Esta página ha sido traducida por una máquina. Otras páginas pueden seguir apareciendo en inglés.
View in English
Priorización basada en la secuencia de los candidatos a i-Motif en el genoma humano
Contact us if these videos are not relevant.
Contact us if these videos are not relevant.
Ver abstracta en PubMed
Resumen
Este resumen es generado por máquina.Este estudio introduce un método computacional para predecir con precisión las estructuras de ADN de i-motivo, esenciales para la regulación génica. El enfoque refinado identifica candidatos de alto nivel de confianza, reduciendo la carga experimental y ayudando a la investigación del cáncer.
Área De La Ciencia
- La genómica
- La bioinformática
- Biología molecular
Sus Antecedentes
- Los i-Motifs (iM) son estructuras de ADN de cuatro hebras involucradas en la regulación genética y la estabilidad del genoma.
- Los métodos actuales de predicción de todo el genoma para iM sufren de baja especificidad y altas tasas de falsos positivos, lo que aumenta la carga de trabajo experimental.
Objetivo Del Estudio
- Desarrollar un enfoque computacional refinado para la predicción de alto nivel de confianza en todo el genoma de secuencias formadoras de i-motif.
- Mejorar la especificidad y reducir la tasa de falsos positivos en la identificación de la secuencia i-motif.
Principales Métodos
- Desarrolló una matriz de similitud específica de posición (PSSM) a partir de múltiples alineaciones de secuencias.
- Se escaneó el genoma de referencia humano (hg38) en busca de motivos ricos en citosina y se anotaron las secuencias utilizando el PSSM.
- Se evaluó la significación estadística utilizando pruebas de permutación, pruebas t, corrección Benjamini-Hochberg y puntuaciones Z. Candidatos validados con respecto a los iM y los G-cuadruplexos conocidos (G4) utilizando un clasificador forestal aleatorio.
Principales Resultados
- Se identificaron 37.075 secuencias candidatas con un fuerte potencial de formación de i-motivo (15-46 nucleótidos).
- Se demostraron diferencias significativas en las puntuaciones de alineación y la similitud de secuencia entre los IM predichos y los G4 conocidos, lo que confirma la especificidad estructural.
- Se logró un alto rendimiento de clasificación utilizando un modelo forestal aleatorio entrenado en características de nucleótidos, apoyando la distinción del candidato.
Conclusiones
- Presenta un método escalable y estadísticamente robusto para enriquecer secuencias de i-motivos biológicamente relevantes.
- Proporciona un recurso valioso para la validación experimental y el diseño racional de ligandos de orientación de i-motif.
- Facilita la modulación de la expresión génica para aplicaciones en el cáncer y otras enfermedades.
Contact us Si estos videos no son relevantes.
Contact us Si estos videos no son relevantes.
