✨ 要約🔬 技術概要
この言語ではまだ解説がありません。
他の言語: AR , DE , EN , ES , FR , HI , IT , JA , KO , NL , PT , ZH
技術要約:Detectron RNAセンサーにおける標的部位選択のためのDeSTAR
問題提起 トーフールドスイッチのようなプログラム可能なRNAセンサーは、診断や遺伝子回路制御のために配列特異的な検出を提供します。しかし、そのエンジニアリングにおける大きなボトルネックは標的部位の選択にあります。センサーは理論上、転写物のあらゆる領域に対して設計可能ですが、性能は選択された特定の部位に依存して劇的に変化します。ほとんどの候補部位は、性能の低いセンサーを生み出します。トーフールドスイッチに対する従来の機械学習アプローチは、センサー配列自体に焦点を当てるか、単一の転写物や短いトリガーから派生したデータセットを使用しており、フルレングスの転写物内における構造的コンテキストやアクセシビリティを考慮できていませんでした。さらに、既存のモデルは多くの場合、翻訳ベースの読み出し(蛍光タンパク質)に依存しており、コアとなるストランド侵入メカニズムとは無関係な交絡変数をもたらします。したがって、Detectronアーキテクチャのような非翻訳型の読み出しを持つセンサーのために、標的部位をランク付けできる、汎用的で転写物に依存しないモデルが必要です。
手法 著者らは、RNA転写物内の候補標的部位をランク付けするために設計された、機械学習支援モデルであるDeSTAR (Detectron Sensor TARget-site ranker)を開発しました。
データ生成: モデルの訓練のために、著者らは6つの多様なRNAターゲット(2つのバクテリオファージ転写物:T5 gp8, T7 gp10A、2つのヒト病原性ウイルス転写物:ジカウイルスNS4A-NS4B, デングウイルスE領域、および2つのヒト転写物:PGK1, ENO1)に対して、転写物全体にわたる単一塩基解像度のタイリングライブラリを生成しました。これにより、7,383個のユニークな標的部位と22,149個のバーコード付き構築物が得られました。
センサーアーキテクチャ: 本研究では、トーフールドスイッチをレトロンシステムと結合させたDetectron センサーを使用しています。標的への結合により、スイッチはストランド置換を起こし、逆転写酵素が配列決定可能なDNAバーコードを合成することを可能にします。出力は、標的が存在する場合(ON)と存在しない場合(OFF)のバーコード存在量の比率として定量化され、log 2 ( ON/OFF ) \log_2(\text{ON/OFF}) log 2 ( ON/OFF ) として報告されます。このプールされたDNAベースの読み出しにより、フローサイトメトリーののスループット制限を回避しながら、数千のセンサーを同時にアッセイすることが可能です。
機械学習アプローチ:
特徴量: 各候補部位は、ボトムステムの塩基対モチーフ(最初の3塩基対の強/弱の同一性)、センサーのフォールディング自由エネルギー、GC含有量、RNAアクセシビリティ、および相対的な転写物位置を含む20個の特徴量で表現されました。
モデル定式化: 問題はペアワイズ(対比較)ランキングタスクとして構成されました。特徴量ベクトルの差(Δ X = X A − X B \Delta X = X_A - X_B Δ X = X A − X B )を用いて、サイトAがサイトBを上回る確率(P ( A > B ) P(A > B) P ( A > B ) )を予測するように、勾配ブースティング決定木分類器(XGBoost)が訓練されました。
評価: モデルは、Leave-One-Transcript-Out (LOTO) 交差検証法によって評価されました。モデルは5つの転写物で訓練され、残りの1つの転写物でテストされるプロセスを、全6通りの組み合わせに対して繰り返しました。性能は、precision@k(上位k個の予測のうち、高性能ティアに含まれる割合)およびランダム選択に対する濃縮係数(EF)によって測定されました。
主な結果
標的部位の感受性: タイリングライブラリにより、センサーの活性は隣接する標的部位間であっても(単一塩基のシフトであっても)大きく変化することが明らかになりました。高性能な部位は不活性な部位と混在しており、転写物間で一貫した位置パターンは見られなかったため、単一塩基解像度のスクリーニングが必要となります。
支配的な決定要因: 配列解析とモデルの属性解析(TreeSHAP)により、特定のボトムステム塩基対文法 が性能の主要な決定要因であることが特定されました。具体的には、スイッチのステム(位置26–33)における「弱ベース/強コア」のアーキテクチャが、高性能なセンサーを区別します。ストランド侵入を制御するためには、第2塩基対(bp2)が弱い(A·U)必要があり、第3塩基対(bp3)および後続のコア対は、OFF状態を安定させるために強固(G·C)である必要があります。末端のペア(bp1)は、フレイイング(端の揺らぎ)のダイナミクスと一致して、制約が少ないことが示されました。
汎用性: LOTO評価において、DeSTARの上位ランク付けされたサイトは、保持された転写物における高性能センサーの集団において有意に濃縮されていました。上位5つの予測サイトは、「レスポンシブ(応答性)」ティア(上位15%のサイト)に対して平均精度87%(濃縮係数 = 5.8×)を達成し、「エリート」ティア(上位5%)に対しては10倍の濃縮を達成しました。
既存ツールとの比較: Detectronのデータに適用した際、既存のツールであるToehold-VISTA(翻訳ベースのスイッチで訓練されたもの)は活性のランキングを予測できず、Detectronの標的部位選択には専用のモデルが必要であることを裏付けました。
前向き検証: モデルを凍結し、未知のSARS-CoV-2ヌクレオカプシド(N)遺伝子転写物 に適用しました。上位10個のランク付けされたサイトは、ランダムに選択されたサイトよりも、動作するセンサー(ON/OFF ≥ \ge ≥ 2)を約5倍高い頻度で生成しました(クローナルアッセイでは4/10 vs 0/20、プール型アッセイでは5/10 vs 2/20)。これらの結果は、2つの独立した読み出し形式(qPCRおよびシーケンシング)間で一貫していました。
意義と主張 本論文は、DeSTARが多様な転写物に対してプログラム可能なRNAセンサーの標的部位を選択するための汎用的なフレームワーク を確立したと主張しています。高スループットな単一塩基タイリングライブラリとDNAバーコード読み出しを活用することで、著者らは翻訳の影響という交絡因子なしに、ストランド侵入を支配する配列ルールを解明しました。本研究は、限られた数の多様な転写物で訓練されたモデルが、全く未知のウイルス転写物における機能的な部位を優先順位付けできることを示しており、新しいセンサー設計における経験的なスクリーニングの負担を軽減します。著者らは、モデルは現在、訓練データの幅(6つの転写物)によって制限されているものの、このフレームワークは、任意のRNA標的に対する合理的かつ一次的なセンサー設計への道筋を提供するものであると述べています。また、彼らは、モデルは転写物内のサイトをランク付けすることはできるが、新しい転写物における機能的センサーの全体的な収量を予測することはまだできず、それにはより大規模なデータセットでの訓練が必要であると明記しています。
毎週最高の 合成生物学 論文をお届け。
スタンフォード、ケンブリッジ、フランス科学アカデミーの研究者に信頼されています。
受信トレイを確認して登録を完了してください。
問題が発生しました。もう一度お試しください。
スパムなし、いつでも解除可能。
週刊ダイジェスト — 最新の研究をわかりやすく。 登録 ×