Transcription Factor/DNA Interaction 02-715 Advanced Topics in - - PowerPoint PPT Presentation

Transcription Factor/DNA Interaction

02-­‑715 ¡Advanced ¡Topics ¡in ¡Computa8onal ¡ Genomics ¡

Protein Binding Microarray (PBM)

• High-­‑throughput ¡characteriza8on ¡of ¡DNA ¡binding ¡sites ¡of ¡

transcrip8on ¡factor ¡(TF) ¡

– DNA ¡probe ¡sets ¡

• Each ¡probe ¡is ¡36-­‑mer ¡
• Designed ¡to ¡contain ¡all ¡possible ¡con8nuous ¡10-­‑mers ¡and ¡many ¡of ¡the ¡

gapped ¡10-­‑mers ¡as ¡subsequences ¡

• 1,048,576 ¡10-­‑mers ¡in ¡approximately ¡44,000 ¡spots ¡

– Incubate ¡the ¡probes ¡with ¡TF ¡proteins ¡ – Stained ¡with ¡fluorophore-­‑conjugated ¡an8-­‑GST ¡an8body ¡ – Measure ¡the ¡array ¡signal ¡intensi8es ¡

Protein Binding Microarray (PBM)

• High-­‑throughput ¡

characteriza8on ¡of ¡DNA ¡ binding ¡sites ¡of ¡transcrip8on ¡ factor ¡(TF) ¡

• In ¡vitro ¡binding ¡in ¡nucleosome ¡

free ¡environment ¡

• Direct ¡binding ¡
• Comprehensively ¡determine ¡

TF ¡binding ¡specifici8es ¡

– All ¡possible ¡binding ¡sequences ¡

Analysis of PBM Data

• Enrichment ¡score ¡(E-­‑score) ¡

– The ¡rela8ve ¡sequence ¡preference ¡for ¡each ¡of ¡more ¡than ¡2.3 ¡million ¡ gapped ¡and ¡ungapped ¡8-­‑mers ¡spanning ¡the ¡full ¡affinity ¡range ¡from ¡the ¡ highest ¡affinity ¡to ¡nonspecific ¡sequence ¡ – Ranges ¡between ¡-­‑0.5 ¡and ¡0.5 ¡ – A ¡large ¡number ¡of ¡high-­‑scored ¡candidate ¡k-­‑mers ¡

• In ¡mouse ¡data ¡with ¡114 ¡TFs, ¡the ¡average ¡number ¡of ¡k-­‑mers ¡with ¡E-­‑

scores ¡above ¡0.35 ¡is ¡13,000 ¡

Enrichment of k-mers in PBM Data

• Hierarchical ¡clustering ¡of ¡PBM ¡data ¡over ¡ungapped ¡8-­‑mer ¡E-­‑

scores ¡for ¡89 ¡yeast ¡TFs ¡

Analysis of PBM Data

• Construc8ng ¡posi8on-­‑specific ¡scoring ¡matrix ¡(PSSM) ¡with ¡

Seed-­‑and-­‑Wobble ¡algorithm ¡

– Iden8fies ¡the ¡single ¡8-­‑mer ¡(ungapped ¡or ¡gapped) ¡with ¡the ¡greatest ¡ PBM ¡enrichment ¡score ¡(E ¡score) ¡ – Test ¡the ¡rela8ve ¡preference ¡of ¡each ¡nucleo8de ¡variant ¡at ¡each ¡ posi8on, ¡both ¡within ¡and ¡outside ¡the ¡seed ¡ – Convert ¡it ¡to ¡logo ¡representa8on ¡

Analysis of PBM Data

• Construc8ng ¡PSSM ¡(Berger ¡et ¡al., ¡Nature ¡Biotechnology, ¡2006) ¡

ChIP-Seq

• Measure ¡genome-­‑wide ¡profiles ¡of ¡immunoprecipitated ¡DNA-­‑

protein ¡complexes ¡

• TF ¡binding ¡sites ¡of ¡DNA ¡in ¡vivo ¡
• Direct ¡and ¡indirect ¡binding ¡

PBM vs. ChIP-Seq

• Two ¡methods ¡are ¡complementary ¡
• PBM ¡and ¡ChIP-­‑Seq ¡for ¡40 ¡TFs ¡(Zhu ¡et ¡al., ¡Genome ¡Research, ¡2009) ¡

PBM vs. ChIP-Seq

• Yeast ¡TF ¡binding ¡affini8es ¡

Modeling Transcription Factor-DNA Affinities

• PSSM ¡approach ¡

– Construct ¡PSSM ¡from ¡training ¡data ¡and ¡score ¡the ¡test ¡DNA ¡sequence ¡ with ¡the ¡PSSM ¡

• E-­‑score ¡approach ¡

– Compute ¡E-­‑scores ¡of ¡a ¡test ¡sequence ¡for ¡all ¡possible ¡8-­‑mers ¡ – Highest ¡scoring ¡8-­‑mers ¡cons8tute ¡the ¡binding ¡profile ¡of ¡the ¡sequence ¡ – Uses ¡richer ¡informa8on ¡than ¡PSSM ¡but ¡can ¡involve ¡thousands ¡of ¡high-­‑ scoring ¡8-­‑mers ¡

• Support ¡vector ¡regression ¡approach ¡(Agius ¡et ¡al., ¡PLoS ¡Comp ¡Bio, ¡2010) ¡

– Directly ¡construct ¡a ¡discrimina8ve ¡model ¡from ¡data ¡

SVR Approach

SVR Model

• Predictors: ¡k-­‑mers ¡in ¡PBM ¡
• Response: ¡binding ¡affini8es ¡measured ¡in ¡PBM ¡experiments ¡
• Di-­‑mismatch ¡string ¡kernel ¡in ¡SVR ¡for ¡a ¡similarity-­‑measure ¡

between ¡two ¡sequences ¡

– (k,m) ¡mismatch ¡kernel: ¡allowing ¡up ¡to ¡m ¡mismatches ¡in ¡each ¡k-­‑mer ¡ match ¡(m<<k) ¡

Di-mismatch String Kernels

• {ϕi}i=1…n: a set of unique k-mers that occur in the PBM

probe sequences

• {sj=s(j,j+k-1)}j=1…N-k+1: For a training sequence s of

length N, the subset of substrings of length k in s

• (ρ ¡(s,ϕ1),…, ¡ρ(s,ϕn)): ¡feature ¡vector ¡for ¡sequence ¡s ¡

¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡where ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡: ¡di-­‑mismatch ¡score ¡between ¡two ¡k-­‑mers, ¡set ¡ to ¡zero ¡if ¡the ¡count ¡is ¡below ¡k-­‑m-­‑1 ¡

Di-mismatch String Kernels

• The ¡di-­‑mismatch ¡score ¡favors ¡consecu8ve ¡mismatches ¡

– 6 ¡mismatches ¡ – 5 ¡mismatches ¡

Di-mismatch String Kernels

• Selec8ng ¡k, ¡m ¡in ¡(k,m) ¡mismatch ¡kernel ¡

– Cross ¡valida8on ¡for ¡

• k=8,…, ¡13 ¡ ¡
• m=1,…,6 ¡

– Use ¡(k,m) ¡= ¡(13,5) ¡in ¡all ¡of ¡the ¡experiments ¡

Selecting Samples for Training Data

• Out ¡of ¡44k ¡probes, ¡only ¡a ¡few ¡hundred ¡probes ¡indicate ¡TF ¡

binding ¡

– Using ¡all ¡of ¡the ¡probes ¡will ¡lead ¡to ¡a ¡model ¡that ¡predicts ¡the ¡prevalent ¡ low-­‑level ¡binding ¡probes ¡

• Posi8ve ¡probes: ¡ ¡

– Top ¡500 ¡probes ¡ – Probes ¡with ¡normalized ¡binding ¡affini8es ¡(Z-­‑score) ¡> ¡3.5 ¡

• Nega8ve ¡probes: ¡

– Selected ¡from ¡the ¡low ¡end ¡of ¡the ¡distribu8on ¡of ¡binding ¡affini8es ¡

Selecting Features for Training Data

• Select feature set {ϕi}i=1…n

– k-mers overrepresented in either positive or negative probe class – Evaluate each k-mer with median di-mismatch scores in each of the positive and negative class – Top 4000 k-mers were selected ¡

Experiments

• PBM ¡for ¡in ¡vitro ¡and ¡ChIP-­‑Seq ¡for ¡in ¡vivo ¡binding ¡
• Study ¡designs ¡

– Train ¡on ¡PBM ¡data ¡and ¡test ¡on ¡PBM ¡data ¡ – Train ¡on ¡PBM ¡data ¡and ¡test ¡on ¡ChIP-­‑Seq ¡data ¡ – Train ¡on ¡ChIP-­‑Seq ¡data ¡and ¡test ¡on ¡ChIP-­‑Seq ¡data ¡

Training with PBM Data and Predicting PBM Data

• For ¡each ¡TF, ¡count ¡how ¡many ¡of ¡the ¡top ¡100 ¡predicted ¡probes ¡

are ¡in ¡the ¡top ¡100 ¡highest ¡intensity ¡probes ¡in ¡the ¡test ¡data ¡

In Vivo Prediction with PBM-Trained Methods

• Yeast ¡TF ¡Ume6 ¡along ¡the ¡intergenic ¡region ¡iTFL022C ¡and ¡Yeast ¡

TF ¡Gal4 ¡along ¡intergenic ¡region ¡iYFR026C ¡

In Vivo Prediction with PBM-Trained Methods

• SVR ¡vs ¡E-­‑score-­‑based ¡occupancy ¡predic8on ¡of ¡yeast ¡in ¡vivo ¡

binding ¡preferences ¡for ¡top ¡200 ¡intergenic ¡regions ¡by ¡the ¡top ¡ 200 ¡predic8ons ¡

ChIP-Seq Data

• Extrac8ng ¡training/test ¡data ¡from ¡measurements ¡of ¡ChIP-­‑Seq ¡

experiments ¡

– Posi8ve ¡regions: ¡60bp ¡centered ¡at ¡1000 ¡ChIP-­‑seq ¡peak ¡regions ¡ ¡ – Nega8ve ¡regions: ¡60bp ¡regions ¡300bp ¡away ¡from ¡the ¡peaks, ¡1000 ¡such ¡ regions ¡at ¡the ¡flanking ¡regions ¡of ¡peaks ¡

Predicting In Vivo TF Occupancy

• Predic8ng ¡mouse ¡and ¡human ¡ChIP-­‑Seq ¡data ¡

Detecting DNA-Protein Interaction

• Posi8on ¡specific ¡scoring ¡matrix ¡(PSSM) ¡

– Assumes ¡the ¡nucleo8de ¡at ¡each ¡posi8on ¡is ¡independent ¡of ¡other ¡ nucleo8des ¡

• New ¡feature-­‑based ¡approach ¡

– Models ¡dependencies ¡among ¡mul8ple ¡nucleo8des ¡in ¡the ¡TF ¡binding ¡ mo8fs ¡ – Feature ¡mo8f ¡models ¡(FMMs) ¡

PSSM

FMM

FMM

• Training ¡data: ¡a ¡set ¡of ¡aligned ¡DNA ¡sequences ¡that ¡a ¡TF ¡binds ¡

to ¡

• Model: ¡log-­‑linear ¡model ¡for ¡feature ¡mo8f ¡model ¡

– Z ¡is ¡the ¡par88on ¡func8on ¡ – fk(xk): ¡features ¡derived ¡from ¡data ¡ – θk: ¡unknown ¡feature ¡weights ¡

FMM

• Features ¡fk(xk) ¡

– Binary ¡features: ¡(C ¡at ¡posi8on ¡2), ¡(G ¡at ¡posi8on ¡3), ¡etc. ¡ – Pairwise ¡features: ¡(C ¡at ¡posi8on ¡2, ¡G ¡at ¡posi8on ¡3), ¡etc. ¡ – Higher-­‑order ¡features ¡can ¡be ¡included ¡

• Log-­‑linear ¡model ¡can ¡be ¡viewed ¡as ¡an ¡undirected ¡graphical ¡

model ¡

– Individual ¡nucleo8de ¡as ¡a ¡variable ¡ – Two ¡nucleo8des ¡that ¡appear ¡in ¡the ¡same ¡feature ¡are ¡connected ¡with ¡ an ¡edge ¡ – Each ¡feature ¡defines ¡a ¡clique ¡

PSSM as FMM

• PSSM ¡is ¡a ¡special ¡case ¡of ¡FMM ¡

– Includes ¡only ¡binary ¡features ¡ – Feature ¡weights ¡θk ¡’s ¡are ¡defined ¡as ¡the ¡marginal ¡probabili8es ¡of ¡ individual ¡nucleo8des ¡ – Par88on ¡func8on ¡Z=1 ¡

Learning FMM

• Learning ¡the ¡parameters ¡(feature ¡weights) ¡

– Given ¡data ¡and ¡a ¡set ¡of ¡features, ¡how ¡can ¡we ¡learn ¡the ¡feature ¡ weights? ¡

• Learning ¡the ¡structure ¡of ¡the ¡undirected ¡graphical ¡model ¡

– How ¡can ¡we ¡learn ¡which ¡features ¡to ¡include ¡in ¡the ¡model? ¡

Learning FMM

• Learning ¡the ¡parameters ¡ ¡

– log-­‑likelihood ¡of ¡data ¡is ¡a ¡concave ¡func8on ¡ – Maximize ¡the ¡log-­‑likelihood ¡with ¡gradient ¡ascent ¡ ¡ – The ¡gradient ¡of ¡the ¡log-­‑likelihood ¡func8on ¡is ¡given ¡as ¡

Learning FMM

• Learning ¡the ¡parameters ¡ ¡

– The ¡gradient ¡of ¡the ¡log-­‑likelihood ¡can ¡be ¡re-­‑wrimen ¡as ¡ since ¡ – Compu8ng ¡the ¡par88on ¡func8on ¡can ¡be ¡computa8onally ¡expensive ¡

• Use ¡belief ¡propaga8on ¡

Learning FMM

• Learning ¡the ¡structure ¡of ¡the ¡undirected ¡graphical ¡model ¡

– Maximize ¡the ¡log-­‑likelihood ¡with ¡Laplacian ¡prior ¡ – Lasso! ¡

Learning FMM

• Graoing ¡for ¡op8miza8on ¡
• In ¡each ¡itera8on ¡

– Op8mize ¡the ¡objec8ve ¡func8on ¡rela8ve ¡to ¡the ¡current ¡set ¡of ¡ac8ve ¡ features ¡F ¡ – Add ¡the ¡inac8ve ¡feature ¡fi ¡ ¡ ¡ ¡ ¡F ¡with ¡the ¡maximal ¡gradient ¡at ¡θi=0 ¡

– The ¡number ¡of ¡features ¡grows ¡exponen8ally ¡as ¡the ¡number ¡of ¡nucleo8des ¡ grows ¡in ¡each ¡sequence ¡

• Apply ¡filtering ¡before ¡using ¡the ¡graoing ¡approach ¡

∉

Evaluation on Simulated Data

Evaluation on Simulated Data

Summary

• PBM ¡can ¡be ¡used ¡to ¡quan8fy ¡TF ¡target ¡interac8ons ¡in ¡vitro ¡
• ChIP-­‑Seq ¡can ¡be ¡used ¡to ¡measure ¡TF ¡target ¡interac8ons ¡in ¡vivo ¡
• Computa8onal ¡methods ¡for ¡predic8ng ¡TF ¡target ¡interac8ons ¡

based ¡on ¡PBM ¡or ¡ChIP-­‑Seq ¡data ¡

– PSSM ¡ – E-­‑score ¡for ¡PBM ¡ – Support ¡vector ¡regression ¡as ¡a ¡discrimina8ve ¡appraoch ¡ – Graphical ¡model ¡as ¡a ¡way ¡of ¡capturing ¡correlated ¡nucleo8de ¡bases ¡