CRISPR-Cas9ベースのエピゲノム編集の効果予測

科学分野:

• ゲノミクスとエピジェネティクス
• 計算生物学
• 分子生物学

背景:

• エピジェネティック制御は哺乳類の転写を制御しますが、直接的な機能的関連は完全には理解されていません。
• ヒストンの翻訳後修飾（PTM）は、遺伝子発現に影響を与える重要なエピジェネティックマークです。

研究 の 目的:

• ENCODEデータを使用してヒストンPTMから遺伝子発現を予測する機械学習モデルを開発すること。
• 特にH3K27acの役割について、エピゲノム編集ツールを使用してモデル予測を実験的に検証すること。
• 内因性シグネチャと実験的摂動からの発現変化の予測におけるモデル性能を評価すること。

主な方法:

• 13のヒト細胞種からのエピゲノムおよびトランスクリプトームデータで機械学習モデルをトレーニングしました。
• HEK293T細胞のゲノムワイドヌクレオソーム占有率マッピングにMNase-seqを使用しました。
• HEK293TおよびK562細胞で標的ヒストンアセチル化（H3K27ac）のためにdCas9-p300システムを採用しました。

主要な成果:

• モデルは、細胞種間でヒストンPTMから遺伝子発現を予測する際に高い相関（約0.70-0.79）を達成しました。
• 転写開始部位近くのH3K27acが発現を増強するという既知の関連を検証しました。
• モデルはエピゲノム編集後の相対的な遺伝子発現変化を正確にランク付けしましたが、細胞タイプ予測と比較して、遺伝子内の変化率の精度は低下しました。

結論:

• 機械学習は内因性のエピジェネティック状態から遺伝子発現を効果的に予測します。
• エピゲノム編集摂動からの発現変化の予測はより困難であり、改善されたデータセットと因果モデルの必要性を示唆しています。
• ヒトエピゲノムの理解と制御を健康応用に向けて進めるためには、エピゲノム編集データセットとモデリングの進歩が不可欠です。