H εργασία αυτή διαπραγματεύεται την ανάλυση μεταγραφικών δεδομένων αλληλούχισης RNA από δείγματα ολικού αίματος, καθώς και την χαρτογράφηση πιθανών λειτουργικών δικτύων στη νόσο του Πάρκινσον. Σκοπό αποτελεί η εφαρμογή κατάλληλων βιοπληροφοριακών εργαλείων προκειμένου να εντοπιστούν διαφορές στη γονιδιακή έκφραση μεταξύ συγκεκριμένων δεδομένων της νόσου και παράλληλα να αναζητηθούν γονίδια-στόχοι που εμπλέκονται στην παθοφυσιολογία.

Η νόσος του Πάρκινσον χαρακτηρίζεται από έντονη κινητική δυσχέρεια με χαρακτηριστικό τρόμο στα άκρα και οφείλεται στην απώλεια ντοπαμινεργικών νευρώνων στη μέλαινα ουσία του εγκεφάλου. Η απώλεια λειτουργικών νευρώνων οδηγεί στη μείωση έκλυσης του νευροδιαβιβαστή της ντοπαμίνης και οφείλεται στη συσσώρευση της πρωτεΐνης α-Συνουκλεϊνης και τη διαμόρφωση των λεγόμενων σωμάτιων Lewy εντός του κυττοπλάσματος των ντοπαμιεργικών νευρώνων (Balestrino και Schapira, 2020).

Τα δείγματα προέρχονται από μια εκτεταμένη μελέτη, την Parkinson Progression Markers Initiative (PPMI1) (Marek κ.ά., 2011) τα οποία διανέμονται διαδικτυακά κατόπιν εγγραφής στις σελίδες του Imaging and Data Archive (IDA2). Πρόκειται για μια πολυδιάστατη μελέτη, καθώς πέραν των δεδομένων αλληλούχισης μεταγραφώματος διανέμονται μεταξύ άλλων και δεδομένα πρωτεομικής, μεθυλίωσης, κλινικών μελετών και απεικονιστικών εξετάσεων από ομάδες νοσούντων, ελέγχου αλλά και ατόμων με πιθανή γενετική προδιάθεση, ως φορείς γενετικών μεταλλάξεων σε γνωστά γονίδια τα οποία εμπλέκονται στην παθοφυσιολογία της νόσου.

Καθώς τα διαγνωστικά πρωτόκολλα στηρίζονται κατά βάση σε κλινική αξιολόγηση των κινητικών συμπτωμάτων από ειδικούς νευρολόγους, έχουν καθιερωθεί πρωτόκολλα αξιολόγησης κλινικών συμπτωμάτων, τα οποία στηρίζουν τη διαφορική διάγνωση (Koller, 2018). Τα συμπτώματα που παρουσιάζουν κινητική παθολογία είναι πιθανόν να αλληλεπικαλύπτονται με άλλες παθήσεις του νευρικού συστήματος (Tolosa κ.ά., 2021).

Μια έγκαιρη διάγνωση, η οποία στηρίζεται σε βιοδείκτες, όπως ενδείξεις εγκεφαλογραφημάτων, απεικονιστικών εξετάσεων όπως αυτής της μαγνητικής τομογραφίας εγκεφάλου, αλλά και βιολογικού υλικού όπως εγκεφαλονωτιαίου υγρού, αλλά και προϊόντα αίματος, δεν έχει καθιερωθεί, καθώς ποικίλες έρευνες διαπραγματεύονται την ανεύρεση βιοδεικτών από διάφορες πηγές του οργανισμού (Miller και O’Callaghan, 2015) (Maitin κ.ά., 2022).

Στη μελέτη αυτή, δείγματα ολικού αίματος χρησιμοποιούνται ως εύκολη και πλούσια πηγή βιολογικών πληροφοριών. Ταυτόχρονα, η πλούσια σε μεταγραφική πληροφορία φύση του αίματος δημιουργεί μια σημαντική πρόκληση στην εξεύρεση και διαφοροποίηση κρίσιμων πληροφοριών για την αναγνώριση δυνητικών βιοδεικτών και λειτουργικών δικτύων που θα μπορούσαν να συνδεθούν με τη νόσο του Πάρκινσον. Συνεπώς, το βιολογικό ερώτημα που εξετάζεται εδώ είναι αν υπάρχουν μεταγραφομικοί δείκτες στο αίμα που μπορούν να υποστηρίξουν παραδοσιακές ή καινοτόμες στρατηγικές και μεθόδους για την αξιόπιστη διάγνωση της νόσου του Πάρκινσον.

Τα εργαλεία βιοπληροφορικής που αξιοποιήθηκαν σε αυτή την διπλωματική εργασία περιλαμβάνουν στατιστικές μεθόδους, όπως η διαφορική ανάλυση της γονιδιακής έκφρασης, η ανάλυση εμπλουτισμού και η μηχανική μάθηση, για τον εντοπισμό χαρακτηριστικών που διευκολύνουν την αναγνώριση της νόσου και την επιβεβαίωση των αποτελεσμάτων με δεδομένα από βάσεις σχολιασμού.

This thesis handles the analysis of transcriptome data from RNA sequencing on whole-blood samples and the mapping of functional gene networks in Parkinson’s disease. It aims at the application of suitable bioinformatics toolsets in order to recognize differences in gene expressions between particular data of the disease and in parallel to search for target genes with possible involvement in the pathophysiology.

Parkinson’s disease on the surface is defined by intense movement distress with a characteristic tremor in the limbs which is assumed to be due to the loss of dopaminergic neurons in the substantia nigra of the brain. The loss of functional neurons leads to a progressive reduction of the neurotransmitter Dopamine and effectively happens because of the accumulation of α-Synuclein into Lewy bodies inside the dopaminergic cells (Balestrino and Schapira, 2020).

The samples used in this thesis originate from a large-scale study, the Parkinson Progression Markers Initiative (PPMI) (Marek et al., 2011) which are made available to download on the internet after registration on the pages of the Imaging and Data Archive (IDA). It is indeed a multi-dimensional study since there are results from several examinations available apart from genetic data, such as proteomics results, methylation profiles, clinical studies, and imaging results from case and control cohorts and additionally from individuals with a possible genetic predisposition as carriers of genetic mutations in genes that are known to be involved in the pathophysiology of the disease.

Since the diagnostic protocols are based on the clinical assessment of the symptoms from neurologists and standards that guide the diagnosis (Koller, 2018), symptoms still may overlap with other diseases of the nervous system that also have a severe impact on the locomotor system (Tolosa et al., 2021).

An early diagnosis that relies on biomarkers like indications from EEG’s or MRI’s and also biological samples like cerebrospinal fluid and ideally non-invasive samples like blood products, hasn’t been established by now and several research attempts focus on biomarker discovery from different sources of the organism (Miller and O’Callaghan, 2015) (Maitin et al., 2022).

The present thesis uses whole-blood samples as a non-invasive and affordable source of information. At the same time, the abundance of transcriptomic information included in the blood bears an extraordinary challenge for the search and identification of potential biomarkers and functional networks that could allow a correlation with Parkinson’s disease. Thus, the biological question addressed in this thesis is whether transcriptomic evidence is available in the blood that could accompany other either conservative or innovative approaches towards an accurate diagnosis of Parkinson’s disease.

The bioinformatics toolset as employed in this thesis contains methods from the field of biostatistical analysis, like differential gene expression analysis or gene-set enrichment analysis and machine learning for finding potential features that could aid as diagnostic support and to validate the information against enrichment and annotation resources.