Esta tese consiste em três estudos relacionados com genomas procarió- ticos. O primeiro estudo trata do desenvolvimento e da aplicação de um método baseado em buscas de similaridade de sequências para a identificação em larga es- cala de genes potencialmente envolvidos em transferência gênica horizontal (TGH). O método usa a distância entre os rRNA 16S dos organismos em estudo como esti- mativa da distância filogenética entre eles. Genes com alvos de alta pontuação em organismos atipicamente distantes são considerados candidatos a TGH. A aplicação deste método a 408 genomas procarióticos anotados nos permite concluir que: (i) genes com funções operacionais estão significativamente enriquecidos, enquanto que genes com funções informacionais estão significativamente empobrecidos em candida- tos a TGH; (ii) há uma forte correlação entre o tamanho do genoma e a proporção de genes candidatos a TGH, que indica que a proporção de TGH é menor em genomas pequenos e maior em genomas grandes; (iii) a hipótese da complexidade, que diz que genes cujos produtos participam de poucas interações proteicas são mais suscetíveis a TGH que aqueles que participam de muitas interações, está de acordo com nossas predições de TGH em dois estudos de interação proteína-proteína em Escherichia coli. O segundo estudo consiste na identificação de genes pertencentes ao regulon SOS de Caulobacter crescentus usando uma estratégia iterativa de predições in si- lico de sítios de ligação da proteína LexA no DNA e experimentos de laboratório para medir a expressão diferencial, entre a cepa selvagem e uma cepa deficiente em lexA, dos genes próximos aos sítios preditos de LexA. Esta estratégia nos permitiu identificar 37 genes pertencentes a este regulon. O terceiro estudo trata de um teste estatístico para a colocalização de posições genômicas. Dados dois conjuntos X e Y de posições genômicas, o método verifica se um número significativo de elementos de Y está posicionado próximo a elementos de X. Este método, aplicado às predições de sítios de ligação de LexA no genoma de C. crescentus, resultou na identificação de uma quantidade significativa de sítios preditos de LexA próximos aos sítios preditos de início de tradução deste genoma. Alguns destes sítios não haviam sido identifi- xii cados no segundo estudo por terem pontuação inferior ao limiar efetivamente usado naquele estudo. O posicionamento destes sítios sugere que os genes correspondentes possam ter regulação dependente de LexA.

This thesis comprises three studies related to prokaryotic genomes. The first study consists of the development and application of a sequence similarity-based method for large-scale identification of genes potentially involved in horizontal gene transfer (HGT). The method uses 16S rRNA sequence distances as estimates of phy- logenetic distances between organisms. Genes having high-scoring similarity-search hits in atypically distant organisms are taken as HGT candidates. The application of this method to 408 annotated prokaryotic genomes allowed us to conclude that (i) operational categories (transport, metabolism, mobile elements and DNA restric- tion/modification) are significantly enriched in HGT candidates whereas informati- onal categories (protein synthesis, protein fate, transcription, DNA metabolism) are significantly depleted in HGT candidates; (ii) there is a strong correlation between genome size and HGT proportion, indicating that the proportion of HGT candidates tend to be lower in smaller genomes and higher in bigger ones; (iii) the complexity hypothesis, which states that genes whose products have few interaction partners are more prone to HGT than those with many partners, is supported by our HGT predictions for data from two protein-protein interaction studies in Escherichia coli. The second study is about the identification of genes belonging to the SOS regulon in Caulobacter crescentus. We employed an iterative strategy of in silico predictions of LexA binding sites and differential gene expression measurements, between wild- type and lexA-deficient strains, for genes carrying predicted LexA binding sites in their promoter regions. This strategy allowed us to identify 37 genes belonging to this regulon. In the third study, we have developed a statistical test for the colocalization of genomic positions. Given two sets X and Y of genomic positions, the method verifies if a significant number of Y elements is positioned in close proxi- mity to X elements. This method, applied to the LexA binding-site predictions from the second study, resulted in the identification of a significant number of predicted LexA binding sites near translation start sites in the C. crescentus genome. Some of these sites were not identified in the second study because their scores according to xiv the LexA binding site model were lower than the threshold effectively used in that study. The positioning of these sites suggests that the corresponding genes may be regulated in a LexA-dependent manner.