背景
调控基因的表达可实现植物表型和重要农艺性状的定向改变
• SV影响基因表达
（2020，Cell: Major Impacts of Widespread Structural Variation on Gene Expression and Crop Improvement in Tomato)
基因的时空特异性表达是植物生长发育和胁迫应答的基础
基因表达受到顺式和反式调控
前期工作：
• 首次在植物中构建了多个基因型的全组织表达图谱
• 揭示了植物生长发育过程中基因表达和调控的高度动态性
• 对基于单组织基因表达水平的表型预测提出挑战
• 在分子水平上支持了杂种优势的表达模式互补假说
• 挖掘了一批得到前人eQTL定位支持的主效转录因子及其调控的靶基因和代谢通路
• 系统鉴定了玉米响应逆境胁迫的顺式元件
转录因子可同时调控多个靶基因
• 水稻中IPA LBD；玉米tb1；小麦TaNACO71-A
顺式元件中的遗传变异可以“微调”表型
• 直接操纵转录因子往往会带来剧烈的表型改变
• 未来育种时间更多时候需要针对多个关键农艺性状进行“微调”，获得针对特定环境的、具有“最优化”表型的品种
• 顺式调控元件中的遗传变异是微调作物表型的立项材料
顺式元件的作用机制有很多模型（Long et al., 2016 Cell）
顺式元件鉴定
如何鉴定顺式调控元件？
• ChIP-seq / DAP-seq / CUT&Tag, ATAC-seq / DNAase-seq
如人类ENCODE。
无法确定调控元件的功能性（对目标基因表达有何影响）
• Gene editing, promoter bashing, MPRA
规模受限：达不到全基因组的研究水平
• Using natural genetic variation：ASE，eQTL
评估范围限于群体中已有的变异，对罕见变异的鉴定效能较低
难以解析不同元件之间的协同（非线性）作用机制
• 机器学习、深度学习
可根据输入的DNA序列通过卷积操作自动提取灵活复杂的序列特征
高效捕捉特征之间的非线性依赖关系和较大距离跨度的互作关系
一旦经过训练获得了具有较高准确度的模型，便可用于对未知序列的功能预测
