Ikhtisar

Penemuan motif adalah identifikasi komputasi pola urutan pendek dan berulang dalam urutan DNA, RNA, atau protein yang sesuai dengan elemen fungsional seperti situs pengikatan faktor transkripsi, sambungan sambungan, situs pengenalan protein pengikat RNA, atau domain interaksi protein. Tidak seperti penyelarasan global, penemuan motif berfokus pada jendela kecil, biasanya 6–20 nukleotida atau 3–15 asam amino, di mana konservasi posisi tinggi bahkan ketika urutan di sekitarnya berbeda. Motif ini sering direpresentasikan sebagai matriks bobot posisi (PWM) yang menangkap frekuensi setiap nukleotida atau asam amino di setiap posisi.

Metode

Berbagai algoritme menangani penemuan motif. Metode berbasis konsensus menghitung semua kemungkinan kata dan melaporkan kata-kata yang muncul lebih sering daripada yang diperkirakan secara kebetulan. Pendekatan Probabilistik seperti MEME menggunakan pemaksimalan ekspektasi agar sesuai dengan model campuran yang memisahkan rangkaian motif dari rangkaian latar belakang. Metode Pengambilan sampel Gibbs, yang diterapkan pada alat seperti BioProspector, menelusuri ruang urutan secara stokastik untuk menemukan pola yang terlalu terwakili. Jejak filogenetik mengeksploitasi konservasi di seluruh spesies terkait untuk mengidentifikasi elemen regulasi dalam seleksi pemurnian. Imunopresipitasi kromatin yang diikuti dengan pengurutan (ChIP-seq) menyediakan daerah puncak yang diturunkan secara eksperimental yang memandu penemuan motif ke lokus genom yang relevan.

Aplikasi

Penemuan motif sangat penting dalam pemahaman regulasi gen dan epigenetika. Ini mengidentifikasi situs pengikatan untuk faktor transkripsi yang mengontrol transkripsi dan pemrosesan RNA. Dalam biologi sintetik, motif yang ditemukan digunakan untuk merancang promotor sintetik dengan kekuatan ekspresi yang dapat diprediksi. Analisis struktur DNA dan topologi mengungkapkan bahwa motif tertentu secara istimewa membentuk struktur sekunder seperti G-quadruplex yang mengatur transkripsi dan replikasi.

Protokol Praktis

MEME Suite menyediakan alur kerja penemuan motif de novo yang komprehensif. Mulailah dengan menyiapkan file FASTA wilayah promotor (misalnya, 500 bp hulu situs awal transkripsi) untuk gen yang diatur bersama yang diidentifikasi dari data RNA-seq atau ChIP-seq. Jalankan MEME (Beberapa EM untuk Motif Elisitasi): meme promoters.fasta -dna -oc meme_output -mod anr -nmotifs 5 -minw 6 -maxw 20 -revcomp. Parameter: -mod anr (berapa pun jumlah pengulangan per urutan), -nmotifs 5 (temukan 5 motif teratas), -minw 6 / -maxw 20 (rentang lebar motif). MEME mengeluarkan motif sebagai matriks bobot posisi (PWM) dengan nilai E untuk setiap motif. Periksa laporan HTML MEME yang menunjukkan logo urutan motif, kemunculan per urutan, dan bias posisi. Untuk penemuan motif diskriminatif (membandingkan dua rangkaian urutan), gunakan DREME: dreme -p positive.fasta -n negative.fasta -dna -oc dreme_output. DREME lebih cepat untuk menemukan motif inti pendek (4–8 bp) yang khas dari situs pengikatan faktor transkripsi. Untuk analisis pengayaan motif di wilayah puncak ChIP-seq, gunakan AME (Analysis of Motif Enrichment): ame --control peaks_background.fasta peaks.fasta motif_database.meme -o ame_output. Gunakan database motif pilihan seperti JASPAR atau HOCOMOCO. Untuk urutan pemindaian kecocokan motif yang diketahui, gunakan FIMO: fimo --oc fimo_output --thresh 1e-4 JASPAR2022_CORE_non-redundant.meme promoters.fasta. FIMO mengeluarkan semua kecocokan dengan nilai p dan nilai q (dikoreksi FDR). Validasi motif yang ditemukan dengan membandingkan profil pengikatan faktor transkripsi yang diketahui menggunakan TomTom: tomtom meme_output/meme.txt known_motifs.meme -o tomtom_output. Tomtom menetapkan setiap motif kueri ke kecocokan terdekatnya dalam database dengan nilai E yang dilaporkan.