映射细胞调控网络的新数学方法

由辛辛那提儿童和纽约大学的研究人员开发的一种新的数学方法可能很快就可以更容易地进行更多的复杂数据分析，以推动个性化医疗爆炸领域的进步。

本月在Genome Research报道了该方法的原理证明结果。共同作者表示，他们能够使用极少量的生物材料来繁殖 - 甚至扩展 - 以前昂贵的努力，以确定调节T辅助17(TH17)功能的蛋白质转录因子(TF)网络细胞，一种免疫细胞类型，可防御细菌和真菌感染，但也可在发生故障时导致自身免疫疾病。

研究人员说，关于TH17细胞的学习本身就很重要。该数据将几个TF添加到控制TH17细胞如何表现的已知转录调控网络(TRN)中。在未来几年，这可能会导致更好的治疗自身免疫性疾病，如多发性硬化症，牛皮癣和炎症性肠病。

然而，这一发现的潜在影响可能会进一步扩大。

“这种方法可以应用于任何细胞类型，并且可以提供有关如何在多种疾病中控制靶细胞类型的新信息，”辛辛那提儿童计算生物学家，新作者的主要作者Emily Miraldi博士说。研究。

Miraldi说，在接下来的几年里，有关控制特定细胞类型的TRN的详细知识可以帮助研究人员找到提高免疫系统反应的精确方法来攻击癌症肿瘤，或者夯实治疗各种免疫疾病的反应。

从1000万个细胞样本到少至500个样本

利用现有方法，研究人员已经了解了基因表达如何在健康和不健康的人之间发生差异。但是，学习如何安全地影响基因表达以改善健康状况，需要深入研究TRN如何协调特定细胞类型，位置和条件下的行为。

Miraldi说，在许多疾病中，尤其是罕见的疾病，很难收集到足够的细胞进行这种分析。

例如，详细介绍TH17细胞的初始调控网络依赖于染色质免疫沉淀测序(ChIP-seq)的数据，这是大约十年前推出的一项突破性技术。

但该工具需要多达1000万个单元才能工作。Miraldi及其同事使用的方法产生了类似的结果，细胞减少了100倍。事实上，在某些情况下，数据可能来自只有500个细胞的样本。

在新方法中，研究团队使用了一种名为“推理器”的基因表达模型算法的改进版本，该算法整合了一种称为转座酶可及染色质(ATAC-seq)测定的新技术的数据。

ATAC-seq仅在染色质的部分上归零 - 每个细胞内的长的，盘绕的DNA链 - 对于转录因子结合而言是“开放的”。“ATAC-seq是多种ChIP-seq实验的可能替代方案。我称之为穷人的ChIP-seq，”Miraldi说。

对ATAC-seq信息的分析还需要其他几种工具，包括对数千种转录因子的转录因子结合偏好的大规模数据库(CisBP)。CisBP数据库由辛辛那提儿童计算生物学家Matthew Weirauch博士领导的团队组建。

如果升级的推理器算法证明是有用的，它可以帮助减少一些动物研究的需要。Miraldi说，与其花费数月培养数百只仔细基因修饰的小鼠以产生足够的靶细胞类型供应，使用来自少至两只或三只小鼠的细胞样本可能获得有效结果。

需要更多的研究来应用和改进新方法

Miraldi及其同事已经开始进行与这一发现相关的两项研究。

一个项目应用新方法在体内构建肠道免疫细胞的TRN。

另一个项目旨在改进新方法，以便它可以应用于更小的样本，例如使用单细胞基因组学从人类患者中分离的样本。