa. Essa análise permite
comparar diversos indivíduos, em buscas de variações genéticas dentro de uma
população estudada. Dessa forma, é possível identificar polimorfismos genéticos
envolvidos em algum fenótipo específico, apontando genes candidatos (TAM et
al., 2019; STAHL et al., 2019).
Com abordagem diferente da Genome-Wide Association Studies (GWAS),
a análise Gene Set Enrichment Analysis (GSEA), também caracterizada como
análise de enriquecimento funcional, visa comparar um grupo de genes. Esse
método é intrinsecamente empregado no estudo da biologia de sistemas,
baseando-se em resultados de experimentos em escala genômica (REIMAND et
al., 2019). Por meio do GSEA, é possível realizar sobreposições de conjunto de
genes, aplicando algoritmos que analisam as correlações de vias moleculares e
a sua interação com o organismo estudado (SUBRAMANIAN et al., 2005).
1.6.2 ANÁLISE E OTIMIZAÇÃO DE ESTUDOS GENÉTICOS UTILIZANDO A

BIOINFORMÁTICA
Segundo dados do IBGE, publicados no diário oficial em 2019, a

população Brasileira está estimada em mais de 210 milhões de pessoas. A partir
desse número, podemos projetar que 1% dos indivíduos no país tenha autismo,
ou seja, ± 2 milhões de pessoas (MURPHY et al., 2016).
Em média, uma pesquisa Brasileira voltada para análise genética, que
tenha uma margem de erro de ± 5%, teria que avaliar centenas de voluntários.
Baseado na margem de erro citada, o número amostral mínimo de indivíduos
com autismo seria de aproximadamente 385 voluntários, garantindo um grau de
confiança de 95% ao processo de pesquisa:
n=N.Z2.p.(1-p) / Z2.p.(1-p) + e2.N-1 (1)
Representação matemática para o cálculo: Estimativa da população específica a ser

medida (N), variável do nível de confiança (Z), probabilidade do evento (p) e a margem
de erro da amostra (e), resultando no número de pessoas a serem analisadas (n).
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.
1.6.3 IDENTIFICAÇÃO DE BIOMARCADORES E SEUS IMPACTOS NA

SAÚDE PÚBLICA E NO TRATAMENTO PERSONALIZADO
Para considerarmos algo como biomarcador eficaz, precisa-se possuir

especificidade para uma determinada condição ou doença. Há uma variabilidade
de biomarcadores, que podem ser de origem bioquímica, genética ou
morfológica (BEVERSDORF, 2016). Dessa forma, um biomarcador pode auxiliar
na identificação da causa, diagnóstico, progressão, regressão e predisposição a
uma determinada neuropatologia ou neuroatipicidade.
Houve um crescimento nos últimos anos em relação a identificação de
biomarcadores, implicando no crescente impacto destes na saúde pública, não
somente financeiro, mas também por abrirem precedentes para um diagnóstico
mais preciso (SECHIDIS et al., 2018). Este avanço tecnológico favorece o
desenvolvimento de novos fármacos que poderão ser utilizados para tratar
determinada doença ou condição de um indivíduo, viabilizando a ascensão de
tratamentos personalizados (COHEN et al., 2015). Contudo, ainda não há um
biomarcador validado para o autismo, o que torna o processo de identificação
desses indivíduos um desafio para a identificação precoce e para a pesquisa
científica (KLIN, 2018).
15
2. OBJETIVO
2.1 OBJETIVO GERAL
Realizar uma análise de marcadores moleculares relacionados ao

autismo com o auxílio de ferramentas de bioinformática.
2.2 OBJETIVOS ESPECÍFICOS
2.2.1. Identificar genes relacionados ao autismo;

2.2.2 Determinar a relação molecular entre os genes identificados no
autismo e as atipicidades dos processos neurobiológicos;
2.2.3. Avaliar a convergência dos dados genéticos em vias moleculares
comuns;
2.2.4. Analisar a influência das vias moleculares identificadas e possíveis
biomarcadores para o autismo.
16
3. METODOLOGIA
Figura 5. Fluxograma apresentando as principais etapas da metodologia computacional

empregada no presente estudo
17
3.1 LEVANTAMENTO DE DADOS
A primeira etapa da pesquisa consistiu em um levantamento dos dados

genéticos hospedados em biobancos específicos para genes que apresentaram
relação com o autismo. Estes biobancos são: AUTDB,
http://autism.mindspec.org/autdb/WC_About.do (Pereanu, 2018); Harmonizome,
https://amp.pharm.mssm.edu/Harmonizome/ (CHEN et al., 2009); AutismKB 2.0,
http://db.cbi.pku.edu.cn/autismkb_v2/index.php (YANG et al., 2018) e o
ToppGene, https://toppgene.cchmc.org/help/supplimental.jsp (ROUILLARD et
al., 2016).
Esses biobancos analisam o número de publicações relacionadas para
cada gene e os vinculam aos dados dos indivíduos analisados com o transtorno.
Dessa forma, são atribuídas pontuações (Score) para mensurar um possível
impacto da variante genética no autismo.
Posteriormente ao levantamento, realizou-se a acuracidade dos dados.
Os mesmos foram verificados por meio de uma análise comparativa entre todos
os biobancos e os scores (pontuação) dos genes contidos no Sfari Gene,
https://gene.sfari.org/ (BANERJEE-BASU; PACKER, 2010). Dentre todos os
biobancos, o Sfari Gene é o mais bem descrito na literatura e recorrentemente
atualizado.
3.2 ANÁLISE GENÉTICA UTILIZANDO FERRAMENTAS DE

BIOINFORMÁTICA
3.2.1 ANÁLISE FENOTÍPICA E ANOTAÇÃO FUNCIONAL
Os dados genéticos validados foram sobrepostos em análises de

enriquecimento biológicos. A partir da anotação funcional, é possível
compreender quantos genes estão correlacionados a um determinado traço
observado, bem como entender a dinâmica dessas interações no autismo.
A análise fenotípica e anotação funcional foram realizadas utilizando o
programa Toppgene (https://toppgene.cchmc.org/). Essa ferramenta gera a
representação funcional dos dados inseridos (Figura 6). O valor de p é gerado a
partir das anotações estatísticas baseadas no Teste G, utilizando a amostragem
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).
Figura 6. Interface gráfica da ferramenta ToppGene Suite.
3.2.2 ANÁLISE DE EXPRESSÃO GÊNICA
A análise da expressão gênica em diversos tecidos do sistema nervoso

central foi realizada no Enrichr (http://amp.pharm.mssm.edu/Enrichr/). O Enrichr
permite o acesso a 32 bibliotecas de dados genéticos, metabólicos e
proteômicos, a partir de uma única análise (CHEN et al., 2013). Essa ferramenta
possui quatro pontuações distintas para classificar a significância de um
resultado: Valor de p, q-valor, Z-score e pontuação combinada (Figura 7). O
score significativo foi baseado na pontuação combinada entre os três valores
gerados (valor de p, q-valor e Z-score):
C = ln(p) * z (2)
onde c é o score combinado, p é o valor calculado usando o teste exato de
19
Fisher e z é o score computado para avaliar o desvio da classificação esperada.
Figura 7. Interface gráfica da ferramenta Enrichr.
Posteriormente a análise de expressão gênica por tecido foi

complementada pela análise de expressão gênica. A ferramenta CSEA (Cell-type
Specific Expression Analysis) Tool (http://genetics.wustl.edu/jdlab/csea-tool-2/)
foi desenvolvida pelo Department of Genetics & Department of Psychiatry, da
Washington University School of Medicine (XU et al., 2014). Por meio desse
programa, analisou-se quais células do sistema nervoso central expressavam os
genes implicados no autismo (Figura 8).
O CSEA Tool utiliza os dados genéticos inseridos pelo usuário e os
compara com as análises transcriptômicas do BrainSpan: Atlas of the Developing
Human Brain (https://www.brainspan.org/).
20
Figura 8. Interface gráfica da ferramenta CSEA Tool.
3.2.3 SIMILARIDADE FUNCIONAL
A similaridade funcional é uma metodologia baseada na classificação do

conjunto de genes. Essa análise foi realizada na ferramenta MsingDB
(SUBRAMANIAN et al., 2005). Os genes foram classificados de acordo com as
características comuns, como atividade funcional e bioquímica (Figura 09).
21
Figura 9. Interface gráfica da ferramenta MSingDB.
3.2.4 ANÁLISE DE ENRIQUECIMENTO FUNCIONAL DE GENES

SINDRÔMICOS, NÃO SINDRÔMICOS E CONVERGÊNCIA DE VIAS
BIOLÓGICAS
Utilizando a ferramenta NetworkAnalyst (https://www.networkanalyst.ca/),

realizamos o enriquecimento de vias comuns entre os genes (Figura 10). Essa
ferramenta consolida informações de plataformas que armazenam dados de vias
moleculares, baseando-se no biobanco REACTOME (ZHOU et al., 2019).
Inicialmente a análise de enriquecimento de vias comuns foi subdividida,
buscando identificar vias comuns aos genes sindrômicos e aos genes não
sindrômicos separadamente.
22
Figura 10. Interface gráfica da ferramenta NetworkAnalyst
3.2.5 VALIDAÇÃO DA FERRAMENTA DE ENRIQUECIMENTO FUNCIONAL
Embora a ferramenta NetworkAnalyst esteja bem descrita na literatura,

optou-se por realizar-se uma contraprova na ferramenta Enrichr, com o objetivo
de demonstrar que o algoritmo da ferramenta NetworkAnalyst gerou resultados
confiáveis e reprodutíveis em outras ferramentas.
Dessa forma, selecionou-se somente os dados implicados no autismo
sindrômico (171 genes), visamos minimizar ruídos em testes múltiplos, já que as
análises contendo um número menor que 25 genes ou maior do que 500 genes
podem conter inconsistências de normalização de dados, ou seja, maior
probabilidade de identificação de resultados falso positivos (SUBRAMANIAN et
al., 2005). A validação foi realizada utilizando três bibliotecas distintas: KEGG,
BIOCARTA e NCI-Nature.
3.2.6 ANÁLISE DE SUB-REDE COMUM ENTRE OS DOIS GRUPOS

GENÉTICOS
Uma sub-rede foi gerada, buscando em uma terceira análise, utilizando

a ferramenta NetworkAnalyst (Figura 10), onde é possível identificar vias
23
sobrepostas e comuns aos dois grupos de genes (Genes sindrômicos e não
sindrômicos), assim indicando a interação entre as vias biológicas.
3.2.7 ANÁLISE DE INTERAÇÃO PROTEÍNA-PROTEÍNA
A análise de interação proteína-proteína foi realizada a partir das análises

na ferramenta Toppgene (https://toppgene.cchmc.org/), posteriormente
complementadas pela análise de interação de rede proteica na ferramenta
STRING (SZKLARCZYK et al., 2018) (Figura 11).
Figura 11. Interface gráfica da ferramenta STRING.
24
4. RESULTADOS
4.1 IDENTIFICAÇÃO DE GENES CANDIDATOS
O levantamento inicial, utilizando os biobancos, gerou 2.620 genes

candidatos. Posteriormente nossa validação de dados foi realizada utilizando o
Sfari Gene, permitindo a redução do número de genes para 1.054, em uma
primeira análise.
Contudo, os 1.054 genes selecionados foram novamente avaliados, onde
somente aqueles classificados no Sfari gene com Score 1 (alta confiança), 2
(Candidato Forte), 3 (evidência sugestiva), 4 (Evidência Mínima) e 5 (Hipótese)
foram selecionados e analisados. Esse processo de seleção permitiu um perfil
de confiança mais preciso (Tabela 1). Os genes com Score 6 (Evidência não
suportada) foram descartados. No total, 910 genes foram selecionados para as
análises subsequentes.
Tabela 1. Genes extraídos do Sfari Gene.
DADOS DO BIOBANCO SFARI GENE SCORE DE 1 A 6 SCORE DE 1 A 5

GENES SINDRÔMICOS 171 171
GENES NÃO SINDRÔMICOS 883 739
TOTAL 1.054 910
4.2 MATRIZ DE SOBREPOSIÇÃO COMPUTACIONAL E

CLASSIFICAÇÃO DE SIMILARIDADE FUNCIONAL DE GENES
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
Dos 258 genes classificados, 76% estão implicados em processos de

migração, crescimento, diferenciação ou no ciclo celular.
A análise também apontou que 4% eram genes relacionados as citocinas
e aos fatores de crescimento, 41% dos genes codificavam fatores de transcrição
e, 7% codificadores de proteínas homeodomínio (genes homeobox), 8% são
marcadores de diferenciação celular, 16% eram codificadores de proteínas
quinases, 9% dos genes estavam relacionados ao câncer gerados por
translocação cromossômica, 11% eram proto-oncogenes e 5% eram
supressores de tumorais.
Esses dados foram reforçados em uma segunda análise, utilizando o
enriquecimento funcional, por meio da ferramenta MsigDB (Tabela 3). Os valores
FDR foram ajustados para retornar resultados com p<0,01, dessa forma, dos 910
genes inseridos, 882 foram identificados em sobreposições computacionais em
processos celulares.
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
4.3 ANÁLISE DO FENÓTIPO HUMANO E ANOTAÇÃO

FUNCIONAL
Posteriormente ao processo de identificação dos genes, a ferramenta

Toppgene foi utilizada na análise dos 910 genes selecionados. Dessa forma,
visamos compreender mais especificamente as alterações que esses genes
podem ocasionar e a implicação no fenótipo humano.
Os resultados apresentaram os dados genéticos que foram inseridos na
ferramenta, juntamente com os genes já armazenados no próprio banco de
dados e que estão relacionados a algum fenótipo (Tabela 4) ou processo
biológico (Tabela 5).
Podemos observar que houve significância estatística (p<0,01) na
correlação gene e fenótipo para o autismo, confirmando a interrelação do
conjunto de genes inseridos na ferramenta e o transtorno. Esses achados
demonstram que diversos genes podem contribuir para predispor ao fenótipo
autista e comportamentos associados.
Os dados também apresentam relação entre os genes implicados no
autismo e as comorbidades comumente relacionadas (Tabela 6), como a
hiperatividade, déficit de atenção, epilepsia, deficiência intelectual, estereotipias
e interações sociais prejudicadas.
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
Os processos biológicos apontados pela análise (Tabela 5) apresentaram

sinergismo com o resultado fenotípico (Tabela 4), reforçando os dados obtidos
por meio da análise do conjunto de genes utilizado.
Embora todos os resultados sejam significativos, podemos destacar os
processos biológicos envolvidos no comportamento, no aprendizado
(conhecimento) e na memorização. A neurogênese e o desenvolvimento do
sistema nervoso central correlacionaram-se com os resultados apontados
inicialmente (Tabela 2 e 3).
28
Tabela 5. Processos biológico envolvendo os genes analisados.
PROCESSOS BIOLÓGICOS p-VALOR GENES DE ENTRADA

Comportamento 7,465E-60 150
Conhecimento 8,914E-40 86
Aprendizagem ou memória 3,525E-39 81
Neurogênese 3,919E-35 202
Comportamento social 2,727E-32 36
Diferenciação neuronal 3,183E-31 177
Desenvolvimento da cabeça 1,576E-32 125
Regulação do potencial de membrana 5,555E-32 84
Desenvolvimento do cérebro 8,365E-28 118
Morfogênese celular envolvida na diferenciação 2,046E-22 116
Via de sinalização do receptor de glutamato 5,431E-24 33
Comportamento locomotor 3,013E-20 55
Transporte transmembranar de ions 5,931E-20 129
Transmissão sináptica, glutamatérgica 2,759E-19 33
Desenvolvimento dendrito 5,583E-19 54
Regulação da plasticidade sináptica 1,374E-18 45
Os dados gerados por meio da sobreposição genética (Tabela 6)

apresentaram convergência genética entre doenças neurológicas e transtornos
do neurodesenvolvimento.
Os resultados estatísticos (p<0,01) indicaram a esquizofrenia, transtorno
bipolar, deficiência intelectual e a epilepsia como transtornos que apresentam
sobreposições genéticas similares.
29
Tabela 6. Sobreposição genética entre os genes do autismo e outras doenças
neurológicas e neuroatipicidades.
DOENÇAS E NEUROATIPICIDADES p-VALOR GENES DE ENTRADA

Transtorno Autista 5,689E-205 284
Distúrbios do Espectro Autista 5,655E-168 218
Deficiência Intelectual 1,073E-72 221
Transtorno Global do Desenvolvimento 2,883E-72 79
Esquizofrenia 3,42E-65 246
Transtorno bipolar 4,003E-52 153
Epilepsia 1,068E-42 163
Transtornos de Ansiedade 6,099E-35 92
Transtorno Depressivo Maior 6,779E-32 102
Depressão unipolar 8,269E-31 91
Ansiedade 2,231E-30 92
Transtorno do déficit de atenção e hiperatividade 5,549E-32 80
Doença de Alzheimer 7,629E-21 190
Comportamento autista 2,043E-16 21
Doença de Parkinson 4,409E-15 111
Hipotonia muscular 5,708E-15 82
Atraso de Linguagem 1,652E-14 34
Transtorno Obsessivo-Compulsivo 2,193E-14 32
Transtorno da Personalidade Borderline 1,404E-13 32
Comprometimento da memória 2,426E-13 46
4.4 ANÁLISE DA EXPRESSÃO GÊNICA TECIDUAL E DE

CÉLULAS NERVOSAS
Utilizando a ferramenta CSEA-tool, analisou-se a expressão dos genes

associados ao autismo durante o desenvolvimento fetal (Tabela 7), com maior
expressão em células provenientes do sistema nervoso central (p=1,23e-07).
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)
Rim 0,922 (0,996) 0,55 (0,999) 0,905 (1,0) 1,0 (1,0)
Fígado 0,908 (0,996) 0,644 (0,999) 0,285 (1,0) 0,651 (1,0)
Pulmão 0,251 (0,621) 0,21 (0,835) 0,48 (1,0) 0,345 (1,0)
Músculo 0,874 (0,996) 0,979 (0,999) 0,776 (1,0) 1,0 (1,0)
Nervo 0,0008422 (0,005) 0,055 (0,341) 0,609 (1,0) 1,0 (1,0)

Pâncreas 0,844 (0,996) 0,992 (0,999) 1,0 (1,0) 1,0 (1,0)
Próstata 0,016 (0,081) 0,453 (0,999) 0,864 (1,0) 1,0 (1,0)
Pele 0,996 (0,996) 0,999 (0,999) 0,98 (1,0) 0,879 (1,0)
Estômago 0,99 (0,996) 0,982 (0,999) 1,0 (1,0) 1,0 (1,0)

Tiroide 0,105 (0,292) 0,461 (0,999) 0,97 (1,0) 0,765 (1,0)
*Os valores nas tabelas são os valores p exatos de Fisher, seguidos pelos valores corrigidos de
Benjamini-Hochberg (BH), entre parênteses.
Conforme observado na Tabela 7, os genes implicados no autismo estão

mais expressos em regiões cerebrais. A partir desse resultado, foi analisado, in
silico, utilizando a ferramenta CSEA-tool, a expressão gênica em células
específicas no sistema nervoso central humano.
A tipificação celular indicou alta expressão nos neurônios do estriado, tipo
D1 (p=5.947e-04) e tipo D2 (p=1.292e-05). Especificamente nos neurônios
espinhosos médios (Figura 12). Essas células GABAérgicas apresentam três
perfis por ativação dopaminérgica DRD1, DRD2 ou ambos. A análise celular
também identificou a expressão gênica em interneurônios corticais (Pnoc +, Cort
+), bem como, em neurônios das camadas 5b e 6 dos córtex.
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.
4.5 ANÁLISE NETWORKANALYST
4.5.1 ANÁLISE DE SOBREPOSIÇÃO DE REDE UTILIZANDO GENES

NÃO SINDRÔMICOS
Com o objetivo de compreender a sobreposição genética que contribuem

para a fenomenologia do autismo, os genes sindrômicos e não sindrômicos
(Tabela 1) foram subdivididos em duas análises distintas. Dessa forma, foi
possível compreender os processos comuns aos dois grupos genéticos.
Com a utilização da ferramenta NetworkAnalyst, realizou-se o
enriquecimento funcional dos genes relacionados ao autismo não sindrômico,
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.
Os resultados apresentam um grande conjunto de genes envolvidos na

sinalização do cálcio (P=3,49e-9), destacando também resultados significativos
relacionado com as sinapses a glutamatérgica (P=6,74e-4) e potenciação De
Longo Prazo (P=0,00309)
Os demais resultados do enriquecimento de vias moleculares também
foram extremamente significativos, entretanto a Sinapse Gabaérgica
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.
4.5.2 ANÁLISE DE SOBREPOSIÇÃO DE REDE UTILIZANDO GENES

SINDRÔMICOS
A análise dos genes sindrômicos seguiu os mesmos critérios da análise

de genes não sindrômicos (Figura 13). Os resultados indicaram a sinalização da
mTOR (P=0,00717) como uma via altamente significativa correlacionando os
genes alterados em síndromes associadas ao autismo (Figura 14).
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
FUNCIONAL
Os achados na rede de genes sindrômicos (Figura 15) foram validados

utilizando três bibliotecas que analisam a lista de genes fornecida por intermédio
da ferramenta Enrichr.
Essa metodologia nos permitiu realizar uma contraprova, validando o
resultado gerado pela ferramenta NetworkAnalyst e demonstrando que as
análises realizadas apresentam análise estatística de acordo com outras
ferramentas de enriquecimento de genes. É perceptível que a via de sinalização
mTOR é foi significativa nos três resultados de validação (Tabelas 8, 9 e 10).
A validação das vias biológicas por meio da biblioteca KEGG indica a
sinalização da via mTOR como a mais proeminente ao relacionar os genes
implicados no autismo sindrômico (Tabela 8).
Tabela 8. Análise de validação de vias biológicas KEGG realizada no Enrichr.
VIAS BIOLÓGICAS p-VALOR
Sinalização mTOR 0,000006387
Via De Sinalização Do Hormônio Tireoidiano 0,000006387
Glioma 0,0009362
Metabolismo Da Colina No Câncer 0,0009362
Potenciação A Longo Prazo 0,0009362
Caminho De Sinalização CAMP 0,001672
Via De Sinalização Da Neurotrofina 0,001831
Degradação De Lisina 0,001831
Sinapse Dopaminérgica 0,002475
Via De Regulação Da Longevidade 0,002832
A utilização da ferramenta Enrichr para validar os genes relacionados ao

autismo sindrômico evidenciou que há convergência na via molecular mTOR,
por meio da análise da biblioteca BIOCARTA (Tabela 9).
36
Tabela 9. Análise de validação de vias biológicas BIOCARTA realizada no Enrichr.
Sinalização mTOR 0,000003348

Regulação de PGC-1ª 0,01894
Controle da miogênese esquelética por HDAC e quinase

dependente de cálcio / calmodulina (CaMK) 0,01894
A hipertrofia do músculo esquelético é regulada via via AKT / Mtor 0,01943
CTCF: Primeiro Fator Nuclear Multivalente 0,01894
Fator de transcrição CREB e seus sinais extracelulares 0,09733
Hipóxia e p53 no sistema cardiovascular 0,09733
Via de Sinalização das Famílias com Proteína G 0,09733
Regulação de ck1 / cdk5 por receptores de glutamato tipo 1 0,09733
Regulação de eIF4e e p70 S6 Kinase 0,09733
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.
Eventos de sinalização mediados pela classe HDAC I 0,0009521
Via IFN-y 0,0009521
sinalização mTOR 0,0009521
Via p53 0,003275
Sinalização a jusante de ErbB1 0,03737
Via de sinalização PDGFR-beta 0,05355
Fator de transcrição E2F 0,04391
Regulação da ativação da família Ras 0,03737
Eventos de sinalização ErbB2 / ErbB3_Homo sapiens 0,05947
Regulação da sinalização nuclear SMAD2 / 3 0,05355
4.5.4 ANÁLISE DE INTERAÇÃO DE SUB-REDE UTILIZANDO

MÓDULOS INERENTE AO SISTEMA NERVOSO CENTRAL
Nossa última análise resultou na integração das redes sindrômicas e não

sindrômicas. Somente as vias comuns, ou mais significativas, como por exemplo,
a sinalização de cálcio, identificada somente na rede de genes não sindrômicos
e a via mTOR, identificada na rede sindrômica.
Dessa forma, identificou-se a atividade de sobreposição das redes. Os
pontos em azul (Figura 15) demonstram a interação genética entre todas as vias
evidenciadas em nossa análise.
A sinalização de cálcio (P=1.47e-8), mTOR (P=0.00669) e via colinérgica
(P=0.0512) parecem integrar os caminhos na sinalização sináptica de longo
prazo (P=2.86e-4) e interagir com as demais redes. Demonstrando que ambas
apresentam correlações em vias moleculares comuns entre os dois grupos
genéticos.
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
Ao todo, 45 vias biológicas foram evidenciadas na análise realizada pelo

NetworkAnalyst. Os genes que estavam presentes em mais de 10 vias foram
selecionados (Tabela 11). Esses resultados podem indicar que a alteração de um
único gene pode desempenhar um papel fundamental na desregulação de
dezenas de vias biológicas e nas funções celulares subjacentes ao autismo.
Tabela 11. Genes identificados em mais de 10 vias biológicas.
GENES PRESENTES EM MAIS DE UMA VIA VIAS RELACIONADAS
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
A análise de interação foi realizada utilizando a ferramenta Toppgene,

para avaliar com quais genes interagem entre si ou com outros genes que não
estão inseridos em nossa amostra extraída dos biobancos (Tabela 1).
O resultado da análise demonstrou que dos 910 genes inseridos na
análise, 52% interagem com 45 genes apontados na análise (Tabela 12). Quando
filtramos os 52% dos genes indicados, baseando-se na pontuação que o Sfari
Gene atribui para cada gene, identificamos que 60% dos genes de score 1
estavam em nossa análise, seguindo respectivamente por 74% (Score 2), 58%
(Score 3), 47% (Score 4) e 48% (Score 5).
O destaque dessa análise são as interações proteína-proteína que
identificaram dentre as 45 proteínas (Tabela 12) que interagem com os dados
inseridos em nossa análise, 33 que estão registrados no Sfari gene.
Evidencia-se que as proteínas: SYNGAP1, SHANK3, FMR1, GRIN2B,
KMT2A, SHANK2, CTNNB1, CASK, TSC1, IQSEC2 e DLG4, com score 1;
GRIA1, GRIP1, DLG2, ERBIN, AGAP2, DLGAP1, GRIN1, GRIK2, CYFIP1,
SHANK1, NCOR1 e GRIN2A, com score 2; PRKCA, DLG1, PCDHA10, GRID2,
DLGAP2, PATJ, DLGAP3, ANKS1B, HOMER1, CAMK2A e PCDHA6, com score
3, são as moléculas centralizadoras da maioria das interações com as moléculas
implicadas no autismo.
Tabela 12. Iteração 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
Embora a sintomatologia do autismo se sobreponha aos diversos

transtornos e síndromes associadas, o seu diagnóstico clínico baseado em
indicadores comportamentais expõe a existência de uma convergência entre
diversas vias moleculares, onde indivíduos autistas, distintos em seu perfil
genético, têm o mesmo diagnóstico (DEROSA et al., 2018).
Em nosso estudo, 910 genes candidatos implicados no autismo foram
analisados e inicialmente observou-se a classificação funcional dos genes.
Nossos resultados indicaram que o conjunto de genes fornecidos foram
classificados como codificadores de proteínas implicadas na especialização
celular, migração e no reparo do DNA. É interessante observarmos que esses
genes estão, em grande parte, exercendo funções regulatórias ao orquestrar a
neurogênese. Esses dados apoiam outros estudos recentes que sugerem que o
autismo é complexo em sua origem evolutiva, sinalizando que esses genes
possuem características comuns que antecedem a vida multicelular, por
auxiliarem na regulação do desenvolvimento (YOSHIZAWA et al., 2018;
CASANOVA et al., 2019).
Conforme indicado em nossos resultados, a maioria dos genes implicados
no autismo codificam proteínas que atuam a nível sináptico. Esses genes
regulatórios são particularmente críticos no transtorno, tendo em vista que em
alguns casos são altamente penetrantes no autismo idiopático (ex: CHD8 e
ADNP) e sindrômico (ex: TSC1, TSC2 e FMR1). Esses genes regulam a
maturação sináptica, bem como, a modulação da expressão gênica, predispondo
os indivíduos a alterações na progressão celular e na conformação da
neuroarquitetura (CASANOVA et al., 2016). Esses dados são reforçados por
outros estudos, entre eles, uma análise transcriptômica de minicérebros
provenientes de indivíduos com autismo, cultivados por 135 dias, que indicou
alterações em genes envolvidos na diferenciação celular (DEROSA et al., 2018).
Atualmente, compreende-se que os mecanismos citológicos podem
convergir em assinaturas moleculares similares entre o autismo e o câncer, o
que evidencia a importância dos genes reguladores. Esses resultados estão de
acordo com novos estudos que abordam essa conexão, apontando correlação
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.
• Análise de enriquecimento funcional indicou que o autismo pode estar

relacionado com uma possível hiperatividade da via mTOR (P=0.00669).
Sugere-se que alteração dos mecanismos celulares que medeiam a
proliferação, diferenciação e migração celular podem resultar em
atividades desordenada dos neuroprogenitores e da manutenção do
sistema nervoso central. Dessa forma ocasionando a fenomenologia do
transtorno do espectro autista.
• A análise laboratorial, através de testes bioquímicos na dosagem da

proteína mTOR pode contribuir para a identificação mais precisa de
subtipos de autismo, auxiliando no diagnóstico precoce.
6.2 PERSPECTIVAS
Nossos achados abrem um amplo espectro de possibilidades, indicando

uma potencial contribuição para o diagnóstico precoce.
Baseando em nossos resultados, o desenvolvimento de um teste
bioquímico ou de expressão gênica dos alvos identificados (RAS-MAPK, PI3K-
AKT e mTOR), seria de grande valia para o diagnóstico de indivíduos com
autismo, auxiliando na prática clínica.
Além do diagnóstico, o desenvolvimento de um potencial inibidor da via
mTOR também seria uma alternativa farmacológica. Essa abordagem poderia
minimizar os sintomas envolvidos no transtorno, melhorando a qualidade de vida
desses indivíduos.
53
7. REFERÊNCIAS BIBLIOGRÁFICAS
A CROEN, Lisa; ZERBO, Ousseny; QIAN, Yinge; MASSOLO, Maria L; RICH,

Steve; SIDNEY, Stephen; KRIPKE, Clarissa. The health status of adults on the
autism spectrum. Autism, [s.l.], v. 19, n. 7, p.814-823, 24 abr. 2015. SAGE
Publications. http://dx.doi.org/10.1177/1362361315577517.
A WAGNER, J; A WILLIAMS, S; WEBSTER, C J. Biomarkers and Surrogate End

Points for Fit-for-Purpose Development and Regulatory Evaluation of New
Drugs. Clinical Pharmacology & Therapeutics, [s.l.], v. 81, n. 1, p.104-107, jan.
2007. Springer Nature. http://dx.doi.org/10.1038/sj.clpt.6100017.
AGOSTINI, M; ROMEO, F; INOUE, S; NIKLISON-CHIROU, M V; ELIA, A J;

DINSDALE, D; MORONE, N; A KNIGHT, R; MAK, T W; MELINO, G. Metabolic
reprogramming during neuronal differentiation. Cell Death & Differentiation, [s.l.],
v. 23, n. 9, p.1502-1514, 8 abr. 2016. Springer Science and Business Media LLC.
http://dx.doi.org/10.1038/cdd.2016.36.
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.
ALVES, Vinicius; BRAGA, Rodolpho; MURATOV, Eugene; ANDRADE,

Carolina. Development of Web and Mobile Applications for Chemical Toxicity
Prediction. Journal Of The Brazilian Chemical Society, [s.l.], p.1-16, 2018.
Sociedade Brasileira de Quimica (SBQ). http://dx.doi.org/10.21577/0103-
5053.20180013.
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.
BAEK, Seung Tae; COPELAND, Brett; YUN, Eun-jin; KWON, Seok-kyu;

GUEMEZ-GAMBOA, Alicia; SCHAFFER, Ashleigh e; KIM, Sangwoo; KANG,
Hoon-chul; SONG, Saera; MATHERN, Gary W. An AKT3-FOXG1-reelin network
underlies defective migration in human focal malformations of cortical
development. Nature Medicine, [s.l.], v. 21, n. 12, p.1445-1454, 2 nov. 2015.
Springer Science and Business Media LLC. http://dx.doi.org/10.1038/nm.3982.
BAHADO-SINGH, Ray O.; VISHWESWARAIAH, Sangeetha; AYDAS, Buket;

MISHRA, Nitish K.; YILMAZ, Ali; GUDA, Chittibabu; RADHAKRISHNA, Uppala.
Artificial intelligence analysis of newborn leucocyte epigenomic markers for the
prediction of autism. Brain Research, [s.l.], v. 1724, p.14-26, dez. 2019. Elsevier
BV. http://dx.doi.org/10.1016/j.brainres.2019.146457.
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.
BANERJEE-BASU, S.; PACKER, A. SFARI Gene: an evolving database for the

autism research community. Disease Models & Mechanisms, [s.l.], v. 3, n. 3-4,
p.133-135, 1 mar. 2010. The Company of Biologists.
http://dx.doi.org/10.1242/dmm.005439.
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.
BERTOLI, Cosetta; SKOTHEIM, Jan M.; BRUIN, Robertus A. M. de. Control of

cell cycle transcription during G1 and S phases. Nature Reviews Molecular Cell
Biology, [s.l.], v. 14, n. 8, p.518-528, 23 jul. 2013. Springer Science and Business
Media LLC. http://dx.doi.org/10.1038/nrm3629.
BEVERSDORF, David Q.. Phenotyping, Etiological Factors, and

Biomarkers. Journal Of Developmental & Behavioral Pediatrics, [s.l.], v. 37, n. 8,
p.659-673, out. 2016. Ovid Technologies (Wolters Kluwer Health).
http://dx.doi.org/10.1097/dbp.0000000000000351.
BIKADI, Zsolt; HAZAI, Eszter. Application of the PM6 semi-empirical method to

modeling proteins enhances docking accuracy of AutoDock. Journal Of
Cheminformatics, [s.l.], v. 1, n. 1, p.1-20, 11 set. 2009. Springer Science and
Business Media LLC. http://dx.doi.org/10.1186/1758-2946-1-15.
BRASIL. Lei nº 10.764, de 27 de dezembro de 2012. Institui a Política Nacional

de Proteção dos Direitos da Pessoa com Transtorno do Espectro Autista; e altera
o § 3º do art. 98 da Lei nº 8.112, de 11 de dezembro de 1990. Diário Oficial [da]
RepúblicaFederativa do Brasil, Brasília, DF, 2012. BRASIL. Ministério
BRASIL. Ministério da Saúde. Secretaria de Atenção à Saúde. Departamento de

Ações Programáticas Estratégicas.Diretrizes de Atenção à Reabilitação da
Pessoa com Transtorno do Espectro Autista (TEA). Brasília: Ministério da Saúde,
2014. 86 p.
BRISSON J, Warreyn P, Serres J, Foussier S, Adrien-Louis J. Motor anticipation

failure in infants with autism: a retrospective analysis of feeding situations.
Autism. 2012;16(4):420-9
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.
CARRIÈRE, Audrey; CARGNELLO, Marie; JULIEN, Louis-andré; GAO,

Huanhuan; BONNEIL, Éric; THIBAULT, Pierre; ROUX, Philippe P.. Oncogenic
MAPK Signaling Stimulates mTORC1 Activity by Promoting RSK-Mediated
Raptor Phosphorylation. Current Biology, [s.l.], v. 18, n. 17, p.1269-1277, set.
2008. Elsevier BV. http://dx.doi.org/10.1016/j.cub.2008.07.078.
CASANOVA, Emily L.; SHARP, Julia L.; CHAKRABORTY, Hrishikesh; SUMI,

Nahid Sultana; CASANOVA, Manuel F.. Genes with high penetrance for
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.
CASANOVA, Emily L.; SWITALA, Andrew E.; DANDAMUDI, Srini; HICKMAN,

Allison R.; VANDENBRINK, Joshua; SHARP, Julia L.; FELTUS, Frank Alex;
CASANOVA, Manuel F.. Autism risk genes are evolutionarily ancient and
maintain a unique feature landscape that echoes their function. Autism Research,
[s.l.], v. 12, n. 6, p.860-869, 26 abr. 2019. Wiley.
http://dx.doi.org/10.1002/aur.2112.
CHAIDEZ, Virginia; HANSEN, Robin L.; HERTZ-PICCIOTTO, Irva.

Gastrointestinal Problems in Children with Autism, Developmental Delays or
Typical Development. Journal Of Autism And Developmental Disorders, [s.l.], v.
44, n. 5, p.1117-1127, 6 nov. 2013. Springer Nature.
http://dx.doi.org/10.1007/s10803-013-1973-x.
CHEN, Edward y; TAN, Christopher M; KOU, Yan; DUAN, Qiaonan; WANG,

Zichen; MEIRELLES, Gabriela; CLARK, Neil R; MA’AYAN, Avi. Enrichr:
interactive and collaborative HTML5 gene list enrichment analysis tool. Bmc
Bioinformatics, [s.l.], v. 14, n. 1, p.128-137, 2013. Springer Science and Business
Media LLC. http://dx.doi.org/10.1186/1471-2105-14-128.
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.
CHEN, Jason A.; PEÑAGARIKANO, Olga; BELGARD, T. Grant; SWARUP, Vivek;

GESCHWIND, Daniel H.. The Emerging Picture of Autism Spectrum Disorder:
Genetics and Pathology. Annual Review Of Pathology: Mechanisms of Disease,
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.
CHEN, Jianling; ALBERTS, Ian; LI, Xiaohong. Dysregulation of the IGF-

I/PI3K/AKT/mTOR signaling pathway in autism spectrum disorders. International
Journal Of Developmental Neuroscience, [s.l.], v. 35, p.35-41, jun. 2014. Elsevier
BV. http://dx.doi.org/10.1016/j.ijdevneu.2014.03.006.
CHEN, Shao-wei; ZHONG, Xue-shan; JIANG, Li-na; ZHENG, Xue-yan; XIONG,

Yi-quan; MA, Shu-juan; QIU, Min; HUO, Shu-ting; GE, Jing; CHEN,
Qing. Maternal autoimmune diseases and the risk of autism spectrum disorders
in offspring: A systematic review and meta-analysis. Behavioural Brain Research,
[s.l.], v. 296, p.61-69, jan. 2016. Elsevier BV.
http://dx.doi.org/10.1016/j.bbr.2015.08.035.
CHISHOLM, Katharine; LIN, Ashleigh; ABU-AKEL, Ahmad; WOOD, Stephen

J.. The association between autism and schizophrenia spectrum disorders: A
review of eight alternate models of co-occurrence. Neuroscience & Biobehavioral
Reviews, [s.l.], v. 55, p.173-183, ago. 2015. Elsevier BV.
http://dx.doi.org/10.1016/j.neubiorev.2015.04.012.
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.
CHRISTENSEN DL, Baio J, Wiggins L, Maenner MJ, Daniels J, Warren Z,

Kurzius-Spencer M, Zahorodny W, Robinson Rosenberg C, White T, Durkin MS,
Imm P, Nikolaou L, Yeargin-Allsopp M, Lee LC, Harrington R, Lopez M, Fitzgerald
RT, Hewitt A, Pettygrove S, Constantino JN, Vehorn A, Shenouda J, Hall-Lande
59
J, Van Naarden Braun K, Dowling NF. MMWR Surveill Summ. 2018 Apr
27;67(6):1-23. doi: 10.15585/mmwr.ss6706a1.
COHEN, A.f.; BURGGRAAF, J.; VAN GERVEN, J.m.a.; MOERLAND, M.;

GROENEVELD, G.j.. The Use of Biomarkers in Human Pharmacology (Phase I)
Studies. Annual Review Of Pharmacology And Toxicology, [s.l.], v. 55, n. 1, p.55-
74, 6 jan. 2015. Annual Reviews. http://dx.doi.org/10.1146/annurev-pharmtox-
011613-135918.
COSTA, Veronica; AIGNER, Stefan; VUKCEVIC, Mirko; SAUTER, Evelyn;

BEHR, Katharina; EBELING, Martin; DUNKLEY, Tom; FRIEDLEIN, Arno;
ZOFFMANN, Sannah; MEYER, Claas A.. MTORC1 Inhibition Corrects
Neurodevelopmental and Synaptic Alterations in a Human Stem Cell Model of
Tuberous Sclerosis. Cell Reports, [s.l.], v. 15, n. 1, p.86-95, abr. 2016. Elsevier
BV. http://dx.doi.org/10.1016/j.celrep.2016.02.090.
COURCHESNE, Eric; CAMPBELL, Kathleen; SOLSO, Stephanie. Brain growth

across the life span in autism: Age-specific changes in anatomical pathology.
Brain Research, [s.l.], v. 1380, p.138-145, mar. 2011. Elsevier BV.
http://dx.doi.org/10.1016/j.brainres.2010.09.101.
CRAWLEY, Jacqueline N.; HEYER, Wolf-dietrich; LASALLE, Janine M.. Autism

and Cancer Share Risk Genes, Pathways, and Drug Targets. Trends In Genetics,
[s.l.], v. 32, n. 3, p.139-146, mar. 2016. Elsevier BV.
http://dx.doi.org/10.1016/j.tig.2016.01.001.
DAINA, Antoine; MICHIELIN, Olivier; ZOETE, Vincent. SwissTargetPrediction:

updated data and new features for efficient prediction of protein targets of small
molecules. Nucleic Acids Research, [s.l.], v. 47, n. 1, p.357-364, 20 maio 2019.
Oxford University Press (OUP). http://dx.doi.org/10.1093/nar/gkz382.
DEHAY, Colette; KENNEDY, Henry. Cell-cycle control and cortical

development. Nature Reviews Neuroscience, [s.l.], v. 8, n. 6, p.438-450, jun.
2007. Springer Science and Business Media LLC.
60
http://dx.doi.org/10.1038/nrn2097.
DEMILY, Caroline; POISSON, Alice; PEYROUX, Elodie; GATELLIER, Valérie;

NICOLAS, Alain; RIGARD, Caroline; SCHLUTH-BOLARD, Caroline;
SANLAVILLE, Damien; ROSSI, Massimiliano. Autism spectrum disorder
associated with 49,XYYYY: case report and review of the literature. Bmc Medical
Genetics, [s.l.], v. 18, n. 1, p.1-19, 31 jan. 2017. Springer Science and Business
Media LLC. http://dx.doi.org/10.1186/s12881-017-0371-1
DEROSA, Brooke A.; HOKAYEM, Jimmy El; ARTIMOVICH, Elena; GARCIA-

SERJE, Catherine; PHILLIPS, Andre W.; VAN BOOVEN, Derek; NESTOR,
Jonathan E.; WANG, Lily; CUCCARO, Michael L.; VANCE, Jeffery
M.. Convergent Pathways in Idiopathic Autism Revealed by Time Course
Transcriptomic Analysis of Patient-Derived Neurons. Scientific Reports, [s.l.], v.
8, n. 1, p.1-15, 30 maio 2018. Springer Science and Business Media LLC.
http://dx.doi.org/10.1038/s41598-018-26495-1.
Disorders in Children and Adolescents with Autistic Spectrum Disorders: A Meta-

Analysis. Clinical Child And Family Psychology Review, [s.l.], v. 14, n. 3, p.302-
317, 7 jul. 2011. Springer Nature. http://dx.doi.org/10.1007/s10567-011-0097-0.
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.
DURAND, Julia Garcia; GERALDINI, Stephania A. R. Batista; PASCHOAL, Ligia

Perez; CANGUEIRO, Larissa; MAMEDE, Denise Tamarozzi; BRITO, Tayná
Scandiuzzi de; MARQUES, Monique Vaz; DAVID, Vinicius; LERNER,
Rogério. Case-contrast study about parent-infant interaction in a Brazilian
sample of siblings of children with autism spectrum disorders. Infant Mental
Health Journal, [s.l.], v. 40, n. 2, p.289-301, mar. 2019. Wiley.
http://dx.doi.org/10.1002/imhj.21772.
DURKIN, Maureen S.; ELSABBAGH, Mayada; BARBARO, Josephine;

GLADSTONE, Melissa; HAPPE, Francesca; HOEKSTRA, Rosa A.; LEE, Li-
ching; RATTAZZI, Alexia; STAPEL-WAX, Jennifer; STONE, Wendy L.. Autism
screening and diagnosis in low resource settings: Challenges and opportunities
to enhance research and services worldwide. Autism Research, [s.l.], v. 8, n. 5,
p.473-476, out. 2015. Wiley. http://dx.doi.org/10.1002/aur.1575.
EGITO, Julia Horta Tabosa do; FERREIRA, Gabrielle Martins Ribeiro;

GONÇALVES, Manoela Izidoro; OSÓRIO, Ana Alexandra Caldas. Brief Report:
Factor Analysis of the Brazilian Version of the Adult Autism Spectrum
Quotient. Journal Of Autism And Developmental Disorders, [s.l.], v. 48, n. 5,
p.1847-1853, 4 dez. 2017. Springer Science and Business Media LLC.
http://dx.doi.org/10.1007/s10803-017-3424-6.
EL-ANSARY, Afaf; HASSAN, Wail M.; QASEM, Hanan; DAS, Undurti

N.. Identification of Biomarkers of Impaired Sensory Profiles among Autistic
Patients. Plos One, [s.l.], v. 11, n. 11, p.16-28, 8 nov. 2016. Public Library of
Science (PLoS). http://dx.doi.org/10.1371/journal.pone.0164153.
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.
FUJIWARA, Takeo; MORISAKI, Naho; HONDA, Yukiko; SAMPEI, Makiko; TANI,

Yukako. Chemicals, Nutrition, and Autism Spectrum Disorder: A Mini-
Review. Frontiers In Neuroscience, [s.l.], v. 10, p.1-23, 20 abr. 2016. Frontiers
Media SA. http://dx.doi.org/10.3389/fnins.2016.00174.
GALDINO, Marlene Pereira; PEGORARO, Luiz Fernando Longuim; SAAD, Laura

Olalla; GRODBERG, David; CELERI, Eloisa Helena Rubello Valler. Evidence of
Validity of the Autism Mental Status Examination (AMSE) in a Brazilian
Sample. Journal Of Autism And Developmental Disorders, [s.l.], p.1-27, 12 mar.
http://dx.doi.org/10.1007/s10803-018-3530-0.
GAMMILL, Laura S.; BRONNER-FRASER, Marianne. Neural crest specification:

migrating into genomics. Nature Reviews Neuroscience, [s.l.], v. 4, n. 10, p.795-
805, out. 2003. Springer Science and Business Media LLC.
http://dx.doi.org/10.1038/nrn1219.
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.
GILCHRIST, Kristin H.; HEGARTY-CRAVER, Meghan; CHRISTIAN, Robert B.;

GREGO, Sonia; KIES, Ashley C.; WHEELER, Anne C.. Automated Detection of
Repetitive Motor Behaviors as an Outcome Measurement in Intellectual and
Developmental Disabilities. Journal Of Autism And Developmental Disorders,
[s.l.], v. 48, n. 5, p.1458-1466, 21 nov. 2017. Springer Science and Business
Media LLC. http://dx.doi.org/10.1007/s10803-017-3408-6.
GKOGKAS, Christos G.; KHOUTORSKY, Arkady; RAN, Israeli; RAMPAKAKIS,

Emmanouil; NEVARKO, Tatiana; WEATHERILL, Daniel B.; VASUTA, Cristina;
YEE, Stephanie; TRUITT, Morgan; DALLAIRE, Paul. Autism-related deficits via
dysregulated eIF4E-dependent translational control. Nature, [s.l.], v. 493, n.
7432, p.371-377, 21 nov. 2012. Springer Science and Business Media LLC.
http://dx.doi.org/10.1038/nature11628.
GROVE, Jakob; RIPKE, Stephan; ALS, Thomas D.; MATTHEISEN, Manuel;

WALTERS, Raymond K.; WON, Hyejung; PALLESEN, Jonatan; AGERBO,
Esben; ANDREASSEN, Ole A.. Identification of common genetic risk variants for
autism spectrum disorder. Nature Genetics, [s.l.], v. 51, n. 3, p.431-444, 25 fev.
http://dx.doi.org/10.1038/s41588-019-0344-8.
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.
HICKS, Steven D.; MIDDLETON, Frank A.. A Comparative Review of microRNA

Expression Patterns in Autism Spectrum Disorder. Frontiers In Psychiatry, [s.l.],
v. 7, p.1-25, 4 nov. 2016. Frontiers Media SA.
http://dx.doi.org/10.3389/fpsyt.2016.00176.
HOEFFER CA, Klann E (2010) mTOR signaling: at the crossroads of plasticity,

memory and disease. Trends Neurosci. 33(2), 67–75.
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.
HOU, L.. Activation of the Phosphoinositide 3-Kinase-Akt-Mammalian Target of

Rapamycin Signaling Pathway Is Required for Metabotropic Glutamate Receptor-
Dependent Long-Term Depression. Journal Of Neuroscience, [s.l.], v. 24, n. 28,
p.6352-6361, 14 jul. 2004. Society for Neuroscience.
http://dx.doi.org/10.1523/jneurosci.0995-04.2004.
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.
HUANG, W. Chen, Y. and Page, D. T. (2019), Genetic Suppression of mTOR

Rescues Synaptic and Social Behavioral Abnormalities in a Mouse Model
of Pten Haploinsufficiency. Autism Research, 12: 1463-1471.
doi:10.1002/aur.2186
HUANG, Xiao; SAINT-JEANNET, Jean-pierre. Induction of the neural crest and

the opportunities of life on the edge. Developmental Biology, [s.l.], v. 275, n. 1,
p.1-11, nov. 2004. Elsevier BV. http://dx.doi.org/10.1016/j.ydbio.2004.07.033.
HUBER, K. M.; KLANN, E.; COSTA-MATTIOLI, M.; ZUKIN, R. S.. Dysregulation

of Mammalian Target of Rapamycin Signaling in Mouse Models of
Autism. Journal Of Neuroscience, [s.l.], v. 35, n. 41, p.13836-13842, 14 out. 2015.
Society for Neuroscience. http://dx.doi.org/10.1523/jneurosci.2656-15.2015.
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.
HUQUET G, Ey E, Bourgeron T. The genetic landscapes of autism spectrum

disorders. Annu Re Genomics Hum Genet. 2013.
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.
ILIEVA, Mirolyba; SVENNINGSEN, Åsa Fex; THORSEN, Morten; MICHEL, Tanja

Maria. Psychiatry in a Dish: Stem Cells and Brain Organoids Modeling Autism
Spectrum Disorders. Biological Psychiatry, [s.l.], v. 83, n. 7, p.558-568, abr. 2018.
Elsevier BV. http://dx.doi.org/10.1016/j.biopsych.2017.11.011.
IWAKURA, Yuriko; NAWA, Hiroyuki. ErbB1-4-dependent EGF/neuregulin signals

and their cross talk in the central nervous system: pathological implications in
schizophrenia and Parkinson's disease. Frontiers In Cellular Neuroscience, [s.l.],
v. 7, p.1-12, 2013. Frontiers Media SA.
http://dx.doi.org/10.3389/fncel.2013.00004.
JACOB, Sherin; THANGARAJAN, Sumathi. Effect of Gestational Intake of Fisetin

(3,3′,4′,7-Tetrahydroxyflavone) on Developmental Methyl Mercury Neurotoxicity
in F1 Generation Rats. Biological Trace Element Research, [s.l.], v. 177, n. 2,
p.297-315, 4 nov. 2016. Springer Nature. http://dx.doi.org/10.1007/s12011-016-
0886-x.
JACQUEMONT, Sébastien; COE, Bradley p.; HERSCH, Micha; DUYZEND,

Michael h.; KRUMM, Niklas; BERGMANN, Sven; BECKMANN, Jacques s.;
ROSENFELD, Jill a.; EICHLER, Evan e.. A Higher Mutational Burden in Females
Supports a “Female Protective Model” in Neurodevelopmental Disorders. The
American Journal Of Human Genetics, [s.l.], v. 94, n. 3, p.415-425, mar. 2014.
Elsevier BV. http://dx.doi.org/10.1016/j.ajhg.2014.02.001.
JANVIER, Yvette M; COFFIELD, Caroline N; HARRIS, Jill F; MANDELL, David

S; CIDAV, Zuleyha. The Developmental Check-In: Development and initial testing
of an autism screening tool targeting young children from underserved
communities. Autism, [s.l.], v. 23, n. 3, p.689-698, maio 2018. SAGE Publications.
http://dx.doi.org/10.1177/1362361318770430.
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.
JOSEPH, Lisa; FARMER, Cristan; CHLEBOWSKI, Colby; HENRY, Laura; FISH,

Ari; MANKIW, Catherine; XENOPHONTOS, Anastasia; CLASEN, Liv; SAULS,
Bethany; SEIDLITZ, Jakob. Characterization of autism spectrum disorder and
neurodevelopmental profiles in youth with XYY syndrome. Journal Of
Neurodevelopmental Disorders, [s.l.], v. 10, n. 1, p.327-345, 22 out. 2018.
018-9248-7.
KALKBRENNER, Amy E.; SCHMIDT, Rebecca J.; PENLESKY, Annie C..

Environmental Chemical Exposures and Autism Spectrum Disorders: A Review
of the Epidemiological Evidence. Current Problems In Pediatric And Adolescent
Health Care, [s.l.], v. 44, n. 10, p.277-318, nov. 2014. Elsevier BV.
http://dx.doi.org/10.1016/j.cppeds.2014.06.001.
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
KANDEL, E., SCHWARTZ, J., JESSELL, T., SIEGELBAUM, S., HUDSPETH, A.

J. Princípios da Neurociência. 5ª Ed., Editora Mcgraw-Hill/Artmed, Porto Alegre,
1528 p., 2014]
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
KELAVA, Iva; LANCASTER, Madeline A.. Dishing out mini-brains: Current

progress and future prospects in brain organoid research. Developmental
Biology, [s.l.], v. 420, n. 2, p.199-209, dez. 2016. Elsevier BV.
http://dx.doi.org/10.1016/j.ydbio.2016.06.037.
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.
KLIN, Ami. Biomarkers in Autism Spectrum Disorder: Challenges, Advances, and

the Need for Biomarkers of Relevance to Public Health. Focus, [s.l.], v. 16, n. 2,
p.135-142, abr. 2018. American Psychiatric Association Publishing.
http://dx.doi.org/10.1176/appi.focus.20170047.
KNUDSON, Alfred G.. Cancer genetics. American Journal Of Medical Genetics,

[s.l.], v. 111, n. 1, p.96-102, 15 jul. 2002. Wiley.
http://dx.doi.org/10.1002/ajmg.10320.
KOONIN, Eugene V. Computational genomics. Current Biology, [s.l.], v. 11, n. 5,

p.155-158, mar. 2001. Elsevier BV. http://dx.doi.org/10.1016/s0960-
9822(01)00081-1.
KOTAJIMA-MURAKAMI, Hiroko; KOBAYASHI, Toshiyuki; KASHII, Hirofumi;

SATO, Atsushi; HAGINO, Yoko; TANAKA, Miho; NISHITO, Yasumasa;
TAKAMATSU, Yukio; UCHINO, Shigeo; IKEDA, Kazutaka. Effects of rapamycin
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.
KWASNIK, Anna et al. Potential mechanisms of calcium dependent regulation of

the mammalian cell cycle revealed by comprehensive unbiased label-free nLC-
MS/MS quantitative proteomics. Journal Of Proteomics, [s.l.], v. 170, p.151-166,
jan. 2018. Elsevier BV. http://dx.doi.org/10.1016/j.jprot.2017.08.006.
LAPLANTE M, Sabatini DM (2013) Regulation of mTORC1 and its impact on

gene expression at a glance. J. Cell. Sci. 126(Pt 8), 1713–9.
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.
LIEBERMAN, Ori J.; PIGULEVSKIY, Irena; POST, Michael R; SULZER, David;

SANTINI, Emanuela. MTOR suppresses macroautophagy during postnatal
development of the striatum. Biorxiv, [s.l.], p.1-20, 31 jan. 2019. Cold Spring
Harbor Laboratory. http://dx.doi.org/10.1101/536680.
LIU, Qingsong; KIRUBAKARAN, Sivapriya; HUR, Wooyoung; NIEPEL, Mario;

WESTOVER, Kenneth; THOREEN, Carson C.; WANG, Jinhua; NI, Jing;
PATRICELLI, Matthew P.; VOGEL, Kurt. Kinome-wide Selectivity Profiling of ATP-
competitive Mammalian Target of Rapamycin (mTOR) Inhibitors and
Characterization of Their Binding Kinetics. Journal Of Biological Chemistry, [s.l.],
v. 287, n. 13, p.9742-9752, 5 jan. 2012. American Society for Biochemistry &
Molecular Biology (ASBMB). http://dx.doi.org/10.1074/jbc.m111.304485.
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.
LOMBARDO, Michael V.; LAI, Meng-chuan; BARON-COHEN, Simon. Big data

approaches to decomposing heterogeneity across the autism
spectrum. Molecular Psychiatry, [s.l.], v. 24, n. 10, p.1435-1450, 7 jan. 2019.
018-0321-0.
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.
MARCHETTO, M C; BELINSON, H; TIAN, y; FREITAS, B C; FU, C; VADODARIA,

K C; BELTRAO-BRAGA, P C; A TRUJILLO, C; MENDES, A P D;
PADMANABHAN, K. Altered proliferation and networks in neural cells derived
from idiopathic autistic individuals. Molecular Psychiatry, [s.l.], v. 22, n. 6, p.820-
72
835, 5 jul. 2016. Springer Science and Business Media LLC.
http://dx.doi.org/10.1038/mp.2016.95.
MARIANI, Jessica; COPPOLA, Gianfilippo; ZHANG, Ping; ABYZOV, Alexej;

PROVINI, Lauren; TOMASINI, Livia; AMENDUNI, Mariangela; SZEKELY, Anna;
PALEJEV, Dean; WILSON, Michael. FOXG1-Dependent Dysregulation of
GABA/Glutamate Neuron Differentiation in Autism Spectrum Disorders. Cell,
[s.l.], v. 162, n. 2, p.375-390, jul. 2015. Elsevier BV.
http://dx.doi.org/10.1016/j.cell.2015.06.034.
MARTINO, Adriana di; O’CONNOR, David; CHEN, Bosi; ALAERTS, Kaat;

ANDERSON, Jeffrey S.; ASSAF, Michal; BALSTERS, Joshua H.; BAXTER,
Leslie; BEGGIATO, Anita; BERNAERTS, Sylvie. Enhancing studies of the
connectome in autism using the autism brain imaging data exchange II. Scientific
Data, [s.l.], v. 4, n. 1, p.1-24, 14 mar. 2017. Springer Science and Business Media
LLC. http://dx.doi.org/10.1038/sdata.2017.10.
MAYEUX, Richard. Biomarkers: Potential uses and limitations. Neurorx, [s.l.], v.

1, n. 2, p.182-188, abr. 2004. Springer Nature.
http://dx.doi.org/10.1602/neurorx.1.2.182.
MIANO, Silvia; FERRI, Raffaele. Epidemiology and Management of Insomnia in

Children with Autistic Spectrum Disorders. Pediatric Drugs, [s.l.], v. 12, n. 2, p.75-
84, abr. 2010. Springer Nature. http://dx.doi.org/10.2165/11316140-000000000-
00000.
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.
MIZUGUCHI, Masashi; IKEDA, Hiroko; KAGITANI-SHIMONO, Kuriko;

YOSHINAGA, Harumi; SUZUKI, Yasuhiro; AOKI, Makoto; ENDO, Masae;
YONEMURA, Masataka; KUBOTA, Masaya. Everolimus for epilepsy and autism
spectrum disorder in tuberous sclerosis complex: EXIST-3 substudy in
Japan. Brain And Development, [s.l.], v. 41, n. 1, p.1-10, jan. 2019. Elsevier BV.
http://dx.doi.org/10.1016/j.braindev.2018.07.003.
MODABBERNIA, Amirhossein; VELTHORST, Eva; REICHENBERG, Abraham.

Environmental risk factors for autism: an evidence-based review of systematic
reviews and meta-analyses. Molecular Autism, [s.l.], v. 8, n. 1, p.1-20, 17 mar.
2017. Springer Nature. http://dx.doi.org/10.1186/s13229-017-0121-4.
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.
MURPHY, Clodagh; WILSON, C. Ellie; ROBERTSON, Dene M.; ECKER,

Christine; DALY, Eileen M.; HAMMOND, Neil; GALANOPOULOS, Anastasios;
DUD, Iulia; MURPHY, Declan; MCALONAN, Grainne M.. Autism spectrum
disorder in adults: diagnosis, management, and health services
development. Neuropsychiatric Disease And Treatment, [s.l.], v. 12, p.1669-1686,
jul. 2016. Informa UK Limited. http://dx.doi.org/10.2147/ndt.s65455.
NEVES-PEREIRA, M; MULLER, B; MASSIE, D; WILLIAMS, J H G; O'BRIEN, P

C M; A HUGHES,; SHEN, S-b; CLAIR, D. S.; MIEDZYBRODZKA, Z. Deregulation
of EIF4E: a novel mechanism for autism. Journal Of Medical Genetics, [s.l.], v.
74
46, n. 11, p.759-765, 25 jun. 2009. BMJ.
http://dx.doi.org/10.1136/jmg.2009.066852.
NOWAKOWSKI, Tomasz J.; BHADURI, Aparna; POLLEN, Alex A.; ALVARADO,

Beatriz; MOSTAJO-RADJI, Mohammed A.; LULLO, Elizabeth di; HAEUSSLER,
Maximilian; SANDOVAL-ESPINOSA, Carmen; LIU, Siyuan John; VELMESHEV,
Dmitry. Spatiotemporal gene expression trajectories reveal developmental
hierarchies of the human cortex. Science, [s.l.], v. 358, n. 6368, p.1318-1323, 7
dez. 2017. American Association for the Advancement of Science (AAAS).
http://dx.doi.org/10.1126/science.aap8809.
OLIVATI, Ana Gabriela; ASSUMPÇÃO JUNIOR, Francisco Baptista;

MISQUIATTI, Andréa Regina Nunes. Análise acústica do padrão entoacional da
fala de indivíduos com Transtorno do Espectro Autista. Codas, [s.l.], v. 29, n. 2,
p.210-223, 2017.
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.
ONORE, Charity; YANG, Houa; WATER, Judy van de; ASHWOOD,

Paul. Dynamic Akt/mTOR Signaling in Children with Autism Spectrum
Disorder. Frontiers In Pediatrics, [s.l.], v. 5, p.45-49, 15 mar. 2017. Frontiers
Media SA. http://dx.doi.org/10.3389/fped.2017.00043.
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.
PAşCA, Anca M; A SLOAN, Steven; CLARKE, Laura e; TIAN, Yuan; MAKINSON,

Christopher D; HUBER, Nina; KIM, Chul Hoon; PARK, Jin-young; A O'ROURKE,
Nancy; NGUYEN, Khoa D. Functional cortical neurons and astrocytes from
human pluripotent stem cells in 3D culture. Nature Methods, [s.l.], v. 12, n. 7,
p.671-678, 25 maio 2015. Springer Science and Business Media LLC.
http://dx.doi.org/10.1038/nmeth.3415.
PAULA, Cristiane S.; RIBEIRO, Sabrina H.; FOMBONNE, Eric; MERCADANTE,

Marcos T.. Brief Report: Prevalence of Pervasive Developmental Disorder in
Brazil. Journal Of Autism And Developmental Disorders, [s.l.], v. 41, n. 12,
p.1738-1742, 21 fev. 2011. Springer Science and Business Media LLC.
http://dx.doi.org/10.1007/s10803-011-1200-6.
PELCH, Katherine E.; BOLDEN, Ashley L.; KWIATKOWSKI, Carol F..

Environmental Chemicals and Autism: A Scoping Review of the Human and
Animal Research. Environmental Health Perspectives, [s.l.], v. 127, n. 4, p.461-
476, abr. 2019.
PÉTER, Zsanett; OLIPHANT, Melody E.; FERNANDEZ, Thomas V.. Motor

Stereotypies: A Pathophysiological Review. Frontiers In Neuroscience, [s.l.], v.
11, p.1-14, 29 mar. 2017. Frontiers Media SA.
http://dx.doi.org/10.3389/fnins.2017.00171.
PIOCHON, Claire; KLOTH, Alexander D.; GRASSELLI, Giorgio; TITLEY, Heather

K.; NAKAYAMA, Hisako; HASHIMOTO, Kouichi; WAN, Vivian; SIMMONS, Dana
H.; EISSA, Tahra; NAKATANI, Jin. Cerebellar plasticity and motor learning
deficits in a copy-number variation mouse model of autism. Nature
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.
PLANA-RIPOLL, Oleguer; PEDERSEN, Carsten Bøcker; HOLTZ, Yan; BENROS,

Michael E.; DALSGAARD, Søren; JONGE, Peter de; FAN, Chun Chieh;
DEGENHARDT, Louisa; GANNA, Andrea; GREVE, Aja Neergaard. Exploring
Comorbidity Within Mental Disorders Among a Danish National Population. Jama
Psychiatry, [s.l.], v. 76, n. 3, p.259-270, 1 mar. 2019. American Medical
Association (AMA). http://dx.doi.org/10.1001/jamapsychiatry.2018.3658.
POLIMANTI, Renato; GELERNTER, Joel. Widespread signatures of positive

selection in common risk alleles associated to autism spectrum disorder. Plos
Genetics, [s.l.], v. 13, n. 2, p.618-631, 10 fev. 2017. Public Library of Science
(PLoS). http://dx.doi.org/10.1371/journal.pgen.1006618.
POSAR, Annio; VISCONTI, Paola. Tribute to Grunya Efimovna Sukhareva, the

woman who first described infantile autism. Journal Of Pediatric Neurosciences,
[s.l.], v. 12, n. 3, p.300-315, 2017.
PRIYANKA Banerjee, Andreas O Eckert, Anna K Schrey, Robert Preissner,

ProTox-II: a webserver for the prediction of toxicity of chemicals, Nucleic Acids
Research, Volume 46, Issue W1, 2 July 2018, Pages W257–
W263, https://doi.org/10.1093/nar/gky318
PSYCHIATRY, The Lancet. What's in a name? The Lancet Psychiatry, [s.l.], v. 5,

n. 6, p.451-462, jun. 2018. Elsevier BV. http://dx.doi.org/10.1016/s2215-
0366(18)30188-3.
QIAN, Xuyu; SONG, Hongjun; MING, Guo-li. Brain organoids: advances,

applications and challenges. Development, [s.l.], v. 146, n. 8, p.1-14, 15 abr.
2019. The Company of Biologists. http://dx.doi.org/10.1242/dev.166074.
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.
REICHOW B. (2012). Overview of Meta-Analyses on Early Intensive Behavioral

Intervention for Young Children with Autism Spectrum Disorders. Journal of
Autism and Developmental Disorders, 42(4): 512–520.
REIMAND, Jüri; ISSERLIN, Ruth; VOISIN, Veronique; KUCERA, Mike; TANNUS-

LOPES, Christian; ROSTAMIANFAR, Asha; WADI, Lina; MEYER, Mona; WONG,
Jeff; XU, Changjiang. Pathway enrichment analysis and visualization of omics
data using g: Profiler, GSEA, Cytoscape and EnrichmentMap. Nature Protocols,
[s.l.], v. 14, n. 2, p.482-517, 21 jan. 2019. Springer Science and Business Media
LLC. http://dx.doi.org/10.1038/s41596-018-0103-9.
RESENDE, Rodrigo R; ADHIKARI, Avishek. Cholinergic receptor pathways

involved in apoptosis, cell proliferation and neuronal differentiation. Cell
Communication And Signaling, [s.l.], v. 7, n. 1, p.23-39, 27 ago. 2009. Springer
Nature. http://dx.doi.org/10.1186/1478-811x-7-20.
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.
RIOS, Clarisse; CAMARGO JÚNIOR, Kenneth Rochel. Especialismo,

especificidade e identidade - as controvérsias em torno do autismo no
SUS. Ciência & Saúde Coletiva, [s.l.], v. 24, n. 3, p.1111-1120, mar. 2019.
ROBERTSON, Caroline E.; BARON-COHEN, Simon. Sensory perception in
autism. Nature Reviews Neuroscience, [s.l.], v. 18, n. 11, p.671-684, 29 set. 2017.
ROMERO, Marina; AGUILAR, Juan Manuel; DEL-REY-MEJÍAS, Ángel;

MAYORAL, Fermín; RAPADO, Marta; PECIÑA, Marta; BARBANCHO, Miguel
Ángel; RUIZ-VEGUILLA, Miguel; LARA, José Pablo. Psychiatric comorbidities in
autism spectrum disorder: A comparative study between DSM-IV-TR and DSM-5
diagnosis. International Journal Of Clinical And Health Psychology, [s.l.], v. 16, n.
3, p.266-275, set. 2016. Elsevier BV.
http://dx.doi.org/10.1016/j.ijchp.2016.03.001.
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.
ROSINA, Eleonora; BATTAN, Barbara; SIRACUSANO, Martina; CRISCIO,

Lorena di; HOLLIS, Fiona; PACINI, Laura; CURATOLO, Paolo; BAGNI,
Claudia. Disruption of mTOR and MAPK pathways correlates with severity in
idiopathic autism. Translational Psychiatry, [s.l.], v. 9, n. 1, p.23-39, 31 jan. 2019.
018-0335-z.
SYED, Deeba; ADHAMI, Vaqar; KHAN, Mohammad; MUKHTAR,

Hasan. Inhibition of Akt/mTOR Signaling by the Dietary Flavonoid Fisetin. Anti-
cancer Agents In Medicinal Chemistry, [s.l.], v. 13, n. 7, p.995-1001, 1 jul. 2013.
79
Bentham Science Publishers Ltd..
http://dx.doi.org/10.2174/18715206113139990129.
ROSINA, Eleonora; BATTAN, Barbara; SIRACUSANO, Martina; CRISCIO,

Lorena di; HOLLIS, Fiona; PACINI, Laura; CURATOLO, Paolo; BAGNI,
Claudia. Disruption of mTOR and MAPK pathways correlates with severity in
idiopathic autism. Translational Psychiatry, [s.l.], v. 9, n. 1, p.1-15, 31 jan. 2019.
018-0335-z.
ROUILLARD, Andrew D.; GUNDERSEN, Gregory W.; FERNANDEZ, Nicolas F.;

WANG, Zichen; MONTEIRO, Caroline D.; MCDERMOTT, Michael G.; MA’AYAN,
Avi. The harmonizome: a collection of processed datasets gathered to serve and
mine knowledge about genes and proteins. Database, [s.l.], v. 2016, p.100-112,
2016. Oxford University Press (OUP).
http://dx.doi.org/10.1093/database/baw100.
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.
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.
SACCO, Roberto; GABRIELE, Stefano; PERSICO, Antonio M.. Head

circumference and brain size in autism spectrum disorder: A systematic review
and meta-analysis. Psychiatry Research: Neuroimaging, [s.l.], v. 234, n. 2, p.239-
80
251, nov. 2015. Elsevier BV.
http://dx.doi.org/10.1016/j.pscychresns.2015.08.016.
SANDIN, Sven; LICHTENSTEIN, Paul; KUJA-HALKOLA, Ralf; LARSSON,

Henrik; HULTMAN, Christina M.; REICHENBERG, Abraham. The Familial Risk
of Autism. Jama, [s.l.], v. 311, n. 17, p.1770-1783, 7 maio 2014. American Medical
Association (AMA). http://dx.doi.org/10.1001/jama.2014.4144.
SECHIDIS, Konstantinos; PAPANGELOU, Konstantinos; METCALFE, Paul D;

SVENSSON, David; WEATHERALL, James; BROWN, Gavin. Distinguishing
prognostic and predictive biomarkers: an information theoretic
approach. Bioinformatics, [s.l.], v. 34, n. 19, p.3365-3376, 2 maio 2018. Oxford
University Press (OUP). http://dx.doi.org/10.1093/bioinformatics/bty357.
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.
SHERR, Charles J. Principles of Tumor Suppression. Cell, [s.l.], v. 116, n. 2,

p.235-246, jan. 2004. Elsevier BV. http://dx.doi.org/10.1016/s0092-
8674(03)01075-4.
SHVO, Amnon Shabo. Clinical genomics data standards for pharmacogenetics

and pharmacogenomics. Pharmacogenomics, [s.l.], v. 7, n. 2, p.247-253, mar.
2006. Future Medicine Ltd. http://dx.doi.org/10.2217/14622416.7.2.247.
SINGH N, S Upadhyay, Jaiswar A, Mishra N. In silico Análise de Proteína. J
Bioinform Genomics Proteomics 2016; 1 (2): 1007.
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.
SOARES-CUNHA, Carina; VASCONCELOS, Nivaldo A. P. de; COIMBRA,

Bárbara; DOMINGUES, Ana Verónica; SILVA, Joana M.; LOUREIRO-CAMPOS,
Eduardo; GASPAR, Rita; SOTIROPOULOS, Ioannis; SOUSA, Nuno;
RODRIGUES, Ana João. Nucleus accumbens medium spiny neurons subtypes
signal both reward and aversion. Molecular Psychiatry, [s.l.], p.1-23, 28 ago.
http://dx.doi.org/10.1038/s41380-019-0484-3.
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.
SPENCE, Sarah J; SCHNEIDER, Mark T. The Role of Epilepsy and Epileptiform

EEGs in Autism Spectrum Disorders. Pediatric Research, [s.l.], v. 65, n. 6, p.599-
606, jun. 2009. Springer Nature.
http://dx.doi.org/10.1203/pdr.0b013e31819e7168.
SPONAGEL, Jasmin; YU, Kwanha; IPPOLITO, Joseph; DENEEN, Benjamin;

RUBIN, Josh. HGG-10. THE PI3K/mTOR PATHWAY CONTRIBUTES TO SEX
DIFFERENCES IN GLIOBLASTOMA. Neuro-oncology, [s.l.], v. 20, n. 2, p.90-91,
jun. 2018. Oxford University Press (OUP).
http://dx.doi.org/10.1093/neuonc/noy059.282.
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.
SUBRAMANIAN, A.; TAMAYO, P.; MOOTHA, V. K.; MUKHERJEE, S.; EBERT, B.

L.; GILLETTE, M. A.; PAULOVICH, A.; POMEROY, S. L.; GOLUB, T. R.;
LANDER, E. S.. Gene set enrichment analysis: A knowledge-based approach for
interpreting genome-wide expression profiles. Proceedings Of The National
Academy Of Sciences, [s.l.], v. 102, n. 43, p.15545-15550, 30 set. 2005.
SUN, Ingrid ya i.; VARANDA, Cristina andrade; FERNANDES, Fernanda dreux.

Stimulation of Executive Functions as Part of the Language Intervention Process
in Children with Autism Spectrum Disorder. Folia Phoniatrica Et Logopaedica,
[s.l.], v. 69, n. 1-2, p.78-83, 2017.
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.
SZKLARCZYK, Damian; GABLE, Annika L; LYON, David; JUNGE, Alexander;

WYDER, Stefan; HUERTA-CEPAS, Jaime; SIMONOVIC, Milan; DONCHEVA,
Nadezhda T; MORRIS, John H; BORK, Peer. STRING v11: protein–protein
association networks with increased coverage, supporting functional discovery in
genome-wide experimental datasets. Nucleic Acids Research, [s.l.], v. 47, n. 1,
p.607-613, 22 nov. 2018. Oxford University Press (OUP).
http://dx.doi.org/10.1093/nar/gky1131.
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.
HUBER, K. M.; KLANN, E.; COSTA-MATTIOLI, M.; ZUKIN, R. S.. Dysregulation

of Mammalian Target of Rapamycin Signaling in Mouse Models of
Autism. Journal Of Neuroscience, [s.l.], v. 35, n. 41, p.13836-13842, 14 out. 2015.
Society for Neuroscience. http://dx.doi.org/10.1523/jneurosci.2656-15.2015.
TARAZI, Fi; SAHLI, Zt; PLESKOW, J; MOUSA, Sa. Asperger’s syndrome:

diagnosis, comorbidity and therapy. Expert Review Of Neurotherapeutics, [s.l.],
v. 15, n. 3, p.281-293, 6 fev. 2015. Informa UK Limited.
http://dx.doi.org/10.1586/14737175.2015.1009898.
TARTAGLIA, Nicole R.; WILSON, Rebecca; MILLER, Judith S.; RAFALKO,

Jessica; CORDEIRO, Lisa; DAVIS, Shanlee; HESSL, David; ROSS,
Judith. Autism Spectrum Disorder in Males with Sex Chromosome
Aneuploidy. Journal Of Developmental & Behavioral Pediatrics, [s.l.], v. 38, n. 3,
p.197-207, abr. 2017. Ovid Technologies (Wolters Kluwer Health).
http://dx.doi.org/10.1097/dbp.0000000000000429.
TONACCI, Alessandro; BAGNATO, Gianluca; PANDOLFO, Gianluca; BILLECI,

Lucia; SANSONE, Francesco; CONTE, Raffaele; GANGEMI,
Sebastiano. MicroRNA Cross-Involvement in Autism Spectrum Disorders and
Atopic Dermatitis: A Literature Review. Journal Of Clinical Medicine, [s.l.], v. 8, n.
1, p.88-99, 14 jan. 2019. MDPI AG. http://dx.doi.org/10.3390/jcm8010088.
TOSCANO, Chrystiane V.a.; FERREIRA, José P.; GASPAR, Joana M.;

CARVALHO, Humberto M.. Growth and weight status of Brazilian children with
autism spectrum disorders: A mixed longitudinal study. Jornal de Pediatria, [s.l.],
84
v. 95, n. 6, p.705-712, nov. 2019. Elsevier BV.
http://dx.doi.org/10.1016/j.jped.2018.06.008.
TRIFONOVA, Ekaterina A.; KLIMENKO, Alexandra I.; MUSTAFIN, Zakhar S.;

LASHIN, Sergey A.; KOCHETOV, Alex V.. The mTOR Signaling Pathway Activity
and Vitamin D Availability Control the Expression of Most Autism Predisposition
Genes. International Journal Of Molecular Sciences, [s.l.], v. 20, n. 24, p.6332-
6344, 15 dez. 2019. MDPI AG. http://dx.doi.org/10.3390/ijms20246332.
TSCHINKEL, Paula Fabiana Saldanha; BJØRKLUND, Geir; CONÓN, Lourdes

Zélia Zanoni; CHIRUMBOLO, Salvatore; NASCIMENTO, Valter Aragão. Plasma
concentrations of the trace elements copper, zinc and selenium in Brazilian
children with autism spectrum disorder. Biomedicine & Pharmacotherapy, [s.l.], v.
106, p.605-609, out. 2018. Elsevier BV.
http://dx.doi.org/10.1016/j.biopha.2018.06.174.
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
VERONIKI, Areti Angeliki; RIOS, Patricia; COGO, Elise; STRAUS, Sharon e;

FINKELSTEIN, Yaron; KEALEY, Ryan; REYNEN, Emily; SOOBIAH, Charlene;
THAVORN, Kednapa; HUTTON, Brian. Comparative safety of antiepileptic drugs
for neurological development in children exposed during pregnancy and breast
feeding: a systematic review and network meta-analysis. Bmj Open, [s.l.], v. 7, n.
7, p.1-23, jul. 2017. BMJ. http://dx.doi.org/10.1136/bmjopen-2017-017248.
WAGNER, A. A computational genomics approach to the identification of gene

networks. Nucleic Acids Research, [s.l.], v. 25, n. 18, p.3594-3604, 1 set. 1997.
Oxford University Press (OUP). http://dx.doi.org/10.1093/nar/25.18.3594.
WANG, Hansen; DOERING, Laurie C.. Reversing autism by targeting
downstream mTOR signaling. Frontiers In Cellular Neuroscience, [s.l.], v. 7, p.4-
10, 2013. Frontiers Media SA. http://dx.doi.org/10.3389/fncel.2013.00028.
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.
WU, Ye e; PARIKSHAK, Neelroop N; BELGARD, T Grant; GESCHWIND, Daniel

H. Genome-wide, integrative analysis implicates microRNA dysregulation in
autism spectrum disorder. Nature Neuroscience, [s.l.], v. 19, n. 11, p.1463-1476,
29 ago. 2016. Springer Science and Business Media LLC.
http://dx.doi.org/10.1038/nn.4373.
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.
XIE, Sherlly; KARLSSON, Håkan; DALMAN, Christina; WIDMAN, Linnea; RAI,

Dheeraj; GARDNER, Renee M.; MAGNUSSON, Cecilia; SCHENDEL, Diana E.;
NEWSCHAFFER, Craig J.; LEE, Brian K.. Family History of Mental and
Neurological Disorders and Risk of Autism. Jama Network Open, [s.l.], v. 2, n. 3,
p.1-16, 1 mar. 2019. American Medical Association (AMA).
http://dx.doi.org/10.1001/jamanetworkopen.2019.0154.
Xing X, Zhang J, Wu K, Cao B, Li X, Jiang F, Hu Z, Xia K, Li JD. Translational

Bioinformatics and Systems Biology Methods for Personalized Medicine.
Academic Press, Published to 20th April 2017. ISBN: 9780128043288
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.
YANO, Kentaro; TOMONO, Takumi; OGIHARA, Takuo. Advances in Studies of

P-Glycoprotein and Its Expression Regulators. Biological & Pharmaceutical
Bulletin, [s.l.], v. 41, n. 1, p.11-19, 2018. Pharmaceutical Society of Japan.
http://dx.doi.org/10.1248/bpb.b17-00725.
YOSHIZAWA, Masato; SETTLE, Alexander; HERMOSURA, Meredith C.;

TUTTLE, Lillian J.; CETRARO, Nicolas; PASSOW, Courtney N.; MCGAUGH,
Suzanne E.. The evolution of a series of behavioral traits is associated with
autism-risk genes in cavefish. Bmc Evolutionary Biology, [s.l.], v. 18, n. 1, p.1-13,
18 jun. 2018. Springer Science and Business Media LLC.
http://dx.doi.org/10.1186/s12862-018-1199-9.
YU, Timothy w.; CHAHROUR, Maria h.; COULTER, Michael e.;

JIRALERSPONG, Sarn; OKAMURA-IKEDA, Kazuko; ATAMAN, Bulent;
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.
ZðÑIGA, Amaia Hervás. Un autismo, varios autismos. Variabilidad fenotípica en

los trastornos del espectro autista. Revista de Neurología, [s.l.], v. 62, n. 01, p.9-
15, 2016. Viguera Editores SLU. http://dx.doi.org/10.33588/rn.62s01.2016068.
ZHANG, Xi-jun; JIA, Shen-shan. Fisetin inhibits laryngeal carcinoma through

regulation of AKT/NF-κB/mTOR and ERK1/2 signaling pathways. Biomedicine &
Pharmacotherapy, [s.l.], v. 83, p.1164-1174, out. 2016. Elsevier BV.
http://dx.doi.org/10.1016/j.biopha.2016.08.035.
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.
ZHOU, Guangyan; SOUFAN, Othman; EWALD, Jessica; HANCOCK, Robert e

W; BASU, Niladri; XIA, Jianguo. NetworkAnalyst 3.0: a visual analytics platform
for comprehensive gene expression profiling and meta-analysis. Nucleic Acids
Research, [s.l.], v. 47, n. 1, p.234-241, 1 abr. 2019. Oxford University Press
(OUP). http://dx.doi.org/10.1093/nar/gkz240.
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.
019-08841-7.
89
8. APÊNDICE E ANEXOS
8.1 PUBLICAÇÕES
GENETIC TESTS FOR AUTISM: THE CHALLENGES IN THE LABORATORY

DIAGNOSIS – PUBLICADO EM JUNHO DE 2019, NO JOURNAL OF CHILD
NEUROLOGY - DOI: 10.1177/0883073819852236
90

Dissertação

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Dissertação

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL FLUMINENSE

VICTOR GUSTAVO OLIVEIRA EVANGELHO

IDENTIFICAÇÃO E ANÁLISE DE BIOMARCADORES

Dissertação de Mestrado submetida a

Orientador(es): Dra. Helena Carla Castro

IDENTIFICAÇÃO E ANÁLISE DE BIOMARCADORES

Trabalho desenvolvido no Laboratório de Antibióticos, Bioquímica e Modelagem

Orientador(es): Dra. Helena Carla Castro

IDENTIFICAÇÃO E ANÁLISE DE BIOMARCADORES

Maria Denise Feder – Departamento de Biologia Geral – Universidade Federal

Lídia Maria Da Fonte De Amorim – Departamento de Biologia Celular e Molecular

Bianca Aloise Maneira Corrêa Santos – Departamento de Fármacos e

Natalia Lidmar Von Ranke – Departamento de Fármacos e Medicamentos –

Evelize Folly Das Chagas – Departamento de Biologia Celular e Molecular -

Márcia Rodrigues Amorim dos Santos – Departamento de Biologia Geral –

Murilo Lamim Bello – Departamento de Farmácia – Universidade Federal Do Rio

Agradeço primeiramente a vida e por ter encontrado pessoas que me

Ao meu companheiro Vitor Gouvêa Campos de Oliveira, pelo apoio

À Dra. Cristina Delou, por estar presente na minha trajetória inicial na

À minha coorientadora, Márcia Rodrigues Amorim, por me apoiar e me

Aos integrantes do laboratório de genética humana (UFF); Carolina Oliveto,

À empresa júnior Antônio Paes de Carvalho (APC Biotecnologia - UFRJ),

1.2 MECANISMOS GENÉTICOS IDENTIFICADOS NO

1.2.1 MECANISMO DE REGULAÇÃO PÓS-TRANSCRICIONAL

1.2.2 SÍNDROMES ASSOCIADAS AO AUTISMO ....................... 5

1.2.3 FATORES AMBIENTAIS .......................................................... 7

1.3 DIAGNÓSTICO GENÉTICO .......................................................... 7

1.4 MINICÉREBROS DERIVADOS DE INDIVÍDUOS AUTISTAS

1.5 CONDIÇÕES DE SAÚDE ASSOCIADAS AO AUTISMO ...... 12

1.6 BIOINFORMÁTICA APLICADA À GENÔMICA

1.6.1 ANÁLISE GWAS E GSEA .............................................................. 14

1.6.2 ANÁLISE E OTIMIZAÇÃO DE ESTUDOS GENÉTICOS

1.6.3 IDENTIFICAÇÃO DE BIOMARCADORES E SEUS IMPACTOS

2.2 OBJETIVOS ESPECÍFICOS ........................................................ 16

3.2 ANÁLISE GENÉTICA UTILIZANDO FERRAMENTAS DE

3.2.1 ANÁLISE FENOTÍPICA E ANOTAÇÃO FUNCIONAL .............. 18

3.2.2 ANÁLISE DE EXPRESSÃO GÊNICA .......................................... 19

3.2.3 SIMILARIDADE FUNCIONAL ....................................................... 21

3.2.4 ANÁLISE DE ENRIQUECIMENTO FUNCIONAL DE GENES

3.2.5 VALIDAÇÃO DA FERRAMENTA DE ENRIQUECIMENTO

3.2.6 ANÁLISE DE SUB-REDE COMUM ENTRE OS DOIS GRUPOS

3.2.7 ANÁLISE DE INTERAÇÃO PROTEÍNA-PROTEÍNA ................ 24

4.2 MATRIZ DE SOBREPOSIÇÃO COMPUTACIONAL E

4.3 ANÁLISE DO FENÓTIPO HUMANO E ANOTAÇÃO

4.4 ANÁLISE DA EXPRESSÃO GÊNICA TECIDUAL E DE

4.5 ANÁLISE NETWORKANALYST ................................................. 32

4.5.1 ANÁLISE DE SOBREPOSIÇÃO DE REDE UTILIZANDO

4.5.2 ANÁLISE DE SOBREPOSIÇÃO DE REDE UTILIZANDO

4.5.3 VALIDAÇÃO DA FERRAMENTA DE ENRIQUECIMENTO

4.5.4 ANÁLISE DE INTERAÇÃO DE SUB-REDE UTILIZANDO

4.5.5 GENES RECORRENTES ............................................................... 40

4.5.6 ANÁLISE DE INTERAÇÃO PROTEÍNA-PROTEÍNA ................ 41

6.2 PERSPECTIVAS ............................................................................ 53

7. REFERÊNCIAS BIBLIOGRÁFICAS ............................ 54

Palavras-chave: Autismo; Genes; Bioinformática; Biobancos; mTOR

Autism is a neurodevelopmental disorder that affects about 62,1 million people

Keywords: Autism; Genes; bioinformatics; biobanks; mTOR

1.1 EPIDEMIOLOGIA DO TRANSTORNO DO ESPECTRO

O autismo é um transtorno do neurodesenvolvimento que acomete cerca

1.2 MECANISMOS GENÉTICOS IDENTIFICADOS NO

O autismo é um transtorno multifatorial com grande complexidade

Figura 1. Localização cromossômica dos genes envolvidos no autismo. Ilustração

Em contraponto, um estudo realizado por BAI et al. (2019), com análise

1.2.1 MECANISMO DE REGULAÇÃO PÓS-TRANSCRICIONAL IMPLICADOS