Somos un grupo de mujeres jóvenes enfocadas en la ciencia, cada una se desarrolla en diferentes áreas, sin embargo todas tenemos un mismo fin, divulgar y crear nuevos conocimientos científicos para las próximas generaciones.
¡Hola!, mi nombre es Alondra De Gaona Garcia. Actualmente curso la licenciatura en Químico Farmacéutico Biólogo. Una frase que me gusta mucho y me motiva es "Haz lo que te gusta y no tendrás que trabajar el resto de tu vida"
¡Hola! Yo soy Mary, Soy del estado de Oaxaca, tengo 17 años y curso mi ultimo año de bachillerato "Higiene y salud comunitaria -Químico Bilogo", me pasiona el arte, escuchar musica y aprender cosas nuevas, uno de mis más grandes sueños es estudiar medicina.
¡Hola! soy Maribel Esmeralda García Ramírez, curso el 5to semestre en el Colegio de Bachilleres del Estado de Oaxaca (COBAO), en el perfil de Químico biólogo. Me encanta el dibujo, la pintura, el bordado, tejer, el ajedrez. Conocer cosas nuevas.
Hola! Mi nombre es Areli Soto Enríquez. Actualmente estoy por cursar el noveno semestre de la Licenciatura en Biología Marina. Soy amante del mar y todo lo relacionado a el, una frase que me gusta mucho es "Todos provenimos del mar, pero no todos somos del mar, aquellos que si lo somos, los hijos de las mareas, tenemos que volver a el una y otra vez".
En este challenge, nuestro club se define como Atacando Génes Asociados a la Obesidad, pero nuestro equipo se ha enfocado sobre la Arteropatía Coronaria asociada a la Dislipidemia. La arteriopatía coronaria (AC) afecta las arterias que suministran sangre al corazón. Esto se genera cuando las arterias coronarias se estrechan debido a una acumulación de placa ateromatosa, que incluye colesterol, depósitos grasos, calcio y otras sustancias. Por otro lado la Dislipidemia es una alteración de los niveles de lípidos y proteínas en la sangre. Incluye colesterol, triglicéridos o ambos, y es uno de los principales factores de riesgo de cardiopatía isquémica. También puede aparecer como consecuencia de una disminución del nivel de colesterol HDL.
"Las enfermedades cardiovasculares (ECV) son un problema de salud pública mundial; hoy en día constituyen la primera causa de enfermedad y muerte en el mundo occidental". "Actualmente en América Latina y el Caribe las enfermedades cardiovasculares representan el 31% del total de las defunciones. Se estima que ocurrirán 20.7 millones de defunciones por ECV durante los próximos 10 años." "Las dislipidemias constituyen un grave problema actual ya que condiciona un incremento en la mortalidad en adultos." Es de suma importancia aprender a detectar factores de riesgo en la salud, aprender de ellos y saber que podemos hacer para mejorar hábitos e incluso prevenir enfermedades.
Nuestro Club se centro principalmente en el tema Atacando genes relacionados con la obesidad, utilizando elementos de biología de redes y reutilización de farmacos. Antes de comenzar con nuestro task debemos dar a conocer que hemos llegado hasta este punto debido a los webinars que obtuvimos de nuestros instructores, adentrándonos en el mundo de la ciencia, es decir recibiendo los conocimientos necesarios acerca del tema de la obesidad y poderlos manipular, como conocer que las redes biológicas y generales nos ayudan para integrar diferentes tipos de datos, también el utilizar redes, ect
Para realizar nuestro proyecto utilizamos un Notebook de Jupyter/Colab en el cual desarrollamos códigos para análisis de nuestro tema Arteropatia, para la cual utilizamos tres redes diferentes:
Demostrar cómo los fármacos existentes que combaten otras enfermedades también interactúan con genes asociados a arteriopatias coronarias asociadas a Dislipidemias como causa de Obesidad..
Al terminar las semanas de capacitación del club y haber recopilado todo el aprendizaje necesario para crear nuestro proyecto, lo primero que hicimos fue buscar una enfermedad relacionada a la Obesidad y que afectara a un gran sector de la población. Tomamos en cuenta que existen muchas consecuencias graves de la obesidad, las más conocidas: Diabetes tipo 2, Ciertos tipos de cáncer, Apnea del sueño, Hipertensión (presión arterial alta), Sin embargo, tratamos de escoger algo no tan común, Arteropatía Coronaria fue una opción no desconocida pero sí lo suficiente para nuestro trabajo.
Ahora es tiempo de buscar la información que necesitaremos para filtrar nuestros datos en un Notebook /Colab de Google. Para este paso nos ayudamos del catálogo de Gwas, en este podremos encontrar tablas/listas de genes asociados a una enfermedad en específico. Buscaremos cuidadosamente el paquete que nos proporcione nuestra información y la descargaremos.
Visualizacion del catalogo de GWAS. [ver imagen]
Como descargar el catalogo. [ver imagen]
Link de Gwas. [Crea...]
De igual manera también descargamos los archivos que se nos proporcionaron durante las sesiones del club: DrugBank - Combined Network.graphml y HI_union.graphml
Lo primero que hicimos fue crear un notebook de Google Colab (en blanco) Con ayuda de nuestra rúbrica del proyecto nos guiamos para ir haciendo paso a paso nuestro código. Para empezar a crear nuestro código necesitamos subir nuestros archivos previamente mencionados.
Colag en blanco. Ver imagen
subir archivos. Ver imagen
“Invocaremos” paquetes que Python maneja, los cuales fueron fundamentales para correr nuestro código. Teniendo echo la básico para que nuestro Notebook corra, empezaremos a programar en lenguaje Python.
Paquetes que invocamos. Ver imagen
El primer código que pondremos será para leer la red de Proteinas humanas
Código Proteinas Humanas[Ver imagen]
Código de nodos y caminos[Ver imagen]
Pondremos los siguientes códigos con ellos podremos sacar el nombre de los génes y numero que tienen. A continuacion asignaremos un color a las proteinas
Proteinas Humanas[Ver imagen]
Nodos y caminos[Ver imagen]
Leeremos la sigueinte red, en este caso farmacos y repetiremos los pasos anteriores hasta llegar al coloreado.
Farmacos[Ver imagen]
A continuacion sacaremos el Degree, ocuparemos el codigo para las dos redes separadas. Para la red combinada ocuparemos un código diferente ya que nuestra lista de genes y farmacos es muy extensa, lo que ocasionaba que el codigo tardara minutos e incluso horas en correr y darnos el resultado final.
Código[Ver imagen]
Código[Ver imagen]
Distancias. Para la red combinada ocuparemos un código diferente ya que nuestra lista de genes y farmacos es muy extensa, lo que ocasionaba que el codigo tardara minutos e incluso horas en correr y darnos el resultado final.
Código[Ver imagen]
Código red combinada [Ver imagen]
Betweenness Centrality. Ocuparemos el mismo código para todas las redes
Código[Ver imagen]
Combinaremos las dos redes Fármaco-Proteina / Proteina-Proteina
Recopilación de la información y filtración de datos haciendo uso de los diferentes paquetes como pandas, nx, etc...
Conjuntar las Network de interacción de "Protein-Protein", con las de "Drugs-Protein" y los genes elegidos que se encuentran asociados al tema de interés que fueron obtenidos del GWAS.
---->
En el desarrollo de la Network, se utilizaron 3 partes indispensables, una red de proteínas humanas, una red de fármacos y otra red de proteínas que son estrictamente de la arteriopatía coronaría, de cada red se obtuvieron nodos, distancias y nodos centrales, que nos sirven para determinar las interacciones que tienen entre ellos mismos, y como cada fármaco tendría un efecto sobre la proteína. Para diferencias cada proteína entre las humanas y las asociadas a la enfermedad elegida, se coloreo de diferente color, siendo las moradas de mayor interés. En el gráfico final observamos la interacción que hay entre estás.
Los fármacos que se escogieron son aquellos que tienen interacción con los genes TGM1 y SBK3, pertenecientes al catálogo del GWAS de dónde se obtuvieron los genes asociados a la arteriopatía coronaria asociada la dislipidemia como consecuencia de la obesidad. De esta manera demostramos que se lleva a cabo una interacción entre estos dos qué se representa en en el gráfico final del Google colab..
TGM1 proporcionado por HGNC Nombre oficial completo transglutaminasa 1 proporcionada por HGNC Fuente principal HGNC: HGNC: 11777 Ver relacionados Conjunto: ENSG00000092295 MIM: 190195 Tipo de gene codificación de proteínas Estado de RefSeq REVISADOS Organismo Homo sapiens Linaje Eucariota; Metazoos; Chordata; Craniata; Vertebrata; Euteleostomi; Mammalia; Eutheria; Euarchontoglires; Primates; Haplorrhini; Catarrhini; Hominidae; Homo También conocido como LI; KTG; LI1; TGK; ICR2; ARCI1; TGASE La proteína codificada por este gen es una proteína de membrana que cataliza la adición de un grupo alquilo de una alquilamina a un residuo de glutamina de una proteína, formando una alquilglutamina en la proteína. Esta alquilación de proteínas conduce a la reticulación de proteínas y la catenación de poliaminas a proteínas. Este gen contiene una o dos copias de una unidad repetida de 22 nt en su 3 'UTR. Las mutaciones en este gen se han asociado con ictiosis lamelar autosómica recesiva (LI) y eritrodermia ictiosiforme congénita no ampollosa (NCIE). [proporcionado por RefSeq, julio de 2008]
SBK3 Nombre Familia de quinasas de unión al dominio SH3, miembro 3 Sinónimos SGK110 Proteínas SBK3_HUMAN Identificación del gen NCBI 100130827 SBK3 tiene 1.074 asociaciones funcionales con entidades biológicas que abarcan 6 categorías (perfil molecular, término funcional, frase o referencia, química, característica estructural, línea celular, tipo de célula o tejido, gen, proteína o microARN) extraídas de 19 conjuntos de datos.
UNDECYLAMINE-N, N-DIMEHYL-N-OXIDE: Este compuesto pertenece a la clase de compuestos orgánicos conocidos como óxidos de alquil amina de cadena larga. Estos son aminoácidos que llevan una cadena de alquilo que varía de C10 a C24.
Fostamatinib: se ha investigado para el tratamiento y la ciencia básica de la artritis reumatoide y la púrpura trombocitopénica inmunitaria (PTI). Fue aprobado el 17 de abril de 2018, con el nombre comercial Tavalisse para su uso en ITP [L2644, etiqueta de la FDA]. La FDA también le ha otorgado el estatus de fármaco huérfano a Fostamatinib
Nosotras al estar dentro de este club de ciencia, tuvimos muchas complicaciones con la programación, por lo que al realizar el proyecto nos llevó más tiempo de lo esperado tanto en el colab, como en la página web. Era muy frustrante no poder avanzar con nuestra página debido a que era algo nuevo para nosotras y las dudas eran más conforme pasaban las horas.
Sin embargo, los instructores estuvieron al pendiente de nuestras dudas, ayudándonos para poder continuar con nuestro proyecto, además, que nos daban ideas de cómo mejorarlo, así que hicimos lo mejor que pudimos.
Comprobamos que la ciencia y la tecnología no tienen limites De esta experiencia nos llevamos grandes aprendizajes que en un inicio nos fueron complicados entender, como el programar, la ceración de una página web, conceptos sobre el tema de nuestro club 7 “Atacando genes relacionados con la obesidad”.
Podemos decir que reforzamos más el hecho de que queramos dedicarnos a la ciencia.
![[ver imagen]](images/IMG-20210821-WA0207.jpg){kind=link}
![[Ver imagen]](DISTANCIAS.jpg){kind=link}