[Nature Methods]四篇好文简读-专题1

智能生信

发布于 2021-11-02 17:16:07

5490

发布于 2021-11-02 17:16:07

文章被收录于专栏：智能生信智能生信

一

论文题目：

SnapHiC: a computational pipeline to identify chromatin loops from single-cell Hi-C data 论文摘要：

单细胞Hi-C分析被越来越多地用于刻画不同组织环境中染色质结构，但在高分辨率scHi-C数据中，用于确定染色质环的计算工具仍然匮乏。这篇文章作者提出了用于Hi-C的单核分析流程SnapHic，能够从scHi-C数据中以高的分辨率和准确率识别染色质环。利用小鼠胚胎干细胞scHi-C数据，作者将SnapHiC与大量用于绘制染色质环和相互作用而开发的计算工具进行了对比。作者通过分析来自2869个人类前额叶皮质细胞的单核甲基-3C-seq数据揭示出了细胞类型特异的染色质环，并预测了与神经精神疾病相关的非编码序列变异的putative靶基因，这进一步证明了SnapHiC的效果。所有结果表明SnapHiC能够增强细胞类型特异的染色质结构和复杂组织中的基因调控过程的分析。

论文链接：

https://www.nature.com/articles/s41592-021-01231-2.pdf

二

论文题目：

DAXX represents a new type of protein-folding enabler 论文摘要：

蛋白质质量控制系统对细胞功能和机体健康至关重要。目前，大多数已知的蛋白质质量控制系统是多组分机制，通过ATP调节与非天然蛋白质的相互作用来防止聚集和促进折叠1，很少有系统能够通过不同机制广泛实现蛋白质折叠。此外，含有广泛带电的聚Asp/Glu（polyD/E）区域的蛋白质在真核蛋白质组中很常见，但其生化活性尚不明确。在这里，我们表明DAXX是一种参与多种细胞过程的多聚D/E蛋白3、4、5、6、7、8、9、10，具有多种蛋白质折叠活性。DAXX防止聚集，溶解预先存在的聚集，并展开模型底物和神经退行性变相关蛋白的错误折叠物种。值得注意的是，DAXX有效地防止和逆转其体内验证的客户蛋白、肿瘤抑制因子p53及其主要拮抗剂MDM2的聚集。DAXX还可以恢复肿瘤相关、易聚集的p53突变体的天然构象和功能，降低其致癌特性。这些DAXX活动与ATP无关，而是依赖于polyD/E区域。其他polyD/E蛋白，包括ANP32A和SET，也可以作为独立的、不依赖ATP的分子伴侣、解聚酶和去折叠酶发挥作用。因此，polyD/E蛋白可能构成一个通过独特机制运作的多功能蛋白质质量控制系统。

论文链接：

https://www.nature.com/articles/s41586-021-03824-5

三

论文题目：

Joint single-cell measurements of nuclear proteins and RNA in vivo 论文摘要：

识别组织中核蛋白的基因调控位点是个有挑战性的任务。这篇文章作者描述了一种核内的CITE-seq（简称inCITE-seq），这种方法可以并行地度量数千个核内的多重蛋白质水平和转录组，使联合分析体内TF水平和基因表达成为可能。作者使用inCITE-seq来描述小鼠大脑中药理学诱导后神经元活动的细胞状态相关的变化。作者将基因表达建模成定量蛋白质水平的线性组合，这揭示了每个TF的全基因关联并发现了已知的基因位点。不同模块中的TF基因共表达反映了正或负的TF水平，这表明inCITE-seq可以解耦TFs对基因表达的relative putative contributions并增加了推断基因网络的可解释性。inCITE-seq可以阐明核蛋白间的组合如何在自然的组织环境中形成基因表达，并且可以直接应用到固态或者冷冻组织和临床标本。

论文链接：

https://www.nature.com/articles/s41592-021-01278-1.pdf

四

论文题目：

Effective gene expression prediction from sequence by integrating long-range interactions 论文摘要：

在不同细胞类型中，非编码DNA如何决定基因表达是一个尚未解决的重大问题，并且人类遗传学中的关键下游应用依赖于这个问题改进的解决方案。这篇文章中作者提出了一个深度学习模型Enformer，该模型能够集成基因组中的长范围交互信息，利用DNA序列大大提高了基因表达预测的准确率。大规模并行实验分析表明这一改进在自然遗传变异和饱和突变的基因表达中产生了更准确的变异效应预测。此外和其他方法相比，Enformer可以直接将DNA序列实验数据作为输入学习预测增强子-启动子交互。作者期望这些进展可以使更有效的人类疾病关联的fine-mapping成为可能，并提供一个可解释的cis-regulatory进化框架。