Aller au contenu principal
Accès ouvert déclaré 2020 preprint

Discovery of widespread transcription initiation at microsatellites predictable by sequence-based deep neural network

7Citations signalées, ce qui n’est pas une note de qualité
13Institutions déclarées
3Pays d’affiliation déclarés

Rattachement africain : fr, jp, ca. Niveau de preuve : code pays fourni par la source.

Le résumé fourni par la source

Using the Cap Analysis of Gene Expression (CAGE) technology, the FANTOM5 consortium provided one of the most comprehensive maps of Transcription Start Sites (TSSs) in several species. Strikingly, ~ 72% of them could not be assigned to a specific gene and initiate at unconventional regions, outside promoters or enhancers. Here, we probed these unassigned TSSs and showed that, in all species studied, a significant fraction of CAGE peaks initiate at microsatellites, also called short tandem repeats (STRs). To confirm this transcription, we developed Cap Trap RNA-seq, a technology which combines cap trapping and long reads MinION sequencing. We trained sequence-based deep learning models able to predict CAGE signal at STRs with high accuracy. These models unveiled the importance of STR surrounding sequences not only to distinguish STR classes, as defined by the repeated DNA motif, one from each other, but also to predict their transcription. Excitingly, our models predicted that genetic variants linked to human diseases affect STR-associated transcription and correspond precisely to the key positions identified by our models to predict transcription. Together, our results extend the repertoire of non-coding transcription associated with DNA tandem repeats and complexify STR polymorphism.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref
Discovery of widespread transcription initiation at microsatellites predictable by sequence-based deep neural network
Date Crossref
10/07/2020
Éditeur
openRxiv
Type
posted-content

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Où se fait cette recherche

  • Centre National de la Recherche Scientifique pays non établi dans la notice
    Organisme public
  • Université de Montpellier pays non établi dans la notice
    Université ou école supérieure
  • Sanofi (France) pays non établi dans la notice
    Entreprise
  • Institut de Génétique Moléculaire de Montpellier pays non établi dans la notice
    Structure de recherche
  • Institut Montpelliérain Alexander Grothendieck pays non établi dans la notice
    Structure de recherche
  • Laboratoire d'Informatique pays non établi dans la notice
    Structure de recherche
  • RIKEN Center for Integrative Medical Sciences pays non établi dans la notice
    Structure de recherche
  • RIKEN pays non établi dans la notice
    Structure de recherche
  • Waseda University pays non établi dans la notice
    Université ou école supérieure
  • Artificial Intelligence Research Center pays non établi dans la notice
    Structure de recherche
  • The University of Tokyo pays non établi dans la notice
    Université ou école supérieure
  • University of British Columbia Centre for Molecular Medicine and Therapeutics at the Child and Family Research Institute pays non établi dans la notice
    Université ou école supérieure

Centre National de la Recherche Scientifique, Université de Montpellier et Sanofi (France), avec 9 autres affiliations.

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Genomics and Chromatin DynamicsRNA and protein synthesis mechanismsGenomics and Phylogenetic Studies

BNTIC News n’est pas le producteur de ces données. Les publications sont interrogées à la demande dans Crossref, OpenAIRE, DOAJ, Europe PMC, HAL, DataCite, AfricArXiv, ROR et la Banque mondiale, sans clé d’accès. OpenAlex reste optionnel. Aucun service payant n’est nécessaire et aucune donnée externe n’est enregistrée en base. Consulter les sources et leurs limites.