1. На главную
  2. Электронные версии
  3. Доклады Российской академии наук. Науки о жизни
  4. T. 510, № 1, 2023

Доклады Российской академии наук. Науки о жизни, 2023, T. 510, № 1, стр. 316-321

ВЫЯВЛЕНИЕ ЗНАЧИМЫХ РНК-СВЯЗЫВАЮЩИХ БЕЛКОВ В ПРОЦЕССЕ СПЛАЙСИНГА CD44 С ПОМОЩЬЮ АЛГОРИТМА УСИЛЕННОЙ БЕТА-РЕГРЕССИИ

В. О. Новосад 1, 2, *

1 Факультет биологии и биотехнологии, Национальный исследовательский университет “Высшая школа экономики“
Москва, Россия

2 Федеральное государственное бюджетное учреждение науки Институт биоорганической химии им. академиков М.М. Шемякина и Ю.А. Овчинникова Российской академии наук
Москва, Россия

* E-mail: vnovosad@hse.ru

Поступила в редакцию 15.12.2022
После доработки 01.02.2023
Принята к публикации 02.02.2023

Аннотация

Экспрессия РНК-связывающих белков и их взаимодействие со сплайсируемой пре-мРНК являются ключевым фактором в определении итогового профиля изоформ. Трансмембранный белок CD44 участвует в дифференцировании, инвазии, подвижности, росте и выживании опухолевых клеток, а также является общепринятым маркером раковых стволовых клеток и эпителиально-мезенхимального перехода. При этом функции изоформ этого белка значительно различаются. В настоящей работе разработан основанный на алгоритме усиленной бета-регрессии метод определения значимых в процессе сплайсинга РНК-связывающих белков с помощью моделирования соотношения изоформ. Применение данного метода к анализу сплайсинга CD44 в клетках колоректального рака выявило 20 значимых РНК-связывающих белков. Многие из них ранее были показаны как регуляторы ЭМП, однако впервые представлены как потенциальные факторы сплайсинга CD44.

Ключевые слова: альтернативный сплайсинг, CD44, КРР, усиленная бета-регрессия, РНК-связывающие белки, РНК секвенирование, TCGA

Список литературы

  1. Pan Q., Shai O., Lee L.J., Frey B.J., Blencowe B.J., Deep surveying of alternative splicing complexity in the human transcriptome by high-throughput sequencing // Nat. Genet. 2008. V. 40. P. 1413–1415.

  2. Wang Z., Burge C.B., Splicing regulation: From a parts list of regulatory elements to an integrated splicing code, // RNA. 2008. V. 14. P. 802–813.

  3. Wang Z., Xiao X., Van Nostrand E., Burge C.B., General and Specific Functions of Exonic Splicing Silencers in Splicing Control // Mol. Cell. 2006. V. 23. P. 61–70.

  4. Xiong H.Y., Barash Y., Frey B.J., Bayesian prediction of tissue-regulated splicing using RNA sequence and cellular context // Bioinformatics. 2011. V. 27. P. 2554–2562.

  5. Hartmann B., Valcárcel J., Decrypting the genome’s alternative messages // Curr. Opin. Cell Biol. 2009. V. 21. P. 377–386.

  6. Xiong H.Y., Alipanahi B., Lee L.J., Bretschneider H., Merico D., Yuen R.K.C., Hua Y., Gueroussov S., Najafabadi H.S., Hughes T.R., Morris Q., Barash Y., Krainer A.R., Jojic N., Scherer S.W., Blencowe B.J., Frey B.J., The human splicing code reveals new insights into the genetic determinants of disease // Science. 2015. № 80. P. 347.

  7. Barash Y., Calarco J.A., Gao W., Pan Q., Wang X., Shai O., Blencowe B.J., Frey B.J., Deciphering the splicing code // Nature. 2010. V. 465. P. 53–59.

  8. Cereda M., Pozzoli U., Rot G., Juvan P., Schweitzer A., Clark T., Ule J., RNAmotifs: prediction of multivalent RNA motifs that control alternative splicing, // Genome Biol. 2014. V. 15. P. R20.

  9. Leung M.K.K., Xiong H.Y., Lee L.J., Frey B.J., Deep learning of the tissue-regulated splicing code, // Bioinformatics. 2014. V. 3. P. i121–i129.

  10. Xu H., Niu M., Yuan X., Wu K., Liu A., CD44 as a tumor biomarker and therapeutic target., // Exp. Hematol. Oncol. 2020. V. 9. P. 36.

  11. Robinson M.D., McCarthy D.J., Smyth G.K., edgeR: a Bioconductor package for differential expression analysis of digital gene expression data., // Bioinformatics. 2010. V. 26. P. 139–40.

  12. Giudice G., Sánchez-Cabo F., Torroja C., Lara-Pezzi E., ATtRACT–a database of RNA-binding proteins and associated motifs, Database. 2016 (2016) baw035.

  13. Giulietti M., Piva F., D’Antonio M., D’Onorio De Meo P., Paoletti D., Castrignanò T., D’Erchia A.M., Picardi E., Zambelli F., Principato G., Pavesi G., Pesole G., SpliceAid-F: a database of human splicing factors and their RNA-binding sites, // Nucleic Acids Res. 2013. V. 41. P. D125–D131.

  14. Novosad V.O., Polikanova I.S., Tonevitsky E.A., Mal’tseva D.V., Expression of CD44 isoforms in human colorectal cancer patient samples and cell lines, // Cell Technol. Biol. Med. 2022. V. 1. P. 49–54.

  15. Bühlmann P., Hothorn T., Boosting Algorithms: Regularization, Prediction and Model Fitting, Stat. Sci. 2007. V. 22.

  16. Hofner B., Mayr A., Schmid M., gamboostLSS : An R Package for Model Building and Variable Selection in the GAMLSS Framework, J. Stat. Softw. 2016. V. 74.

  17. Kim E.J., Kim J.S., Lee S., Lee H., Yoon J., Hong J.H., Chun S.H., Sun D.S., Won H.S., Hong S.A., Kang K., Jo J.Y., Choi M., Shin D.H., Ahn Y., Ko Y.H., QKI, a miR-200 target gene, suppresses epithelial-to-mesenchymal transition and tumor growth, // Int. J. Cancer. 2019. V. 145. P. 1585–1595.

  18. Liang R., Zhang J., Liu Z., Liu Z., Li Q., Luo X., Li Y., Ye J., Lin Y., Mechanism and Molecular Network of RBM8A-Mediated Regulation of Oxaliplatin Resistance in Hepatocellular Carcinoma, // Front. Oncol. 2021. V. 10.

  19. Harvey S.E., Xu Y., Lin X., Gao X.D., Qiu Y., Ahn J., Xiao X., Cheng C., Coregulation of alternative splicing by hnRNPM and ESRP1 during EMT, // RNA. 2018. V. 24. P. 1326–1338.

  20. Xie C., Zhou M., Lin J., Wu Z., Ding S., Luo J., Zhan Z., Cai Y., Xue S., Song Y., EEF1D Promotes Glioma Proliferation, Migration, and Invasion through EMT and PI3K/Akt Pathway, // Biomed Res. Int. 2020 (2020) 1–12.

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Доклады Российской академии наук. Науки о жизни

Архивы выпусков Информация о журнале Отправить рукопись в журнал