Transcription Factor/DNA Interaction 02-715 Advanced Topics in - PowerPoint PPT Presentation

Transcription Factor/DNA Interaction 02-­‑715 ¡Advanced ¡Topics ¡in ¡Computa8onal ¡ Genomics ¡

Protein Binding Microarray (PBM) • High-­‑throughput ¡characteriza8on ¡of ¡DNA ¡binding ¡sites ¡of ¡ transcrip8on ¡factor ¡(TF) ¡ – DNA ¡probe ¡sets ¡ • Each ¡probe ¡is ¡36-­‑mer ¡ • Designed ¡to ¡contain ¡all ¡possible ¡con8nuous ¡10-­‑mers ¡and ¡many ¡of ¡the ¡ gapped ¡10-­‑mers ¡as ¡subsequences ¡ • 1,048,576 ¡10-­‑mers ¡in ¡approximately ¡44,000 ¡spots ¡ – Incubate ¡the ¡probes ¡with ¡TF ¡proteins ¡ – Stained ¡with ¡fluorophore-­‑conjugated ¡an8-­‑GST ¡an8body ¡ – Measure ¡the ¡array ¡signal ¡intensi8es ¡

Protein Binding Microarray (PBM) • High-­‑throughput ¡ characteriza8on ¡of ¡DNA ¡ binding ¡sites ¡of ¡transcrip8on ¡ factor ¡(TF) ¡ • In ¡vitro ¡binding ¡in ¡nucleosome ¡ free ¡environment ¡ • Direct ¡binding ¡ • Comprehensively ¡determine ¡ TF ¡binding ¡specifici8es ¡ – All ¡possible ¡binding ¡sequences ¡

Analysis of PBM Data • Enrichment ¡score ¡(E-­‑score) ¡ – The ¡rela8ve ¡sequence ¡preference ¡for ¡each ¡of ¡more ¡than ¡2.3 ¡million ¡ gapped ¡and ¡ungapped ¡8-­‑mers ¡spanning ¡the ¡full ¡affinity ¡range ¡from ¡the ¡ highest ¡affinity ¡to ¡nonspecific ¡sequence ¡ – Ranges ¡between ¡-­‑0.5 ¡and ¡0.5 ¡ – A ¡large ¡number ¡of ¡high-­‑scored ¡candidate ¡k-­‑mers ¡ • In ¡mouse ¡data ¡with ¡114 ¡TFs, ¡the ¡average ¡number ¡of ¡k-­‑mers ¡with ¡E-­‑ scores ¡above ¡0.35 ¡is ¡13,000 ¡

Enrichment of k-mers in PBM Data • Hierarchical ¡clustering ¡of ¡PBM ¡data ¡over ¡ungapped ¡8-­‑mer ¡E-­‑ scores ¡for ¡89 ¡yeast ¡TFs ¡

Analysis of PBM Data • Construc8ng ¡posi8on-­‑specific ¡scoring ¡matrix ¡(PSSM) ¡with ¡ Seed-­‑and-­‑Wobble ¡algorithm ¡ – Iden8fies ¡the ¡single ¡8-­‑mer ¡(ungapped ¡or ¡gapped) ¡with ¡the ¡greatest ¡ PBM ¡enrichment ¡score ¡(E ¡score) ¡ – Test ¡the ¡rela8ve ¡preference ¡of ¡each ¡nucleo8de ¡variant ¡at ¡each ¡ posi8on, ¡both ¡within ¡and ¡outside ¡the ¡seed ¡ – Convert ¡it ¡to ¡logo ¡representa8on ¡

Analysis of PBM Data • Construc8ng ¡PSSM ¡ (Berger ¡et ¡al., ¡Nature ¡Biotechnology, ¡2006) ¡

ChIP-Seq • Measure ¡genome-­‑wide ¡profiles ¡of ¡immunoprecipitated ¡DNA-­‑ protein ¡complexes ¡ • TF ¡binding ¡sites ¡of ¡DNA ¡in ¡vivo ¡ • Direct ¡and ¡indirect ¡binding ¡

PBM vs. ChIP-Seq • Two ¡methods ¡are ¡complementary ¡ • PBM ¡and ¡ChIP-­‑Seq ¡for ¡40 ¡TFs ¡ (Zhu ¡et ¡al., ¡Genome ¡Research, ¡2009) ¡

PBM vs. ChIP-Seq • Yeast ¡TF ¡binding ¡affini8es ¡

Modeling Transcription Factor-DNA Affinities • PSSM ¡approach ¡ – Construct ¡PSSM ¡from ¡training ¡data ¡and ¡score ¡the ¡test ¡DNA ¡sequence ¡ with ¡the ¡PSSM ¡ • E-­‑score ¡approach ¡ – Compute ¡E-­‑scores ¡of ¡a ¡test ¡sequence ¡for ¡all ¡possible ¡8-­‑mers ¡ – Highest ¡scoring ¡8-­‑mers ¡cons8tute ¡the ¡binding ¡profile ¡of ¡the ¡sequence ¡ – Uses ¡richer ¡informa8on ¡than ¡PSSM ¡but ¡can ¡involve ¡thousands ¡of ¡high-­‑ scoring ¡8-­‑mers ¡ • Support ¡vector ¡regression ¡approach ¡ (Agius ¡et ¡al., ¡PLoS ¡Comp ¡Bio, ¡2010) ¡ – Directly ¡construct ¡a ¡discrimina8ve ¡model ¡from ¡data ¡

SVR Approach

SVR Model • Predictors: ¡k-­‑mers ¡in ¡PBM ¡ • Response: ¡binding ¡affini8es ¡measured ¡in ¡PBM ¡experiments ¡ • Di-­‑mismatch ¡string ¡kernel ¡in ¡SVR ¡for ¡a ¡similarity-­‑measure ¡ between ¡two ¡sequences ¡ – (k,m) ¡mismatch ¡kernel: ¡allowing ¡up ¡to ¡m ¡mismatches ¡in ¡each ¡k-­‑mer ¡ match ¡(m<<k) ¡

Di-mismatch String Kernels • { ϕ i } i=1…n : a set of unique k-mers that occur in the PBM probe sequences • { s j = s ( j,j+k-1 )} j=1…N-k+1 : For a training sequence s of length N , the subset of substrings of length k in s • ( ρ ¡( s, ϕ 1 ),…, ¡ ρ ( s, ϕ n )): ¡feature ¡vector ¡for ¡sequence ¡ s ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡where ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡: ¡di-­‑mismatch ¡score ¡between ¡two ¡k-­‑mers, ¡set ¡ to ¡zero ¡if ¡the ¡count ¡is ¡below ¡ k-­‑m-­‑1 ¡

Di-mismatch String Kernels • The ¡di-­‑mismatch ¡score ¡favors ¡consecu8ve ¡mismatches ¡ – 6 ¡mismatches ¡ – 5 ¡mismatches ¡

Di-mismatch String Kernels • Selec8ng ¡ k, ¡m ¡ in ¡( k,m ) ¡mismatch ¡kernel ¡ – Cross ¡valida8on ¡for ¡ • k =8,…, ¡13 ¡ ¡ • m =1,…,6 ¡ – Use ¡( k,m ) ¡= ¡(13,5) ¡in ¡all ¡of ¡the ¡experiments ¡

Selecting Samples for Training Data • Out ¡of ¡44k ¡probes, ¡only ¡a ¡few ¡hundred ¡probes ¡indicate ¡TF ¡ binding ¡ – Using ¡all ¡of ¡the ¡probes ¡will ¡lead ¡to ¡a ¡model ¡that ¡predicts ¡the ¡prevalent ¡ low-­‑level ¡binding ¡probes ¡ • Posi8ve ¡probes: ¡ ¡ – Top ¡500 ¡probes ¡ – Probes ¡with ¡normalized ¡binding ¡affini8es ¡(Z-­‑score) ¡> ¡3.5 ¡ • Nega8ve ¡probes: ¡ – Selected ¡from ¡the ¡low ¡end ¡of ¡the ¡distribu8on ¡of ¡binding ¡affini8es ¡

Selecting Features for Training Data • Select feature set { ϕ i } i=1…n – k-mers overrepresented in either positive or negative probe class – Evaluate each k-mer with median di-mismatch scores in each of the positive and negative class – Top 4000 k-mers were selected ¡

Experiments • PBM ¡for ¡ in ¡vitro ¡ and ¡ChIP-­‑Seq ¡for ¡ in ¡vivo ¡ binding ¡ • Study ¡designs ¡ – Train ¡on ¡PBM ¡data ¡and ¡test ¡on ¡PBM ¡data ¡ – Train ¡on ¡PBM ¡data ¡and ¡test ¡on ¡ChIP-­‑Seq ¡data ¡ – Train ¡on ¡ChIP-­‑Seq ¡data ¡and ¡test ¡on ¡ChIP-­‑Seq ¡data ¡

Training with PBM Data and Predicting PBM Data • For ¡each ¡TF, ¡count ¡how ¡many ¡of ¡the ¡top ¡100 ¡predicted ¡probes ¡ are ¡in ¡the ¡top ¡100 ¡highest ¡intensity ¡probes ¡in ¡the ¡test ¡data ¡

In Vivo Prediction with PBM-Trained Methods • Yeast ¡TF ¡Ume6 ¡along ¡the ¡intergenic ¡region ¡iTFL022C ¡and ¡Yeast ¡ TF ¡Gal4 ¡along ¡intergenic ¡region ¡iYFR026C ¡

In Vivo Prediction with PBM-Trained Methods • SVR ¡vs ¡E-­‑score-­‑based ¡occupancy ¡predic8on ¡of ¡yeast ¡ in ¡vivo ¡ binding ¡preferences ¡for ¡top ¡200 ¡intergenic ¡regions ¡by ¡the ¡top ¡ 200 ¡predic8ons ¡

ChIP-Seq Data • Extrac8ng ¡training/test ¡data ¡from ¡measurements ¡of ¡ChIP-­‑Seq ¡ experiments ¡ – Posi8ve ¡regions: ¡60bp ¡centered ¡at ¡1000 ¡ChIP-­‑seq ¡peak ¡regions ¡ ¡ – Nega8ve ¡regions: ¡60bp ¡regions ¡300bp ¡away ¡from ¡the ¡peaks, ¡1000 ¡such ¡ regions ¡at ¡the ¡flanking ¡regions ¡of ¡peaks ¡

Predicting In Vivo TF Occupancy • Predic8ng ¡mouse ¡and ¡human ¡ChIP-­‑Seq ¡data ¡

Detecting DNA-Protein Interaction • Posi8on ¡specific ¡scoring ¡matrix ¡(PSSM) ¡ – Assumes ¡the ¡nucleo8de ¡at ¡each ¡posi8on ¡is ¡independent ¡of ¡other ¡ nucleo8des ¡ • New ¡feature-­‑based ¡approach ¡ – Models ¡dependencies ¡among ¡mul8ple ¡nucleo8des ¡in ¡the ¡TF ¡binding ¡ mo8fs ¡ – Feature ¡mo8f ¡models ¡(FMMs) ¡

PSSM

FMM

FMM • Training ¡data: ¡a ¡set ¡of ¡aligned ¡DNA ¡sequences ¡that ¡a ¡TF ¡binds ¡ to ¡ • Model: ¡log-­‑linear ¡model ¡for ¡feature ¡mo8f ¡model ¡ – Z ¡is ¡the ¡par88on ¡func8on ¡ – f k ( x k ): ¡features ¡derived ¡from ¡data ¡ – θ k : ¡unknown ¡feature ¡weights ¡