本文探讨了转录因子靶基因预测的方法，对比了findMotifsGenome.pl在降低假阳性方面的优势以及MEME的复杂设定。强调了转录因子表达的组织特异性，并指出基于基因共表达预测的局限性。文章介绍了HOMER如何利用open chromatin数据提高预测准确性，同时提到DNA三维结构对预测的挑战。提供了HOMER软件的实战教程链接。
Finding Enriched Motifs in Genomic Regions (findMotifsGenome.pl)
在指定区域做motif enrichment，大大降低了假阳性。
MEME也可以做，但是设定更加复杂。
转录因子的表达具有高度的组织特异性，而且已知的TF只有1000多个，基因有30000多个，所以一个TF的靶基因可能有几百个，而且具有高度的时空组织特异性。
实验的方法就不说了，可靠、成本高、耗费劳力。
以下只说高通量数据的预测方法。
最简单的预测就是基于基因表达，co-expressed就是可能的靶基因，预测软件一大把。
问题很多，首先理解假设：
1. TF的线性变化引起target gene的线性变化，他们线性相关；
2. TF的调控是sparse的，
问题：
1. 有人说这根本就不是线性的，TF的yes or no，决定target gene的表达；
2. 不是线性相关，存在shift，先后的shift是普遍存在的；
3. co-expression是无法得出target关系的；
所以，现在大家都开始结合motif enrichment了，TF的靶向作用是靠motif与基因组DNA结合来
最低0.47元/天 解锁文章
扫一扫
8599
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
