Milenna Machado Pirovani

O crescente interesse por peptídeos bioativos, devido aos seus efeitos anti-idade, antioxidantes e anti-inflamatórios, impulsiona o desenvolvimento de dermocosméticos mais seguros. Este artigo apresenta uma abordagem integrativa de bioinformática e modelagem molecular para identificar padrões estruturais e funcionais, visando predizer novas sequências com potencial biotecnológico. A ideia sugere utilizar bases de dados públicas e algoritmos de aprendizado de máquina, seguidos por análises de docking e dinâmica molecular. A integração entre inteligência artificial e modelagem estrutural busca acelerar a descoberta racional de peptídeos bioativos para aplicação dermocosmética.

O câncer explora o estado de desdiferenciação celular para promover a progressão tumoral e resistência a tratamentos. Genes com potencial de influenciar a formação do câncer são chamados condutores. Não há uma definição clara de como tais genes, oncogenes e supressores de tumores, agem interferindo no processo de desdiferenciação tumoral. Neste trabalho, analisaremos o impacto de 741 genes condutores definidos pelo Cancer Gene Census (COSMIC) na desdiferenciação celular em 33 tipos de tumores do TCGA. Investigaremos aqui, de modo preliminar, dados de correlação entre a desdiferenciação celular tumoral e dados de expressão, metilação, mutação e variação do número de cópias de genes condutores de câncer. Definindo um limiar exploratório encontramos que pelo menos 177 genes condutores possuem correlações diretas ou inversas entre expressão gênica e desdiferenciação celular em ao menos um tipo de tumor, além de um total de 290 correlações distintas.

Este livro compila os artigos publicados na Revista BIOINFO Vol. 5 (2025). Todos os direitos autorais pertencem aos autores de cada respectivo artigo. Todavia, os autores concordam em compartilhar gratuitamente o conteúdo deste livro e incentivam sua livre distribuição (desde que os autores dos respectivos capítulos sejam corretamente citados e/ou que as leis de uso justo sejam respeitadas). Este livro está compartilhado sob a licença Creative Commons Atribuição 4.0 Internacional - Não comercial (CC BY-NC 4.0). Você pode utilizar qualquer conteúdo aqui apresentado, desde que cite: Moura Junior, Adenilson Arcanjo de (org.) et al. BIOINFO #05 - Revista Brasileira de Bioinformática e Biologia Computacional. 5. Ed. Vol. 5. ISBN: 978-65-84391-01-7. Lagoa Santa: Alfahelix, 2025. doi: 10.51780/978-65-84391-01-7

Asthma is a clinically heterogeneous, chronic inflammatory disorder of the airways, characterized by phenotypic variability that hampers accurate diagnosis and the development of tailored treatment strategies. The identification of robust molecular biomarkers is thus crucial for supporting disease stratification and informed therapeutic decision-making. In this study, we aimed to identify genes with high discriminatory power between patients with severe asthma and healthy controls by applying supervised statistical learning to publicly available transcriptomic data. We analyzed the gene expression dataset of severe asthmatic patients from the NCBI GEO repository using logistic regression for feature selection and classification. Our results suggest sets of genes potentially related to asthma, underscoring the importance of non-coding RNAs and pseudogenes. These results refine and complement previously published findings. Additionally, they highlight the value of reanalyzing public omics data with statistical models to generate novel hypotheses on disease mechanisms. These putative biomarker signatures must be validated in independent cohorts to confirm their generalizability and clinical relevance.

O-GlcNAcylation is a post-translational modification (PTM) that involves the covalent bonding of an N-acetylglucosamine (GlcNAc) molecule to serine or threonine amino acid residues in nuclear and cytoplasmic proteins. PTMs dysregulation has been implicated in a wide range of diseases, including cancer, metabolic syndromes, and neurodegenerative disorders. Precise mapping of O-GlcNAc sites is essential for advancing both fundamental understanding and the development of targeted therapeutics. However, their detection remains challenging, which has motivated the development of computational tools to predict these sites with greater accuracy. In this study, we used Protein Language Models (PLMs) to address the challenge of predicting protein residues that are O-GlcNAc modification sites. To evaluate our method, we collected data from the O-GlcNAc Atlas. Our results indicate that our model outperformed competitors in all datasets evaluated. We believe the approach presented here can benefit scientists working on any subject where protein post-translational modifications play a role.