共隔離

共分離とは、同じ染色体上で近接した2つ以上の遺伝子が次世代に伝達されることです。遺伝子の近さは、遺伝子が遺伝的に結びついていることを意味します。^[1]また、任意の数の遺伝子座間の相互作用の確率を表すこともあります。

相互作用確率は、標的遺伝子の特定の部分（遺伝子座）と核プロファイル（NP）のグループを使用して決定されます。^[2]右の図は、核からスライス（NP）がどのように取得され、NP内で遺伝子座が検索されるかを視覚的に理解できるようにするためのものです。他の数学モデル（SLICE ^[3]および正規化連鎖不平衡）内で使用される共分離は、ゲノムアーキテクチャマッピング（GAM）のより小さなプロセスとして3D視覚化をレンダリングするのに役立ちます。これらのレンダリングは、ゲノム密度と放射状の位置を決定するのに役立ちます。

ゲノム構造マッピング（GAM）における共分離は、ゲノムウィンドウの圧縮と隣接性を特定するために使用されているもう1つのプロセスです。2017年の研究では、共分離を使用して、GAMのより大きなプロセスにおける哺乳類の核内のゲノムの組織化における遺伝子発現固有の接触を理解しました。^[3]この研究の結果、クロマチン接触の特定の領域の下での相互作用を示す複雑な3D構造が生成され、GAMが3Dクロマチン構造、細胞タイプ、貴重なヒトサンプルを細かく分析する能力を拡張するゲノム生物学者のスキルセットの有用なツールであることを証明しました。2021年の研究では、「長い遺伝子が高度に発現し、クロマチンアクセシビリティが高い場合、長い遺伝子の広範な「溶解」が発見されました。ニューロンサブタイプに最も特異的な接触には、依存症やシナプス可塑性などの特殊なプロセスに関連する遺伝子が含まれており、アクセス可能なクロマチン領域内にニューロン転写因子の推定結合部位があります。」^[6]これらの研究は両方とも、解剖学的、生理学的、遺伝学的に人間と類似しているため、マウスをモデルとして使用しました。^[7]

共分離を用いた最も古い研究のいくつかは、1980年代初頭にまで遡ります。この頃、科学者は栄養生物の実験を行い、葉緑体DNAの固有の配列があるかどうかを調べていました。実験のプロセスは、核様体内の遺伝子をクラスター化して分離されたユニットの数を減らすことにより、各世代の葉緑体遺伝子を追跡することでした。この研究はデューク大学動物学部^[8]で行われ、カレン・P・ヴァンウィンクル・スウィフトは家系図を使用して、形質と配列が親から子へとどのように受け継がれるかを示しました。

共分離は、複数の因子の相互作用が考慮される場合に最適です。異なる因子がどのように関連しているかを示し、それらの相互作用とつながりを強調することができます。たとえば、遺伝性疾患が特定の遺伝子に関連していると特定されたが、その遺伝子が存在するときに常に存在するとは限らない場合、共分離分析は、通常よりも頻繁に疑わしい遺伝子と相互作用する他の遺伝子を特定するのに役立ちます。これにより、研究者は遺伝性疾患を発現する遺伝子の組み合わせを発見することができます。共分離は、がん研究などの医療分野で積極的に使用されています。がんが発生した場合に、遺伝子間の最も強いつながりを強調することができます。がんを引き起こす遺伝子は1つではないことが多いため、これは便利です。むしろ、がんは多数の遺伝子の組み合わせによって引き起こされる可能性があります。共分離は、これらの組み合わせを形成している可能性のある遺伝子間のリンクを示すのに役立ちます。^[3]

共分離を使用するアプリケーションの例としては、2 つの遺伝子座間の正規化 連鎖不平衡(NL) の検出が挙げられます。2D データセット (行 = ゲノム ウィンドウ スライス、列 = 核プロファイル (NP)) が与えられた場合、ウィンドウ内に NP が存在する場合は「1」が表示され、そうでない場合は「0」が表示されます。このデータから、塩基不平衡とその理論上の最大値 ( ) を使用して NL を見つけることができます。遺伝子座 (ゲノム ウィンドウ)およびに存在する NP の量を使用して、、および共分離 が見つかります。2 つの遺伝子座間の NL が見つかった後、別のデータセットに配置されて視覚化され、分析されて遺伝子座がどの程度相互接続されているかが判断されます。この例は、与えられたデータと結果の計算と視覚化、および NL の検出にPython を使用して実行されました。NL を使用してさらに分析を行い、ウィンドウを「コミュニティ」に配置できます。これを示すために、右側のグラフには、ウィンドウの NL の平均を使用して、 中心性が最も高いウィンドウの 1 つに関するコミュニティが表示されます。${\displaystyle リンケージ}$${\displaystyle dmax}$${\displaystyle A}$${\displaystyle B}$${\displaystyle 検出周波数}$${\displaystyle fa}$${\displaystyle fb}$${\displaystyle ファブ}$

この式は、右の図の 疑似コードに示すように、簡単にコードにプログラムできます。このコードは、上記の例を満たすように作成されました。

核プロファイルの大規模なデータセットが与えられれば、共分離は数式が単純化されるため、簡単に拡張できます。提供されるデータセットが大きいほど、次の方程式はより正確になります。下の写真に示すように、方程式に追加されるデータの量は、元の方程式に線形時間調整を追加するだけです。

幸いなことに、データセットのサイズを適切に調整できるだけでなく、相互作用の確率を決定するために必要な数の焦点の位置を取得できます。各位置を追加すると方程式に 1 つの計算が追加されるため、線形の時間計算量が得られます。下の図は、位置の量が検出頻度方程式にどのように影響するかを示しています。

最後に、結果として得られる数値は、半径位置、圧縮、最も影響力のある接触など、複数の結論を導き出すのに役立ちます。

共分離分析を効果的に行うには、強力な裏付けデータセットがあるかどうかに大きく依存します。なぜなら、たとえ小さな不正確さであっても、共分離によってさらに悪化する可能性があるからです。共分離はデータポイント間のつながりしか提供しないため、資料を完全に理解する必要があります。これらのつながりの解釈は、別の方法で行う必要があります。たとえば、遺伝子座共分離は、一般的に相互作用する遺伝子のスコアを与えることができますが、それらの関係がいかに強力であっても、定量的共分離の結果は、相関関係、反相関関係、または独立した関係のいずれかをサポートしているように見えることがあります。このことを認識し、共分離分析の後に、正規化連鎖不平衡などの別の形式の分析を行って、共分離がデータの検出頻度の無視できる変動に及ぼす可能性のある複合効果を修正することが重要です。

たとえば、少数の遺伝子によって引き起こされる単純ながんを想像してください。ここでは、疑わしい遺伝子と、プロセスに関与していると疑われる他の 3 つの遺伝子を調べています。このチャートは、10 人の架空のデータ セットと、彼らのがんの状態、および 4 つの遺伝子を持っているかどうかを示しています。グラフを見ると、疑わしい遺伝子と遺伝子 A の間には明らかなつながりがあります。また、疑わしい遺伝子と遺伝子 C の間には、遺伝子 B が存在しない場合にのみ発生する、それほど明らかではない相互作用があります。共分離では、その関係を判断するのが難しい可能性は十分にあります。遺伝子 B は遺伝子 A と一緒に存在することが多く、その組み合わせはがんを引き起こします。数百、数千の遺伝子が調べられる実際のデータ セットでは、遺伝子 B ががんに寄与していると誤って結論付ける可能性がありますが、実際には寄与しておらず、むしろがんを予防できます。

この技術のもう 1 つの限界は、多くのマッピング ツールが遺伝子間の特定の物理的相互作用だけでなくランダムな接触も測定することです。後者は、線形ゲノム距離が小さい遺伝子間ではより一般的であり、共分離スコアが膨らむ可能性があります。GAM では、ゲノム ウィンドウの検出が他の領域との相互作用とは独立しているため、GAM はこの問題を解決するのに役立ちました。これにより、予想される相互作用値が計算され、これを共分離結果と組み合わせてランダ​​ムな接続のノイズをフィルター処理することで、よりクリーンな結果が得られます。^[3]

行列は、標準的な数学演算を使用してエントリを合計、減算、乗算、除算できる数値 (エントリ) の長方形構造配列です。共分離の場合、グラフ理論は、変数がノードのネットワーク上の別の変数とエッジまたは頂点を共有しているかどうかを確認するために使用されます。グラフ理論は、頂点と呼ばれる接続されたノードを通じて示されるペアワイズ関係を使用してオブジェクトを数学的に研究するものです。頂点はエッジによって他のノードに接続されます。

上の画像は、共分離マトリックスから隣接マトリックスへの変換を示しています。これは、科学者が凍結切片法を使用してDNA 領域、ゲノム、および/または対立遺伝子間の共局在を見つけるゲノムアーキテクチャ マッピングでのマトリックスの 1 つの用途です。この例では、共分離は、ゲノム内の特定のウィンドウ間の距離の観点から、データ同士のつながりを説明するために使用されています。共分離マトリックスの値は、上記の式を使用して求められました。ウィンドウAとB を比較して、式はそれぞれのウィンドウ間の核プロファイルの交差を見つけようとします。ゲノム ウィンドウはノードであり、隣接グラフは各ノードを接続するエッジのマトリックス表現です。

ヒートマップは、 m × nのマトリックスを視覚的に表現したもので、2 次元スケールでさまざまな現象を表示できます。ヒートマップには、データから与えられた値とスケールに基づいてさまざまな色の強度があります。コーディングに関しては、ヒートマップは Python の plotly.express などのライブラリを使用して作成できます。共分離を使用して、ヒートマップは 1 または 0 の値を含むマトリックスを視覚化し、2 つ以上の変数間の共通点を視覚化します。「ヒートマップを使用する主な利点は、退屈で理解しにくいデータを理解できるようにすることです。多くの人は、暖色系は相互作用の密集した部分を示すと説明されなくても、ヒートマップを直感的に理解します。」^[9]

制限セクションには、正規化されたデータと正規化されていないデータの違いを示す 2 つのヒート マップ (見やすいように下にも配置) が表示されます。グラフで違いを示すことで、研究者は色のグラデーションの強度とデータ ポイントのクラスタリングに基づいてさまざまなパターンを識別することができます。上記の共分離の結果はさまざまな形式になる可能性があり、ヒート マップで視覚化することで、研究者はどのゲノムがマトリックスに類似して接続されているかを理解できます。

ヒートマップの限界の 1 つは、一部のソフトウェアでは、特に変数が多い場合に、グラフ上の特定のポイントを配置できないことです。plotly.express などのコーディング ライブラリを使用すると、プログラマーがグラフ上の特定のポイントにマウスを移動して従属変数の正確な値を読み取ることができるインタラクティブなヒートマップを作成できます。もう 1 つの限界は、ヒートマップがリアルタイムのデータを表していないことです。ヒートマップは時間の経過と共にデータを集約して機能するため、すでに存在するより支配的なパターンと比較して、最近の行動の変化は示されません。^[9]