Reconstructing the maize leaf regulatory network using ChIP-seq data of 104 transcription factors.
Reconstructing the maize leaf regulatory network using ChIP-seq data of 104 transcription factors.
复制标题
使用 104 个转录因子的 ChIP-seq 数据重建玉米叶片调控网络
DOI：
10.1038/s41467-020-18832-8
复制
发表时间：
2020-10-09
影响因子：
16.6
通讯作者：
Zhong S
中科院分区：
文献类型：
--
作者：
Tu X;Mejía-Guerra MK;Valdes Franco JA;Tzeng D;Chu PY;Shen W;Wei Y;Dai X;Li P;Buckler ES;Zhong S
真核细胞内的转录调控网络由转录因子 (TF) 的组合作用定义。然而，植物中的转录因子结合研究数量太少，无法全面了解这一复杂网络。在本研究中，我们使用大规模 ChIP-seq 在玉米叶中重建它，并训练机器学习模型来预测 TF 结合和共定位。由此产生的网络覆盖了 77% 的表达基因，并显示出像真实世界网络一样的无标度拓扑和功能模块化。 TF 结合序列偏好在家族内是保守的，而共结合可能是其结合特异性的关键。跨物种比较表明，处于信息传输顶部的核心网络节点比位于底部的核心网络节点更加保守。这项研究揭示了植物转录调控网络的复杂性和冗余性，并揭示了其结构、组织原理和进化轨迹。转录因子 (TF) 以组合方式结合，以指定复杂且冗余的调控网络中基因的开关状态。在这里，作者使用 104 个 TF ChIP-seq 数据构建了玉米叶中的转录调控网络，并训练机器学习模型来预测 TF 结合和共定位。
The transcription regulatory network inside a eukaryotic cell is defined by the combinatorial actions of transcription factors (TFs). However, TF binding studies in plants are too few in number to produce a general picture of this complex network. In this study, we use large-scale ChIP-seq to reconstruct it in the maize leaf, and train machine-learning models to predict TF binding and co-localization. The resulting network covers 77% of the expressed genes, and shows a scale-free topology and functional modularity like a real-world network. TF binding sequence preferences are conserved within family, while co-binding could be key for their binding specificity. Cross-species comparison shows that core network nodes at the top of the transmission of information being more conserved than those at the bottom. This study reveals the complex and redundant nature of the plant transcription regulatory network, and sheds light on its architecture, organizing principle and evolutionary trajectory. Transcriptional factors (TFs) bind in a combinatorial fashion to specify the on-and-off states of genes in a complex and redundant regulatory network. Here, the authors construct the transcription regulatory network in maize leaf using 104 TFs ChIP-seq data and train machine learning models to predict TF binding and colocalization.
登录
查看更多内容
影响因子：
64.5
作者：
Neph S;Stergachis AB;Reynolds A;Sandstrom R;Borenstein E;Stamatoyannopoulos JA
通讯作者：
Stamatoyannopoulos JA
影响因子：
64.8
作者：
Doebley, J;Stec, A;Hubbard, L
通讯作者：
Hubbard, L
影响因子：
7.4
作者：
Alter, Philipp;Bircheneder, Susanne;Dresselhaus, Thomas
通讯作者：
Dresselhaus, Thomas
由局部 A/B 区室确定的大型植物基因组的 3D 染色质结构。
影响因子：
27.5
作者：
Dong, Pengfei;Tu, Xiaoyu;Zhong, Silin
通讯作者：
Zhong, Silin
影响因子：
56.9
作者：
Buckler, Edward S.;Holland, James B.;McMullen, Michael D.
通讯作者：
McMullen, Michael D.