人类增强子-基因调控相互作用百科全书

《Nature》：An encyclopedia of human enhancer–gene regulatory interactions

　　

识别转录增强子及其靶基因对于理解基因调控和人类遗传变异对疾病的影响至关重要。本研究通过整合预测模型、染色质状态、三维接触和ENCODE联盟产生的大规模遗传扰动，创建并评估了一个包含超过9200万个增强子-基因调控相互作用的资源，涵盖1458个生物样本（369种细胞类型和组织）。研究人员首先创建了一个系统基准测试流程来比较预测模型，组装了一个包含10,356个在CRISPR扰动实验中测量的元件-基因对的数据集，超过30,000个精细定位的表达数量性状位点（expression quantitative trait loci, eQTL）和569个与可能因果基因相关的精细定位全基因组关联研究（genome-wide association study, GWAS）变异。利用这一框架，研究人员开发了ENCODE-rE2G，一个在多个预测任务中达到最先进性能的预测模型，证明迭代扰动和监督机器学习可以构建越来越准确的增强子调控预测模型。使用ENCODE-rE2G，研究人员构建了人类基因组中增强子-基因调控相互作用的百科全书，揭示了增强子网络的全局特性，识别了基因间调控复杂性的差异，并改进了将非编码变异与常见复杂疾病的靶基因和细胞类型联系起来的分析。通过解释模型，研究人员发现除了增强子活性和三维增强子-启动子接触外，指导增强子-启动子通信的其他特征包括启动子类别和增强子-增强子协同作用。这些全基因组增强子-基因调控相互作用图谱、基准测试软件、预测模型和关于增强子功能的见解为未来基因调控和人类遗传学研究提供了宝贵资源。

非编码DNA元件（称为增强子）在控制细胞类型特异性基因调控和细胞程序中具有重要功能，可能包含大多数常见复杂疾病的因果变异。然而，准确识别在给定细胞类型中充当增强子的元件并将其与它们调控的邻近基因联系起来（即增强子-基因调控相互作用，enhancer–gene regulatory interactions，E–G regulatory interactions）仍然是一个公开挑战。尽管ENCODE项目进行了数千次实验产生候选顺式调控元件（candidate cis?regulatory elements）注释，但许多先前的工作缺少预测准确性信息，没有使用共同基准进行系统比较，且预测准确性存在已知限制。因此，需要更大规模的遗传扰动数据集和社区框架来评估、比较和改进预测模型。研究人员利用ENCODE项目最终阶段收集的数据（包括CRISPR扰动、高分辨率Hi-C和DNase I超敏性图谱），创建并评估了一个包含超过9200万个增强子-基因调控相互作用的资源，涵盖1458个生物样本（369种细胞类型和组织）。通过整合预测模型、染色质状态、三维接触和遗传扰动，开发了ENCODE-rE2G预测模型，并构建了人类基因组中增强子-基因调控相互作用的百科全书。该资源揭示了增强子网络的全局特性，改进了非编码变异与靶基因和细胞类型的联系分析，并发现了指导增强子-启动子通信的新分子特征。这项研究发表在《Nature》上。

研究人员为开展研究主要用到以下几个关键技术方法：1）系统基准测试流程，整合CRISPR扰动实验（CRISPRi?FlowFISH、Perturb?seq、TAP?seq）得到的10,356个元件-基因对、精细定位的eQTL和GWAS变异作为金标准；2）逻辑回归监督学习构建ENCODE?rE2G模型，整合DNase?seq染色质状态、平均Hi?C三维接触频率、ABC模型、启动子类别和增强子间相互作用等特征；3）应用模型到1458个ENCODE DNase?seq生物样本（来源包括ENCODE联盟，覆盖369种细胞类型和组织）生成全基因组图谱；4）组合CRISPRi扰动实验（成对干扰）研究增强子协同作用，并在K562细胞中进行CRISPRi?FlowFISH验证。

**调控相互作用百科全书**：研究人员提出了ENCODE增强子-基因调控相互作用资源，包括三个组成部分：(1)新预测模型集合ENCODE?rE2G；(2)新基准测试框架；(3)人类基因组中增强子-基因调控相互作用百科全书。应用ENCODE?rE2G到1458个DNase?seq实验，识别了92,176,227个调控相互作用，每个生物样本平均40,210个独特调控元件和63,221个元件-基因调控相互作用。

**模型概述**：研究人员构建了两个逻辑回归分类器。ENCODE?rE2G使用8个来自DNase?seq和平均Hi?C的特征（包括染色质状态、3D接触频率、ABC模型、基因组位置、启动子类别和附近增强子信息）；ENCODE?rE2G^Extended使用45个特征，包括组蛋白ChIP?seq、细胞类型特异性Hi?C和ChIA?PET。通过聚合10,356个CRISPR测试的元件-基因对（471个阳性）进行训练，使用留一染色体交叉验证（hold?one?chromosome?out cross?validation）。

**系统基准测试ENCODE?rE2G**：研究人员开发了系统基准测试流程，使用CRISPR验证的增强子-基因对、精细定位的eQTL和精细定位的GWAS变异三个互补数据集。在K562 CRIPSR数据上，ENCODE?rE2G的AUPRC为0.66，优于ABC_{A=DNase, C=Average ENCODE Hi?C}（0.56，P_bootstrap=0.0001）；在独立CRISPR数据集（K562、GM12878、HCT116、WTC11、Jurkat）上，ENCODE?rE2G也显著高于其他模型（加权AUPRC，P_bootstrap=0.0003）。在eQTL基准测试中，ENCODE?rE2G在GM12878中达到25倍富集（15%召回率）；在GWAS基准测试中，对于血液相关性状在血液生物样本中实现10.6倍富集，并以68%精确度识别靶基因。

**增强子调控的全基因组图谱**：应用ENCODE?rE2G到1,458个生物样本，大多数调控相互作用发生在较短距离内（74.6%<100 kb）。每个基因平均有5.91个预测增强子（中位数=3），每个增强子调控1.57个基因（中位数=1）。许多调控相互作用高度细胞类型特异性。具有许多增强子的基因富集于细胞类型特异性过程（如血管生成、神经发生），而具有较少增强子的基因富集于管家过程（如rRNA加工、mRNA剪接）。

**将变异与基因和细胞类型联系起来**：研究人员将ENCODE?rE2G与多基因优先化分数（polygenic priority score, PoPS）结合，在94个UK Biobank性状的13,012个非编码可信集（credible sets）中预测了2,173个靶基因，精确度达79%（高于单独ENCODE?rE2G或PoPS的1.4倍和2.3倍）。变异在预期组织的ENCODE?rE2G增强子中显著富集，例如平均红细胞血红蛋白（mean corpuscular haemoglobin, MCH）相关变体rs875741在造血祖细胞增强子中富集16.3倍，且ENCODE?rE2G将该变体与CPEB4基因在造血祖细胞中相连，而非其他血细胞类型。

**指导调控的分子特征**：研究人员分析了特征重要性，发现最信息量的特征组是3D接触和距离，以及增强子活性；最信息量的单个特征是ABC分数。在523种ENCODE染色质实验中，DNase?seq是表现最佳的增强子活性测定；细胞类型特异性ENCODE Hi?C是评估3D增强子-启动子接触频率的最佳方法（精确度为53.3%，高于平均Hi?C的48%或距离倒数的44.3%）。启动子类别和增强子-增强子相互作用也显著贡献于模型性能。添加细胞类型特异性H3K27ac和/或Hi?C数据进一步提高了模型性能。

**增强子的超可加功能**：研究人员发现了增强子超可加效应的多条证据。在20个CRISPRi tiling实验中，10个基因的单个增强子效应大小之和大于100%，表明至少部分增强子对存在超可加效应。组合CRISPRi扰动MYC基因的7个增强子（e1–e7）的21对组合中，19对显示显著的超可加交互效应（Benjamini–Hochberg校正P<0.05），更强的交互效应出现在基因组距离更近（3–89 kb）、3D接触频率更高的增强子对之间。此外，增强子扰动降低了附近其他增强子的H3K27ac信号，且效应随增强子-增强子距离增加而减小（1–10 kb对比>100 kb，P=1.79×10^?9）。

**讨论**：研究人员展示了ENCODE增强子-基因调控相互作用百科全书，包括新模型、基准测试数据集和全基因组图谱。识别增强子和靶基因是基因组学的长期挑战。这项研究通过收集和标记高质量遗传扰动数据、建立基准测试流程以及开发可应用于人类细胞类型的预测模型，提供了构建、基准测试和应用这些图谱的丰富资源。该策略可能更普遍地适用于学习基因调控规则。持续构建人类基因调控图谱将为理解健康和疾病生物学、编程基因表达和解释遗传变异功能提供基础。**研究结论**：总之，这项研究开发了一种映射人类基因组中增强子-基因调控相互作用的新方法，并提供了构建、基准测试和应用这些图谱的丰富资源。研究人员的策略包括收集和标记高质量遗传扰动数据，在协作框架中建立基准测试流程，以及开发可应用于人类细胞类型的预测模型。该策略可能更普遍地适用于学习超越增强子-基因调控相互作用的基因调控规则，包括识别转录因子的靶基因、绘制变异对染色质状态的影响等。持续努力构建这样的人类基因调控图谱将为理解健康和疾病的生物学、编程基因表达以及解释遗传变异的功能提供基础。