特级毛片在线大全免费播放_久久精品www人人爽人人_亚洲欧美日韩国产综合久_国产在线精品一区二区网站免费_成人性生生活性生交

轉(zhuǎn)錄因子簡(jiǎn)介

控制基因表達(dá)的重要分子是轉(zhuǎn)錄因子。  通常它們是蛋白質(zhì)，盡管它們也由短的非編碼 RNA 組成。  轉(zhuǎn)錄變量通常也以組或復(fù)合體的形式工作，創(chuàng)建多個(gè)連接，允許對(duì)轉(zhuǎn)錄速率進(jìn)行不同程度的控制。

轉(zhuǎn)錄因子 (TF) 附著在可獲得或“開(kāi)放”的啟動(dòng)子和增強(qiáng)子區(qū)域，通過(guò)促進(jìn)或阻礙 RNA 聚合酶結(jié)合，在調(diào)節(jié)基因表達(dá)中發(fā)揮關(guān)鍵作用。   各種結(jié)合作用導(dǎo)致基因表達(dá)異質(zhì)性以及細(xì)胞群，這可以產(chǎn)生特定的細(xì)胞身份。  細(xì)胞植物的監(jiān)督者是轉(zhuǎn)錄因子，它調(diào)節(jié)從細(xì)胞個(gè)體到對(duì)外部刺激的反應(yīng)的一切。 由于轉(zhuǎn)錄因子在分析基因組中的重要意義，成千上萬(wàn)的人受到生活在轉(zhuǎn)錄因子中的突變的影響，從而導(dǎo)致了廣泛的癥狀。   此外，在調(diào)節(jié)位點(diǎn)中發(fā)現(xiàn)了許多其他引起疾病的突變，例如富含 TF 結(jié)合位點(diǎn)的增強(qiáng)子。  因此，TF 結(jié)合譜的表征對(duì)于了解基因調(diào)控系統(tǒng)和細(xì)胞分化成不同的亞群至關(guān)重要。

用于研究轉(zhuǎn)錄因子結(jié)合活性的技術(shù)

分析轉(zhuǎn)錄因子相互作用需要了解轉(zhuǎn)錄因子的兩個(gè)主要作用：與 DNA 結(jié)合和轉(zhuǎn)錄重構(gòu)。 轉(zhuǎn)錄因子，一種 TF 識(shí)別基序，附著在特定的 DNA 序列上。 為了確定和分類(lèi)這樣的識(shí)別基序，已經(jīng)使用了許多方法。 評(píng)估整個(gè)基因組中轉(zhuǎn)錄因子結(jié)合活性的一種技術(shù)是分析染色質(zhì)可及性測(cè)定，例如脫氧核糖核酸酶過(guò)敏位點(diǎn)測(cè)序 (DNase-seq)、甲醛輔助分離調(diào)節(jié)元件測(cè)序 (FAIRE-seq) 和轉(zhuǎn)座酶可及染色質(zhì)測(cè)序測(cè)定（ATAC-seq）。 蛋白質(zhì)和 DNA 之間的連接也可以通過(guò)測(cè)序前的染色質(zhì)免疫沉淀 ( ChIP-seq ) 在全基因組范圍內(nèi)進(jìn)行測(cè)量。 不幸的是，多項(xiàng)證據(jù)表明并非所有的約束條件都會(huì)影響轉(zhuǎn)錄。

另一種識(shí)別單個(gè)蛋白質(zhì)-DNA 結(jié)合區(qū)域的方法是通過(guò) DNA 足跡來(lái)推斷大量的結(jié)合事件。  通過(guò) DNase I 切割位置的密集定位來(lái)識(shí)別因存在結(jié)合的轉(zhuǎn)錄因子而免受切割的小區(qū)域。   雖然最初的足跡研究定義了大量最近未描述的防止切割的基序，這意味著許多新的轉(zhuǎn)錄因子，但目前的研究表明，這些區(qū)域可能會(huì)影響 DNase I 酶基于序列的切割偏差。  此外，現(xiàn)在也很明顯，大多數(shù) TF (80%) 沒(méi)有表現(xiàn)出可量化的足跡，從而限制了這種方法的有效性。

TFs 作為調(diào)節(jié)因子的一些最早研究是根據(jù)表達(dá)數(shù)據(jù)進(jìn)行的，因?yàn)? TFs 會(huì)改變轉(zhuǎn)錄。  近二十年來(lái)，大量的表達(dá)信息已被用于推斷基因調(diào)控網(wǎng)絡(luò)。  通常，這些方法在不同情況下尋找成分、共同調(diào)控基因的匯編。   通過(guò)檢測(cè)附近的 TF 識(shí)別基序或共同調(diào)節(jié)的轉(zhuǎn)錄因子，特定的 TF 與它們控制的基因模塊相關(guān)聯(lián)。   基因調(diào)控網(wǎng)絡(luò)的技術(shù)已參與解釋大規(guī)模調(diào)控網(wǎng)絡(luò)，但天生受限于它們依賴(lài)信息進(jìn)行穩(wěn)態(tài)表達(dá)的現(xiàn)實(shí)。  穩(wěn)態(tài)表達(dá)分析（微陣列或 RNA-seq）不僅代表轉(zhuǎn)錄，還代表 RNA 的加工、成熟和穩(wěn)定性。  因此，它們是對(duì)干擾對(duì)轉(zhuǎn)錄變量影響的間接解讀。   相對(duì)而言，如果沒(méi)有不切實(shí)際的重復(fù)次數(shù)，它們通常無(wú)法在短時(shí)間內(nèi)可靠地檢測(cè)到微小的變化。   新生轉(zhuǎn)錄分析有效地描述了與所涉及的細(xì)胞聚合酶（GRO-seq 和 PRO-seq）相關(guān)的 RNA。   因此，新生化驗(yàn)是直接讀取由干擾引起的轉(zhuǎn)錄修飾。

ATAC-測(cè)序方法

用于全基因組檢測(cè)開(kāi)放染色質(zhì)的兩種常用方法是 DNase-I 超敏感位點(diǎn)測(cè)序和轉(zhuǎn)座酶可及染色質(zhì)測(cè)序分析。 DNase-seq 和 ATAC-seq 建立在使用在開(kāi)放染色質(zhì)區(qū)域識(shí)別和切割 DNA 的切割酶（分別為 DNase-I 和 Tn5）。 通過(guò)區(qū)分具有許多讀數(shù)的基因組區(qū)間，測(cè)序和這些片段的讀數(shù)排列可以識(shí)別開(kāi)放染色質(zhì)。 然而，在其他沒(méi)有核小體的區(qū)域中，與 DNA 連接的轉(zhuǎn)錄因子 (TF) 的存在限制了酶的切割。 這給出了稱(chēng)為足跡的小區(qū)域，其中讀取范圍在重范圍峰值區(qū)域內(nèi)突然減小。

伴隨測(cè)序 (ATAC-seq) 的轉(zhuǎn)座酶可及染色質(zhì)測(cè)定是一種分析開(kāi)放染色質(zhì)區(qū)域的方法，特別有趣，因?yàn)樵谛〖?xì)胞計(jì)數(shù)樣本中，它快速、簡(jiǎn)單、負(fù)擔(dān)得起且便攜。  ATAC-seq 特征通常用于區(qū)分開(kāi)放染色質(zhì)區(qū)域，如果這些區(qū)域與蛋白質(zhì)結(jié)合位點(diǎn)交織，則可用于推斷 TF 結(jié)合發(fā)生。  與此相關(guān)，最近的研究表明 TF 的作用可以通過(guò)染色質(zhì)可用性的調(diào)整來(lái)實(shí)現(xiàn)。  特別是，BagFoot 將足跡與差異可用性相結(jié)合，以在存在干擾的情況下定義與染色質(zhì)可及性改變相關(guān)的 TF。  他們主要關(guān)注來(lái)自 DNase I 的超敏反應(yīng)信息，但也分析了來(lái)自 ATAC-seq 的一小部分?jǐn)?shù)據(jù)集。

圖 1. 單細(xì)胞 ATAC 測(cè)序分析

根據(jù)批量 ATACseq 數(shù)據(jù)或單細(xì)胞 ATAC-seq (scATAC-seq) 數(shù)據(jù)的組合作為批量數(shù)據(jù)，已開(kāi)發(fā)出先前發(fā)布的模型 HINT-ATAC 來(lái)評(píng)估細(xì)胞群水平的 TF 結(jié)合。   近年來(lái)，深度學(xué)習(xí)方法已成為分析 TF 結(jié)合結(jié)構(gòu)的有效技術(shù)，例如協(xié)同進(jìn)化神經(jīng)網(wǎng)絡(luò) (CNN)。  FactorNet 和深度 ATA 等技術(shù)利用基于深度學(xué)習(xí)的方法來(lái)定義開(kāi)放染色質(zhì)區(qū)域，并使用大量染色質(zhì)可訪(fǎng)問(wèn)性信息來(lái)推導(dǎo) TF 結(jié)合區(qū)域。  然而，所有這些技術(shù)都做出了群體水平的 TF 結(jié)合假設(shè)，因此沒(méi)有考慮細(xì)胞群落內(nèi)的異質(zhì)性。

單細(xì)胞表觀(guān)基因組測(cè)序的最新進(jìn)展允許表征單細(xì)胞水平的染色質(zhì)可用性。  例如，scATAC-seq 已成為可行的測(cè)試單細(xì)胞內(nèi)染色質(zhì)的可用性，允許識(shí)別順式和反式調(diào)節(jié)器，并測(cè)試這些調(diào)節(jié)器如何合作以影響各種細(xì)胞中的細(xì)胞命運(yùn)。與所有單細(xì)胞測(cè)序技術(shù)一樣，僅使用 scATAC-seq 信息是困難的，因?yàn)樗鼈儾粌H由于淺測(cè)序等技術(shù)限制而且由于細(xì)胞均勻性等生物學(xué)現(xiàn)實(shí)而受到限制。

參考文獻(xiàn)

1. Fu L, Zhang L, Dollinger E, et al. Predicting transcription factor binding in single cells through deep learning. Science Advances. 2020 Dec 18;6(51).

2. Baek S, Lee I. Single-cell ATAC sequencing analysis: From data preprocessing to hypothesis generation. Computational and structural biotechnology journal. 2020 Jan 1;18.

3. Tripodi IJ, Allen MA, Dowell RD. Detecting differential transcription factor activity from ATAC-seq data. Molecules. 2018 May;23(5).