2018-11-18

转录调控的信息学分析

0. 引言

1. 转录因子结合位点的信息学预测方法

大量的实验证据表明，TFBS的长度一般在6~12bp之间。

然而，ChIP-chip技术的分辨率在200~800bp左右，远大于TFBS的长度，所以需要计算方法来确定TFBS的确切位置。

与之相比，ChIP-seq技术的分辨率可以达到100bp，甚至更高。

因此随着基因芯片和深度测序等高通量数据的出现，计算方法在TFBS的分析中得到了广泛的应用。

对TFBS的计算研究可分为两类问题：

转录因子结合位点的定位（location of TFBS）

根据若干已知TFBS的motif，在所研究的某个基因启动子区域内，搜索相应转录因子可能的结合位点。
转录因子结合位点的识别（identification of TFBS）

通过收集多个基因启动子序列，在其中寻找具有统计显著性的短片段，作为同一转录因子可能的结合位点。

一、转录因子结合位点的表示方法

共有序列（consensus sequence）
- 不同基因的启动子区域中，同一转录因子的结合位点并不完全相同。可以对同一个转录因子结合的所有DNA片段按照对应位置进行排列，在每个位置上选择最有可能出现的碱基，组成了该TFBS的共有序列。
- 共有序列中用 $A、T、C、G$ 之外的字母来表示结合位点中各个位置上可能出现的碱基组合，这些字母被称为 $IUPAC$ 简并码（IUPAC degenerate codes）。
- 共有序列的表示方法简明易懂，却不能反映每个位置上不同碱基出现的频率。
  
  IUPAC code Nucleotide IUPAC code Nucleotide
  
  W A or T B C, G or T
  
  R A or G D A, G or T
  
  K G or T H A, C or T
  
  S C or G V A, C or G
  
  Y C or T N A, C, G or T
  
  M A or C
位置频率矩阵（position frequency matrix，PFM）
- 位置频率矩阵可以反映出每个位置上不同碱基出现的频率。
- 该模型的一个前提假设是，各个位置上碱基出现的频率相互独立。矩阵每一列表示motif相应位置上四种碱基出现的频率。对于长度为 $n$ 的motif，碱基 $i（i={A,C,G,T}）$ 在motif第 $j$ 个位置上出现的频率为 $q_{i,j}$ 。
序列标识图（sequence logo）
- 序列标识图依次绘出motif中各个位置上出现的碱基，每个位置上所有碱基的累积反映了该位置上碱基的一致性，每个碱基字母的大小与碱基在该位置上出现的频率成正比。
- 这种表示方法直观地给出motif各个位置上碱基出现的倾向性和整个motif序列的一致性，应用非常广泛。

IUPAC code	Nucleotide	IUPAC code	Nucleotide
W	A or T	B	C, G or T
R	A or G	D	A, G or T
K	G or T	H	A, C or T
S	C or G	V	A, C or G
Y	C or T	N	A, C, G or T
M	A or C

TFBS表示法

二、转录因子结合位点的定位

转录因子结合位点定位的计算方法
- 对任一长度为 $n$ 的已知motif位置频率矩阵 $M$ ，TFBS定位就是判断某一长度为 $n$ 的序列片段与M的匹配程度。考虑到DNA序列本身有可能存在碱基组成上的偏向性，通常把位置频率矩阵转换为位置权重矩阵（position weight matrix，PWM）。用位置权重矩阵的打分来衡量motif与任意给定序列的匹配程度。
- 在位置权重矩阵中，引入碱基 $i（i={A,C,G,T}）$ 在背景序列中出现的频率记为 $b_i$ 来消除DNA本身碱基组成偏向性的影响。位置频率中的每一个元素记为 $S_{i,j}$ ：
  $S_{i,j} = log(\frac{q_{i,j}}{b_i})$
- 对于长度为 $n$ 的DNA序列片段，它作为模体M对应的TFBS的打分为：
  $S_{i,j} = \sum_{j=1}^{n}S_{t_j,j}$
  其中， $t_j$ 表示相应序列第 $j$ 个位置上出现的碱基。给定阈值 $T$ ，如果序列片段由上式给出的打分 $S$ $\geq$ $T$ ，则认为它有可能是相应转录因子的结合位点。
转录因子结合位点定位的预测

在TRANSFAC中包括了多种转录因子及其结合位点的预测工具：
- AliBaba 2.1
- P-Match
- Patch
- MatrixCatch