芝加哥——牛津大学和新成立的基因组学研究公司Nucleome Therapeutics的研究人员发布了一种新颖的分析方法，可以将3D基因组结构映射到单个碱基对上。
“我们已经把它降到尽可能低的水平。它无法获得更高的分辨率，”牛津大学(Oxford)基因调控教授、Nucleome联合创始人吉姆·休斯(Jim Hughes)说。
这种被称为微捕获- c (MCC)的技术是一种先进的技术染色体构象捕获(3C)法以多重检测为特色，结合了一种新的分子生物学方法和一个新的计算平台，放大了基因组中以前不为人知的区域的细节。它主要是为了告知药物的发现。
研究人员在一份报告中描述了他们的工作纸上周发表于自然．它建立在俘获技术这篇新论文的两位主要作者在牛津大学MRC韦瑟尔分子医学研究所(MRC Weatherall Institute of Molecular Medicine)开发了一篇论文，并于2015年首次发表纸其中一些人描述了一种3C方法，它的分辨率比MCC低得多。
Micro-Capture-C提高了单个碱基对的分辨率，从而能够检测到基因调控不同元素之间的物理接触。此前，染色质定位的分辨率为1千碱基或更高，这使得不可能通过定义物理接触来确定蛋白质尺度上的基因表达。
MRC Weatherall研究所的血液学家、Nucleome的学术创始人詹姆斯·戴维斯说:“这些(早期的)技术的问题是，分辨率在某种程度上限制在500个碱基对以下。”“大多数控制基因开启和关闭的关键蛋白质与更短的DNA序列结合，比如在7到22个碱基对之间，所以我们真的很想看到更详细的机制。”
MCC方法解开了基因组中未被探索部分的一些奥秘。他们写道:“与所有其他可用的3C方法(包括Hi-C、Micro-C、启动子捕获Hi-C、4C和下一代(NG)捕获- c)相比，这是一个显著的提高。”
据首席执行官兼联合创始人Danuta Jeziorska介绍，总部位于英国牛津的Nucleome Therapeutics公司从MCC大学获得了独家授权，希望解码“黑暗基因组”，为药物发现和开发开辟新的可能性。
杰奥斯卡指出:“治疗方法的发现和发展确实是昂贵和耗时的。”但他补充说，遗传学有助于降低失败率。“然而，基因组学上的大多数药物发现只专注于我们DNA的2%。”
另外的98%是基因组中特征不明显的“调控暗物质”，被认为是非编码的，她说。“这98%的DNA就像其他2%的DNA的指导手册。”
Nucleome成立于2019年8月，是牛津大学的一个分支。该公司第一年在牛津科学创新(Oxford science Innovation)领投的种子轮融资520万英镑(730万美元)，也是2019-20年创新破坏实验室(Creative Destruction Lab)项目的一部分，创新破坏实验室是科技公司的商业加速器。vwin德赢ac米兰合作
Jeziorska表示，该公司目前有8名员工，未来几个月还将增加至少5名员工。
所述的增益自然本文介绍了NG Capture-C法的五个改进:使用微球菌核酸酶而不是限制性内切酶;使用洋地黄苷渗透的完整细胞代替溶液或纯化核中的染色质，以减少核结构的破坏;个人观点的数据深度比Hi-C和Micro-C增加了1000倍;通过直接测序不同位点reads之间的连接连接，生成精确到单个碱基对的接触映射;以及开发一种新的数据分析管道，以帮助确定连接连接和重建蛋白质-蛋白质相互作用。
“这不是单一的技术，”杰奥斯卡说。vwin德赢ac米兰合作“有多种技术正在克服真正阻碍将这种黑暗基因组转化为治疗方法的关键挑战。”
Jeziorska说，它允许研究人员识别影响功能和机制的正确变异，并测试变异对基因表达的影响。她说:“因为我们做的一切都是大规模的，这使我们能够开始确定疾病影响的途径。”
机器学习和计算基因组工具定义变异和细胞类型，然后生物信息学平台进行3D基因组分析。
戴维斯和休斯把3D基因组分析比作望远镜。研究人员可以选择天空中较低分辨率的恒星全景图，也可以专注于单一恒星的细微细节。
戴维斯说:“我们一直在试图了解基因是如何被打开和关闭的，方法是观察个体基因的巨大细节。”
“Nucleome背后的关键是我们来自基因调控的专业知识，我们结合了分子生物学、实验室实验，了解基因是如何调控的，以及计算和机器学习，”Jeziorska说。
她继续说:“这种方法使我们在将基因与基因变化联系起来方面更加精确和有信心。”“这使我们能够识别潜在的新的、安全的、更好的药物靶点，这些靶点由基因和相应的生物标志物指导。”
戴维斯对3D基因组绘制进行了深入研究，他指出，如果人类基因序列的单个碱基对直径为一毫米，每个细胞核将包含6000公里长的DNA，并将其压缩成直径约10米的球。
戴维斯说:“我们能看到的一些接触点相隔100万个碱基对，所以这将是一公里长的DNA。”“我们可以测量到最近的几毫米，我们能够提取这些序列，并计算出它们接触的是什么。”
在计算方面，休斯——新发表的研究的首席研究员——说他在牛津的实验室应用机器学习来理解嵌入在“黑暗”基因组中的功能，因为基因组包含了太多的数据。Nucleome和Oxford基本上是从零开始建立他们的生物信息学。
杰奥斯卡说:“将机器学习与基因组分析功能验证相结合，就像一个工具的概要，让我们能够解决这个特定的问题。”
论文中发表的原始细胞数据来自小鼠细胞系，不过戴维斯说，Nucleome和牛津大学的研究人员随后开始将他们的技术应用于原始人类细胞。他们正在根据最新的研究成果准备另一份手稿。
戴维斯说:“按照惯例，人们在做这类检测时，会剥掉细胞的细胞质膜。不过，这样做有剥离细胞膜和破坏细胞核结构的风险，所以研究人员采取了更温和的方法。
戴维斯解释说:“我们引入它只是为了在细胞膜上打出小孔。”“这让你可以在不破坏细胞核结构的情况下，把试剂放入分子生物学中。”
虽然研究人员仍然进行了“传统的”外显子组捕获的实验描述自然戴维斯说，利用他们的生物信息学，他们能够将阅读的深度从几千次增加到数十万次。
作者写道:“这些结果表明，通过单一的技术，可以识别控制特定启动子的增强子中调节蛋白结合的序列的精确位置。”
提高的分辨率使Oxford-Nucleome团队可以在启动子的2千碱基内定义以前无法检测到的与增强子的接触。这也使他们能够从彼此非常接近的监管部门之间的接触中分离信号。
他们补充说:“MCC分辨率的提高使我们能够查询以前难以用3C方法表征的基因密集位点。”“启动子被发现在基因密集区域共植;例如，Klf1基因座与附近至少15个其他启动子和增强子有联系。”
他们说，早期的3C方法缺乏识别3C数据集中相互作用峰值的“复杂建模算法”。
Jeziorska说，Nucleome代表了牛津大学多名科学家10年研究成果的翻译，尤其是戴维斯和休斯。
Nucleome最初主要关注自身免疫疾病，特别是淋巴细胞，目标是建立一个化合物的管道。
Jeziorska说:“我们正在利用这个平台优先考虑和发现新的和更安全的药物靶点”，可能会与制药公司合作。“但与此同时，我们将生成不同的数据管道，因此我们将把它构建为一个数据集，使我们能够探索基因组是如何通过消除现有靶点的风险来调节药物靶点发现的。”
在一个评论伴随正文自然，荷兰Erasmus大学医学中心的Anne van Schoonhoven和Ralph Stadhouders说，MCC代表着3D基因组图谱分辨率的“巨大飞跃”。
van Schoonhoven和Stadhouders写道:“(这种)方法还可以检测到DNA结合蛋白质的‘脚印’(蛋白质结合的DNA位点)，因为与蛋白质结合的DNA不被MNase消化。”
他们补充说:“虽然乍一看，MCC方法中的个别技术创新可能并不具有革命性，但当结合在一起时，它们提供了该领域期待已久的东西:一种精确检测哪些DNA碱基介导了远程基因组相互作用的方法。”虽然新方法可能无法促进基因组规模的分析，但评论人士说，未来可以改进它来实现这一点。