Übersicht

Unter Motiverkennung versteht man die rechnerische Identifizierung kurzer, wiederkehrender Sequenzmuster in DNA-, RNA- oder Proteinsequenzen, die funktionellen Elementen wie Transkriptionsfaktor-Bindungsstellen, Spleißstellen, RNA-bindenden Proteinerkennungsstellen oder Proteininteraktionsdomänen entsprechen. Im Gegensatz zur globalen Ausrichtung konzentriert sich die Motiverkennung auf kleine Fenster – typischerweise 6–20 Nukleotide oder 3–15 Aminosäuren –, in denen die Positionskonservierung hoch ist, selbst wenn die umgebende Sequenz divergiert. Diese Motive werden oft als Positionsgewichtsmatrizen (PWMs) dargestellt, die die Häufigkeit jedes Nukleotids oder jeder Aminosäure an jeder Position erfassen.

Methoden

Eine Reihe von Algorithmen übernehmen die Motiverkennung. Konsensbasierte Methoden zählen alle möglichen Wörter auf und melden diejenigen, die zufällig häufiger vorkommen als erwartet. Probabilistische Ansätze wie MEME verwenden Erwartungsmaximierung, um ein Mischungsmodell anzupassen, das motivhaltige Sequenzen von Hintergrundsequenzen trennt. Gibbs-Sampling-Methoden, die in Tools wie BioProspector implementiert sind, durchsuchen den Sequenzraum stochastisch, um überrepräsentierte Muster zu finden. Beim phylogenetischen Fußabdruck wird die Erhaltung verwandter Arten genutzt, um regulatorische Elemente unter reinigender Selektion zu identifizieren. Die Chromatin-Immunpräzipitation mit anschließender Sequenzierung (ChIP-seq) liefert experimentell abgeleitete Peakregionen, die die Motiventdeckung zu relevanten genomischen Loci führen.

Anwendungen

Die Entdeckung von Motiven ist von zentraler Bedeutung für das Verständnis von Genregulierung und Epigenetik. Es identifiziert die Bindungsstellen für Transkriptionsfaktoren, die [Transkription und RNA-Verarbeitung] steuern (/guides/transcription-and-rna-processing.html). In der synthetischen Biologie werden entdeckte Motive verwendet, um synthetische Promotoren mit vorhersagbaren Expressionsstärken zu entwerfen. Die Analyse der DNA-Struktur und -Topologie zeigt, dass bestimmte Motive bevorzugt Sekundärstrukturen wie G-Quadruplexe bilden, die die Transkription und Replikation regulieren.

Praktisches Protokoll

Die MEME Suite bietet einen umfassenden De-novo-Workflow zur Motiverkennung. Beginnen Sie mit der Vorbereitung einer FASTA-Datei mit Promotorregionen (z. B. 500 bp stromaufwärts der Transkriptionsstartstellen) für koregulierte Gene, die aus RNA-seq- oder ChIP-seq-Daten identifiziert wurden. Führen Sie MEME (Multiple EM for Motif Elicitation) aus: „meme promoters.fasta -dna -oc meme_output -mod anr -nmotifs 5 -minw 6 -maxw 20 -revcomp“. Parameter: „-mod anr“ (beliebige Anzahl an Wiederholungen pro Sequenz), „-nmotifs 5“ (Top-5-Motive finden), „-minw 6“ / „-maxw 20“ (Motivbreitenbereich). MEME gibt Motive als Positionsgewichtsmatrizen (PWMs) mit E-Werten für jedes Motiv aus. Untersuchen Sie den MEME-HTML-Bericht mit Motivsequenzlogos, Vorkommen pro Sequenz und Positionsabweichung. Für die diskriminierende Motiverkennung (Vergleich zweier Sequenzsätze) verwenden Sie DREME: „dreme -p positive.fasta -n negative.fasta -dna -oc dreme_output“. DREME ist schneller beim Auffinden kurzer Kernmotive (4–8 bp), die typisch für Transkriptionsfaktor-Bindungsstellen sind. Für die Motivanreicherungsanalyse in ChIP-seq-Peakregionen verwenden Sie AME (Analysis of Motif Enrichment): „ame –control Peaks_background.fasta Peaks.Fasta Motiv_Database.meme -o ame_output“. Nutzen Sie eine kuratierte Motivdatenbank wie JASPAR oder HOCOMOCO. Verwenden Sie zum Scannen von Sequenzen nach bekannten Motivübereinstimmungen FIMO: „fimo –oc fimo_output –thresh 1e-4 JASPAR2022_CORE_non-redundant.meme promoters.fasta“. FIMO gibt alle Treffer mit p-Werten und q-Werten aus (FDR-korrigiert). Validieren Sie entdeckte Motive durch Vergleich mit bekannten Transkriptionsfaktor-Bindungsprofilen mithilfe von TomTom: „tomtom meme_output/meme.txtknown_motifs.meme -o tomtom_output“. Tomtom ordnet jedes Abfragemotiv anhand eines gemeldeten E-Werts der nächstgelegenen Übereinstimmung in der Datenbank zu.