Codebook: sequence specificity and genomic binding of poorly-characterized human transcription factors

Dit artikel beschrijft de 'Codebook'-studie, waarbij systematisch in vitro en in vivo experimenten werden uitgevoerd om de DNA-bindingsmotieven van 332 slecht gekarakteriseerde menselijke transcriptiefactoren te bepalen, waardoor duizenden nieuwe, functionele bindingsplaatsen in het menselijk genoom werden geïdentificeerd die genexpressie voorspellen.

De kern

De Codebook: Een Gids voor de Geheime Woorden van ons DNA

Stel je voor dat het menselijk genoom (onze DNA-voorraad) een gigantische bibliotheek is. In deze bibliotheek staan niet alleen de instructies voor het bouwen van ons lichaam, maar ook duizenden "schakelaars" die bepalen welke instructies op welk moment aan staan. Deze schakelaars worden bediend door speciale eiwitten, genaamd transcriptiefactoren (of TF's). Je kunt ze zien als de bibliothecarissen die beslissen welke boeken (genen) gelezen moeten worden.

Elke bibliothecaris heeft een heel specifiek "woord" of "zin" nodig om een boek te vinden. In de wetenschap noemen we dit een motief. Het probleem? Voor honderden van deze bibliothecarissen wisten we niet wat hun specifieke zoekwoord was. Ze stonden in de catalogus, maar hun "zoekopdracht" was onbekend.

Dit artikel beschrijft een gigantisch internationaal project, genaamd Codebook, dat precies dat probleem heeft opgelost. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Grote Zoektocht (Het Experiment)

De onderzoekers wilden de geheime zoekwoorden vinden voor 332 van deze onbekende bibliothecarissen. Ze deden dit door een soort "proefpotten" te gebruiken.

• De proef: Ze namen de eiwitten en lieten ze in een reageerbuis (of in levende cellen) zoeken naar DNA-sequenties.
• De methode: Ze gebruikten verschillende slimme technieken (zoals HT-SELEX en ChIP-seq). Je kunt dit vergelijken met het geven van een test aan de bibliothecaris: "Hier is een stapel boeken, welke pak jij eruit?" Door te kijken welke boeken ze keer op keer uitzochten, konden ze hun favoriete "woord" achterhalen.

2. Het Grote Succes

Het resultaat was verbazingwekkend:

• Van de 332 onbekende TF's lukte het om voor 177 een duidelijk zoekwoord te vinden.
• De meeste van deze woorden waren uniek. Het waren geen kopieën van bestaande woorden, maar nieuwe, unieke zinnen die nog nooit eerder in de menselijke bibliotheek waren gedocumenteerd.
• Dit betekent dat we nu ongeveer 100 nieuwe woorden aan onze "woordenlijst" van het menselijk genoom hebben toegevoegd.

3. De "Drie-Weg Overlap" (Waarom we er zeker van zijn)

Hoe weten ze dat deze woorden echt werken en niet alleen in een reageerbuis? Ze gebruikten een slimme controle, die ze de "Triple Overlap" noemen.
Stel je voor dat je een spoorzoeker bent. Je zoekt naar een plek waar:

1. Het eiwit in een reageerbuis aan het DNA plakt (in vitro).
2. Het eiwit in een levende cel aan het DNA plakt (in vivo).
3. De plek in het DNA precies overeenkomt met het gevonden zoekwoord.

Waar deze drie sporen samenkomen, weten ze: "Dit is een echte, werkende schakelaar." Ze vonden tienduizenden van deze plekken in ons genoom.

4. Waar zitten deze schakelaars?

De onderzoekers ontdekten interessante patronen:

• De Voordeur: Veel van deze nieuwe schakelaars zitten bij de "voordeur" van genen (de promotor). Dit zijn de plekken waar het meeste reguleringswerk gebeurt.
• De Donkere Materie: Sommige bibliothecarissen houden niet van de voordeur, maar van de "donkere hoekjes" van de bibliotheek (zoals transposons of "springende genen"). Het blijkt dat sommige TF's eigenlijk zelf afstammen van deze oude, springende stukjes DNA. Ze zijn als het ware verouderde robotjes die nu nog steeds hun oude huis (het springende gen) bewaken.
• Ziekte en Evolutie: De plekken waar deze TF's aan plakken, zijn vaak heel goed bewaard gebleven door de evolutie. Als je hier een foutje (mutatie) in maakt, kan dat ziekten veroorzaken. De nieuwe "woordenlijst" helpt dus om te begrijpen waarom bepaalde ziektes ontstaan.

5. Waarom is dit belangrijk voor jou?

Voorheen was ons begrip van hoe genen aan- en uitgezet worden, als een kaart met veel onbekende gebieden. Nu hebben de onderzoekers die gebieden ingekleurd.

• Geneeskunde: Als we weten welk "woord" welke schakelaar bedient, kunnen we beter begrijpen waarom genen soms verkeerd werken bij ziektes zoals kanker.
• Toekomst: Ze hebben een online database gemaakt (een soort Google voor DNA-woorden) waar iedereen deze nieuwe informatie kan opzoeken.

Kortom:
De Codebook-projectteam heeft een gigantische puzzel opgelost. Ze hebben voor honderden onbekende regelaars in ons lichaam hun specifieke "zoekwoord" gevonden. Hierdoor kunnen we de taal van ons DNA beter lezen, begrijpen hoe ons lichaam werkt, en hopelijk in de toekomst ziektes beter behandelen. Het is alsof ze een nieuwe, onbekende taal hebben ontcijferd die al miljoenen jaren in ons lichaam spreekt.

Technische samenvatting

Probleemstelling

Transcriptiefactoren (TF's) zijn eiwitten die genexpressie reguleren door te binden aan specifieke DNA-sequenties (motieven). Hoewel er naar schatting ongeveer 1.600 menselijke TF's zijn, ontbrak er tot nu toe voor meer dan een kwart (ongeveer 400) een betrouwbaar bekend bindingsmotief. Deze "Codebook"-TF's werden voornamelijk geïdentificeerd op basis van hun DNA-bindende domeinen (DBD's) of literatuurverwijzingen, maar hun specifieke sequentievoorkeuren waren onbekend.

Dit gebrek aan data vormt een fundamenteel obstakel voor het begrijpen van genregulatie, de interpretatie van niet-coderend DNA, en het analyseren van genetische varianten die ziekten kunnen veroorzaken. Bestaande methoden om motieven af te leiden (zoals het extrapoleren van bekende familieleden) zijn vaak onnauwkeurig, en er bestaat discussie over in hoeverre in vitro motieven de binding in levende cellen weerspiegelen.

Methodologie

Het "Codebook"-project (een internationale samenwerking tussen het Codebook Consortium en GRECO-BIT) heeft een systematische aanpak ontwikkeld om de DNA-sequentiespecificiteit van 332 ongekarakteriseerde menselijke TF's te bepalen.

1. Experimentele Opzet:

   • Er werden 393 eiwitten getest (332 "Codebook"-TF's en 61 controlegroep-TF's).
   • Er werden 4.804 experimenten uitgevoerd met behulp van vijf verschillende assay-technieken, zowel in vitro als in vivo:
     • HT-SELEX & GHT-SELEX: High-throughput Systematic Evolution of Ligands by EXponential enrichment. GHT-SELEX is een nieuwe variant waarbij gefragmenteerd genoom-DNA wordt gebruikt in plaats van willekeurige sequenties.
     • SMiLE-seq: Een microfluïdische techniek voor het testen van DNA-binding.
     • Protein Binding Microarrays (PBM): Microarrays met DNA-probes.
     • ChIP-seq: Chromatine-immunoprecipitatie met sequencen in HEK293-cellen (met inducteerbare getagde transgenen).
   • Verschillende expressiesystemen werden gebruikt (HEK293-lysaten, E. coli T7-GST, en tarwekiem-extracten) om technische biases te minimaliseren.

2. Data-analyse en Motiefafleiding:

   • Een robuust proces van "expert curatie" werd toegepast. Een motief werd alleen als succesvol beschouwd als het consistent was tussen verschillende experimentele platforms en het de data voorspelde.
   • Er werden geavanceerde statistische methoden gebruikt om artefacten te filteren en de beste Position Weight Matrix (PWM) voor elke TF te selecteren.
   • Triple Overlap (TOP): Om functionele bindingsplaatsen te identificeren, werden locaties geselecteerd die voldeden aan drie criteria: binding in vivo (ChIP-seq), binding in vitro (GHT-SELEX), en een match met het afgeleide PWM-motief.
   • CTOP (Conserved TOP): Van deze TOP-sites werd geanalyseerd of ze evolutionair geconserveerd waren (via PhyloP-scores), wat wijst op functionele relevantie.

3. Functionele Validatie:

   • Motif Activity Response Analysis (MARA): Om de biologische functie te koppelen aan genexpressiepatronen in 583 weefsels en celtypen (FANTOM5-gegevens).
   • Allele-Specific Binding (ASB): Analyse van single-nucleotide polymorfismen (SNP's) om te zien of sequentievarianten de binding beïnvloeden.

Belangrijkste Bijdragen en Resultaten

• Uitbreiding van de TF-motieflexicon:

  • Van de 332 geteste "Codebook"-TF's werden voor 177 (53%) betrouwbare DNA-bindingsmotieven geïdentificeerd.
  • De meeste van deze 177 motieven zijn uniek voor één enkel eiwit. Dit voegt naar schatting ~100 nieuwe, unieke motieven toe aan het menselijke repertoire, wat de kennis van genregulatie significant uitbreidt.
  • De C2H2-zinc finger (C2H2-zf) klasse was het meest succesvol (67% van de geteste TF's), maar ook andere domeintypes leverden motieven op.

• Validatie van in vitro vs. in vivo binding:

  • Er is een sterke correlatie gevonden tussen de in vitro afgeleide motieven en de bindingsplaatsen in levende cellen (ChIP-seq). De motieven zijn sterk verrijkt binnen de ChIP-seq pieken, wat aantoont dat de inherente sequentiespecificiteit een grote rol speelt in de cel.
  • De Codebook-motieven konden bindingsplaatsen in externe datasets (andere celtypen) voorspellen, hoewel chromatinetoegang en cofactoren de beschikbaarheid van sites beïnvloeden.

• Functionele Genomische Sites:

  • Er werden 113.577 geconserveerde TOP-sites (CTOP) geïdentificeerd. Deze sites tonen tekenen van zuiverende selectie, wat bevestigt dat ze functioneel belangrijk zijn.
  • Veel van deze sites bevinden zich in promotorregio's en CpG-eilanden. Opvallend is dat veel TF's, waaronder CXXC-eiwitten, specifiek binden aan CpG-eilanden, wat suggereert dat deze regio's actieve regulerende elementen zijn en niet alleen passieve structuren.
  • Sommige TF's binden ook aan "donkere materie" van het genoom, zoals transposons.

• Transposon-afgeleide TF's:

  • Het project onthulde dat ongeveer 16 Codebook-TF's (en 2 controles) DBD's hebben die zijn afgeleid van DNA-transposasen (bijv. Tigger, Pogo, hAT).
  • Een opvallend voorbeeld is JRK, een eiwit afgeleid van de Tigger-transposon, dat specifiek bindt aan de Tigger-elementen waar het vandaan komt. Dit ondersteunt het idee dat transposons niet alleen "jumping genes" zijn, maar ook nieuwe regulerende netwerken introduceren door zowel cis-elementen als de bindende TF's mee te nemen.

• Genexpressie en Ziekte:

  • De nieuwe motieven zijn succesvol gebruikt om genexpressie te voorspellen in verschillende weefsels.
  • De analyse toonde aan dat Codebook-TF's betrokken zijn bij specifieke biologische processen, zoals immuunrespons, celcycluscontrole en de ontwikkeling van het zenuwstelsel.
  • De gevonden bindingsplaatsen zijn significant verrijkt met ziekte-geassocieerde SNP's en eQTL's, wat de klinische relevantie onderstreept.

Significantie

Het Codebook-project vormt een mijlpaal in de genomica door een groot gat in onze kennis van menselijke genregulatie te dichten.

1. Compleet Referentiekader: Het project levert de meest complete set van menselijke TF-motieven tot nu toe, inclusief voorheen onbekende factoren.
2. Betrouwbaarheid: Door het combineren van meerdere in vitro en in vivo methoden, biedt het project een ongekend hoge mate van zekerheid over de specifieke DNA-voorkeuren van deze eiwitten.
3. Biologisch Inzicht: De data onthult dat veel "donkere" genomische regio's (zoals CpG-eilanden en transposons) actieve regulerende hubs zijn voor specifieke TF-families.
4. Klinische Toepassing: De nieuwe motieven maken het mogelijk om de impact van genetische varianten op genregulatie beter te voorspellen, wat essentieel is voor het begrijpen van de genetische basis van complexe ziekten.

Kortom, dit werk transformeert een groot aantal "putatieve" transcriptiefactoren in goed gekarakteriseerde moleculaire spelers, waardoor de "code" van het menselijk genoom beter ontcijferd kan worden.