华中农业大学李林/杨芳/严建兵合作构建玉米第一代多组学整合网络图谱

随着现代生物技术的兴起，特别是越来越大规模的测序技术，生命科学已经进入了一个大生物数据时代，作为解决细胞和生物固有复杂性的手段。尽管利用先进的生物学和遗传学技术已经发现了数千个高质量的基因组序列和许多基因型-表型关联，但我们对复杂性状的理解仍然有限。网络是在系统范围内揭示基因在表型变异中的功能作用的强大工具。已经为人类和模型动物构建了许多网络，但仅为植物生成了少数网络(http://www.pathguide.org/)。

2022年12月29日，华中农业大学李林、杨芳和严建兵共同通讯在Nature Genetics杂志在线发表题为“A multi-omics integrative network map of maize”的研究论文，该研究构建了玉米第一代多组学整合网络图谱，涉及到基因组、转录组、翻译组和蛋白互作组多个遗传层级的200万个网络关系。该图谱包括1400多个功能子网络中的280多万条边，显示了复制基因的广泛网络差异。

该研究利用该图谱鉴定了花期调控因子，并在8个亚网络中鉴定出2651个基因。验证了20个基因的功能，其中18个与玉米开花时间有关。此外，该研究还发现了一个涉及组蛋白修饰的开花途径。总之，这项研究绘制的多组学综合网络图说明了分子网络如何连接不同类型的基因以及绘制玉米全基因组功能景观的潜在途径的原理，这应该适用于广泛的物种。

为了系统地解码复杂表型变异背后的机制，需要将多组学信息聚集在一张地图上的大规模网络地图。通过整合植物对茉莉酸的反应框架，科学家们证明了植物激素和胁迫信号通路之间的交叉调节网络。整合人类基因组、转录组和蛋白质组数据，可以对大多数生理或病理细胞环境的细胞功能进行解剖。多组学大型数据集不仅描述了功能元素的定量图谱，而且重要的是从大规模、综合的角度说明了基因的调控网络。尽管在转录组和蛋白质组水平上存在大量的共表达网络，但在植物多组整合网络中尚未产生高通量的PPI图谱。

人工智能、机器学习和深度学习的进步已被应用于挖掘生物大数据，为系统剖析表型变异背后的分子机制提供了强大的工具。最近，基于网络的机器学习框架“疾病科学技术”预测了候选基因，并破译了25种不同人类疾病和特征背后的潜在分子机制。基于转录组和蛋白质组数据的全基因组表观遗传标记的机器学习成功用于玉米(Zea mays L.)基因组的功能注释。因此，生物大数据和机器学习算法的整合为理解所有基因的功能提供了前所未有的机会，也被称为全景功能地图。

玉米是一种重要的世界作物，也是一种理想的生物学和遗传模式，在基因型和表型变异方面得到了广泛的探索。最近，大量的mRNA、蛋白质和磷蛋白数据集已被成功整合，构建了这种植物的发育图谱。然而，从基因组到转录组再延伸到蛋白质组的大规模网络图谱在玉米中仍然缺乏。

在这项研究中，研究人员构建了一个包含玉米发育过程中的基因组、转录组、翻译组和蛋白质组网络的整合网络图。网络图表明，重复基因在不同的层次上存在潜在的功能分歧。综合网络图谱提供了一个潜在的玉米全景功能图谱，为预测基因功能、解剖交叉调控关系和揭示复杂性状背后的分子机制提供了工具。

图1. 多组学网络图的不同层次的全基因组景观（图源自Nature Genetics ）

为了证明这一概念，研究人员基于我们的整合网络图进行了全基因组扫描，并鉴定出2651个开花时间(flowering time，FT)相关基因，其中20个在玉米中得到了功能验证。

图2. 综合功能图谱有助于系统地剖析玉米FT的分子机制（图源自Nature Genetics ）

综上所述，该研究提供了一个整合的网络资源，并提出了一个最先进的指导系统，用于大规模功能基因克隆和复杂性状的系统解剖。研究展示了多组学交互图结合机器学习分类器可以促进基因功能的预测，并有助于阐明复杂表型背后的分子机制。这项研究中不仅在全球范围内预测了已通过多种突变体和诱变方法进行功能验证的FT功能基因，而且还剖析了玉米FT背后的复杂分子网络。因此，这幅综合网络图谱为系统预测控制农艺性状的新基因铺平了道路。

原文链接：

https://www.nature.com/articles/s41588-022-01262-1

转自：“iNature”微信公众号

如有侵权，请联系本站删除！