エンコード

DNA要素百科事典（ENCODE ）は、「ヒトゲノムの機能要素の包括的な部品リストを構築する」ことを目的とした公的研究プロジェクトである。^{[ 2 ]}

ENCODEは、「ゲノムデータ、ゲノムデータ分析のためのソフトウェア、ツール、方法、およびデータ分析と解釈から得られる製品などのコミュニティリソースを生成する」ことによって、さらなる生物医学研究も支援しています。^{[ 3 ] [ 2 ]}

ENCODEの現在のフェーズ（2016～2019年）では、細胞の種類、データの種類、アッセイの数を増やすことでリソースの深みを増しており、マウスゲノムの解析もサポートするようになりました。^{[ 3 ]}

ENCODEは、米国国立ヒトゲノム研究所（NHGRI）によって2003年9月に開始されました。 ^{[ 4 ] [ 5 ] [ 6 ] [ 7 ] [ 8 ]}ヒトゲノムプロジェクトの後継として意図されたENCODEプロジェクトは、ヒトゲノムのすべての機能要素を特定することを目的としています。^{[ 9 ]}

このプロジェクトには世界中の研究グループのコンソーシアムが関わっており、このプロジェクトから生成されたデータは公開データベースを通じてアクセスできます。ENCODEの最初のリリースは2013年で、それ以来、コンソーシアムメンバーとポータルを使用してENCODEデータにアクセスする科学者のより広いコミュニティの推奨事項に従って変更されています。ENCODEの2つの目標は、「実験プロトコル、分析手順、およびデータ自体」のための公開アクセス可能なデータベースとして機能することと、「同じインターフェースで、データの出所を記録し、生物学的観点からその解釈を正当化する、慎重にキュレーションされたメタデータを提供すること」です。^{[ 10 ]}このプロジェクトは2017年2月に第4フェーズ（ENCODE 4）を開始しました。^{[ 11 ]}

ヒトには約20,000個のタンパク質コード遺伝子があると推定されており、これはヒトゲノムのDNAの約1.5%を占めています。ENCODEプロジェクトの主な目標は、ゲノムの残りの部分の役割を解明することであり、その多くは従来「ジャンク」と考えられていました。タンパク質コード遺伝子の活性と発現は、プロモーター、転写調節配列、クロマチン構造領域、ヒストン修飾領域など、さまざまなDNA要素であるレギュロームによって調節されます。遺伝子活性の調節の変化は、タンパク質産生や細胞プロセスを阻害し、疾患を引き起こす可能性があると考えられています。これらの調節要素の位置と、それらが遺伝子転写にどのように影響するかを解明することで、特定の遺伝子の発現の変動と疾患の発症との関連性が明らかになる可能性があります。 ^{[ 12 ]}

ENCODEは、ゲノムが人間の健康にどのように影響するかを科学コミュニティがよりよく理解し、「これらの病気を予防および治療するための新しい治療法の開発を促進する」ための包括的なリソースとしても意図されています。^{[ 5 ]}

ENCODEコンソーシアムは、主に米国国立ヒトゲノム研究所（NHGRI）から資金提供を受けた科学者で構成されています。プロジェクトに貢献するその他の参加者は、コンソーシアムまたは解析ワーキンググループに加わります。

パイロットフェーズは、8つの研究グループと、ENCODE技術開発フェーズに参加する12のグループで構成されていました。2007年以降、パイロットフェーズが正式に終了したことで、参加者数は世界32の研究室に所属する440人の科学者にまで拡大しました。現在、コンソーシアムは、それぞれ異なる役割を担う複数のセンターで構成されています。

ENCODEは国際ヒトエピゲノムコンソーシアム（IHEC）のメンバーである。^{[ 14 ]}

NHGRIがENCODE資金提供研究の成果物に対して求める主な要件は、ゲノム研究を促進するために、すべての研究者が無料で容易にアクセスできる方法で共有することです。ENCODE研究は、ゲノム解析に関連するソフトウェア、方法、データ、その他のツールの再現性、ひいては透明性を可能にします。 ^{[ 3 ]}

ENCODEは現在、4つのフェーズで実施されています。パイロットフェーズと技術開発フェーズは同時に開始されました^{[ 15 ]}。そして、本番フェーズです。第4フェーズは第3フェーズの続きであり、百科事典の機能特性評価とさらなる統合分析が含まれます。

パイロットフェーズの目標は、組み合わせることで費用対効果が高くハイスループットで適用でき、ヒトゲノムの広範囲を正確かつ包括的に特徴づけることができる一連の手順を特定することでした。パイロットフェーズでは、機能配列を検出するための現在のツールセットのギャップを明らかにする必要があり、また、当時使用されていたいくつかの方法が非効率的であるか、大規模な利用に適していないかどうかも明らかにすると考えられていました。これらの問題の一部は、ENCODE技術開発フェーズで対処する必要がありました。このフェーズでは、既知の機能配列を特定したり、新しい機能ゲノム要素を発見したりする能力を向上させる新しい実験室および計算方法を考案することを目指しました。最初の2つのフェーズの結果により、費用対効果が高く包括的な生産フェーズでヒトゲノムの残りの99%を分析するための最善の道筋が決定されました。^{[ 5 ]}

ENCODEフェーズIIプロジェクト：生産フェーズプロジェクト

2007年9月、国立ヒトゲノム研究所（NHGRI）はENCODEプロジェクトの生産段階への資金提供を開始した。この段階の目標は、ゲノム全体を解析し、「追加のパイロット規模の研究」を実施することであった。^{[ 19 ]}

パイロットプロジェクトと同様に、生産活動はオープンコンソーシアムとして組織されています。2007 年 10 月、NHGRI は 4 年間で総額 8,000 万ドルを超える助成金を授与しました。^{[ 20 ]}生産フェーズには、データ調整センター、データ解析センター、および技術開発活動も含まれています。^{[ 21 ]} 当時、プロジェクトは真にグローバルな事業へと発展し、世界中の 32 の研究室から 440 人の科学者が参加しました。パイロットフェーズが完了すると、プロジェクトは 2007 年に「スケールアップ」し、次世代シーケンシングマシンから多大な恩恵を受けました。そして、データは確かに膨大で、研究者たちは約 15テラバイトの生データを生成しました。

2010年までに、ENCODEプロジェクトによって1,000を超えるゲノムワイドデータセットが作成されました。これらのデータセットを総合すると、どの領域がRNAに転写されるか、どの領域が特定の細胞種で使用される遺伝子を制御する可能性が高いか、そしてどの領域が多様なタンパク質と関連しているかが明らかになります。ENCODEで主に用いられるアッセイは、ChIP-seq、DNase I過敏性試験、RNA-seq 、およびDNAメチル化アッセイです。

生産段階の結果

2012年9月、このプロジェクトは、 Nature誌に6本、 Genome Biology誌に6本、 Genome Research誌の特集号に18本の論文を含む、複数のジャーナルに同時に掲載された30本の論文で、はるかに広範な結果を発表しました。^{[ 22 ]}

著者らは、ヒトゲノム全体の機能要素に注釈を付けるために設計された1,640のデータセットの作成と初期分析について説明し、細胞型内の多様な実験結果、147種類の異なる細胞型を含む関連実験、およびゲノムワイド関連研究（GWAS）の候補領域や進化的に制約された領域などの他のリソースとのすべてのENCODEデータを統合しました。これらの取り組みにより、ヒトゲノムの構成と機能に関する重要な特徴が明らかになり、概要論文で以下のようにまとめられています。^{[ 23 ]}

1. ヒトゲノムの大部分（80.4%）は、少なくとも1つの細胞型において、少なくとも1つの生化学的RNAおよび/またはクロマチン関連イベントに関与している。ゲノムの大部分は調節イベントの近くに位置しており、ゲノムの95%はDNA-タンパク質相互作用（結合ChIP-seqモチーフまたはDNaseIフットプリントによって測定）から8kb以内に位置し、99%はENCODEによって測定された少なくとも1つの生化学的イベントから1.7kb以内に位置する。
2. 霊長類特有の要素と、哺乳類特有の制約が検出されない要素は、全体として負の選択の証拠を示しており、したがって、それらのいくつかは機能的であると予想される。
3. ゲノムを7つのクロマチン状態に分類すると、エンハンサー様の特徴を持つ領域が399,124個、プロモーター様の特徴を持つ領域が70,292個、さらに数十万個の静止領域が存在することが示唆される。高解像度解析では、ゲノムはさらに機能特性の異なる数千個の狭い状態に細分化される。
4. RNA配列の生成と処理を、プロモーターにおけるクロマチンマークと転写因子（TF）結合の両方と定量的に相関させることが可能であり、プロモーターの機能がRNA発現変動の大部分を説明できることを示している。
5. 個々のゲノム配列における非コード領域の変異の多くは、ENCODEによって注釈付けされた機能領域に存在しており、その数はタンパク質をコードする遺伝子に存在する変異の数と少なくとも同程度である。
6. GWASによって疾患と関連付けられたSNPは、非コード機能要素に多く存在し、その大部分はタンパク質コード遺伝子の外側にあるENCODEで定義された領域内またはその近傍に位置している。多くの場合、疾患表現型は特定の細胞型または転写因子と関連付けられる。

最も注目すべき発見は、生物学的に活性なヒトDNAの割合が、これまでの最も楽観的な推定値よりもかなり高いということである。ENCODEコンソーシアムは概要論文で、メンバーがゲノムの80%以上に生化学的機能を割り当てることができたと報告した。^{[ 23 ]}このうち大部分は、ゲノムの1%未満を占めるコードDNAの発現レベルの制御に関与していることがわかった。

この「百科事典」の最も重要な新要素は以下のとおりです。

• DNase 1 過敏部位の包括的なマップ。これは、通常遺伝子の隣接部に位置し、化学因子が遺伝子の発現に影響を与えることを可能にする調節 DNA のマーカーである。このマップは、この種の部位を 300 万近く特定しており、これにはこれまで知られていたほぼすべてと、多くの新規の部位が含まれている。^{[ 24 ]}
• DNA結合タンパク質の認識モチーフを形成する短いDNA配列のレキシコン。約840万個のそのような配列が見つかり、これは全DNAの約2倍の大きさに相当する。数千個の転写プロモーターが、単一の定型的な50塩基対のフットプリントを利用していることがわかった。^{[ 25 ]}
• ヒト転写因子のネットワークのアーキテクチャの予備的な概略図。転写因子とは、DNAに結合して遺伝子の発現を促進または抑制する因子である。このネットワークは非常に複雑で、さまざまなレベルで機能する因子や、さまざまなタイプの多数のフィードバックループが存在することがわかった。^{[ 26 ]}
• ヒトゲノムのうちRNAに転写可能な部分の割合を測定した。この割合は全DNAの75%以上と推定され、これまでの推定値よりもはるかに高い値となった。このプロジェクトでは、さまざまな場所で生成されるRNA転写産物の種類を特徴づけることも開始した。^{[ 27 ]}

第3フェーズの継続に伴い、ENCODEコンソーシアムは、ENCODEプロジェクトと並行する目標を持つ追加プロジェクトにも関与するようになった。これらのプロジェクトの中には、ENCODEの第2フェーズの一部であったものもある。

ロードマップ

2008年、NIHはロードマップ・エピゲノミクス・マッピング・コンソーシアムを開始しました。その目標は「基礎生物学と疾患指向の研究を促進するためのヒトエピゲノムデータの公開リソース」を作成することでした。^{[ 41 ]} 2015年2月、コンソーシアムは「111の参照ヒトエピゲノムの統合解析」というタイトルの記事を発表し、コンソーシアムの目標を達成しました。コンソーシアムは、127の参照エピゲノムにわたる情報を統合し、調節エレメントを注釈付けしました。そのうち16はENCODEプロジェクトの一部でした。^{[ 42 ]}ロードマッププロジェクトのデータは、ロードマップポータルまたはENCODEポータルで見つけることができます。

コンソーシアムはENCODEプロジェクトはまだ終わっていないと主張しているが、発表された論文や発表に伴う報道に対する反応の多くは好意的だった。Natureの編集者とENCODEの著者は「…何ヶ月にもわたって協力し、可能な限り大きなインパクトを与え、研究コミュニティだけでなく一般大衆の注目を集めた」^{[ 44 ]} 。ENCODE プロジェクトが主張する、ヒトゲノムの80%が生化学的機能を持つ^{[ 23 ]}という主張は、大衆メディアによってすぐに取り上げられ、プロジェクトの結果はジャンクDNAの死につながると表現された^{[ 45 ] [ 46 ]}。

しかし、ゲノムの大部分が「機能的」であるという結論は、ENCODEプロジェクトが「機能的」の定義を広く解釈し、転写されるものはすべて機能的であるとみなしたことを理由に批判されている。この結論は、比較ゲノミクスによるゲノム保存推定に基づく、転写される偽遺伝子などの多くのDNA要素が機能的ではないという広く受け入れられている見解にもかかわらず導き出されたものである。さらに、ENCODEプロジェクトは特異性よりも感度を重視したため、多くの偽陽性が検出された可能性がある。^{[ 47 ] [ 48 ] [ 49 ]}細胞株や転写因子の選択がやや恣意的であったこと、および適切な対照実験が欠如していたことも、ランダムなDNAがENCODEのような「機能的」な挙動を模倣するとして、ENCODEに対するその他の大きな批判となっている。^{[ 50 ]}

批判の一部に対して、他の科学者たちは、生化学的検査によってヒトゲノムで直接観察される広範な転写とスプライシングは、ゲノム保存推定値よりも遺伝子機能のより正確な指標であると主張した。なぜなら、保存推定値はすべて相対的であり、近縁種であってもゲノムサイズの信じられないほどの変動のために整合させることが難しく、部分的に同義反復であり、これらの推定値はゲノム上の機能の直接的な検査に基づいていないからである。^{[ 51 ] [ 52 ]}保存推定値は、ゲノム内の機能要素を特定するための手がかりを提供するために使用できるが、ゲノム内に存在する可能性のある機能要素の総量を制限したり上限を設けたりするものではない。^{[ 52 ]}さらに、批判者によって議論されているゲノムの大部分は、遺伝子発現などのエピジェネティック制御に関与しているようで、複雑な生物の発生に必要であると思われる。^{[ 51 ] [ 53 ]} ENCODEの結果は、機能の帰属の増加が過去数十年の研究で予見されていたため、必ずしも予想外のものではなかった。^{[ 51 ] [ 53 ]}さらに、ENCODEプロジェクトは当初から、進化的な機能要素ではなく、ゲノム内の生物医学的に関連する機能要素を探すことに基づいて範囲が設定されていたと指摘する人もいる。進化的な選択は機能を確立するのに十分でも必要でもないため、これらは必ずしも同じものではない。これは関連する機能の非常に有用な代理指標ではあるが、不完全なものであり、唯一のものではない。^{[ 54 ]}

最近、ENCODEの研究者たちは、その主な目標はヒトゲノム内の機能要素を特定することであると改めて述べた。^{[ 55 ]} 2020年のフォローアップ論文で、ENCODEは特定された要素の機能アノテーションは「まだ初期段階にある」と述べた。^{[ 56 ]}

「機能」という言葉の定義に関する苦情に対し、ENCODEはそれが何を意味するのかを定義しており、ENCODEの範囲はゲノム内の生物医学的に関連する機能要素を探すことであったため、プロジェクトの結論は「 ゲノムの80%が、生物医学研究に関連すると考えられる現象において因果関係を持つ可能性が非常に高い関連する生化学的活動に関与している」と解釈されるべきであると指摘する者もいる。^{[ 54 ]} ENCODEの研究者の1人であるEwan Birneyは、「機能」は実際的に「特定の生化学的活動」を意味するために使用され、これにはRNA、「広範な」ヒストン修飾、「狭い」ヒストン修飾、DNaseI高感受性部位、転写因子ChIP-seqピーク、DNaseIフットプリント、転写因子結合モチーフ、およびエクソンなど、さまざまな種類のアッセイが含まれるとコメントした。^{[ 57 ]}

2014年、ENCODEの研究者らは、文献において、ゲノムの機能的部分は、使用されたアプローチによって過去の研究で異なる方法で特定されてきたと指摘した。ヒトゲノムの機能的部分を特定するために、大きく分けて3つのアプローチが用いられてきた。遺伝学的アプローチ（表現型の変化に基づく）、進化学的アプローチ（保存性に基づく）、そして生化学的アプローチ（生化学的検査に基づくもので、ENCODEでも用いられた）である。これら3つのアプローチにはそれぞれ限界がある。遺伝学的アプローチでは、生物に物理的に現れない機能要素を見落とす可能性があり、進化学的アプローチでは、近縁種であってもゲノムが大きく異なるため、正確な多種配列アライメントを用いるのが難しい。また、生化学的アプローチは再現性が高いものの、生化学的特徴が必ずしも機能を示すとは限らない。研究者らは、進化学的および遺伝学的証拠とは対照的に、生化学的データは、基礎となるDNA要素が担う分子機能と、それらが作用する細胞の種類に関する手がかりを提供し、最終的にはこれら3つのアプローチすべてを相補的に用いることで、ヒトの生物学や疾患において機能する可能性のある領域を特定できると結論付けた。さらに、ENCODEによって提供された生化学的マップは、これらの特徴が分子、細胞、および個体の機能にどのように関連しているかをテストするための出発点を提供するので、このプロジェクトで最も価値のあるものであると彼らは指摘した。^{[ 52 ]}

このプロジェクトは、高額な費用（総額約4億ドル）と、生産性の高い研究者主導の研究から資金を奪う大規模科学を優遇している点でも批判されている。^{[ 58 ]}パイロットENCODEプロジェクトの費用は推定5500万ドル、スケールアップは約1億3000万ドルで、米国国立ヒトゲノム研究所（NHGRI）は次のフェーズに最大1億2300万ドルを拠出する可能性がある。一部の研究者は、この投資に対する確かなリターンはまだ見られないと主張している。ENCODEが重要な役割を果たしている論文を文献から探し出す試みがあり、2012年以降300本の論文が発表されているが、そのうち110本はENCODEの資金提供を受けていない研究室からのものである。さらに問題なのは、ENCODEがENCODEプロジェクト専用の固有の名称ではないため、「encode」という言葉が多くの遺伝学およびゲノム学の文献に登場することである。^{[ 59 ]}

もう一つの大きな批判は、成果がプロジェクトに費やされた時間に見合うものではなく、プロジェクト自体が本質的に完了不可能であるという点である。ヒトゲノム計画（HGP）と比較され、HGPの次のステップとさえ呼ばれることが多いが、HGPには明確な終着点があったのに対し、ENCODEにはそれが欠けている。

著者らは科学的な懸念に共感しているようで、同時にインタビューに応じ、ENCODEの詳細を科学界だけでなくマスメディアにも説明することで、自分たちの努力を正当化しようとしている。また、DNAが生命の遺伝物質であるという認識からヒトゲノム配列の解明まで半世紀以上かかったため、次の世紀の計画は配列そのものを真に理解することだと主張している。^{[ 59 ]}

ENCODEプロジェクトによって生成された転写因子結合データの解析結果は、現在、ウェブアクセス可能なリポジトリFactorBookで入手可能です。^{[ 60 ]} Factorbook.orgは、基本的にENCODEコンソーシアムによって生成された転写因子結合データのためのWikiベースのデータベースです。最初のリリースでは、Factorbookには以下のデータが含まれています。

• 複数のヒト細胞株における119の転写因子に関する457のChIP-seqデータセット
• 転写因子結合領域周辺のヒストン修飾とヌクレオソーム配置の平均プロファイル
• 領域に豊富に存在する配列モチーフと、モチーフ部位間の距離および方向の好み。^{[ 61 ]}

• GENCODE
• シマップ
• 機能ゲノミクス
• ヒトゲノムプロジェクト
• 1000ゲノムプロジェクト
• 国際ハップマッププロジェクト
• 生物学的データベース一覧

• 公式サイト
• ENCODEプロジェクトの公式出版物一覧
• 国立ヒトゲノム研究所のENCODEプロジェクト
• UCSCゲノムブラウザのDNA要素百科事典
• ウェルカム・トラスト・サンガー研究所のENCODE/GENCODEプロジェクト
• ENCODE提供の入門チュートリアル
• ファクターブック
• modENCODE
• ENCODEスレッドエクスプローラー（ Nature誌掲載）