sibsutisВестник СибГУТИThe Herald of the Siberian State University of Telecommunications and Information Science1998-6920СибГУТИsibsutis-88Research ArticleСтатьиИспользование графических ускорителей для выявления функциональных сигналов в регуляторных районах дифференциально экспрессирующихся генов AGRP нейронов гипоталамуса мыши в ответ на голоданиеGPU-based algorithm for context analysis of the core promoter region of mouse genes differently expressed in hypothalamic energy-sensing neurons in response to weight-lossБочарниковА. В.BocharnikovA.

Бочарников Андрей Васильевич, аспирант

630090, Новосибирск, пр. Академика Лаврентьева, 6

andrey.bocharnikov@gmail.comИгнатьеваЕ. В.IgnatievaE.

Игнатьева Елена Васильевна, к.б.н, старший научный сотрудник, Институт цитологии и генетики СО РАН; доцент, Новосибирский государственный университет

630090, Новосибирск, пр. Академика Лаврентьева, 10

eignat@bionet.nsc.ruВишневскийО. В.VishenvskiyO.

Вишневский Олег Владимирович, к.б.н, научный сотрудник, Институт цитологии и генетики СО РАН; ст. преподаватель, Новосибирский государственный университет

630090, Новосибирск, пр. Академика Лаврентьева, 10

oleg@bionet.nsc.ruИнститут систем информатики им. А. П. Ершова СО РАНRussian FederationИнститут цитологии и генетики СО РАН; Новосибирский государственный университетRussian FederationИнститут цитологии и генетики СО РАН; Новосибирский государственный университетRussian Federation201919042022033644Copyright © Бочарников А.В., Игнатьева Е.В., Вишневский О.В., 20222022Бочарников А.В., Игнатьева Е.В., Вишневский О.В.Bocharnikov A., Ignatieva E., Vishenvskiy O.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.sibsutis.ru/jour/article/view/88

Выявление de novo контекстных сигналов в регуляторных районах генов эукариот существенно затрудняется как огромными объемами анализируемых выборок последовательностей, так и гигантским разнообразием контекстных сигналов. Нами предложен новый алгоритм оценки представленности вырожденных олигонуклеотидных мотивов, записанных в 15-буквенном IUPAC коде, в выборке нуклеотидных последовательностей и показана его высокая производительность по сравнению с ранее предложенным подходом. Данный метод основан, во-первых, на использовании деревьев префиксов, во-вторых, на соответствии префиксов мотивов диапазонам хешей в хешированных нуклеотидных последовательностях анализируемой выборки и, в-третьих, на технологии CUDA, позволяющей использовать для массового параллельного счета графические ускорители, широкодоступные для исследователей.

Предложенный подход был использован для проведения контекстного анализа промоторных областей генов мыши с достоверно изменившейся после лишения пищи экспрессией в AGRP (Agouti Related Peptide) нейронах гипоталамуса. Когда животное лишено пищи, так называемые AGRP нейроны гипоталамуса вырабатывают молекулы, которые повышают аппетит и облегчают набор веса. Понимание клеточных механизмов, лежащих в основе функционирования нейронов AGRP в ответ на потерю веса, необходимо для разработки методов борьбы с ожирением, которое является наследственным заболеванием, имеющим лишь несколько безопасных и долгосрочных эффективных методов лечения и стратегий вмешательства. Проведенный нами анализ выявил значимые олигонуклеотидные мотивы, ассоциированные с голоданием.

De novo motif discovery in the regulatory regions of eukaryotic genes poses a complex computational problem due to the large size of datasets and huge diversity of motifs. This article suggests a new algorithm for measuring the presence of degenerate oligonucleotide motifs written as a 15-letter IUPAC code in a DNA dataset. Its performance has increased 10 times compared with the previous one. There are three key ingredients of this method. The first one is the prefix trees. The second is the relation between motif prefixes and hash ranges in the analyzed nucleotide sequences. The third consists of applying CUDA framework to the massive parallelization allowing to use affordable graphic accelerators.

The context analysis of promoter regions of mouse genes differently expressed (DEG) in hypothalamic AGRP neurons after food deprivation was performed with the proposed method. When an animal is deprived of food, AGRP neurons produce molecules that increase appetite and stimulate weight gain. The understanding of how AGRP neurons respond to weight loss is important to confront the obesity. Nowadays, this hereditary disease lacks methods of treatment and intervention strategies which would be both safe and efficient in the long term. The performed analysis revealed relevant oligonucleotide motifs that were associated with starvation.

олигонуклеотидный мотивGPGPUожирениеoligonucleotide motifGPGPUobesityРабота поддержана бюджетным проектом № 0324-2019-0040.ReferencesPesole G, Liuni S, Dsouza M. PatSearch: A pattern matcher sontware that finds functional elements in nucleotide and protein sequences and assesses their statistical significance // Bioinformatics. 2000. V. 16, № 5. P. 439–450.Pesole G, Liuni S, Dsouza M. PatSearch: A pattern matcher sontware that finds functional elements in nucleotide and protein sequences and assesses their statistical significance // Bioinformatics. 2000. V. 16, № 5. P. 439–450.Marsan L, Sagot M. F. Algorithms for extracting structured motifs using a suffix tree with an application to promoter and regulatory site consensus identification // J Comput Biol. 2000. V. 7 (3–4). P. 345–362.Marsan L, Sagot M. F. Algorithms for extracting structured motifs using a suffix tree with an application to promoter and regulatory site consensus identification // J Comput Biol. 2000. V. 7 (3–4). P. 345–362.Hertz G, Stormo G. Identifying DNA and protein patterns with statistically significant alignments of multiple sequences // Bioinformatics. 1999. V. 15 (7–8). P. 563–577.Hertz G, Stormo G. Identifying DNA and protein patterns with statistically significant alignments of multiple sequences // Bioinformatics. 1999. V. 15 (7–8). P. 563–577.Grundy W. N., Bailey T. L., Elkan C. P. ParaMEME: A parallel implementation and a web interface for a DNA and protein motif discovery tool // CABIOS. 1996. V. 12. P. 303–310.Grundy W. N., Bailey T. L., Elkan C. P. ParaMEME: A parallel implementation and a web interface for a DNA and protein motif discovery tool // CABIOS. 1996. V. 12. P. 303–310.Lawrence C. E., Altschul S. F., Boguski M. S., Liu J. S. et al. Detecting subtle sequence signals: A Gibbs sampling strategy for multiple alignment // Science. 1993. V. 262, № 5131. P. 208–214.Lawrence C. E., Altschul S. F., Boguski M. S., Liu J. S. et al. Detecting subtle sequence signals: A Gibbs sampling strategy for multiple alignment // Science. 1993. V. 262, № 5131. P. 208–214.Nickolls J., Buck I., Garland M., Skadron K. Scalable Parallel Programming with CUDA // Queue. 2008. V. 6, № 2. P.40–53.Nickolls J., Buck I., Garland M., Skadron K. Scalable Parallel Programming with CUDA // Queue. 2008. V. 6, № 2. P.40–53.Vishnevsky O. V., Bocharnikov A. V., Kolchanov N. A. ARGO_CUDA: Exhaustive GPU based approach for motif discovery in large DNA datasets // Journal of Bioinformatics and Computation Biology. 2017. V. 16, № 1.Vishnevsky O. V., Bocharnikov A. V., Kolchanov N. A. ARGO_CUDA: Exhaustive GPU based approach for motif discovery in large DNA datasets // Journal of Bioinformatics and Computation Biology. 2017. V. 16, № 1.Huang D. W., Sherman B. T., Lempicki R. A. Systematic and integrative analysis of large gene lists using DAVID Bioinformatics Resources // Nature Protoc. 2009. V. 4, № 1. P. 44-57.Huang D. W., Sherman B. T., Lempicki R. A. Systematic and integrative analysis of large gene lists using DAVID Bioinformatics Resources // Nature Protoc. 2009. V. 4, № 1. P. 44-57.Huang D. W., Sherman B. T., Lempicki R. A. Bioinformatics enrichment tools: paths toward the comprehensive functional analysis of large gene lists // Nucleic Acids Res. 2009. V. 37, № 1. P. 1–13.Huang D. W., Sherman B. T., Lempicki R. A. Bioinformatics enrichment tools: paths toward the comprehensive functional analysis of large gene lists // Nucleic Acids Res. 2009. V. 37, № 1. P. 1–13.Henry F. et al. Cell type-specific transcriptomics of hypothalamic energy-sensing neuron responses to weight-loss // Elife. 2015. Sep 2–4.Henry F. et al. Cell type-specific transcriptomics of hypothalamic energy-sensing neuron responses to weight-loss // Elife. 2015. Sep 2–4.Zerbino D. R., Flicek P. et al. Ensembl 2018 // PubMed. 2018. PMID: 29155950.Zerbino D. R., Flicek P. et al. Ensembl 2018 // PubMed. 2018. PMID: 29155950.Durinck S., Spellman P., Birney E., Huber W. Mapping identifiers for the integration of genomic datasets with the R/Bioconductor package biomaRt // Nature Protocols. 2009. V. 4. P. 1184–1191.Durinck S., Spellman P., Birney E., Huber W. Mapping identifiers for the integration of genomic datasets with the R/Bioconductor package biomaRt // Nature Protocols. 2009. V. 4. P. 1184–1191.Gupta S., Stamatoyannopoulos J. A., Bailey T. L., and Noble W. S. Quantifying similarity between motifs // Genome Biology. 2007. V. 8, № 2. R24.Gupta S., Stamatoyannopoulos J. A., Bailey T. L., and Noble W. S. Quantifying similarity between motifs // Genome Biology. 2007. V. 8, № 2. R24.

The authors declare that there are no conflicts of interest present.