转录因子详细介绍(motif)

TF: transcription factor转录因子
TFBS: transcription factor binding site转录因子结合位点
TFBS是序列内的location，TF特异结合在这里，这个site有这种特点

• 1 和一些参考相关的一个位置（开始，结束，strand），这些reference可以是染色体开始，geneTSS。也可以是一段sequence
• 2 A SITE可以是实验证实的（已知的），也可以是一些算法（预测的）

• 3 例子，下面这个图是酵母TF Pho4p的结合位点。坐标和起始密码相关。

  
  
  

  image.png

从结合位点到结合motif binding motifs

定义：transcription factor binding site（TFBS）
TFBS指的是TF特异结合的DNA分子的position（位置），延伸的话，就是DNA片段的序列边界。
注意，文献中经常把结合位点和结合域混淆（binding site ，binding motif）
我们推荐保留“site”这个词来定义某一特别sequence（基因的或artificial），这是一个factor结合的地方。而“motif”这个词进行结合特异性的genetic（遗传学的）描述，通过汇总一系列sites的信息进行汇总得到。

定义：TFBM (transcription factor binding motif)
转录因子结合域
“代表一个TF的结合特异性，通常通过汇总一系列结合位点的保守和可变位点而来，几个modes或representation可以用来描述TFBM：一致性，位点特异得分方阵，Hidden Markov Models（HMM）”。

• 1 我们使用术语”motif”或“pattern”在模型的意义上代表一个TF结合位点的特异性。
• 2 一个motif通常从一系列转录结合位点汇总产生
• 3 一个motif可以使用不同的形式描述
  3.1 一致性string（consensus string）
  A：核苷酸序列（nucleotide alphabet CACTTGGG）
  B：IUPAC alphabet CACGTGKK
  C:regular expression（规律表达） CACGTG[GT][GT]
  3.2 位置特异性得分矩阵（position-specific scoring matrix）(PSSM)
  3.3 Logo representation(Schneider,1986)
  3.4 Hidden Markov Models(HMM)

Binding specificity结合特异性

• 1 Pho4p的结合特异性已经很好的被描述过了
• 2 High-affinity高亲和位点有核心CACGTG，后面跟着几个Gs或Cs
• 3 Medium-affinity中度亲和位点有核心的CACGTT，跟着几个Ts

• 4 一些单核苷酸突变足以阻止转录因子与其结合

  
  
  

  image.png
  
  
  

  image.png

Consensus reprentation

第一，酵母TF Pho4p在TRANSFAC数据库中包含8个结合位点

其中，5/8包含高亲和力结合位点（CACGTG）

3/8包含中度亲和力结合位点（CACGTT）

第二，IUPAC 模糊的核苷酸密码允许代表可变碱基

第三，15字母代表任何可能的结合在4个核苷酸之间（2-1=15）

第四，这种表示对残基的相对重要性提供了一个poor idea。

image.png

Building a position-specific scoring matrix from a collection of sites

TF Pho4p结合位点的排列（TRANSFAC注释）

image.png

image.png

(generated with Web Logo http://weblogo.berkeley.edu/logo.cgi)

Characteristics of yeast regulatory regions

在酵母中
第一，顺式作用元件（cis-regulatory elements）位于调控gene非编码区上游
第二，链敏感性strand-insensitive：活性不依赖于strand
第三，从起始密码子开始算，位于其~800bp以内：活性不依赖于精确位置

Cis-regulator modules(CRM)

image.png

• 1 在后生动物中，一些非编码区域（典型的100-200bp）包含清晰的TF紧密压缩的结合位点.
• 2 这些区域称之为cis-regulatory regions（CRMs）顺式调控区域。
• 3 CRMs起着整合devices（设备）的作用
• 4 依赖于细胞中TF的结合，他们会激活或抑制靶基因的表达。（激活-增强子，抑制-沉默子）

Cis-regulatory elements and their organization

The localization of cis-regulatory regions varies depending on the type of organism

image.png

image.png

image.png

image.png

  PAZAR http://www.pazar.info/
  Unification of independent collection of transcription factor binding sites and motifs.
  YeasTract http://www.yeastract.com/
  Yeast-specific database. Factors, binding sites and motifs + tools.
  FlyReg http://www.flyreg.org/
  Drosophila DNase I Footprint Database
  PlantCARE http://bioinformatics.psb.ugent.be/webtools/plantcare/html/
  Plant Cis-Acting Regulatory Elements

2.motif或pattern匹配

Pattern matching

image.png

image.png

image.png

Pattern matching in a small set of sequences

目标：知道motif，在感兴趣的序列中发现匹配的位置
为每个位置指定一个得分
第一，显示匹配的质量
1 String-based 模式匹配替代
2 基于矩阵的模式匹配的权重得分
第二，为每个模式显示先验的重要性
例如从模式发现的重要性

Expected mathes for a consensus in whole genomes

从基因组范围模式匹配的期望值

• Assuming a perfectly conserved hexanucleotide, with strand-insensitive activity

• Expected matching rate:1 occ/2kb

  
  
  

  image.png

Genome-scale pattern matching

目标：给定一个模式，在整个基因组范围内发现匹配。
也就是鉴定一个给定的TF调控的基因。
通常来说，基于单个信号的搜索会返回很多假阳性
改进：第一，搜索重复信号（例如GATA框）
第二，搜索信号的结合
第三，限定位置
第四，结合编码区信息。

String-based pattern matching

Word counting-Occurrences or matching sequences

如果一个序列包含一个给定motif的大量的出现，那么可以对他们所有进行得分或只计算每个序列的第一个出现，这种情况下，每一个序列都被记录为匹配motif或不匹配。

image.png

Treatment of self-overlap

对这样的words可以这样计数
每一个只计算更新发生（下面的例子是两次，意思不回头）
或者所有的出现都算（2个renewing，2个重叠下面的例子）
计算模式的选择强烈影响后续的统计（依赖不依赖）

image.png

（renewing occurrences就是过去就过去了，重新开始计算
Overlapping occurrences是不管怎么，只要首字母可以查到我想要的，就一直重复算）
3 Single or double starand count

• 1 DNA序列的特殊性是它的双链结构。

• 2 Words可以单链计算也可以双链，这依赖于期待的生物学信号的本质。
  A：在RNA序列中，单链计算普遍合适
  B：DNA序列中，对顺式作用元件来说，双链计数都可以，因为很多转录因子作用不依赖于方向定位。

  
  
  

  image.png

Symmetrics in DNA sequences

回文序列：相对于中间的一个字母是对阵的，正读倒读都一样。
下面这个序列含有文字回文序列

image.png

但是，相应的DNA分子没有对称性

image.png

下面这个序列不含有文字的回文序列

image.png

但是，相应的DNA分子有“反向互补回文序列”：DNA分子有同样的核苷酸串，无论你读哪条链（都是从5端到3端）

RSAT tool:dna-pattern
在匹配DNA序列上，尤其特定的模式匹配程序

• 1 支持部分特定核苷酸的IUPAC代码（例如TSWNATTK）
• 2 支持模式内固定或可变长度的空格例如GGGWn｛0，30｝WCCC
• 3 单链或双链
• 4 允许替代但不允许插入或删除
  提取匹配的邻居（侧翼碱基）
  返回（匹配位置，每个序列的匹配计数）
  滑动窗口
  检测包含多个模式组合的区域
  具体的权重可以与每种模式相关联

Matching simple patterns

一个简单的字符串匹配模式通常信息量不足
第一，虚假匹配随处可见
第二，一致性的出现不是总依偎着TF结合
第三，一些motif比其他的有更高的重要性，比如一致性序列的核心区域

image.png

Matching a collection of overlapping patterns

模式匹配的结果可以通过匹配相互重叠的模式（单词或间隔二元组）的集合进行提高
可以使用多种模式来表示较大的结合位点的片段，或者可以使用多种模式
由共识退化引起的变种。
可以将特定的权重分配给集合的元素，以表示它们对绑定的相对重要性

image.png

Genome-scale pattern matching

知道给定的TF的一致性结合位点，一个人可以试图使用这个信息来预测整个基因组中的靶基因。
这个方法非常不准确，因为
第一，这个一致性很难反应结合的特异性
第二，结合和调控不是同义词
做一个实验，我们通过TRANSFAC和我们自己的注释来计数不同的酵母TF的一致性发生数目，针对下面中的每一个
第一，序列上游800bp，剪切来防止上游的ORFS
第二，对每一个gene，我们计算每个一致序列的出现数目。

Matrix-based pattern matching

Regulatory motif:position-specific scoring matrix(PSSM)

Binding motif of the yeast TF Pho4p(TRANSFAC matrix F$PHO4_01

image.png

Frequency matrix

image.png

Pseudo-count correction

image.png

Probability of a sequence segment under the matrix model

image.png

Probability of a sequence segment under the matrix model

image.png

Probability of the highest scoring sequence segment

image.png