Computational dissection of the sequence elements defining human cleavage and polyadenylation sites and their role in determining gene ends
Notice bibliographique
Résumé
After decades of research, significant progress towards understanding how living organisms decode their genomes has been made. Eukaryotes utilize protein factors as well as DNA sequence elements to define eukaryotic gene starts and gene ends. During 3′-end gene definition, when pre-mRNA is being produced, it has to go through several steps of maturation, including cleavage and polyadenylation (CPA), when the pre-mRNA gets cleaved and a string of ~200 adenine nucleotides gets added at 3′ end of the transcript. Mechanistically, CPA is thought to utilize five key sequence recognition elements that reside in pre-mRNA 3′-UTRs: the upstream UGUA, polyadenylation signal (PAS), U-rich sequences, the CA/UA dinucleotide where cleavage occurs, and GU-rich downstream elements (DSE). It remains contentious whether these sequences are sufficient to delineate CPA sites, however. To date, no studies have explicitly attempted to assess how well the established features differentiate CPA sites from the remainder of the genes. Furthermore, it is not clear what role these sequences play in defining human geneends. Here, I expand on previous work by dissecting the contributions of numerous individual sequence features to CPA site selection. Using classical discriminative approaches, I show that computational models can be constructed that accurately identify constitutive CPA sites, relative to the entire pre-mRNA sequence, for 41% of all genes. U1-hybridizing sequences, which have been described as one of the strong additional cryptic CPA regulators, have surprisingly little impact on model performance, suggesting their limited role in regulating human CPA. Addition of all known RBP motifs to the model, however, increases this figure to 49%, with feature scores that highlight known and suspected CPA regulators, as well as many potential new factors. Together, these results suggest that while the established features have a higher specificity in defining human CPA sites than expected, the existing knowledge of sequence elements contributing to CPA definition does not account for the full complexity of CPA regulation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».