Машинное обучение открывает новый подход к пониманию регуляции генов у микробов
Бактерии E. coli выживают в разных условиях благодаря сети транскрипционных регуляторов, которые меняют экспрессию генов. Однако понять, как координируется экспрессия тысяч генов, остаётся сложной задачей.
В статье, опубликованной 4 декабря в Nature Communications, биоинженеры из Калифорнийского университета в Сан-Диего представили новый метод анализа наборов данных об экспрессии генов. Применив алгоритм машинного обучения, предназначенный для разделения смешанных сигналов на исходные источники, исследователи смогли разбить большой высококачественный массив данных примерно на 100 сигналов, представляющих целевые эффекты транскрипционных регуляторов.
Работу возглавили профессор Бернхард Пальсон и аспирант Ананд В. Састри.
Традиционно учёным приходилось вручную искать связующие паттерны среди сотен дифференциально экспрессируемых генов. Проблема в том, что многие гены могут реагировать на один и тот же базовый сигнал, что затрудняет определение первопричины реакции организма.
Новая методология автоматически извлекает сигналы конкретных транскрипционных регуляторов, вызвавшие измеренные изменения в экспрессии генов. Метод не требует предварительных знаний о регуляторной сети, что упрощает его применение к менее изученным организмам.
Анализ позволил:
- Охарактеризовать два ранее неизвестных фактора транскрипции.
- Уточнить известные мишени для многих других регуляторов.
- Выявить прямые связи между мутациями в штаммах E. coli и их состояниями экспрессии генов, предложив новую стратегию для сравнения штаммов внутри вида.
"Поскольку транскрипционная регуляторная сеть — это то, как бактерии ощущают свою среду, теперь у нас есть способ увидеть, что они "видят". Мы можем легко определить, испытывает ли клетка недостаток в питательном веществе, например в железе, или находится в состоянии стресса", — пояснил Састри. — "Это может быть бесценно при изучении сложных сред, например, инфекций in vivo".
Дополнительные исследования уже ведутся для проверки множества предсказаний, предложенных в работе.