Science：机器学习如何揭示基因转录

“尽管启动子对每个基因的功能都至关重要，但尽管几十年的研究已经定义了它们的许多特征，但我们对这些遗传元件如何运作的理解是不完整的。我们的研究揭示了这些序列如何在人类和其他哺乳动物中发挥作用，”德克萨斯大学西南分校Lyda Hill生物信息系助理教授Jian Zhou博士说。Jian Zhou博士与第一作者、研究生Kseniia Dudnyk和德克萨斯大学西南分校儿童医学中心研究所的前研究员Jian Xu博士共同领导了这项研究。

细胞用来进行活动的蛋白质的产生始于一个被称为转录的过程。当RNA聚合酶蛋白附着在DNA链上并将编码信息复制或转录到RNA分子中时，就会发生这种情况。RNA聚合酶附着开始转录的区域称为启动子。在人类中，启动子通常由数百个碱基对组成，这些碱基对是构成DNA的单位。尽管研究人员已经确定了一些DNA启动子区域共享的共同碱基对序列，但这些序列在人类启动子中通常不存在，这使得DNA序列如何指导转录过程的规则不清楚。

Kseniia Dudnyk是德州大学西南分校周实验室的一名研究生。

为了更好地定义人类的启动子及其运作方式，研究人员开发了一种机器学习程序，他们将其命名为Puffin。在分析了数以万计的已知人类启动子的数据后，该程序确定它们由三种类型的序列模式组成:基序、启动子和三核苷酸。

Puffin表明，根据这些元素的排列方式，它们可以激活或抑制基因的转录。Puffin还可以预测这些元素的排列如何指导RNA聚合酶优先转录单链DNA或同时转录两条相反方向的DNA。这种双向转录在人类基因中很常见。

该程序进一步表明，小鼠和其他哺乳动物在控制启动子操作方面具有相似的规则集。此外，Puffin还允许研究人员预测如果启动子发生突变，转录是否会发生以及如何发生，这一发现与实验结果非常吻合。

该研究的作者认为，Puffin可以帮助他们了解启动子如何在健康细胞中起作用，以及启动子中与疾病相关的改变如何导致基因转录的变化。这个程序可以在一个免费的web服务器上获得，以便其他研究人员可以测试任何感兴趣的启动子序列。他们补充说，使用类似的机器学习方法可以深入了解基因组的其他方面，这些方面仍然没有得到很好的理解。