基于主动学习的无细胞系统优化技术用于全基因组转录组分析，揭示了逐步递进的调控层次结构

《Nature Communications》：Active-learning-guided optimization of cell-free systems for genome-wide transcriptomic profiling reveals progressive layers of regulation

　　

摘要

由于活细胞中分子相互作用的复杂性，理解基因组调控面临诸多挑战。无细胞系统为研究基因表达提供了简化的平台，但由于mRNA水平较低，难以进行RNA测序。为解决这一问题，我们开发了一种主动学习工作流程，结合贝叶斯优化与自动化高通量实验，系统地筛选了160多万种缓冲液配方，并对其中的653种进行了实验测试。我们找到了一种“mRNA优化型”缓冲液，其可使mRNA产量提高20倍；还有一种“折中型”缓冲液，在保持蛋白质产量的同时可使mRNA产量提高13倍。通过直接RNA测序，我们分析了无细胞系统中的T7噬菌体转录组，并将其与纯化的T7-RNAP转录系统以及被噬菌体感染的细菌中的转录组进行了比较。这项对比分析揭示了不同的调控层次：T7-RNAP系统能够识别启动子强度的差异，但缺乏RNA降解功能；而无细胞系统则能准确反映体内的基因表达情况，并能识别出mRNA成熟的位置。这项工作证明了无细胞转录组学是一种用于研究基因组调控的可靠方法。