用iRegulon进行主转录因子的预测

转录调节的模式

Master Regulators

MRs是指能够对多个靶基因进行调控的转录因子(TFs)，人体基因组大概包含了1800序列特异性的TF。每一个TF可以调节数百个目标基因。大约40%的肿瘤变异基因通过影响TF影响发病机制，一些比较著名的肿瘤基因比如p53、MYC、E2F这些都是转录因子TF。

这些TF是药物设计的重要靶标，因此通过表达数据寻找TF以及对已知TF所调控基因的寻找十分有价值。

现有的发现方法

ChIP-Seq

知道转录因子，可用ChIP技术寻找其所有的目标基因，但是ChIP-Seq一次只能做一个TF，而且事先需要知道TF，对于只知道基因表达的情况不太适用。

PWM

PWM全称是位置权重矩阵，被广泛使用在识别转录因子基序。其基本原理是，受同一转录因子调节的基因具有相似的DNA结合序列。

（一）共有序列

将能与同一个转录因子结合的所有DNA片段按照对应位置进行排列，在每个位置上选择最有可能出现的碱基，就组成了该转录因子结合位点的共有序列。可以使用序列标识图来表示。

（二）位置频率矩阵

位置频率矩阵可以反映出每个位置上不同碱基出现的概率，该模型的一个前提假设是各个位置上碱基出现的概率相互独立，矩阵每一列表示模体相应位置上四种碱基出现的概率。

（三）位置权重矩阵

对任一长度为n的已知模体位置频率矩阵M，转录因子结合位点定位就是判断某一长度为n的序列片段与M的匹配程度。考虑到DNA序列本身可能存在碱基组成上的偏向性，通常把位置频率矩阵转换成位置权重矩阵。用位置权重矩阵的打分来衡量模体与任意给定序列的匹配程度。

（1）在位置权重矩阵中，为了消除DNA序列本身碱基组成偏好性的影响，所以引入了碱基i(i={A,T,C,G})在背景序列中出现的频率(记为bi)

（2）位置频率矩阵M被转换为位置权重矩阵

（3）对于长度为n的DNA序列片段，它作为模体M对应的转录因子结合位点的打分为

（4）给定一个基因序列，利用位置权重矩阵寻找转录因子可能的结合位点。

iRegulon

iRegulon是Cytoscape的一个插件，能够支持人、鼠、果蝇基因的富集。当我们有一些表达差异的基因，iRegulon能够告诉我们其中的master调节因子是什么。当我们想要知道一个已知的TF其调控的下游基因是什么，也可以使用iRegulon。

论文链接：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4109854/

GitHub链接：https://github.com/aertslab/iRegulon

工作原理

从各种数据库中收集到9000多个PWM和1000多个ChIP-Seq数据，而且这些PWM都对应到了相应的TF上，每个TF可能对应多个PWM。

（1）排序，对22284个人基因进行排序，排序的依据就是PWM库，有两种PWM库，一个是6K库，一个是10K库，主要包含的PWM数量不同。一个PWM库就是一个motif 的量化表征，对每个基因来说，搜寻其转录起始点附近的区域的CRM（顺式调控元件），然后对其进行打分，根据分数高低不同进行排序。最终结果就是一个SQLite数据库，这个数据库中包含有N个基因的排序。

（2）回收，需要共表达基因作为输入信息。就是探讨这些基因在哪些PWM所对应的基因排序中富集，可以用累计回收曲线下面积(AUC)表示。AUC通过计算前3%基因里包含多少输入的共表达基因。前3%基因就是22284 × 0.03 = 669个基因。假如，一共输入了100个共表达基因，其中80个在前669个基因里，AUC = 80/100 = 0.8，说明在排序3%回收了80%的基因，这时候就可以认为这个PWM所对应的TF就是一个Master Regulators。

模型验证

（1）使用115个序列特异性的TF，这些TF的下游目标基因都是已知的，可以从现有的数据库中获得。验证就是将目标基因集输入iRegulon，返回的TF（根据归一化富集评分对返回的TF进行排序，从而得出top1、top2、top3）与已知的TF进行比较。iRegulon能将82.6%的TF正确识别。Controls使用的是阴性基因集。