Campus de Botucatu LUIZ AUGUSTO BOVOLENTA BOTUCATU SP 2012

Transcrição

1 Instituto de Biociências Campus de Botucatu PG-BGA DESENVOLVIMENTO DE UMA BASE DE DADOS PARA FATORES DE TRANSCRIÇÃO DE SERES HUMANOS E SUAS REDES DE INTERAÇÃO: HUMAN TRANSCRIPTIONAL REGULATION INTERACTION DATABASE (HTRIDB 2.0) LUIZ AUGUSTO BOVOLENTA Dissertação apresentada ao Instituto de Biociências, Câmpus de Botucatu, UNESP, para obtenção do título de Mestre no Programa de Pós- Graduação em Biologia Geral e Aplicada, Área de concentração Biologia Celular Estrutural e Funcional. Orientador: Prof. Dr. Ney Lemke Coorientador: Dr. Marcio Luis Acencio BOTUCATU SP 2012 Programa de Pós-graduação em Biologia Geral e Aplicada Distrito de Rubião Júnior s/n CEP Cx Postal 510 Botucatu-SP Brasil Tel (14) Fax (14) posgraduacao@ibb.unesp.br

2 Instituto de Biociências Campus de Botucatu PG-BGA UNIVERSIDADE ESTADUAL PAULISTA Júlio de Mesquita Filho INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU DESENVOLVIMENTO DE UMA BASE DE DADOS PARA FATORES DE TRANSCRIÇÃO DE SERES HUMANOS E SUAS REDES DE INTERAÇÃO: HUMAN TRANSCRIPTIONAL REGULATION INTERACTION DATABASE (HTRIDB 2.0) LUIZ AUGUSTO BOVOLENTA PROF. DR. NEY LEMKE DR. MARCIO LUIS ACENCIO Dissertação apresentada ao Instituto de Biociências, Campus de Botucatu, UNESP, para obtenção do título de Mestre no Programa de Pós-Graduação em Biologia Geral e Aplicada, Área de concentração Biologia Celular Estrutural e Funcional. BOTUCATU SP 2012 Programa de Pós-graduação em Biologia Geral e Aplicada Distrito de Rubião Júnior s/n CEP Cx Postal 510 Botucatu-SP Brasil Tel (14) Fax (14) posgraduacao@ibb.unesp.br

3 FICHA CATALOGRÁFICA ELABORADA PELA SEÇÃO DE AQUIS. E TRAT. DA INFORMAÇÃO DIVISÃO TÉCNICA DE BIBLIOTECA E DOCUMENTAÇÃO - CAMPUS DE BOTUCATU - UNESP BIBLIOTECÁRIA RESPONSÁVEL: ROSEMEIRE APARECIDA VICENTE Bovolenta, Luiz Augusto. Desenvolvimento de uma base de dados para fatores de transcrição de seres humanos e suas redes de interação : Human Transcriptional Regulation Interaction Database (HTRIdb 2.0) / Luiz Augusto Bovolenta. Botucatu : [s.n.], 2012 Dissertação (mestrado) Universidade Estadual Paulista, Instituto de Biociências de Botucatu Orientador: Ney Lemke Coorientador: Marcio Luis Acencio Capes: Banco de dados. 2. Genética Expressão. 3. Software Desenvolvimento. Palavras-chave: Banco de dados; Interações de regulação transcricional; Redes biológicas.

4 Dedicatória Dedico este trabalho ao professor Dr. Ney Lemke por ter oferecido todo o suporte necessário para a realização deste trabalho, e por estar sempre presente nas principais tomadas de decisão. Dedico este trabalho também ao Dr. Marcio Luis Acencio, que idealizou esse banco de dados e a nobre atitude de distribuir à comunidade científica dados de boa qualidade e de acesso gratuito. O Dr. Marcio Luis Acencio esteve presente durante todo o processo de desenvolvimento avaliando e dando sugestões para alcançar a excelência do trabalho realizado.

5 Agradecimentos Agradeço, Aos meus pais, a minha irmã e a minha avó pelo apoio e incentivo à alcançar mais um objetivo da minha vida. A minha namorada, Cristiane Sanfelice, pelo companheirismo e por estar sempre presente. Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) pela concessão da bolsa de estudos. A todos os meus amigos, por auxiliarem em momentos de dificuldades e pelos momentos de alegria juntos. E aos funcionários da UNESP por oferecerem sempre um ambiente de trabalho adequado e organizado. A TODOS MUITO OBRIGADO!

6 Resumo Fatores de transcrição são proteínas que interagem com sequências nucleotídicas específicas situadas nas regiões promotoras de genes e, através dessa interação, regulam a transcrição dos genes. Devido a essa função reguladora, a identificação e a caracterização da rede de interações entre fatores de transcrição e seus genes alvos são importantes por que essa rede representa o arcabouço molecular através do qual os estímulos ambientais são convertidos em expressão diferencial dos genes. Como essa expressão diferencial, por sua vez, determina o comportamento da célula em resposta a um certo estímulo, a rede de interações de regulação transcricional pode, portanto, fornecer uma compreensão sistêmica de como os comportamentos celulares emergem a partir dos estímulos ambientais. A primeira etapa para a construção de uma rede de regulação transcricional consiste na coleta de dados relacionados às interações entre os fatores de transcrição e seus genes alvos. Porém, como esses dados são encontrados de forma dispersa na literatura ou em bancos de dados pagos, essa etapa demanda muito tempo. Com o objetivo de centralizar esses dados de forma a facilitar sua coleta e, consequentemente, a construção da rede de interações de regulação transcricional, desenvolvemos um banco de dados relacional chamado Human Transcriptional Regulation Interaction Database (HTRIdb). Desenvolvido em PostgreSQL e Java, o HTRIdb contém uma coleção de milhares de interações de regulação transcricional experimentalmente verificadas em seres humanos que podem ser acessadas e obtidas gratuitamente por toda a comunidade científica. Além do acesso gratuito e livre permissão para a obtenção dos dados, o HTRIdb oferece uma ferramenta de visualização das interações em forma de rede e meios de comunicação entre a comunidade científica e os desenvolvedores do banco através dos quais a comunidade científica pode participar ativamente tanto da correção de inconsistências nos dados quanto da alimentação do banco com novas interações. O HTRIdb pode ser acessado pelo endereço Palavras-chave: Banco de dados; Redes biológicas; Interações de regulação transcricional.

7 Abstract Transcription factors are proteins that interact with specific nucleotide sequences located in promoter regions of genes and, through this interaction, regulate gene transcription. Due of this regulatory function, the identification and characterization of the network of interactions between transcription factors and their target genes are important since this network represents the molecular framework that explains how environmental stimuli are converted into differential expression of genes. This network provides a systemic understanding of how cellular behaviors emerge from the environmental stimuli. The first step for the transcriptional regulatory network construction is the collection of data about interactions between transcription factors and their target genes. This step is very time-consuming as these data are found dispersed on the literature or in commercial databases. In an effort to provide researchers with a repository of transcriptional regulatory interactions from which such interactions can be directly and easily extracted, we developed a relational database called the Human Interaction Database Transcriptional Regulation (HTRIdb). HTRIdb was implemented using PostgreSQL and Java and contains a collection of thousands of experimentally verified human transcriptional regulation interactions. HTRIdb can be freely accessed by the scientific community and offers a visualization tool for the regulatory network and provides a communication interface between users and developers to enhance data quality and to stimulate users to include new interactions. The HTRIdb can be accessed at Keywords: Database, biological network, regulate interaction.

8 Lista de Figuras 2.1 Representação do modelo de dados hierárquico.... p Representação do modelo de dados em rede.... p Representação do modelo de dados relacional.... p Exemplo de diagrama UML utilizado para representar o modelo de banco de dados orientado a objetos.... p Esquema geral de modelagem utilizando o MER.... p Representação do Diagrama Entidade Relacionamento... p Demonstração da cardinalidade 1:1 pela teoria dos conjuntos... p Demonstração da cardinalidade 1:N pela teoria dos conjuntos... p Demonstração da cardinalidade N:N pela teoria dos conjuntos... p Exemplo de modelo físico... p Página de apresentação do site wwpdb... p Página de apresentação do Entrez... p Quantidade anual de artigos sobre regulação gênica indexados no banco de dados PubMed... p Crescimento da quantidade de artigos sobre regulação gênica indexados no banco de dados PubMed... p Valores de acesso ao TRANSFAC... p Diagrama Entidade Relacionamento do HTRIdb.... p Modelo físico do HTRIdb.... p Diagrama do Modelo MVC... p Modelo físico do banco de dados auxiliar.... p.44

9 5.1 Página inicial do Human Transcription Regulation Interaction Database - HTRIdb... p Estrutura antiga do banco de dados do HTRIdb.... p Estrutura nova do banco de dados do HTRIdb.... p Página antiga dos resultados por informações de FTs através de padrões.... p Área de downloads para todos os dados de interações de regulação transcricional e físicas entre as proteínas.... p Representação gráfica das interações (Nível1)... p Representação gráfica das interações (Nível2)... p Representação gráfica das interações (Nível3)... p Página estatística do HTRIdb... p Página de inserção de novas interações de regulação transcricional mostrando o mecanismo anti-spambot... p Página inicial do tutotial de utilização do HTRIdb.... p Canal de comunicação entre o usuário e a equipe de administração do HTRIdb. p Página de busca do HTRIdb.... p Página de busca por fator de transcrição... p Página intermediária de busca por fator de transcrição.... p Página de resultados das informações do fator de transcrição TP p Página de busca por genes alvos no TRED.... p Página de resultados das informações sobre as interações do fator de transcrição TP53 no TRED.... p Página de resultados das informações da interação entre um determinado gene alvo com o TP53 no TRED.... p Página de resultados do FT TP53 no OREGANNO.... p Página de resultados parciais para extração de dados do FT TP53 no ORE- GANNO.... p Página de resultados parciais dos dados do FT TP53 no OREGANNO.... p.66

10 Sumário 1 Introdução p Fundamentos e Conceitos p Banco de Dados... p Conceito de banco de dados... p Breve histórico dos sistemas de bancos de dados... p A estrutura de um banco de dados... p Sistemas Gerenciadores de Banco de Dados (SGBD)... p Modelagem de uma estrutura de banco de dados relacional... p A linguagem SQL... p Banco de dados biológicos... p Regulação transcricional e a sua importância... p O processo de transcrição gênica... p A importância das interações de regulação transcricional... p Crescimento dos dados na área de regulação gênica... p Principais bancos de dados de interações de regulação transcricional... p TRANSFAC... p TRED... p OREGANNO... p.36 3 Objetivos p Materiais e Métodos p. 38

11 4.1 Banco de dados... p Interface gráfica... p Recurso de visualização gráfica... p Recurso de extração dos dados... p Estatística do HTRIdb... p Recurso de inserção de novos dados e de comunicação com a equipe do HTRIdb... p Coleta e revisão dos dados... p.44 5 Resultados e Discussão p Funcionalidades do HTRIdb p Estudo de caso: busca por interações do TP53... p Comparação com os outros bancos de dados... p.62 6 Conclusão p. 67 Referências Bibliográficas p. 68

12 10 1 Introdução Fatores de transcrição (FTs) são proteínas reguladoras que se ligam a sequências nucleotídicas específicas localizadas nas regiões promotoras de genes e, através dessa ligação, regulam positivamente ou negativamente a transcrição dos genes. A regulação gênica, através da ligação dos FTs, é o mecanismo primário pelo qual processos biológicos complexos, como proliferação e diferenciação celulares, são controlados. Devido a essa função reguladora, a construção da rede de interações de regulação transcricional, o que demanda a identificação e a caracterização das interações de regulação transcricional, é importante para a compreensão desses processos e para o desenvolvimento de terapias dirigidas a patologias originadas pelo funcionamento anormal dos FTs, como distúrbios de desenvolvimento e formação de neoplasias (DAVIDSON, 2006). Há uma profusão de dados sobre interações de regulação transcricional humana. Porém, esses dados encontram-se dispersos na literatura biomédica ou com disponibilidade limitada em bancos de dados, o que torna a construção de uma rede de interações de regulação transcricional uma tarefa árdua e maçante. Logo, a centralização dessas informações em bancos de dados é uma solução apropriada para a rápida obtenção de informações sobre um determinado fator de transcrição e seus respectivos genes alvos (GAs) e a consequente construção dessa rede de regulação (KORTH; SILBERSCHATZ, 1999). Há, no momento, alguns bancos de dados de interações de regulação transcricional disponíveis que possuem informações sobre FTs e quais os genes que esses fatores regulam como, por exemplo, o TRANSFAC (MATYS et al., 2006), o TRED (JIANG et al., 2007) e o OREGANNO (MONTGOMERY et al., 2006). Esses bancos de dados, porém, são limitados. O TRANSFAC é o principal e maior repositório de informações sobre interações de regulação transcricional de diversas espécies, porém, o acesso às informações contidas neste banco é restrito: é necessário o pagamento de uma taxa para um acesso completo. O TRED, embora possa ser acessado livremente, é incompleto: estão disponíveis informações sobre 122 FTs, menos de 10% da quantidade de FTs conhecidos em seres humanos, que é cerca de 1988 FTs (RAVASI et al., 2010). Além dessa restrição, o TRED também apresenta interações in-

13 11 consistentes, consideradas como interações de regulação transcricional, mas classificadas por especialistas como interações físicas entre proteínas. Com objetivo de centralizar essas informações e suprir as restrições impostas, o aluno desenvolveu, no período da Iniciação Científica, um banco de dados relacional para armazenar dados sobre as interações de regulação transcricional entre os FTs e e seus GAs batizado de Human Transcriptional Regulation Interaction Database (HTRIdb; /htri) e o aperfeiçoou no período de mestrado, oferecendo à comunidade científica um banco de dados que disponibiliza gratuitamente acesso às informações sobre interações de regulação transcricional, para facilitar a procura e obtenção destas informações. A descrição e a utilização das ferramentas presentes no HTRIdb estão detalhadamente descritas no Capítulo 5. Os fundamentos e conceitos pertinentes ao tema da dissertação, isto é, banco de dados e regulação transcricional, estão descritos no Capítulo 2. Este capítulo aborda os principais conceitos sobre banco de dados e regulação transcricional, tais como, um breve histórico dos sistemas de banco de dados, as principais estruturas de banco de dados, a metodologia de desenvolvimento de uma estrutura de banco de dados relacional, os banco de dados aplicados ao âmbito biológico, a importância das interações de regulação transcricional, o crescimento dos dados envolvidos com regulação gênica, e os principais bancos de dados de interações de regulação transcricional. No Capítulo 3 são encontrados os objetivos alcançados no decorrer do desenvolvimento deste trabalho, e no Capítulo 4 está descrito detalhadamente a forma de como esses objetivos foram alcançados, as tecnologias e as principais metodologias de desenvolvimento utilizadas. E por fim, no Capítulo 6 estão apresentadas as considerações finais relacionadas ao banco de dados desenvolvido.

14 12 2 Fundamentos e Conceitos Todos os conceitos e fundamentos relacionados ao tema do trabalho são descritos nesta seção que, se dividi em 3 partes: bancos de dados, interações de regulação transcricional e os principais bancos de dados de interações de regulação transcricional existentes. 2.1 Banco de Dados A abordagem do tema banco de dados é detalhado nessa seção, onde estão descritos os principais conceitos de banco de dados, um breve histórico dos bancos de dados, as principais estruturas, a descrição dos bacos de dados biológicos e os principais bancos de dados biológicos existentes Conceito de banco de dados Banco de dados é um repositório de coleção de arquivos de dados computadorizados, que possui uma estrutura específica para armazenar e definir os dados. O termo banco de dados muitas vezes é utilizado de forma errônea confundido com o sistema de banco de dados, quando na verdade ele é um dos elementos presentes em um sistema de banco de dados (DATE, 2003). Sistema de banco de dados pode ser conceituado como um sistema de armazenamento de dados baseados em recursos computacionais, cujo objetivo é registrar e manter presentes em um banco de dados informações consideradas significativas para um único usuário, uma instituição ou uma empresa (DATE, 2000). Esse sistema é responsável por refletir o estado de certos aspectos de interesse do mundo real, ou seja, uma visão instantânea do estado do mundo real. Mudanças que ocorrem em itens presentes no banco de dados refletem-se de mudanças ocorridas no mundo real (MACHADO; ABREU, 1996). Além desses conceitos, ao iniciar o processo de aprendizado sobre banco de dados, uma

15 13 distinção importante é saber diferenciar o significado da informação e do dado. A informação é um conjunto de dados, que ao estarem organizados dão significado a algo ou alguma coisa, o que torna os dados elementos primordiais para a formação da informação Breve histórico dos sistemas de bancos de dados Com o avanço da evolução tecnológica, a forma de como armazenamos nossas informações mudou. Antigamente os dados eram armazenados em papéis e organizados em arquivos, mas com o crescente número e velocidade de geração de dados, devido a recursos computacionais, essa forma de armazenamento se tornou ineficiente. Um dos recursos desenvolvidos para sanar esse tipo de problema é conhecido atualmente como banco de dados. Os primeiros fundamentos de banco de dados surgiram na década de 60, com pesquisas na área de automação de escritórios. Nessa época as empresas começaram a notar que os processos de armazenagem, indexação e gerenciamento de arquivos eram muito custosos, por em empregar um grande número de pessoas. A necessidade de agilizar o processo e reduzir os custos impulsionaram as empresas a aplicar seus esforços na pesquisa de uma solução automatizada mais barata e eficiente (BARCELAR, 2011). A forma de armazenagem nesse período era feita diretamente em arquivos que possuíam muitos problemas na armazenagem como a redundância e inconsistências, dificuldade ao acesso aos dados, falta da integridade lógica, falta de automatização nas transações e insegurança. Nesse cenário foi lançado o Information Management System (IMS) pela IBM, um dos primeiros sistemas de banco de dados que utilizava a estrutura hierárquica para armazenar e definir os dados (BARCELAR, 2011). Logo após o lançamento do IMS e junto com a padronização da linguagem de programação COBOL, um grupo de trabalho intituladof de Data Base Task Group desenvolveu o CODASYL database, um sistema de banco de dados com uma nova forma de gerenciamento de dados, que focava em seguir ponteiros que ligavam em uma rede de registros de dados, ou seja, o modelo de estrutura em rede (LIU; ÖZSU, 2009). O Data Base Task Group, além de desenvolver o modelo de dados em rede, também definiu duas linguagens (comandos pré-definidos) para a definição da estrutura Data Definition Language (DDL) e para a extração dos dados Data Manipulation Language (DML) do modelo de dados em rede (LIU; ÖZSU, 2009). Em 1970, um dos pesquisadores da IBM, Edgar Frank Ted Codd, conseguiu associar álgebra relacional com tabelas, surgindo, através desse estudo, o modelo de dados relacional.

16 14 Logo no seu surgimento, o modelo de dados relacional apresentou ser mais flexível que os modelos navegáveis já descobertos (hierárquico e rede) (LIU; ÖZSU, 2009). O pesquisador Codd visava um sistema onde qualquer usuário seria capaz de acessar os dados armazenados em tabelas através de comandos (BARCELAR, 2011). Apesar do grande potencial que o modelo apresentava, ele foi considerado inviável no início pelas barreiras computacionais da época, mas com a melhoria e a otimização dos recursos com o passar dos anos, o modelo relacional acabou se tornando viável (LIU; ÖZSU, 2009). A IBM, confiando no potencial do modelo relacional, montou um grupo de pesquisadores que deu origem ao primeiro sistema de banco de dados relacional conhecido com o mesmo nome do grupo, System R (BARCELAR, 2011). Junto ao System R foi desenvolvido uma linguagem de consulta estruturada conhecida originalmente como Structured English Query Language (SEQUEL) e alterada posteriormente para Structured Query Language (SQL), linguagem utilizada como interface entre usuário e o sistema de banco de dados. A linguagem SQL se tornou um padrão na indústria de banco de dados relacional e atualmente é um padrão ISO e ANSI (BARCELAR, 2011). Além da grande contribuição do pesquisador Codd, outro pesquisador que se destacou no projeto do modelo relacional foi o pesquisador Dr. Peter Chen, que ofereceu uma importante contribuição ao desenvolvimento do modelo. Em 1976, o pesquisador publicou uma nova percepção do modelo de dados em seu artigo The Entity-Relationship Model Toward a Unified View of Data, o modelo entidade relacionamento. Este modelo é utilizado até os dias atuais por projetistas de banco de dados, pois oferece através de seus conceitos uma forma clara e fácil de representar elementos do mundo real (CHEN, 1976). Apesar da IBM ter inventado e desenvolvido o conceito e a linguagem SQL, a empresa publicou seus resultados na literatura. Esses resultados foram utilizados por outra empresa denominada de Relational Software Inc para produzir o primeiro produto comercial baseado em SQL em Esse produto ficou conhecido como Oracle, nome que foi adotado pela empresa posteriormente. A IBM foi lançar seu produto baseado em SQL somente em 1981, o SQL/ Data System e alterado para DB2 em 1983, produto que é comercializado até os dias atuais (LIU; ÖZSU, 2009). Adécada de 80 foi marcada pelo desenvolvimento e melhoria dos sistemas de banco de dados relacionais, devido ao aumento do desenvolvimento de sistemas para indústrias e o aumento da utilização de computadores pessoais. No final da década de 80, com a maturidade da tecnologia, os sistemas de banco de dados relacionais já possuíam desempenho aceitáveis, tais como os sistemas DB2, Sybase, Informix, Oracle e Ingres (BARCELAR, 2011).

17 15 Nessa década, também surgiram os primeiros sistemas de banco de dados orientado a objetos, que se utilizavam de conceitos e fundamentos da orientação a objetos em sua estrutura e forma de tratar os dados armazenados. Esse modelo surgiu pelas necessidades de novos requisitos de ambientes de projeto, mecanismos de transações e por causa da utilização de dados complexos ou dados de tipo multimídia em aplicações específicas como Sistemas de Informação de Escritório e as aplicações Computer-Aided Design (CADs) (BANCILHON; DELOBEL; KA- NELLAKIS, 1992). Os pioneiros foram o Exodus (1986), Orion (1986) e O2 (1988) (BARCE- LAR, 2011). Posteriormente esse modelo de sistema de banco de dados foi mesclado com o modelo relacional, o que deu origem a outro conceito de sistema de banco de dados, os sistemas de banco de dados objeto-relacionais, Postgres (1986) e o Starburst ( ) (BARCELAR, 2011). Adécada de 90 foi marcada pela popularização da Internet e o surgimento de novas aplicações e metodologias. Nessa época os bancos de dados distribuídos se destacaram, pois o modelo cliente-servidor passou a ser uma regra para futuras decisões de negócios, outra característica marcante era a interoperabilidade 1 (RIBEIRO, 2008). Os Sistemas de Informações Geográficos 2 começaram a utilizar banco de dados distribuídos pela necessidade de compartilhamento com outras instituições, para permitir dessa forma a integração de informações espaciais por Sistemas de Informações Geográficos distintos (CÂMARA, 1995). Aplicações utilizando Data Mining, mineração de dados em banco de dados para a geração de conhecimento, e Data Warehouse ( Armazéns de dados ), utilizados para armazenar grandes quantidades de dados extraídos de fontes externas, se tornaram metodologias cada vez mais utilizadas (BARCELAR, 2011). Finalmente, no século 21, grandes projetos de bancos de dados poderão marcar essa época, como o projeto nas áreas de biomedicina, geologia, segurança nacional e dados de exploração espacial (RIBEIRO, 2008). Poderão surgir projetos semelhantes ao banco de dados presente no Conselho Europeu para Pesquisa Nuclear (CERN), que consiste em um banco de dados distribuído com capacidade de armazenamento em hexabytes de dados (BARCELAR, 2011). E também a utilização com grande frequência das metodologias Data Mining e Data Warehouse para geração de informações importantes para as empresas e instituições (RIBEIRO, 2008). 1 Capacidade de um sistema (informatizado ou não) de se comunicar de forma transparente (ou o mais próximo disso) com outro sistema (semelhante ou não). 2 Sistema de hardware, software, informação espacial e procedimentos computacionais que permitem e facilitamaanálise, gestão ou representação do espaço e dos fenômenos que nele ocorrem.

18 A estrutura de um banco de dados A estrutura do banco de dados é definida conforme vários modelos desenvolvidos com o decorrer das décadas desde o surgimento do conceito. São eles: modelo hierárquico, modelo em rede, modelo relacional e o modelo orientado a objetos Modelo hierárquico O modelo hierárquico foi um dos primeiros modelos de dados a ser desenvolvido, devido à consolidação dos discos de armazenamento endereçáveis. Esses discos viabilizaram a representação hierárquica das informações através de sua estrutura de endereçamento físico (TAKAI; ITALIANO; FERREIRA, 2005). O modelo hierárquico representa a estrutura do banco de dados em forma de árvore e cada ramificação do modelo representa registros de dados. O registro superior é conhecido como registro-pai e os registros pertencentes a ramificação é conhecido como registros filhos, que podem ser acessados segundo uma sequência hierárquica com uma navegação do topo para as folhas e da esquerda para a direita, observado na Figura 2.1 (TAKAI; ITALIANO; FERREIRA, 2005). Figura 2.1: Representação do modelo de dados hierárquico que demonstra a relação de clientes e suas respectivas contas bancárias. Fonte: Esse modelo consegue representar de forma clara relacionamentos de cardinalidade 3 1:N e 1:1, mas quando a cardinalidade é N:N é feita a replicação dos registros. Esse recurso possui duas grandes desvantagens: a inconsistência de dados quando há atualização dos dados e o desperdício de espaço (TAKAI; ITALIANO; FERREIRA, 2005). 3 Regras de associação que descrevem como elementos interagem entre si. Elas são descritas em 1:1 (um para um), quando um elemento interage apenas com outro elemento; em 1:N (um para N), quando um elemento interage com mais de um elemento; e em N:N (N para N), quando N elementos interagem com N elementos.

19 Modelo em rede Este modelo de dados representa a estrutura do banco de dados em forma de rede, semelhante a um grafo (LIU; ÖZSU, 2009). Ele surgiu como uma extensão do modelo hierárquico, mas eliminou o conceito de hierarquia, o que permitiu que um mesmo registro estivesse envolvido em diferentes associações, ou seja, cardinalidade N:N. Um dos primeiros sistemas de banco de dados a implementar esse modelo foi o CODASYL Database desenvolvido pelo Data Base Task Group (TAKAI; ITALIANO; FERREIRA, 2005). O modelo em rede (Figura 2.2) possibilita acesso a qualquer nó da rede sem necessidade de passar pela raiz, ao contrário do Modelo Hierárquico (TAKAI; ITALIANO; FERREIRA, 2005). Figura 2.2: Representação do modelo de dados em rede. Fonte: modelagemde21.jpg Modelo relacional O modelo relacional surgiu a partir de um estudo teórico realizado pelo pesquisador Edgar Frank Ted Codd, que usou como base a teoria dos conjuntos e a álgebra relacional para criar um modelo de dados (TAKAI; ITALIANO; FERREIRA, 2005). O modelo relacional surgiu perante a necessidade de aumentar a independência dos dados nos sistemas gerenciadores de banco de dados e prover um conjunto de funções para armazenamento e recuperações de dados (TAKAI; ITALIANO; FERREIRA, 2005). Este modelo é responsável por demonstrar a estrutura do banco de dados como uma coleção de relações. Essas relações são semelhantes à tabelas, e cada linha dessas tabelas representa uma

20 18 coleção de valores, que correspondem a um fato de uma entidade ou de um relacionamento do mundo real. Essas linhas são conhecidas como tuplas 4 ou registros. As colunas que formam o cabeçalho das tabelas representam as caraterísticas de cada registro, e são conhecidas como atributos, e os tipos de dados (numérico ou literal) que essas tuplas suportam é denominado de domínio (ELMASRI; NAVATHE, 2011). Além do modelo relacional implementar a estrutura do banco de dados de uma forma organizada em relações, foram criadas algumas restrições junto ao modelo para evitar aspectos indesejáveis como: a repetição de informação, incapacidade de representar parte da informação e evitar a perda de informação. Essas restrições são conhecidas como integridade referencial, chaves e integridade de junções de relações (TAKAI; ITALIANO; FERREIRA, 2005). O modelo de dados relacional é representado na Figura 2.3. Atualmente esse modelo continua sendo um dos modelos de dados mais utilizados pelos sistemas gerenciadores de banco de dados do mercado. Figura 2.3: Representação do modelo de dados relacional. Fonte: 4 Cada linha formada por uma lista ordenada de colunas contendo os elementos do mundo real.

21 Modelo orientado a objetos O modelo orientado a objetos surgiu como uma tentativa de melhorar aspectos de representação semântica, da forma do armazenamento dos dados empregados no modelo relacional, e pela necessidade de aplicações específicas, como Sistemas de Informações Geográficas (SIGs) e Sistemas Computer-Aided Design (CAD), lidarem com tipo de dados complexos. Tais aspectos são facilmente resolvidos com a linguagem de programação orientada a objetos, pois uma de suas características é criar os tipos de dados necessários para essas aplicações (TAKAI; ITALIANO; FERREIRA, 2005). A metodologia dos bancos de dados orientados a objetos é uma extensão de conceitos das linguagens de programação orientados a objetos, como C++ e Java. Esse modelo trata que o mundo real a ser modelado é composto de objetos e esses são derivados de classes, e que cada objeto seja individualizado através de um número identificador, Object Identity (OID) (GARCIA-MOLINA; ULLMAN; WIDOM, 2002). Esse modelo pode ser facilmente representado pelo diagrama de classes Unified Modeling Language (UML) (Figura 2.4) (TAKAI; ITALIANO; FERREIRA, 2005). Figura 2.4: Exemplo de diagrama UML utilizado para representar o modelo de banco de dados orientado a objetos. Fonte: LIU e ÖZSU, 2009 O modelo de banco de dados orientado a objetos é definido através da linguagem Object Definition Language (ODL), que foi padronizada pelo Object Data Management Group (ODMG) (GARCIA-MOLINA; ULLMAN; WIDOM, 2002), um grupo formado por representantes dos principais fabricantes de banco de dados orientados a objeto disponíveis comercialmente (TA- KAI; ITALIANO; FERREIRA, 2005).

22 20 A linguagem ODL define o objeto e suas propriedades, que podem ser dividas em três partes: os atributos, que são os valores dos objetos; o relacionamento, que são as conexões entre os objetos; e os métodos, que são funções definidas que podem ser aplicadas aos objetos da classe (GARCIA-MOLINA; ULLMAN; WIDOM, 2002). Acreditava-se que esse tipo de modelo de banco de dados dominaria o mercado e extinguiria o modelo relacional por melhor representar e armazenar dados complexos de forma mais eficiente do que o modelo relacional. Porém, acredita-se atualmente que os bancos de dados orientados a objetos serão utilizados apenas em aplicações especializadas, enquanto os sistemas relacionais continuarão presentes em bancos de dados tradicionais, onde as estruturas de dados baseadas em relações são suficientes (TAKAI; ITALIANO; FERREIRA, 2005) Sistemas Gerenciadores de Banco de Dados (SGBD) Os SGBDs são constituídos por um conjunto de programas para acessar e gerenciar a estrutura de um banco de dados, que permite o armazenamento de diferentes tipos de dados a esse banco de dados. Os SGBDs tem como principal objetivo proporcionar um ambiente conveniente e eficiente para a criação e gerenciamento da estrutura do banco de dados, recuperação e armazenamento dos dados nessa estrutura. (KORTH; SILBERSCHATZ, 1999). Os SGBDs podem ser conceituados como aplicativos que tratam todo o acesso ao banco de dados, ou seja, todas as solicitações de acesso ao banco de dados são processadas pelo SGBD; portanto uma das funcionalidades do SGBD é isolar os usuários do banco de dados dos detalhes do nível de hardware através de possíveis operações em um nível mais alto pelo usuário via linguagem SQL (DATE, 2000). Os SGBDs também são responsáveis por controlar redundâncias com objetivo de impedir inconsistências entre os dados, restringir o acesso não autorizado ao banco de dados, oferecer backup e recuperação da estrutura e dos dados do banco de dados e impor as restrições de integridade (ELMASRI; NAVATHE, 2011). Os principais SGBDs encontrados no mercado atualmente são o PostgreSQL, MySQL, Oracle, DB2 e o SQL Server Modelagem de uma estrutura de banco de dados relacional A modelagem de dados tem sido aplicada como meio para a obtenção da estrutura de dados que leva ao projeto de banco de dados. Cada vez mais há uma exigência maior no formalismo

23 21 na criação das estruturas de banco de dados a serem implantadas, para obtenção de melhores resultados e desempenho dos SGBDs (COUGO, 1997). A modelagem pode ser classificada em duas categorias: modelos lógicos e modelos físicos (Figura 2.5). Nos modelos lógicos, encontra-se o Modelo Entidade Relacionamento (MER), criado pelo pesquisador Dr. Peter Chen (KORTH; SILBERSCHATZ, 1999). O MER representa, através de uma forma conceitual, toda a estrutura lógica do banco de dados relacional, sem apresentar os detalhes específicos de como os dados serão armazenados em um SGBD específico. Os detalhes são demonstrados pelo modelo físico (KORTH; SIL- BERSCHATZ, 1999). Figura 2.5: Esquema geral de modelagem utilizando o MER. Fonte: TAKAI; ITALIANO; FERREIRA, 2005 O MER é uma percepção de que o mundo real é formado por um conjunto de elementos, denominado entidades, e pelo conjunto dos relacionamentos entre esses elementos. Uma entidade é um conjunto de objetos no mundo real que pode ser identificado de forma unívoca em relação a todos os outros objetos presentes nesse conjunto (KORTH; SILBERSCHATZ, 1999). Esta estrutura modelada conceitualmente pelo MER pode ser demonstrada graficamente através do Diagrama Entidade Relacionamento (DER), utilizando formas geométricas para representação de cada elemento conceitual descrito no MER. A representação gráfica utiliza-se de formas geométricas como um retângulo para representar as entidades, um losango para repre-

24 22 sentar os relacionamentos e os balões (elipses) para indicar e alocar os atributos, exemplificada na Figura 2.6 (COUGO, 1997). Figura 2.6: Representação do Diagrama Entidade Relacionamento. As entidades possuem um conjunto de propriedades, denominado atributo, sendo que alguns destes atributos devem conferir individualidade aos elementos presentes nas entidades. A associação entre uma ou mais entidades denomina-se relacionamento. Além disso, o MER deve representar também regras que serão respeitadas pelo banco de dados, como o mapeamento das cardinalidades (regras de associações entre os elementos) (KORTH; SILBERSCHATZ, 1999). Há três tipos de cardinalidade, como descrito abaixo. No relacionamento 1:1 (Um para Um), apenas um elemento do conjunto relaciona-se com outro elemento de outro conjunto, e vice-versa (Figura 2.7) (COUGO, 1997). Esse relacionamento é considerado um dos mais difíceis de serem caracterizados na etapa da modelagem da estrutura do banco de dados, pois qualquer mudança de interpretação ou visão pode fazer com que facilmente ele seja questionado e até reconsiderado. Figura 2.7: Demonstração da cardinalidade 1:1 pela teoria dos conjuntos. O relacionamento 1:N (Um para Muitos) é bastante comum, sendo frequentemente encontrado em grande parte dos modelos. A restrição imposta neste caso é de que, um elemento do primeiro conjunto pode associar-se com N elementos do segundo conjunto, enquanto os elementos do segundo conjunto poderão associar-se apenas a um elemento do primeiro conjunto (Figura 2.8) (COUGO, 1997).

25 23 Figura 2.8: Demonstração da cardinalidade 1:N pela teoria dos conjuntos. O relacionamento M:N (Muitos para Muitos) representa uma associação de elementos onde, teoricamente, não há restrição quanto às possíveis ligações a serem estabelecidas entre os elementos dos dois conjuntos. Assim, um elemento do primeiro conjunto pode associar-se a N elementos do segundo conjunto, e vice-versa (Figura 2.9) (COUGO, 1997). Figura 2.9: Demonstração da cardinalidade N:N pela teoria dos conjuntos. Já no modelo físico são demonstrados detalhes como o tipo de dado que a variável armazena e o seu tamanho, se a tupla suporta valor nulo e a representação das chaves primárias (também demonstrada no DER) e chaves estrangeiras (Figura 2.10).

26 24 Figura 2.10: Exemplo de modelo físico. Fonte: Fisico Detran.png A chave primária é a chave candidata que é escolhida pelo projetista do banco de dados, para atribuir unicidade na identificação de um elemento dentro de um conjunto de mesma entidade. A chave estrangeira é uma restrição que associa a chave primária ou conjunto de chaves primárias, de uma entidade com outra entidade. Estes mecanismos permitem a implementação de restrições de entidade e de relacionamentos no modelo relacional (COUGO, 1997). A importância da utilização do MER e do DER em projetos de banco de dados deve-se pela facilidade agregada ao desenvolvimento dos projetos, por isso muitas ferramentas são concebidas para a utilização desses modelos (KORTH; SILBERSCHATZ, 1999) A linguagem SQL A Structured Query Language (Linguagem de Consulta Estruturada) ou SQL, é uma linguagem de programação direcionada a banco de dados relacionais, com a funcionalidade de criar banco de dados, definir sua estrutura, manipular dados e controlar a segurança do banco de dados. A linguagem SQL divide-se em sub-linguagens responsáveis por cada uma dessas funcionalidades: a Data Definition Language - Linguagem de Definição de Dados (DDL), responsável pela estruturação do banco de dados, que inclui a criação, deleção e modificação de banco de dados, tabelas e campos, além de configurar regras de entradas para os dados; a Data

27 25 Manipulation Language - Linguagem de Manipulação de Dados (DML), responsável pela consulta e manipulação dos dados, o que inclui consultas, deleções, inserções e alterações de dados no banco de dados; e a Data Control Language - Linguagem de Controle de Dados (DCL), responsável pela segurança de acesso ao banco de dados (WILTON; COLBY; COLBY, 2005). Muitas vantagens podem ser oferecidas pela linguagem SQL. Por ser uma linguagem padronizada, oferece vantagens como a redução dos custos com treinamento, ou seja, aplicações podem se movimentar de um ambiente de desenvolvimento para outro sem a necessidade de reciclagem da equipe de desenvolvimento. Ela também oferece aos desenvolvedores a portabilidade entre computadores, além de consulta interativa, múltiplas visões dos dados, definição dinâmica dos dados entre outras (MACHADO; ABREU, 1996) Banco de dados biológicos Nesta última década, profissionais das áreas de biociências têm mostrado uma capacidade impressionante de gerar dados com métodos de larga escala, e têm encontrado na tecnologia caminhos poderosos para organizar, armazenar, integrar e analisar esses diferentes tipos de dados (ALTMAN, 2004). Técnicas experimentais eficientes nas áreas de sequenciamento de DNA, microarrays, espectrometria de massa de proteínas, entre outras, são algumas das técnicas responsáveis pelo aumento dos dados em larga escala nas áreas biológicas. Em decorrência da geração dessa grande quantidade de dados, novos campos de estudo dentro da biologia vêm surgindo, como a genômica, a transcritômica, proteômica e a interatômica, entre outras. Essas ciências ômicas visam a compreensão global do funcionamento dos sistemas biológicos sob diferentes estímulos com o intuito de desenvolver novas drogas para humanos com altos valores terapêuticos e de baixo perfil toxicológico (CHEN; SIDHU, 2007). Com o intuito de facilitar a armazenagem e análise da grande quantidade de dados produzidos pelas ciências ômicas, tecnologias computacionais têm sido desenvolvidas para sua utilização no âmbito biológico e, dentre essas tecnologias, estão os bancos de dados. Os chamados banco de dados biológicos são bancos com uma estrutura capaz de armazenar informações biológicas de forma centralizada e organizada tornando a exploração dessas informações menos complexa e, consequentemente, promovendo a aceleração da aquisição de conhecimento sobre os sistemas biológicos a partir dos resultados obtidos pelas ciências ômicas (NELSON; REISINGER; HENRY, 2003). Atualmente existem vários tipos de bancos de dados biológicos, como banco de dados

28 26 primários de sequência (nucleotídeos e aminoácidos), de genomas, especializados, de vias bioquímicas, de estrutura de proteínas, de microarrays, e de interação entre proteínas. Todos esses bancos de dados estão focados em apenas um objetivo, auxiliar profissionais das áreas de biociências a responder perguntas relacionadas a informações evolutivas (genes homólogos, frequência de alelos e etc), informações genômicas (localização no cromossomo, introns, regiões reguladoras e etc), informações estruturais (estrutura de proteínas, domínios estruturais e etc), informações de expressão (expressões específicas a um tecido, fenótipos, doenças e etc) e informações funcionais (função molecular e enzimática, papel em doenças e etc). Na próxima seção, serão descritos alguns dos principais bancos de dados biológicos, com grande influência nas áreas biológicas Protein Data Bank (PDB) O Protein Data Bank (PDB) é um conjunto de banco de dados, estabelecido pelo Dr Walter Hamilton em 1971, e originalmente desenvolvido no Brookhaven National Laboratory (BNL). O PDB ( é responsável por armazenar estruturas tridimensionais de proteínas, ácidos nucleicos e outras macromoléculas biológicas. Em seus dados estão contidos coordenadas atômicas, citações bibliográficas, informações sobre estrutura primária e secundária, dados experimentais de estrutura elucidadas ou por cristalografia ou por Ressonância Magnética Nuclear (Nuclear Magnetic Resonance (NMR)), e endereços para outros bancos de dados biológicos (SUSSMAN et al., 1998). O trabalho realizado no PDB é um trabalho colaborativo, seus avanços são feitos por colaboração de cientistas ao redor do mundo, o que transformou o original PDB de um simples conjunto de bancos de dados em um poderoso e sofisticado sistema de base de conhecimento em informação estrutural, que combina as tecnologias de sistemas de bancos de dados orientado a objetos e sistemas de banco de dados relacionais para arquivar e acessar informações estruturais (SUSSMAN et al., 1998). O PDB atualmente é visto como uma organização conhecida como Worldwide Protein Data Bank (wwpdb)(figura 2.11) ( formada desde 2003 pelo: Protein Data Bank Europe (PDBe) ( (VELANKAR; KLEYWEGT, 2011), localizado no Instituto Europeu de Bioinformática (EMBL-EBI; Reino Unido; Research Collaboratory for Structural Bioinformatics - Protein Data Bank (RCSB- PDB) ( grupo responsável por manter o PDB desde 1998 (ROSE et al., 2011); Biological Magnetic Resonance Data Bank (BMRB) ( (ULRICH et al., 2008), ambos, RCSB-PDB e BMRB, localizados nos Estados Unidos; e o Pro-

29 27 tein Data Bank Japan (PDBj) ( localizado no Japão (STANDLEY et al., 2008). Figura 2.11: Página de apresentação do site wwpdb Fonte: Entrez O Entrez ( é um sistema de recuperação de informação integrada desenvolvido pelo National Center for Biotechnology Information - NCBI, responsável por recuperar dados de sequenciamento de proteínas e nucleotídeos, dados de estruturas tridimensionais, dados taxonômicos, genomas completos, referências bibliográficas e outros armazenados em diferentes bancos de dados (Figura 2.12) (LETOVSKY, 2002).

30 28 Figura 2.12: Página de apresentação do Entrez Fonte: Através dos dados obtidos pelo Entrez os usuários podem identificar uma sequência de mirna, recuperar registros da literatura e de proteínas associadas, identificar domínios conservados dentro das proteínas, identificar proteínas similares, identificar mutações conhecidas dentro do gene ou proteína, encontrar uma estrutura tridimensional resolvida para a proteína ou, na sua ausência, identificar estruturas com sequência homólogas, obter uma visão do contexto genômico e obter a região da sequência, entre outras informações relevantes à biomedicina (GEER; SAYERS, 2003). Em 2010, o Entrez contava com um total de 38 bancos de dados e com mais de 450 milhões de registros (SAYERS et al., 2011). Alguns bancos de dados que formam essa ferramenta são descritos abaixo: o GenBank e o PubMed (GEER; SAYERS, 2003) GenBank O GenBank é um banco de dados que armazena dados de sequências nucleotídicas disponíveis publicamente de mais de organismos, que são obtidas pela submissão de laboratórios individuais ou de projetos de sequenciamento em larga escala. Além dessa colaboração, o GenBank troca diariamente dados com o European Nucleotide Archive (ENA) eodna Data Bank of Japan (DDBJ), como forma de abranger mundialmente o contexto de sequenciamento genético (BENSON et al., 2011).

31 29 O banco de dados foi construído e é distribuído gratuitamente pelo NCBI, através da Internet ( FTP e um amplo número de serviços web de análises e de recuperação de dados. Em 2010, o GenBank contava com mais de 1200 genomas completos de bactéria e arquea, e pares de bases nucleotídicas (12,6% a mais em relação a 2009). Desse total, a espécie Homo sapiens era a espécie como mais pares de base de nucleotídeos inseridos, total de (BENSON et al., 2011) PubMed Os resumos de grande parte da literatura sobre biomedicina estão armazenados e disponíveis no banco de dados PubMed ( desenvolvido e mantido pelo NCBI. O PubMed é responsável por incluir toda a literatura contida no MEDLINE 5 e mais algumas citações adicionais. Além dos resumos e citações, o PubMed também contém os endereços eletrônicos das revistas para garantir o acesso ao artigo completo ao usuário (LE- TOVSKY, 2002). Atualmente a quantidade de citações já ultrapassa a marca de 21 milhões e a quantidade está aumentando aproximadamente 4% ao ano (LU, 2011). Em 2010, o Pubmed abrangia mais de revistas científicas, com artigos publicados desde 1880 (artigo mais antigo relatado no Pubmed) (SAYERS et al., 2011). O Pubmed é utilizado por pesquisadores, profissionais da área da saúdeeopúblico geral (LU, 2011) Gene Ontology O Gene Ontology (GO) Consortium é a maior iniciativa na área da bioinformática na tentativa de padronizar a representação de genes e produtos criados pela regulação gênica, através de diversas espécies e banco de dados. O GO utiliza um vocabulário controlado de termos para a descrição das características dos produtos dos genes e para a anotação dos dados de produtos de genes (ASHBURNER et al., 2000). O GO Consortium surgiu a partir de uma colaboração entre três bancos de dados de modelos de organismos: FlyBase (Drosophila), Saccharomyces Genome Database (SGD) e o Mouse Genome Database (MGD), em Desde então, muitos bancos de dados vêm sido incluídos no GO no objetivo de oferecer uma descrição consistente de produtos de genes em diferentes bancos de dados através do uso da ontologia 6 (ASHBURNER et al., 2000). 5 Banco de dados bibliográfico da U.S. National Library of Medicine R (NLM). 6 É um modelo de dados que representa um conjunto de conceitos dentro de um domínio e os relacionamentos entre estes. Uma ontologia é utilizada para realizar inferência sobre os objetos do domínio.

32 30 O GO disponibiliza à comunidade científica um sistema de banco de dados relacional que armazena dados das ontologias e anotações de genes e produtos de genes. Esses dados são disponibilizados através do navegador AmiGO e pela busca do próprio site do GO ( e também podem ser obtidos através de download (ASH- BURNER et al., 2000). O GO Database é atualizado periodicamente: ontologias, definições e mapeamento de outros bancos de dados são inseridos diariamente; todas as anotações manuais de produtos de genes, anotações eletrônicas de todos os bancos de dados, sequências de produtos dos genes são inseridos semanalmente; e as anotações geradas manualmente ou eletronicamente são inseridas mensalmente (ASHBURNER et al., 2000) BioGrid O Biological General Repository for Interaction Datasets (BioGRID) ( é um banco de dados público que armazena interações entre proteínas e interações genéticas de diversos organismos. Atualmente, o BioGRID contém cerca de dados de interações (versão , outubro de 2011) gerados por técnicas de alta escala e de trabalhos individuais. Esses dados são atualizados mensalmente e são analisados minunciosamente por um grupo de pesquisadores doutores do BioGRID com auxílio de um sistema de gerenciamento de interações (Interaction Management System - IMS) para garantir a qualidade das interações depositadas no banco. O BioGRID armazena interações genéticas e entre proteínas de 25 organismos (Arabidopsis thaliana, Bacillus subtilis 168, Bos taurus, Caenorhabditis elegans, Candida albicans SC5314, Canis familiaris, Chlamydomonas reinhardtii, Danio rerio, Drosophila melanogaster, Escherichia coli K12 MG1655, Gallus gallus, Hepatitus C Virus, Homo sapiens, Human Herpesvirus 1, Human Herpesvirus 4, Human Immunodeficiency Virus 1, Macaca mulatta, Mus musculus, Plasmodium falciparum 3D7, Rattus norvegicus, Saccharomyces cerevisiae, Schizosaccharomyces pombe, Sus scrofa, Xenopus laevis, Zea mays) e seus dados podem ser procurados através de sua página web ou ainda serem baixados em diversos formatos, como PSI-MI e XML (STARK et al., 2011). O BioGRID está presente em várias iniciativas internacionais que possuem como objetivo disponibilizar dados de interação molecular, descrições fenotípicas de funções de genes e modelos de anotação para organismos. Atualmente é membro do International Molecular Exchange (IMEx) Consortium ( responsável por coordenar a inspeção de dados de interação de acordo com o padrão PSI-MI e permitir dessa forma toda a