O Transtorno Depressivo Maior (TDM) é uma das causas mais graves de incapacidade global, e o suicídio é seu desfecho mais trágico. Apesar dos avanços no campo da neurociência, ainda não se sabe o funcionamento completo do cérebro, que transforma a depressão em um risco elevado de suicídio. A identificação desses mecanismos subjacentes, como vias biológicas, é crucial para desenvolver novas formas de prevenção. Para enfrentar esse desafio, utilizamos a combinação entre a computação e a análise de dados genéticos (estratégia in silico). Este trabalho visa encontrar perfis de expressão gênica de pacientes e vítimas de suicídio para visualizar os genes e suas vias moleculares expressas ou suprimidas e, assim, observar o elo molecular existente na progressão do TDM para o comportamento suicida. Com esse trabalho, buscamos desvendar os riscos escondidos no limiar entre a depressão e o suicídio.
Autores: Bruno Feliciano de Omena, Michelle Melgarejo da Rosa
Introdução
O Transtorno Depressivo Maior (TDM) representa um grave problema de saúde pública, que afeta milhões de pessoas e gera impacto social e econômico substancial [1]. O desfecho mais grave dessa doença é o suicídio, cuja base molecular permanece pouco compreendida. A principal dúvida permanece: “o que leva um indivíduo com depressão a cometer suicídio?” [2]. Este hiato no conhecimento é um dos maiores desafios da neurociência moderna e da saúde mental. A identificação de marcadores biológicos confiáveis que estratifiquem o risco de suicídio em pacientes com TDM é uma necessidade social urgente e tem imenso potencial para permitir intervenções precoces e mais eficazes.
O advento das tecnologias de alto rendimento e o armazenamento de dados em repositórios públicos, como o Gene Expression Omnibus (GEO), criaram uma oportunidade única para enfrentar esse desafio [3]. No entanto, a heterogeneidade dos dados, as comorbidades e as especificidades de cada região cerebral tornam a análise complexa.
Dessa forma, a utilização de uma abordagem computacional pode ser empregada para desvendar as assinaturas moleculares que conectam o TDM ao suicídio. O cerne da questão é: há fatores moleculares comuns, porém regulados de forma diferente em regiões cerebrais específicas, que distinguem pacientes com TDM daqueles que cometeram suicídio? Para responder a isso, a estratégia consiste em analisar e comparar diretamente conjuntos de dados genéticos independentes e, por fim, traçar um “mapa” molecular compartilhado que explique a progressão da doença.
Qual a importância dos dados para o estudo?
Com o objetivo de investigar como funcionam os mecanismos moleculares do suicídio e da depressão, a pesquisa começou pela seleção de dados genéticos disponíveis publicamente no banco de dados GEO. Dessa forma, foram escolhidos dois conjuntos principais de informações: (1) compara pacientes com TDM diagnosticados com indivíduos saudáveis e (2) compara vítimas de suicídio com indivíduos saudáveis. Esses conjuntos de dados recebem os IDs: GSE80655 [4] e GSE102556 [5]. Eles armazenam informações, como as causas da morte, se o paciente tem depressão ou não e, um dos pontos mais importantes, a região cerebral extraída para o sequenciamento da amostra. Esses dois datasets armazenam as principais regiões de interesse desta pesquisa (Figura 1): o córtex pré-frontal (PFC) e nucleus accumbens (NAc). A escolha dessas regiões é estratégica, dado o envolvimento estabelecido delas na regulação do humor e no processamento de recompensa, respectivamente [6][7].
Figura 1. Estrutura do cérebro com destaque para as regiões do NAc e do PFC. Fonte: [8]. Licença: CC BY-SA 4.0.
A análise dos dados e a geração de novas ideias
Os dados que temos no dia a dia sempre nos contam uma história; por exemplo, quando abrimos a geladeira de um amigo próximo e nos deparamos com uma grande quantidade de itens saudáveis, presumimos que esse indivíduo leva uma vida saudável. Assim, os dados que tínhamos para presumir isso eram os itens na geladeira, e a nossa principal ideia, ou hipótese, é que esse indivíduo leva uma vida saudável. E com a bioinformática, isso não é diferente.
Com os nossos dados discutidos no último tópico, vamos propor um caminho diferente e analisar pelo olhar biológico. Quando fazemos uma análise, precisamos criar uma linha de raciocínio, esse raciocínio é programado por meio de uma linguagem de programação, para que o computador entenda. Quando fazemos isso, estamos criando o que, na bioinformática, chamamos de pipeline e nos comunicamos com o computador por meio dessa linguagem de programação. No nosso caso específico, utilizamos a linguagem R [9]. Agora imagine que você tem várias receitas escritas por pessoas diferentes, algumas usam abreviação, outras cometem erros ao escrever. Cada uma com seu jeito único. Antes de comparar essas receitas, você precisa organizá-las em um único formato; é o que chamamos de processar e normalizar os dados. Aplicamos essa ideia ao nosso estudo biológico, pois os nossos dados não são perfeitos e temos que deixá-los ótimos para tirar novas ideias. Assim, aplicamos no pipeline, onde os dados entram bagunçados e saem organizados. Com os nossos dados organizados, utilizamos o DESeq2, uma ferramenta dentro da linguagem de programação. Ela funciona como um detector de diferenças: compara os genes entre diferentes condições, no nosso caso, depressão e suicídio, e mostra quais genes estão se comportando de forma diferente. Esses são os genes que mudam sua atividade dependendo da situação, como depressão e suicídio. É como descobrir quais ingredientes aparecem mais ou menos em certas receitas.
O ponto crucial da abordagem não é apenas listar os genes que são diferencialmente expressos, mas identificar como eles atuam no corpo. Para fazer isso, incluímos no nosso pipeline uma análise de vias biológicas, também chamada de análise de enriquecimento. Para descobrir, por fim, como o corpo reage quando existe apenas depressão, e quando o indivíduo comete suicídio.
A etapa final, e o foco principal desta pesquisa, é a comparação dessas vias enriquecidas. O objetivo é identificar processos biológicos que aparecem desregulados em ambos os dados.
Conclusão
Este projeto delineia uma estratégia de bioinformática para enfrentar o desafio de compreender a biologia molecular da transição do TDM para o suicídio. O impacto social desta abordagem reside no seu potencial de identificar alvos moleculares robustos. Ao focar em vias compartilhadas, como padrões de neuroinflamação, esta pesquisa pode fornecer a base para o desenvolvimento de biomarcadores de diagnóstico que ajudem a estratificar pacientes depressivos em maior risco. A longo prazo, a elucidação desses mecanismos comuns é fundamental para o reposicionamento de fármacos e o desenvolvimento de terapias personalizadas, abordando uma das lacunas mais críticas da saúde pública contemporânea.
|
Agradecimentos. Agradecimento especial ao Núcleo de Pesquisa em Inovação Terapêutica Suely Galdino (Nupit SG), à Universidade Federal de Pernambuco (UFPE) e ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) pelo apoio. |
Referências
[1] Birbeck, GL et al. Nervous system disorders across the life course in resource-limited settings. Nature. ISSN: 0028-0836. Vol. 527. p.S167 (2015). doi: https://doi.org/10.1038/nature16031
[2] Wingo, TS et al. Shared mechanisms across the major psychiatric and neurodegenerative diseases. Nature Communications. ISSN: 2041-1723. Vol. 13. p.3978 (2022). doi: https://doi.org/10.1038/s41467-022-31873-5
[3] Clough, E; Barrett, T. The Gene Expression Omnibus Database. Methods in Molecular Biology. ISSN: 1940-6029. Vol. 1418. p.93 (2016). doi: https://doi.org/10.1007/978-1-4939-3578-9_5
[4] Ramaker, RC et al. Post-mortem molecular profiling of three psychiatric disorders. Genome Medicine. ISSN: 1756-994X. Vol. 9. p.72 (2017). doi: https://doi.org/10.1186/s13073-017-0458-5
[5] Labonté, B et al. Sex-specific transcriptional signatures in human depression. Nature Medicine. ISSN: 1078-8956. Vol. 23. p.1102 (2017). doi: https://doi.org/10.1038/nm.4386
[6] Xu, Y et al. The nucleus accumbens in reward and aversion processing: insights and implications. Frontiers in Behavioral Neuroscience. ISSN: 1662-5153. Vol. 18. p.1420028 (2024). doi: https://doi.org/10.3389/fnbeh.2024.1420028
[7] Chen, X et al. Synergistic Effect of Several Neurotransmitters in PFC-NAc-VTA Neural Circuit for the Anti-Depression Effect of Shuganheweitang in a Chronic Unpredictable Mild Stress Model. Natural Product Communications. ISSN: 1934-578X. Vol. 16. (2021). doi: https://doi.org/10.1177/1934578X211002415
[8] SCIENTIFIC ANIMATIONS. Affected part of the brain with Attention deficit hyperactivity disorder. 2018. 1 imagem. Disponível em: https://pt.wikipedia.org/wiki/Ficheiro:Attention_deficit_hyperactivity_disorder_-_Attention_deficit_hyperactivity_disorder_-_Reduced_brain_volume_on_the_left_side_from_ADHD.jpg
[9] Love, MI et al. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biology. ISSN: 1474-760X. Vol. 15. p.550 (2014). doi: https://doi.org/10.1186/s13059-014-0550-8