اگرچه سلول‌های قلب و سلول‌های پوست حاوی دستورالعمل‌های پروتئین‌سازی یکسانی هستند که در DNA آنها کدگذاری شده‌اند، اما می‌توانند چنین جایگاه‌های مختلفی را پر کنند، زیرا ماشین‌های مولکولی می‌توانند بخش‌های مختلفی از این دستورالعمل‌ها را برای ایجاد ترکیب‌های بی‌نهایت منحصربه‌فرد برش دهند و به هم متصل کنند.
نبوغ استفاده از ژن‌های یکسان به روش‌های مختلف با فرآیندی به نام اسپلایسینگ ممکن می‌شود و توسط عوامل پیوند کنترل می‌شود. اینکه سلول از کدام فاکتورهای اتصال استفاده می‌کند، تعیین می‌کند که سلول چه مجموعه‌ای از دستورالعمل‌ها را تولید می‌کند، که به نوبه خود باعث ایجاد پروتئین‌هایی می‌شود که سلول‌ها را قادر می‌سازد تا عملکردهای مختلفی را انجام دهند.
در یک مقاله با دسترسی آزاد که امروز در بیوتکنولوژی های طبیعیمحققان دپارتمان زیست شناسی MIT چارچوبی را برای تجزیه و تحلیل رابطه پیچیده بین توالی ها و تنظیم اتصال به منظور مطالعه فعالیت های تنظیمی عوامل اتصال، ایجاد مدل هایی ایجاد کرده اند که می تواند برای تفسیر و پیش بینی تنظیم پیوند در انواع مختلف سلول و حتی در بین گونه ها اعمال شود. KATMAP که به نام‌های Knockdown Activity and Target Models از پیش‌بینی‌های رگرسیون افزایشی نامیده می‌شود، از داده‌های تجربی از شکست بیان عامل اتصال و اطلاعاتی در مورد توالی‌هایی که عامل اتصال با کدام توالی تعامل دارد برای پیش‌بینی اهداف احتمالی خود استفاده می‌کند.
علاوه بر مزایای درک بهتر تنظیم ژن، جهش‌های پیرایشی – چه در ژنی که به هم متصل شده یا در خود عامل پیرایش – می‌تواند با تغییر نحوه بیان ژن‌ها منجر به بیماری‌هایی مانند سرطان شود که منجر به ایجاد یا تجمع پروتئین‌های معیوب یا جهش‌یافته شود. این اطلاعات برای توسعه درمان های درمانی برای این بیماری ها حیاتی است. محققان همچنین نشان دادند که KATMAP می‌تواند به طور بالقوه برای پیش‌بینی اینکه آیا اسیدهای نوکلئیک مصنوعی، یک گزینه درمانی امیدوارکننده برای اختلالات شامل زیرمجموعه‌ای از آتروفی عضلانی و اختلالات صرع، بر روی اتصال استفاده می‌شود یا خیر.
پیوند شرم آور
در سلول‌های یوکاریوتی، از جمله سلول‌های ما، پیوند پس از رونویسی DNA برای تولید یک کپی RNA از یک ژن که شامل مناطق کدکننده و غیر کدکننده RNA است، اتفاق می‌افتد. نواحی اینترونیک غیرکدکننده حذف می‌شوند و بخش‌های اگزون کدکننده دوباره به هم متصل می‌شوند تا یک طرح اولیه تقریباً نهایی ساخته شود که سپس می‌تواند به پروتئین ترجمه شود.
به گفته نویسنده اول مایکل پی مک گورک، محقق فوق دکترا در آزمایشگاه پروفسور کریستوفر برج MIT، رویکردهای قبلی می‌توانست تصویر متوسطی از تنظیم ارائه دهد، اما لزوما نمی‌توانست تنظیم فاکتورهای اتصال را در اگزون‌های خاص در ژن‌های خاص پیش‌بینی کند.
KATMAP بر اساس داده‌های توالی‌یابی RNA تولید شده از آزمایش‌های اغتشاش است که سطح بیان یک عامل تنظیمی را با بیان بیش از حد آن یا کاهش سطوح آن تغییر می‌دهد. پیامدهای بیان بیش از حد یا شکست این است که ژن‌هایی که توسط فاکتور پیرایش تنظیم می‌شوند باید سطوح مختلفی از پیرایش را پس از اغتشاش نشان دهند، که به مدل کمک می‌کند تا اهداف فاکتور پیرایش را شناسایی کند.
با این حال، سلول‌ها سیستم‌های پیچیده و به هم پیوسته‌ای هستند که یک تغییر کوچک می‌تواند باعث ایجاد آبشاری از اثرات شود. KATMAP همچنین قادر است اهداف مستقیم را از اثرات پایین‌دستی غیرمستقیم با گنجاندن برخی اطلاعات در مورد توالی که عامل اتصال با آن احتمالاً برهم‌کنش می‌کند، به نام محل اتصال یا موتیف اتصال، تشخیص دهد.
مک‌گورک می‌گوید: «در تحلیل‌هایمان، اهداف پیش‌بینی‌شده را به‌عنوان اگزون‌هایی شناسایی می‌کنیم که دارای مکان‌های اتصال برای آن عامل خاص در مناطقی هستند که این مدل فکر می‌کند باید بر مقررات تأثیر بگذارند، در حالی که اهداف خارج از هدف ممکن است تحت تأثیر اختلال قرار بگیرند، اما مکان‌های اتصال احتمالی مرتبط در آن نزدیکی ندارند.
این به ویژه برای عوامل اتصال که به خوبی مطالعه نشده اند مفید است.
مک‌گورک می‌گوید: «یکی از اهداف ما با KATMAP این بود که سعی کنیم این مدل را به اندازه‌ای عمومی کنیم که بتواند در مورد عوامل خاص چه چیزی را در نظر بگیرد، مانند اینکه یک سایت اتصال چقدر باید به یک موتیف شناخته شده شبیه باشد، یا اینکه چگونه فعالیت نظارتی با فاصله مکان‌های اتصال از سایت‌های اتصال تغییر می‌کند.»
شروع آسان
اگرچه مدل‌های پیش‌بینی می‌توانند در ارائه فرضیه‌های احتمالی بسیار قدرتمند باشند، اما بسیاری از آنها «جعبه‌های سیاه» در نظر گرفته می‌شوند، به این معنی که منطق پشت نتیجه‌گیری‌های آنها نامشخص است. از سوی دیگر، KATMAP یک مدل قابل تفسیر است که به محققان اجازه می‌دهد تا به سرعت فرضیه‌ها را ایجاد کنند و الگوهای اتصال را بر حسب عوامل نظارتی تفسیر کنند و در عین حال چگونگی پیش‌بینی‌ها را درک کنند.
مک گورک می گوید: من فقط نمی خواهم چیزها را پیش بینی کنم، می خواهم توضیح دهم و بفهمم. ما این مدل را طراحی کردیم تا از اطلاعات مربوط به پیوند و پیوند موجود بیاموزیم و پارامترهای قابل تفسیر بیولوژیکی را به ما بدهد.
محققان مجبور شدند برای توسعه این مدل فرضیات ساده‌سازی کنند. KATMAP تنها یک عامل اتصال را در یک زمان در نظر می گیرد، اگرچه ممکن است عوامل اتصال با یکدیگر هماهنگ باشند. توالی هدف RNA را نیز می توان به گونه ای تا کرد که فاکتور نتواند به محل اتصال پیش بینی شده دسترسی پیدا کند، به طوری که سایت موجود باشد اما استفاده نشود.
مک گورک می‌گوید: «وقتی می‌خواهید تصاویر کاملی از پدیده‌های پیچیده بسازید، معمولاً بهتر است ساده شروع کنید. مدلی که در هر زمان تنها یک عامل اتصال را در نظر بگیرد، نقطه شروع خوبی است.
دیوید مک واترز، یکی دیگر از فوق دکترای آزمایشگاه برج و یکی از نویسندگان مقاله، آزمایش‌های کلیدی را برای آزمایش و تأیید این جنبه از مدل KATMAP انجام داد.
جهت های آینده
آزمایشگاه Burge با محققان موسسه سرطان Dana-Farber همکاری می‌کند تا KATMAP را در مورد چگونگی تغییر عوامل پیوند در زمینه بیماری و همچنین با سایر محققان MIT به عنوان بخشی از کمک مالی MIT HEALS برای مدل‌سازی تغییرات عامل اتصال در پاسخ‌های استرس به کار گیرد. مک گورک همچنین امیدوار است که این مدل را گسترش دهد تا شامل مقررات مشارکتی فاکتورهای اتصال که با هم کار می کنند را شامل شود.
مک گورک می‌گوید: “ما هنوز در یک مرحله بسیار اکتشافی هستیم، اما من می‌خواهم بتوانم این مدل‌ها را برای درک مقررات پیوند در بیماری یا توسعه به کار ببرم. از نظر تنوع فاکتورهای پیوند، آنها به هم مرتبط هستند و ما باید هر دو را درک کنیم.”
Burge، Uncas (1923) و پروفسور هلن ویتاکر و نویسنده ارشد مقاله، به کار بر روی تعمیم این رویکرد برای ساخت مدل‌های قابل تفسیر برای سایر جنبه‌های تنظیم ژن ادامه خواهند داد.
برج که همچنین یکی از اعضای وابسته موسسه تحقیقات سرطان یکپارچه کخ و عضو وابسته موسسه برود MIT و هاروارد است، می‌گوید: «ما اکنون ابزاری داریم که می‌تواند الگوی فعالیت یک عامل اتصال را از انواع داده‌هایی که می‌توان به راحتی برای هر عامل مورد علاقه تولید کرد، یاد گرفت. با ساختن تعداد بیشتری از این مدل‌ها، بهتر می‌توانیم استنباط کنیم که کدام فاکتورهای پیوندی فعالیت را در وضعیت بیماری تغییر داده‌اند و از داده‌های ترانسکریپتومی کمک می‌کنند تا بفهمیم کدام عوامل پیرایشی باعث آسیب‌شناسی می‌شوند.»
