Исследование механизмов регуляции транскрипции и сплайсинга с использованием вычислительных методов анализа последовательностей ДНК и РНК

• Автор: Полищук, Майя Семеновна
• Шифр специальности: 03.01.03
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Москва
• Количество страниц: 101 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
Актуальность работы
Цель и задачи исследования
Объекты и методы исследования
Научная новизна работы
Практическая значимость исследования
Апробация результатов исследования
Основные положения, выносимые на защиту
ГЛАВА 1. Обзор литературы по регуляции транскрипции и сплайсинга
1.1. Транскрипция и сплайсинг. Регуляция
1.2. Регуляторные белки
1.2.1. Белки-регуляторы альтернативного сплайсинга Pasilla и NOVA
1.2.1.1. Роль белков NOVA и Pasilla
1.2.1.2. Белок Pasilla - гомолог семейства РНК-связывающих белков NOVA
1.2.1.3. Структура белков Pasilla, Nova-1, Nova-
1.2.2. Белки-регуляторы транскрипции раннего развития D.melanogaster
1.3. Локализация регуляторных элементов ДНК и РНК
1.3.1. Локализация на РНК регуляторных элементов сплайсинга
1.3.2. Локализация в ДНК регуляторных элементов транскрипции
1.4. Структура регуляторных элементов ДНК И РНК
1.5. Методы изучения на ДНК и РНК участков специфического взаимодействия с белкамиЗО
1.5.1. Экспериментальные биохимические методы
1.5.2. Биоинформатические методы
1.5.3. Биофизические методы
Заключение
ГЛАВА 2. Модели, вычислительные методы и программы
2.1. Модель мотива сайта связывания
2.2. Модель представления регуляторного элемента
2.3. Алгоритм полногеномной идентификации кластеров вхождений мотива
2.4. Программа PatternClust
2.5. Методы сравнения геномных аннотаций
2.5.1. Метод сравнения результатов аннотаций, представленных в виде функции и в виде интервалов
2.5.2. Метод сравнения результатов аннотаций, представленных интервалами
2.6. Исследование метода BCV
Заключение
ГЛАВА 3. Верификация разработанных методов и подходов на результатах исследований по регуляции транскрипции
3.1 Исследование ка геноме D. melanogaster
3.1.1. Идентификация кластеров сайтов связывания и сравнение их
местоположения с результатами экспериментов ChlP-chip
3.1.2. Результаты исследования
3.1.3. Резюме
3.2. Исследование на геноме человека
Заключение
ГЛАВА 4. Исследование регуляции сплайсинга РНК-связывающим белком Pasilla
4.1. Сайты связывания Pasilla и образованные ими кластеры
4.1.1. Анализ расстояний между сайтами связывания Pasilla
4.1.2. Кластеры сайтов связывания Pasilla
4.2. Локализация экзонно-интронных границ в кластерах сайтов связывания Pasilla.
4.3. Расположение кластеров сайтов связывания Pasilla по отношению к
аннотированным экзонам
4.4. Расположение кластеров сайтов связывания Pasilla по отношению к альтернативно
сплайсируемым под действием Pasilla экзонам
4.5. Расположение кластеров сайтов связывания Pasilla по отношению к участкам
связывания NOVA
4.6. Интерпретация результатов исследования
4.7. Сравнительное исследование участков связывания белка Pasilla с другими РНК -
связывающимися белками
ЗАКЛЮЧЕНИЕ
Направление дальнейших исследований
Основные результаты
ВЫВОДЫ
БЛАГОДАРНОСТИ
ЦИТИРУЕМЫЕ ИСТОЧНИКИ
ПРИЛОЖЕНИЯ
ВВЕДЕНИЕ
Актуальность работы
Процессы транскрипции происходят во всех живых организмах, а процессы сплайсинга во всех эукариотах. Регуляция транскрипции и сплайсинга лежит в основе развития живых организмов.
Понимание того, как клетка регулирует эти наиболее общие для всех живых систем процессы - одна из ключевых задач молекулярной биологии. Изучение и глубокое понимание механизмов этих процессов поможет объяснить, как происходит развитие организмов, диагностировать и лечить наследственные заболевания.
Продвижение в изучении механизмов регуляции транскрипции и сплайсинга с применением вычислительных методов становится наиболее актуальным именно сейчас, так как стали доступны для анализа полногеномные последовательности многих организмов и активно развивается аннотирование геномов [Gravely et al., 2011]. Эти достижения обязаны появлению существенно более эффективных и менее дорогостоящих экспериментальных методов секвенирования нового поколения, а также возрастанию точности и появлению новых экспериментальных методов узнавания на нуклеотидных последовательностях участков взаимодействия ДНК/РНК с белками. Накоплены гигантские объемы генетических данных, количество данных непрерывно растет, поэтому требуются новые вычислительные методы для обработки полученной информации.
Цель и задачи исследования
Целью диссертационной работы является полногеномное предсказание, анализ локализации и структуры регуляторных элементов (участков ДНК или РНК), распознаваемых белками-регуляторами транскрипции и сплайсинга, и разработка соответствующих вычислительных методов.
Для достижения поставленной цели необходимо решить следующие задачи:
1. Изучить характеристики участков связывания белков-регуляторов транскрипции и сплайсинга на ДНК и РНК.
2. Предложить адекватный метод, разработать алгоритм и программное средство для вычислительной полногеномной идентификации регуляторных участков.
3. Верифицировать разработанный нами вычислительный метод полногеномного предсказания регуляторных элементов на экспериментально подтвержденных

Таблица 1.2. (Продолжение) Классификация ранних (2002-2004 гг) методов поиска кластеров сайтов связывания
№ фчщ. ll* 1йь lÄ J3*t
2-1 X •Метод к-среднихйЖ>‘ J ■Л * -* Широко применяемый механизм кластеризации [Gourevitch et al., 2003; Hoon et al., 2004], при котором n объектов делятся на к кластеров, в которых каждый объект принадлежит к кластеру с ближайшим центром массы. В этом алгоритме к (число кластеров) является входным параметром и неправильный выбор к может привести к неверным результатам. К достоинствам алгоритма стоит отнести его простоту и высокую скорость. К недостаткам -то, что он каждый раз выдаёт неодинаковые результаты, так как результат зависит от произвольного выбора исходных центров кластеров. Кроме того, этот алгоритм плохо работает на перекрывающихся кластерах и при наличии шумных данных.
3 Метод иерархической кластеризации 1 , с -? , йГП 4RS1 гйы?! * Создаёт иерархию кластеров, которая может быть представлена графом, а именно дендрограммой [Guess et al., 2002; Hu et al., 2008]. В основании "дерева" лежит кластер, который включает все объекты, а "листья" представляют собой индивидуальные объекты. Этот подход требует чётко определённых кластеров и хорошо структурированных данных. Шумные данные отрицательно влияют на результат.
4 Т $ Р Метод л ^ j >У ( самоорганизующихся карт (SOM) “ U Ц , 1* ^ % * 1 Самоорганизующаяся карта (SOM) [Cottrell et al., 2004; Lee, Scholz, 2006] — это искусственная нейронная сеть с неуправляемым обучением, которая на выходе выдаёт двумерное дискретное представление многомерного пространства множества наблюдений. В качестве входного параметра алгоритм получает многомерную структуру узлов, которая проецируется на двумерную структуру -сначала случайным образом, потом постепенно приближаясь к конечному результату. SOM хорошо подходит для вычислений на больших объёмах данных. Один из основных недостатков это "пограничный эффект" на узлах, находящихся по краям сети, что может привести к ошибочным результатам кластеризации. Кроме того, данный метод нуждается в полном наборе данных, поэтому данные о генах с неполной информацией или убираются из данных на входе, или дополняются прибилизтельными данными, что также отрицательно влияет на результат кластеризации.
В последующие годы было разработано несколько алгоритмов кластеризации,
которые можно разделить на следующие три группы (см. Таблицу 1.3): вероятностные, филогенетические, дискриминантного моделирования.