18.4: Genes y dianas de microARN

Última actualización
Guardar como PDF

Page ID: 54788

\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

Descubrimiento de genes de miARN

Los miARN son reguladores postranscripcionales que se unen a los ARNm para silenciar un gen. Son un regulador sumamente importante en el desarrollo. Estos se forman cuando se transcribe un gen de miARN a partir del genoma. La hebra resultante forma una horquilla en algún momento. Este es procesado, recortado y exportado al cito-plasma. Después, otra proteína recorta la horquilla y una mitad se incorpora a un complejo RISK. Al hacer esto, es capaz de decirle al complejo RISK dónde unirse, lo que determina qué gen está apagado. La segunda hebra generalmente se descarta. Es un problema computacional determinar qué hebra es cuál. El problema computacional aquí es cómo encontrar los genes que corresponden a estos miARN.

El primer problema es encontrar horquillas. Simplemente plegar el genoma produce aproximadamente 760,000 horquillas, pero solo hay de 60 a 200 miARN verdaderos. Por lo tanto, necesitamos métodos que ayuden a mejorar la especificidad. Se pueden considerar características estructurales, incluyendo energía de plegado, bucles (número, simetría), longitud y simetría de horquilla, subestructuras y emparejamientos, sin embargo, esto solo aumenta la especificidad en un factor de 40. Así, la estructura por sí sola no puede predecir miARN. También se pueden considerar las firmas evolutivas. Los miARN muestran propiedades de conservación características. Las horquillas consisten en un bucle, dos brazos y regiones flanqueantes. En la mayoría de los ARN, el bucle es el más bien conservado debido a que se utiliza en la unión. En miARN, sin embargo, los brazos están más conservados porque determinan dónde se unirá el complejo RISK. Esto aumenta la especificidad en un factor de 300. Tanto estas características estructurales como las propiedades de conservación se pueden combinar para predecir mejor los miARN potenciales.

Estas características se combinan mediante aprendizaje automático, específicamente bosques aleatorios. Esto produce muchos clasificadores débiles (árboles de decisión) en subconjuntos de positivos y negativos. Cada árbol vota entonces la clasificación final de un miARN dado. El uso de esta técnica nos permite alcanzar la sensibilidad deseada (incrementada en 4,500 veces).

Validación de miARN descubiertos

Los miARN descubiertos pueden validarse comparando con miARN conocidos. Un ejemplo dado en clase muestra que el 81% de los miARN descubiertos ya eran conocidos por existir, lo que demuestra que estos métodos funcionan bien. Los miARN putativos aún no se han probado, sin embargo esto puede ser difícil de hacer ya que las pruebas se realizan mediante clonación.

La especificidad de región es otro método para validar miARN. En el fondo, las horquillas se distribuyen de manera bastante uniforme entre intrones, exones, regiones intergénicas y repeticiones y transposones. El aumento de la confianza en las predicciones hace que casi todos los miARN caigan en intrones y regiones intergénicas, como se esperaba. Estas predicciones también coinciden con las lecturas de secuenciación.

Esto también produjo algunas propiedades genómicas típicas de los miARN. Tienen preferencia por la hebra transcrita. Esto les permite incorporarse al intrón del gen real, y por lo tanto no requieren una transcripción separada. También se agrupan con miARN conocidos y predichos. Esto indica que están en la misma familia y tienen un orgin común.

Identificación del extremo 5' del miARN

Las primeras siete bases determinan dónde se une un miARN, por lo que es importante saber exactamente dónde ocurre el clevage. Si este punto de caída está equivocado incluso por dos bases, se predecirá que el miARN se unirá a un gen completamente diferente. Estos puntos de clevage se pueden descubrir computacionalmente mediante la búsqueda de 7-meros altamente conservados que podrían ser objetivos. Estos 7-meros también se correlacionan con la falta de anti-dianas en genes expresados ubicuamente. Usando estas características, características estructurales y características conservacionales, es posible adoptar un enfoque de aprendizaje automático (SVM) para predecir el sitio de clevage. Algunos miARN no tienen una sola posición de puntuación alta, y estos también muestran un procesamiento impreciso en la célula. Si la secuencia estelar está altamente puntuada, entonces tiende a expresarse más en la célula también.

Motivos funcionales en regiones codificantes

Cada tipo de motivo tiene firmas distintas. El ADN es simétrico de cadena, el ARN es específico de cadena e invariante de marco, y la proteína es específica de cadena y sesgada al marco. Esta invarianza de marco se puede utilizar como firma. Cada cuadro puede ser evaluado por separado. Los motivos debidos a sesgos de uso de di-codones se conservan en un solo desplazamiento de marco, mientras que los motivos debido a la regulación del nivel de ARN se conservan en los tres desplazamientos de marco. Esto permite distinguir presiones superpuestas.