A generative model for the behavior of RNA polymerase.
A generative model for the behavior of RNA polymerase.
复制标题
DOI：
10.1093/bioinformatics/btw599
复制
发表时间：
2017-01-15
期刊：
影响因子：
--
通讯作者：
Dowell RD
中科院分区：
文献类型：
--
作者：
Azofeifa JG;Dowell RD
RNA聚合酶的转录是一个高度动态的过程，涉及多个不同的调节点。新生转录分析是一套相对较新的高通量技术，可以在全基因组范围内测量活跃参与的RNA聚合酶的位置。因此，新生转录是调控RNA聚合酶活性的丰富信息来源。为了充分分析这些数据，需要开发随机模型，既能解卷聚合酶活性的各个阶段，又能在实验之间识别活性的显著变化。我们提出了一个生成性的，概率的RNA聚合酶模型，该模型完全描述了加载、起始、延伸和终止。我们对这个模型的基因组进行了广泛的拟合，并描述了RNA聚合酶在不同基因座上的酶活性以及在实验扰动下的活性。我们观察到预测的负荷事件和调节染色质标记之间存在显著的相关性。我们提供了原则性的统计数据，这些统计数据计算的概率让人联想到旅行者的比率和分歧比率。最后，我们对启动子和非启动子相关位点的RNA聚合酶活性进行了系统的比较。Transcription Fit(Tfit)是一个免费提供的、用C/C ++ 编写的开源软件包，需要GNU编译器4.7.3或更高版本。TFIT可从GitHub(https://github.com/azofeifa/Tfit).)获得补充数据可在生物信息学在线上获得。
Transcription by RNA polymerase is a highly dynamic process involving multiple distinct points of regulation. Nascent transcription assays are a relatively new set of high throughput techniques that measure the location of actively engaged RNA polymerase genome wide. Hence, nascent transcription is a rich source of information on the regulation of RNA polymerase activity. To fully dissect this data requires the development of stochastic models that can both deconvolve the stages of polymerase activity and identify significant changes in activity between experiments. We present a generative, probabilistic model of RNA polymerase that fully describes loading, initiation, elongation and termination. We fit this model genome wide and profile the enzymatic activity of RNA polymerase across various loci and following experimental perturbation. We observe striking correlation of predicted loading events and regulatory chromatin marks. We provide principled statistics that compute probabilities reminiscent of traveler’s and divergent ratios. We finish with a systematic comparison of RNA Polymerase activity at promoter versus non-promoter associated loci. Transcription Fit (Tfit) is a freely available, open source software package written in C/C ++ that requires GNU compilers 4.7.3 or greater. Tfit is available from GitHub (https://github.com/azofeifa/Tfit). Supplementary data are available at Bioinformatics online.
登录
查看更多内容
影响因子：
64.8
作者：
通讯作者：
--
影响因子：
14.9
作者：
Khan A;Zhang X
通讯作者：
Zhang X
影响因子：
48
作者：
Danko CG;Hyland SL;Core LJ;Martins AL;Waters CT;Lee HW;Cheung VG;Kraus WL;Lis JT;Siepel A
通讯作者：
Siepel A
影响因子：
3.7
作者：
Le TP;Sun M;Luo X;Kraus WL;Greene GL
通讯作者：
Greene GL
DOI：
10.1109/tcbb.2016.2520919
发表时间：
2017-09-01
影响因子：
4.5
作者：
Azofeifa, Joseph G.;Allen, Mary A.;Dowell, Robin D.
通讯作者：
Dowell, Robin D.