Исследователи из Стэнфордского университета, включая первого автора Майю Шет и старшего автора Джесси Энгрейца, доктора философии, представили вычислительную модель для прогнозирования регуляторных взаимодействий между энхансерами и генами. Работа опубликована в журнале Nature Genetics. Энхансеры — участки ДНК, определяющие, когда, где и насколько сильно включается каждый ген, а их картографирование важно для понимания генетики заболеваний человека.
Картографирование энхансеров и того, как они функционируют в конкретных типах клеток, необходимо для понимания регуляции генов и связанных с заболеваниями генетических вариантов. Но расположение и активность энхансеров очень специфичны для клеточного типа, что затрудняет точное прогнозирование энхансерно-генных взаимодействий.
В последние годы исследователи разработали несколько вычислительных моделей для прогнозирования регуляторных взаимодействий энхансер-ген с использованием измерений состояния хроматина и трехмерных контактов. Эти модели создали карты гена-энхансера, охватывающие сотни клеток и тканей. Однако эти методы остаются ограниченными, и подтвердить их точность сложно, потому что необходимые эксперименты были проведены только в нескольких типах клеток.
Что представляют собой модели scE 2G?
В исследовании, недавно опубликованном в Nature Genetics, исследователи из Стэнфордского университета, в том числе первый автор Майя Шет и старший автор, Джесси Энгрейц, доктор философии, разработали модели прогнозирования одноклеточного энхансера к гену, scE 2G, которые предсказывают общегеномные взаимодействия энхансера из данных scATAC или мультиомического scATAC и scRNA-seq. Модели scE 2G используют одноклеточные данные для прогнозирования того, какие области ДНК действуют как энхансеры и какие гены они контролируют.
Исследователи обучили модели, используя эксперименты CRISPR, в которых ученые непосредственно протестировали более 10 000 пар генов-кандидатов. После обучения модели могут быть применены к данным из других типов клеток. Поскольку одноклеточные данные могут сортировать типы клеток по отдельности в вычислительном отношении, scE 2G может создавать карты для типов клеток, которые слишком редки или слишком трудно изолировать для достижения объемных методов, и может показать, как регуляция генов отличается от одного типа клеток к другому.
Как модели показали себя на реальных данных?
Модели хорошо работают на наборах данных различных размеров и глубин секвенирования, что означает, что они могут быть применены ко многим наборам данных с одной ячейкой, которые исследователи уже собрали. Команда уже использовала их на сложных тканях, чтобы проследить варианты, связанные с заболеванием, до их генов-мишеней, связывая два гена, INPP 4B и IL 15, с количеством лимфоцитов в крови, что является своего рода связью, которую было бы трудно сделать только из некодирующей ДНК. По мере того, как наборы данных с одной клеткой продолжают расширяться, модели могут в конечном итоге наметить регуляцию гена-энхансера в тысячах типов клеток, которые составляют человеческое тело.
Sheth, M. U., et al. (2026) Сопоставление регуляторных взаимодействий энхансер-ген от одноклеточных данных. Генетика природы. DOI:10.1038/s 41588-026-02695-8. https://www.nature.com/articles/s 41588-026-02695-8.
Вопросы и ответы
На каких данных обучали модели scE2G и сколько пар генов протестировали?
Модели обучали с помощью экспериментов CRISPR, в ходе которых учёные напрямую протестировали более 10 000 пар генов-кандидатов. После обучения модели можно применять к данным из других типов клеток.
Какие гены удалось связать с количеством лимфоцитов в крови с помощью этих моделей?
Команда использовала модели на сложных тканях, чтобы проследить связанные с заболеваниями варианты до их генов-мишеней. Так они связали гены INPP4B и IL15 с количеством лимфоцитов в крови.
Где опубликовано исследование и кто его авторы?
Работа опубликована в журнале Nature Genetics. Первый автор — Майя Шет, старший автор — Джесси Энгрейц, доктор философии; оба исследователи из Стэнфордского университета.
