加州大学圣迭戈分校用机器学习解码人类基因“起始子”DNA序列特征

美国加州大学圣迭戈分校研究人员利用高通量DNA测序和机器学习技术，解析了人类基因中“起始子”的DNA序列特征。研究人员分析约50万个不同版本的“起始子”序列后训练AI模型，发现约60%的人类基因含有这一序列，并识别出一种与TATA序列相关的新型“起始子”。

“起始子”是基因核心启动子中的重要DNA序列，位于基因转录起始区域，参与启动基因表达。人体不同类型的细胞虽然拥有基本相同的DNA，但由于不同基因在不同细胞中被开启，最终形成具有不同结构和功能的细胞。基因表达受到DNA中特定序列的精细调控，这些序列决定基因何时、何地以及以多大程度被激活。基因表达调控出现异常可能导致细胞功能异常，并与包括癌症在内的多种疾病有关。

研究由加州大学圣迭戈分校分子生物学教授James T. Kadonaga团队开展，研究生Torrey Rhyne-Carrigg牵头。团队通过高通量DNA测序技术测定约50万个不同“起始子”序列版本的基因表达活性，随后利用这些实验数据训练机器学习模型，使AI能够从大量实验数据中识别与“起始子”相关的DNA碱基序列模式。研究人员再利用模型在人体基因组中搜索相应特征，结果显示约60%的人类基因含有“起始子”。

研究人员表示，这些AI模型首次能够对人类基因中是否存在“起始子”进行较强预测，并解析其DNA碱基序列特征。研究还分析了“起始子”与其他核心启动子元件之间的关系。团队认为，这些数据和模型未来可用于分析“起始子”相关DNA突变可能产生的影响，包括与疾病相关的突变，也可能用于设计具有特定功能的合成启动子。Kadonaga表示，每个人体细胞中包含约60亿个DNA碱基，此次建立的“起始子”AI模型只是基因表达调控信息中的一部分，研究团队希望未来进一步扩大模型范围。