Нова технологія розкриває секрети ДНК, що стоять за хворобами та еволюцією

Міжнародна група дослідників досягла значного прогресу в розумінні того, як експресія генів регулюється в геномі людини. У недавньому дослідженні вони провели комплексний аналіз цис-регуляторних елементів (CRE) — послідовностей ДНК, які контролюють транскрипцію генів. Це дослідження дає цінну інформацію про те, як CRE стимулюють експресію клітинно-специфічних генів і як мутації в цих регіонах можуть впливати на здоров’я та сприяти розвитку захворювань.

CRE, такі як енхансери та промотори, відіграють вирішальну роль у визначенні того, коли і де гени активуються або мовчать. Незважаючи на те, що їх важливість добре відома, аналіз їх діяльності у великому масштабі був тривалим викликом.

«Геном людини містить безліч CRE, і вважається, що мутації в цих областях відіграють важливу роль у захворюваннях людини та еволюції», — пояснив доктор Фумітака Іноуе, один із перших авторів дослідження. «Однак було дуже важко всебічно кількісно оцінити їхню активність у геномі».

Інноваційна технологія забезпечує широкомасштабний аналіз CRE

Щоб вирішити цю проблему, команда використала передову технологію під назвою «масовий паралельний репортерний аналіз на основі лентивірусу» (lentiMPRA), яку автори розробили раніше. Цей підхід дозволяє одночасно аналізувати тисячі CRE, позначаючи їх унікальними штрих-кодами ДНК , які відстежують їх активність.

Застосовуючи lentiMPRA, дослідники дослідили аж 680 000 кандидатів на CRE у трьох широко використовуваних типах клітин: гепатоцитах (клітинах печінки), лімфоцитах (тип білих кров’яних тілець) та індукованих плюрипотентних стовбурових клітинах (тип штучних стовбурових клітин). із нормальної клітини тіла).

Дослідження виявило кілька ключових ідей. Серед трьох типів клітин приблизно 41,7% проаналізованих CRE виявили активність. Промотори, які починають транскрипцію генів, показали залежність від орієнтації послідовності, але були менш специфічними для типів клітин. Енхансери, які посилюють транскрипцію генів, були активними незалежно від їх орієнтації та виявляли специфічність клітинного типу. Ці висновки підкреслюють фундаментальні відмінності у тому, як функціонують ці два типи CRE.

Машинне навчання покращує прогнозну регуляцію генів

У дослідженні було розроблено декілька моделей машинного навчання для прогнозування регуляторної активності CRE на основі великомасштабних експериментальних даних. MPRALegNet, модель, навчена на величезному наборі даних lentiMPRA, виявилася найбільш точною та ефективною у передбаченні регуляторної активності будь-якої послідовності ДНК. Його прогнози тісно узгоджуються з експериментальними результатами, у деяких випадках виконуються так само добре, як експериментальні повтори.

Модель також продемонструвала свою здатність ідентифікувати важливі мотиви зв’язування факторів транскрипції, тобто короткі послідовності ДНК, які визначають активність CRE, таким чином надаючи розуміння того, як конкретні фактори керують експресією генів, специфічних для клітинного типу. Наприклад, дослідження визначило мотиви HNF4 і GATA як вирішальні для активності в гепатоцитах і лімфоцитах відповідно.

Забезпечуючи точну ідентифікацію та кількісну оцінку активності підсилювача, дослідження відкриває шляхи для вивчення молекулярних механізмів захворювань людини. Майбутні дослідження будуть зосереджені на застосуванні цього підходу для вивчення генетичних поліморфізмів, варіацій у послідовності ДНК, які сприяють індивідуальним відмінностям і сприйнятливості до захворювань.

«Нещодавно було секвеновано майже повний геном людини, але більшість його функціональних областей залишаються невідомими. Наші висновки пов’язують інформацію про послідовність ДНК з її функціональними ролями. Ми сподіваємося, що ці результати сприятимуть глибшому розумінню біологічних явищ, включаючи хвороби людини та еволюцію», — сказав доктор Іноуе.

Це дослідження також створює загальнодоступну базу даних про діяльність CRE на порталі ENCODE, надаючи цінний ресурс для дослідників у всьому світі. Завдяки інтеграції великомасштабних експериментальних даних із машинним навчанням ця робота закладає основу для майбутніх відкриттів у геноміці та персоналізованій медицині. Крім того, використання таких інструментів, як lentiMPRA та MPRALegNet, допоможе краще підготувати дослідників до розгадування складнощів регуляції генів і дослідження величезних незвіданих територій геному людини.