Identificazione di profili trascrizionali nella Leucemia Mieloide Acuta (LMA) mediante microarray su frazioni di staminali ematopoietiche

Ottenere `fotografie genetiche¿ di condizioni di interesse in oncologia dovrebbe consentirci di correlare fenotipi di interesse con profili molecolari, fornendo informazioni per lo sviluppo di nuove strategie terapeutiche basate sulla comprensione della patogenesi molecolare della malattia. Le attività sono ripartite in quattro Unità Operative: Unità Operativa Clinica (UO1)- S.C.Ematologia, A.O. Niguarda Ca¿ Granda, Milano (Dott.ssa Enrica Morra 1)Realizzazione di una banca di blasti provenienti da pazienti affetti da LAM Già attivata presso la struttura, reclutamento di circa 30 pazienti/anno. Unità Operativa di Immunoematologia (UO2)- S.CImmunoematologia e Medicina Trasfusionale, A.O. Niguarda Cà Granda, Milano (Dott. Roberto Cairoli) 2)Selezione della frazione cellulare staminale La selezione è basata sui marcatori staminali AC133+ e CD34+, permette l¿identificazione dei cambiamenti nell¿espressione genica che sono di rilevanza biologica. Unità Operativa Trascrittomica (UO3): Dip. di Biologia e Genetica per le Scienze Mediche, Università degli Studi di Milano (Dott. Alessandro Beghini) 3)Identificazione e caratterizzazione dei moduli funzionali che si vogliono studiare. La catalogazione funzionale come proposta per i sistemi Affymetrix, da NetFX fornisce un importante punto di partenza. 4)Analisi di espressione accurata dei geni. Mediante microarray, (piattaforma Affymetrix), e validazione in Real time-PCR, per ciascuna classe di LMA. 5)Correlazione dei dati di trascrittoma nei vari contesti molecolari con l¿outcome clinico mediante studio di follow-up. Unità Operativa Bioinformatica (UO4)- Dipartimento di Scienze dell¿Imformazione, Università degli Studi di Milano (Dott.Giorgio Valentini) 6)Analisi Bioinformatica dei dati derivanti da DNA microarray. Le metodologie bioinformatiche per l'analisi dei profili trascrizionali associati alla LMA, si differenzieranno in funzione dello specifico problema analizzato 6.1Metodi per l'individuazione di sottoinsiemi di geni, associati ad alterazioni note. a) metodi statistici basati su statistiche univariate b) metodi di machine learning per la selezione delle feature 6.2Metodi per la ricerca di ¿sottotipi patologici¿. Verranno utilizzati diversi algoritmi di clustering; metodi di clustering gerarchico, di fuzzy-c-mean per individuare sottotipi patologici ¿incerti¿ e di ensemble clustering. L'affidabilità dei cluster individuati dall'analisi non supervisionata sarà verificata con misure di validità dei cluster basati sulla distanza intra ed intercluster e sull¿analisi delle perturbazioni indotte da sottocampionamento. 6.3Metodi per il supporto all' ¿outcome-prediction¿ delle LAM ensemble supervisionati di learning machine, cioè insiemi di predittori automatici addestrati a risolvere problemi di classificazione con dati di elevata dimensionalità, 6.4Metodi basati su moduli funzionali noti a priori per la predizione di sottoclassi patologiche. Metodi di machine learning (reti neurali, SVM ed ensemble).