Տեղեկություն

Ինչպե՞ս են մուտացիաները և սպիտակուցի սինթեզը կապում քաղցկեղի հետ:


Ինչպե՞ս են մուտացիաները և սպիտակուցի սինթեզը կապում քաղցկեղի հետ:

Ես գիտեմ, որ ԴՆԹ-ի մուտացիան կարող է հանգեցնել mRNA-ի եռակի ծածկագրի փոփոխության, այնպես որ ստացվում են տարբեր ամինաթթուներ, և այլ կարգը նշանակում է, որ արտադրվում է այլ սպիտակուց, բայց ինչպես է այն կապվում քաղցկեղի հետ, երբ քաղցկեղն առաջանում է անվերահսկելի միտոզով:

Շնորհակալություն

Այս հարցը GCSE մակարդակի վրա է, այնքան առաջին կուրսեցի/2-րդ կուրսեցի:


ԴՆԹ-ի մուտացիան կարող է լինել օգտակար, վնասակար կամ ոչ մի ազդեցություն: Սա կախված է գենի գտնվելու վայրից, որտեղ այս մուտացիան տեղի է ունեցել:

Քաղցկեղի հետ կապված տարբեր գեներ են.

Ուռուցք ճնշող գեներԱյս գեները կարգավորում են բջիջների աճը՝ վերահսկելով բջիջների բաժանումը, վերականգնելով անհամապատասխան ԴՆԹ-ն և կարգավորելով բջիջների մահը: Այս տեսակի գենի մուտացիան հանգեցնում է բջիջների չկարգավորված աճի և հանգեցնում է ուռուցքի առաջացման:

Օրինակներ.

  • TP53-ը ամենատարածված մուտացիայի ենթարկված ուռուցքը ճնշող գենն է: Քաղցկեղների ավելի քան 50%-ն առաջանում է այս գենի մուտացիայի պատճառով:
  • BRCA1 կամ BRCA2 գեների մուտացիան պատասխանատու է կրծքագեղձի և ձվարանների քաղցկեղի համար: Այն կարող է նաև մեծացնել ենթաստամոքսային գեղձի քաղցկեղի և մելանոմայի վտանգը:

Պրոտո-օնկոգեններԱյս գեները օգնում են բջիջներին նորմալ զարգանալ: Այս գենի մուտացիան հանգեցնում է նրա մշտական ​​ակտիվացմանը և տեղի է ունենում բջիջների չկարգավորված աճ և հանգեցնում քաղցկեղի: Այս աննորմալ գենը կոչվում է օնկոգեն:

Օրինակներ.

  • HER2-ը պատասխանատու է կրծքագեղձի և ձվարանների քաղցկեղի համար:

  • RAS գեների ընտանիք, որը պատասխանատու է բջջային կապի, բջիջների աճի և բջիջների մահվան համար:

ԴՆԹ վերականգնող գեներԱյս գեները դեր են խաղում ԴՆԹ-ի վերականգնման գործում, որը չի համապատասխանում վերարտադրության ժամանակ: ԴՆԹ վերականգնող գենի թերությունը հանգեցնում է սխալ ձևավորված ԴՆԹ-ի սինթեզի և, ի վերջո, սխալ սպիտակուցի սինթեզի:


Գեները և սպիտակուցները կարգավորում են միտոզը: Բջջային ցիկլը կարգավորող և քաղցկեղը կանխող սպիտակուցի ամենատարածված օրինակը P53-ն է:

Եթե ​​ցանկանում եք ավելին իմանալ, դիտեք բջջային ցիկլի անցակետերը:


Մուտացիաներ և հիվանդություններ

ԴՆԹ-ն մշտապես ենթարկվում է մուտացիաների, իր կոդի պատահական փոփոխությունների։ Մուտացիաները կարող են հանգեցնել բացակայող կամ սխալ ձևավորված սպիտակուցների, ինչը կարող է հանգեցնել հիվանդության:

Մենք բոլորս սկսում ենք մեր կյանքը որոշ մուտացիաներով: Ձեր ծնողներից ժառանգած այս մուտացիաները կոչվում են սաղմնային գծի մուտացիաներ: Այնուամենայնիվ, դուք կարող եք նաև մուտացիաներ ձեռք բերել ձեր կյանքի ընթացքում: Որոշ մուտացիաներ տեղի են ունենում բջիջների բաժանման ժամանակ, երբ ԴՆԹ-ն կրկնօրինակվում է: Դեռևս այլ մուտացիաներ են առաջանում, երբ ԴՆԹ-ն վնասվում է շրջակա միջավայրի գործոններից, ներառյալ ուլտրամանուշակագույն ճառագայթումը, քիմիական նյութերը և վիրուսները:

Քիչ մուտացիաները վնասակար են ձեզ համար: Իրականում որոշ մուտացիաներ կարող են օգտակար լինել: Ժամանակի ընթացքում գենետիկ մուտացիաները ստեղծում են գենետիկական բազմազանություն, որը պահպանում է բնակչության առողջությունը: Շատ մուտացիաներ ընդհանրապես ազդեցություն չունեն։ Դրանք կոչվում են լուռ մուտացիաներ:

Բայց մուտացիաները, որոնց մասին ամենից հաճախ լսում ենք, հենց նրանք են, որոնք հիվանդություն են առաջացնում: Որոշ հայտնի ժառանգական գենետիկ խանգարումներ ներառում են կիստոզային ֆիբրոզը, մանգաղ բջջային անեմիան, Թեյ-Սաքսի հիվանդությունը, ֆենիլկետոնուրիան և դալտոնուրիան, ի թիվս այլոց: Այս բոլոր խանգարումները պայմանավորված են մեկ գենի մուտացիայով:

Ժառանգական գենետիկական հիվանդությունների մեծ մասը ռեցեսիվ է, ինչը նշանակում է, որ խանգարումը ժառանգելու համար մարդը պետք է ժառանգի մուտացված գենի երկու օրինակ: Սա այն պատճառներից մեկն է, որ մերձավոր ազգականների միջև ամուսնությունը հուսահատվում է, երկու գենետիկորեն նման չափահաս մարդիկ ավելի հավանական է, որ երեխային գենի երկու օրինակ տալ:

Թերի գենի միայն մեկ օրինակով առաջացած հիվանդությունները, ինչպիսին է Հանթինգթոնի հիվանդությունը, հազվադեպ են: Բնական ընտրության շնորհիվ այս գերիշխող գենետիկ հիվանդությունները հակված են ժամանակի ընթացքում վերանալ պոպուլյացիաներից, քանի որ տուժած կրողները ավելի հավանական է, որ մահանան նախքան բազմանալը:

Գիտնականները գնահատում են, որ մեզանից յուրաքանչյուրն ունի 5-ից 10 պոտենցիալ մահացու մուտացիաներ մեր գեներում. լավ նորությունն այն է, որ քանի որ սովորաբար կա վատ գենի միայն մեկ օրինակ, այդ հիվանդությունները չեն դրսևորվում:

Քաղցկեղը սովորաբար առաջանում է մեկ բջջի ներսում մի շարք մուտացիաների արդյունքում: Հաճախ սխալ, վնասված կամ բացակայող p53 գենն է մեղավոր: p53 գենը արտադրում է սպիտակուց, որը դադարեցնում է մուտացված բջիջների բաժանումը: Առանց այս սպիտակուցի, բջիջները բաժանվում են անվերահսկելի և դառնում ուռուցք:


Էպիգենետիկ փոփոխություններ քաղցկեղի մեջ

Քաղցկեղի բջիջներում տարածված են լռեցնող գեները, որոնք առաջանում են էպիգենետիկ մեխանիզմների միջոցով, ներառում են հիստոնային սպիտակուցների և ԴՆԹ-ի փոփոխություններ:

Ուսուցման նպատակները

Նկարագրեք քաղցկեղի առաջացման գործում գենային արտահայտման էպիգենետիկ փոփոխությունների դերը

Հիմնական Takeaways

Հիմնական կետերը

  • Քաղցկեղի բջիջներում խլացված գեների խթանող շրջանում գտնվող ԴՆԹ-ն մեթիլացված է CpG կղզիների ցիտոզինի ԴՆԹ-ի մնացորդների վրա:
  • Հիստոնային սպիտակուցները, որոնք շրջապատում են խլացված գեների պրոմոութերական շրջանը, չունեն ացետիլացման մոդիֆիկացում, որն առկա է, երբ գեները արտահայտվում են նորմալ բջիջներում:
  • Երբ ԴՆԹ-ի մեթիլացման և հիստոնային դեացետիլացման համակցությունը տեղի է ունենում քաղցկեղի բջիջներում, այդ քրոմոսոմային շրջանում առկա գենը լռում է:
  • Էպիգենետիկ փոփոխությունները, որոնք փոփոխվում են քաղցկեղի դեպքում, կարող են շրջվել և, հետևաբար, կարող են օգտակար լինել դեղամիջոցների և թերապիայի նոր ձևավորման մեջ:

Հիմնական պայմաններ

  • էպիգենետիկգեների արտահայտման կամ բջջային ֆենոտիպի ժառանգական փոփոխությունների ուսումնասիրություն, որոնք առաջացել են այլ մեխանիզմներով, բացառությամբ հիմքում ընկած ԴՆԹ-ի հաջորդականության փոփոխության:
  • մեթիլացումՄեթիլ խմբի ավելացում ցիտոզինի և ադենինի մնացորդներին ԴՆԹ-ում, ինչը հանգեցնում է ԴՆԹ-ի էպիգենետիկ ձևափոխմանը և գեների արտահայտման և սպիտակուցի արտադրության նվազեցմանը:
  • ացետիլացումնյութի ռեակցիա քացախաթթվի կամ դրա ածանցյալներից մեկի հետ մեկ կամ մի քանի ացետիլ խմբերի ներմուծում նյութի մեջ.

Քաղցկեղ և էպիգենետիկ փոփոխություններ

Քաղցկեղի էպիգենետիկան քաղցկեղի բջիջների գենոմի էպիգենետիկ փոփոխությունների ուսումնասիրությունն է, որոնք չեն ներառում նուկլեոտիդային հաջորդականության փոփոխություն: Էպիգենետիկ փոփոխությունները նույնքան կարևոր են, որքան գենետիկական մուտացիաները բջիջների վերածվելով քաղցկեղի: Ուռուցք ճնշող գեների էպիգենետիկ լռեցման և օնկոգենների ակտիվացման մեխանիզմները ներառում են.

Էպիգենետիկ փոփոխություններ քաղցկեղի բջիջներումՔաղցկեղի բջիջներում էպիգենետիկ մեխանիզմների միջոցով գեների լռեցումը սովորական երևույթ է: Մեխանիզմները կարող են ներառել այս խլացնող գեների հետ կապված հիստոնային սպիտակուցների և ԴՆԹ-ի փոփոխություններ:

Էպիգենետիկ մեխանիզմների միջոցով գեների լռեցումը շատ տարածված է քաղցկեղի բջիջներում և ներառում է հիստոնային սպիտակուցների և ԴՆԹ-ի փոփոխություններ, որոնք կապված են խլացված գեների հետ: Քաղցկեղի բջիջներում խլացված գեների խթանող շրջանում գտնվող ԴՆԹ-ն մեթիլացվում է CpG կղզիների ցիտոզինի ԴՆԹ մնացորդների վրա, գենոմային շրջաններ, որոնք պարունակում են CpG տեղամասերի բարձր հաճախականություն, որտեղ ցիտոսինի նուկլեոտիդը հայտնվում է գուանի նուկլեոտիդի կողքին: Հիստոնային սպիտակուցները, որոնք շրջապատում են այդ շրջանը, չունեն ացետիլացման մոդիֆիկացիա (ացետիլ խմբի ավելացում), որն առկա է, երբ գեները արտահայտվում են նորմալ բջիջներում: ԴՆԹ-ի մեթիլացիայի և հիստոնային դացետիլացման այս համակցությունը (էպիգենետիկ փոփոխություններ, որոնք հանգեցնում են գեների լռեցման) սովորաբար հանդիպում են քաղցկեղի մեջ: Երբ այս փոփոխությունները տեղի են ունենում, այդ քրոմոսոմային շրջանում առկա գենը լռում է: Գիտնականներն ավելի ու ավելի են հասկանում, թե ինչպես են այս էպիգենետիկ փոփոխությունները փոխվում քաղցկեղի դեպքում: Քանի որ այս փոփոխությունները ժամանակավոր են և կարող են շրջվել (օրինակ՝ կանխելով հիստոն դեացետիլազային սպիտակուցի գործողությունը, որը հեռացնում է ացետիլ խմբերը, կամ ԴՆԹ մեթիլ տրանսֆերազա ֆերմենտների միջոցով, որոնք մեթիլ խմբեր են ավելացնում ԴՆԹ-ի ցիտոսիններին), հնարավոր է նախագծել նոր դեղամիջոցներ և նոր թերապիաներ՝ օգտվելու այս գործընթացների շրջելի բնույթից: Իրոք, շատ հետազոտողներ փորձարկում են, թե ինչպես կարելի է խլացված գենը նորից միացնել քաղցկեղի բջիջում՝ օգնելու վերականգնել աճի նորմալ օրինաչափությունները:

Ենթադրվում է, որ բազմաթիվ այլ հիվանդությունների զարգացման մեջ ներգրավված գեները՝ սկսած ալերգիայից մինչև բորբոքում մինչև աուտիզմ, նույնպես կարգավորվում են էպիգենետիկ մեխանիզմներով: Քանի որ մեր գիտելիքները խորանում են այն մասին, թե ինչպես են վերահսկվում գեները, այս հիվանդությունների և քաղցկեղի բուժման նոր ուղիներ կհայտնվեն:


Ո՞րն է կապը սպիտակուցի սինթեզի և մուտացիաների միջև

Ո՞րն է կապը սպիտակուցի սինթեզի և մուտացիաների միջև:

ՄՈՒՏԱՑԻԱ. ԴՆԹ-ում հիմքերի կարգի փոփոխություն

Մեկ կամ մի քանի նուկլեոտիդների փոփոխությունը կարող է առաջացնել արտահայտված գենի փոփոխություն:

Մուտացիաները կարող են լինել կամ՝ i) Օգտակար (+) ii) Չեզոք () iii) Վնասակար (-)

Կենդանիների հետաքրքիր մուտացիաներ… Շահավետ? Չեզոք? թե՞ վնասակար Երկու գլխանի կրիա

Մազ չունեցող ferret Անմազ կատու

Սիամյան երկվորյակներ - մրցանակակիր սումո ըմբիշներ -

Silver Wood Ducks - ջրային թռչունների գույնի մուտացիաներ -

Ձյան փաթիլ Բարսելոնայի կենդանաբանական այգում Ալբինիզմ. խանգարում, որն ազդում է այս գորիլայի մաշկի/մազերի գույնի վրա: Ձյան փաթիլը մահացավ քաղցկեղից 2003 թվականին, երբ նա մոտավորապես 37 տարեկան էր: Նա ուներ մի շարք սերունդներ, որոնցից բոլորը ալբինիզմ չունեին:

Ո՞րն է կապը մուտացիաների և էվոլյուցիայի միջև: Մուտացիաները էվոլյուցիայի հիմքն են: Առանց մուտացիաների ժամանակի ընթացքում փոփոխություններ չեն լինում, հետևաբար ոչ մի էվոլյուցիա: ԴՆԹ-ի փոփոխությունները կարող են ծածկագրել ինչպես արտաքին, այնպես էլ վարքագծի փոփոխությունները: Բնական ընտրությունը կա՛մ նպաստում է («ընտրում»), կա՛մ հավանություն չի տալիս նման փոփոխություններին, քանի որ դրանք ազդում են գոյատևելու և վերարտադրվելու ունակության վրա (պիտանիություն):

Մուտացիաները կարող են լինել կամ՝ i) Օգտակար (+) ii) Չեզոք () iii) Վնասակար (-)

Օգտակար մուտացիաներ Օրինակ՝ մանգաղաձև անեմիա, կարմիր արյան բջիջները մանգաղաձև են, ոչ կլոր: Այս գենի մեկ օրինակը մարդուն դիմադրում է մահացու մալարիայի նկատմամբ:

Օրինակ՝ բակտերիաներ, որոնք կարող են մարսել յուղը, Օգտագործվում է նավթի արտահոսքը մաքրելու համար Օրինակ՝ սուպերբակտերիաներ… Մուտացիան թույլ է տալիս որոշ բակտերիաների դիմակայել / չսպանվել մարդկանց համար վնասակար բակտերիաների համար օգտակար հակաբիոտիկների կողմից:

Վնասակար մուտացիաներ Օրինակ՝ կիստիկական ֆիբրոզ - թոքերի մեջ լորձի կուտակումը թոքերի վարակները կարող են մահացու լինել

Շաքարախտի ինսուլինի սպիտակուցը ճիշտ չի արտադրվում Արյան շաքարի մակարդակը վերահսկողությունից դուրս է

Ինչպե՞ս են առաջանում մուտացիաները: I. Շրջանակի փոփոխման մուտացիաներ. նուկլեոտիդի ավելացում կամ ջնջում ԿԱՏՈՒՆ կերել է առնետին «C»-ի ջնջումը առաջացնում է.

II. Կետային մուտացիաներ Մեկ նուկլեոտիդը փոխվում է, միայն 1 կոդոն է ազդում i) Լուռ-առանց ազդեցության GAT GAC – երկուսն էլ կոդ լեյցինի համար ii) Missense- սպիտակուցի վերջնական ձևը և ուժեղացուցիչ ֆունկցիան ազդել են CTT CAT-ի վրա. – սերինը փոխարինվել է STOP-ով

մուտագեններ. շրջակա միջավայրի գործոններ, որոնք առաջացնում են մուտացիաներ 1. Բարձր էներգիայի ճառագայթում. ռենտգենյան ճառագայթներ, գամմա ճառագայթներ, ուլտրամանուշակագույն լույս 2. քիմիական մուտագեններ՝ բենզոլներ, դիօքսիններ, ծխախոտի ծխի որոշ նյութեր և պեստիցիդներ

https://www. քաղցկեղի հետազոտություն. org/aboutcancer/causes-of-cancer/cancer-contraversies/plasticbottles-and-food-containers

Վերամշակված միս և մանկական լեյկեմիայի վտանգ https://www. ncbi. nlm. NIH. gov/pubmed/8167267


ԴՆԹ-ի հաջորդականությունները

Միջուկում ԴՆԹ-ի երկու շղթաները միասին պահվում են ազոտային հիմքերով (նաև կոչվում են նուկլեոբազներ կամ հիմքեր): Չորս հիմքեր՝ ցիտոզին, գուանին, ադենին և թիմին, կազմում են ԴՆԹ-ի բաղադրատոմսերի գրքի բառերի տառերը:

ԴՆԹ-ի մեկ շղթան պարունակում է բնօրինակ կոդը: Եթե ​​այս կոդի հրահանգները ուշադիր հետևվեն, ապա միջուկից դուրս կարող է հավաքվել կոնկրետ ճիշտ պոլիպեպտիդ: ԴՆԹ-ի երկրորդ շարանը՝ կաղապարի շարանը, սկզբնական շղթայի հայելային պատկերն է: Այն պետք է լինի հայելային պատկեր, քանի որ նուկլեոբազները կարող են կցել միայն փոխլրացնող գործընկերներին: Օրինակ, ցիտոսինը երբևէ զուգակցվում է միայն գուանինի հետ, իսկ թիմինը միայն ադենինի հետ:

Կենսաբանության տարբեր դասագրքերում հավանաբար տեսած կլինեք այնպիսի ծածկագրեր, ինչպիսիք են CTA, ATA, TAA և CCC: Եթե ​​սրանք ԴՆԹ-ի սկզբնական շղթայի կոդոններն են (երեք հիմքերի հավաքածու), ապա կաղապարի շարանը կկցվի դրանց՝ օգտագործելով իրենց գործընկերները: Այսպիսով, օգտագործելով տրված օրինակները, ձևանմուշ ԴՆԹ-ն կկապվի սկզբնական ԴՆԹ շղթային՝ օգտագործելով GAT, TAT, ATT և GGG:

Մեսսենջեր ՌՆԹ-ն այնուհետև պատճենում է կաղապարի շարանը: Սա նշանակում է, որ այն ի վերջո ստեղծում է բնօրինակ շղթայի ճշգրիտ պատճենը: Միակ տարբերությունն այն է, որ mRNA-ն փոխարինում է թիմին ուրացիլ կոչվող հիմքով: Կաղապարի շղթայի mRNA պատճենը, օգտագործելով տրված օրինակները, կկարդա CUA, AUA, UAA և CCC:

Այս ծածկագրերը կարելի է կարդալ միջուկից դուրս փոխանցվող ՌՆԹ-ի միջոցով, իսկ բաղադրատոմսը կարող է հասկանալ մի մոլեկուլ, որը լիովին չի հասկանում բնագրում օգտագործված լեզուն (այն չի հասկանում թիմին, միայն ուրացիլ): Տրանսֆերային ՌՆԹ-ն օգնում է ճիշտ մասերը հասցնել ռիբոսոմի հավաքման գիծ: Այնտեղ սպիտակուցային շղթա է կառուցվում, որը համապատասխանում է սկզբնական ԴՆԹ շղթայի հրահանգներին:


Մուտացիայի ազդեցությունը սպիտակուցի կառուցվածքի վրա | Գենետիկա | Կենսաբանություն

Կետային մուտացիաները ներառում են գենում բազային զույգի ավելացում, ջնջում կամ փոխարինում:

2. Քրոմոսոմային մուտացիաներ.

ԴՆԹ-ի ավելացումը կամ ջնջումը առաջացնում է մուտացիաներ անցման ժամանակ:

3. Թռիչքային գեները նաև առաջացնում են սպիտակուցի կառուցվածքի փոփոխություն՝ նրանց գտնվելու վայրը մի քրոմոսոմից մյուսը խառնելով:

Մուտացիաների արդյունքում առաջացած աննորմալ mRNA-ն հանգեցնում է սպիտակուցի կառուցվածքի և ֆունկցիայի փոփոխության: Շրջանակի հերթափոխի մուտացիան, որը առաջանում է մեկ կամ երկու հիմքերի ավելացման կամ ջնջման արդյունքում, կհանգեցնի ամբողջովին նոր պոլիպեպտիդի ձևավորմանը:

Մուտացիան կարող է փոխել նորմալ կոդոնը տերմինատորի կոդոնի, ինչը կհանգեցնի թերի պոլիպեպտիդի ձևավորմանը: Փոփոխված կամ թերի պոլիպեպտիդը կարող է լինել ոչ ակտիվ և կարող է մահացու լինել բջջի համար: Օրինակ, մանգաղ բջջային անեմիան առաջանում է մեկ հիմքի փոխարինմամբ: Սա հանգեցնում է գլուտամինաթթվի փոխարինմանը վալինով հեմոգլոբինի շղթայի 6-րդ դիրքում:

Բայց երրորդ հիմքի փոփոխությունը եռյակում չի կարող որևէ փոփոխություն առաջացնել պոլիպեպտիդում: Դա պայմանավորված է նրանով, որ կոդոնը կարող է փոխազդել համապատասխան tRNA-ի հակակոդոնի հետ: Այս երեւույթը հայտնի է որպես Wobble վարկած։ Այն առաջարկվել է Կրիկի կողմից 1966 թվականին։

Ըստ այս վարկածի՝ tRNA հակակոդոնի միայն առաջին երկու հիմքերն են կապվում mRNA կոդոնի առաջին երկու հիմքերի հետ։ Երրորդ դիրքը կոչվում է ճոճվող դիրք: Մուտացիաները, որոնք չեն առաջացնում որևէ փոփոխություն սպիտակուցի մեջ, կոչվում են լուռ մուտացիաներ:


Պրոտո-օնկոգեններ

Այն գեները, որոնք ծածկագրում են դրական բջջային ցիկլի կարգավորիչներ կոչվում են պրոօնկոգեններ։ Պրոտոնկոգենները նորմալ գեներ են, որոնք. երբ մուտացիայի ենթարկվում են, դառնում են օնկոգեններ- գեներ, որոնք առաջացնում են բջիջների քաղցկեղի վերածում: Մտածեք, թե ինչ կարող է պատահել բջջի ցիկլի հետ վերջերս ձեռք բերված օնկոգենով բջիջում: Շատ դեպքերում ԴՆԹ-ի հաջորդականության փոփոխությունը հանգեցնում է պակաս ֆունկցիոնալ (կամ ոչ ֆունկցիոնալ) սպիտակուցի: Արդյունքը վնասակար է բջջի համար և, ամենայն հավանականությամբ, կխանգարի բջիջին ավարտել բջջային ցիկլը, սակայն օրգանիզմը չի տուժում, քանի որ մուտացիան չի տեղափոխվի: Եթե ​​բջիջը չի կարող վերարտադրվել, մուտացիան չի տարածվում, և վնասը նվազագույն է: Երբեմն, սակայն, գենային մուտացիան առաջացնում է փոփոխություն, որը մեծացնում է դրական կարգավորիչի ակտիվությունը: Օրինակ, մուտացիան, որը թույլ է տալիս Cdk-ին՝ բջջային ցիկլի կարգավորման մեջ ներգրավված սպիտակուցին, ակտիվացնել նախքան այն պետք է ակտիվացնել, կարող է բջջային ցիկլը մղել անցակետից՝ նախքան բոլոր պահանջվող պայմանները բավարարելը: Եթե ​​առաջացած դուստր բջիջները շատ վնասված լինեն հետագա բջիջների բաժանման համար, մուտացիան չի տարածվի, և օրգանիզմին ոչ մի վնաս չի հասցվի: Այնուամենայնիվ, եթե ատիպիկ դուստր բջիջները կարողանան ավելի բաժանվել, բջիջների հետագա սերունդը, հավանաբար, ավելի շատ մուտացիաներ կկուտակի, որոշները, հնարավոր է, լրացուցիչ գեներում, որոնք կարգավորում են բջջային ցիկլը:

Cdk-ի օրինակը շատ գեներից միայն մեկն է, որոնք համարվում են պրոօնկոգեններ: Բջջային ցիկլը կարգավորող սպիտակուցներից բացի, ցանկացած սպիտակուց, որն ազդում է ցիկլի վրա, կարող է փոփոխվել այնպես, որ հաղթահարի բջջային ցիկլի անցակետերը: Երբ պրոօնկոգենը փոխվել է այնպես, որ կա բջջային ցիկլի արագության աճ, այն կոչվում է օնկոգեն:


Մարդու որոշ հիվանդություններ առաջանում են ինքնաբուխ մուտացիաներով

Մարդկային շատ տարածված հիվանդություններ, որոնք հաճախ կործանարար են իրենց հետևանքով, պայմանավորված են միայնակ գեների մուտացիաներով: Գենետիկական հիվանդություններն առաջանում են սեռական բջիջների (ձվի և սերմի) ինքնաբուխ մուտացիաների արդյունքում, որոնք փոխանցվում են ապագա սերունդներին: Օրինակ, մանգաղ բջջային անեմիա, որը ազդում է աֆրիկյան ծագում ունեցող 500 անհատներից 1-ի վրա, առաջանում է այս մուտացիայի արդյունքում β-գլոբին գենի կոդոն 6-ի մի անիմաստ մուտացիայով, նորմալ սպիտակուցի 6-րդ դիրքում գտնվող գլուտամինաթթուն վերածվում է վալինի: մուտանտ սպիտակուցի մեջ: Այս փոփոխությունը խոր ազդեցություն է ունենում հեմոգլոբինի վրա՝ էրիթրոցիտների թթվածին կրող սպիտակուցը, որը բաղկացած է երկու α-գլոբին և երկու β-գլոբին ենթամիավորներից (տես Նկար 3-11): Մուտանտ սպիտակուցի դեզօքսիգենացված ձևը անլուծելի է էրիթրոցիտներում և ձևավորում է բյուրեղային զանգվածներ։ Տուժած անհատների էրիթրոցիտները դառնում են կոշտ, և դրանց անցումը մազանոթների միջով արգելափակվում է՝ առաջացնելով ուժեղ ցավ և հյուսվածքների վնաս: Քանի որ հետերոզիգոտ անհատների էրիթրոցիտները կայուն են Աֆրիկայում էնդեմիկ մալարիա առաջացնող մակաբույծի նկատմամբ, մուտանտ ալելը պահպանվել է: Այնպես չէ, որ աֆրիկյան ծագում ունեցող անհատներն ավելի հավանական է, քան մյուսները, ձեռք բերելու մուտացիա, որն առաջացնում է մանգաղ բջջային արատ, այլ ավելի շուտ մուտացիան պահպանվել է այս պոպուլյացիայի մեջ խաչասերման միջոցով:

Սոմատիկ բջիջների ինքնաբուխ մուտացիան (այսինքն՝ մարմնի ոչ գերմային բջիջները) նույնպես կարևոր մեխանիզմ է մարդու որոշ հիվանդությունների դեպքում, այդ թվում՝ ռետինոբլաստոմա, որը կապված է երեխաների ցանցաթաղանթի ուռուցքների հետ (տես Նկար 24-11): Ռետինոբլաստոմայի ժառանգական ձևը, օրինակ, առաջանում է մեկում սաղմնային գծի մուտացիայի արդյունքում Ռբ ալել և մյուսում սոմատիկորեն առաջացող երկրորդ մուտացիա Ռբ ալել (Նկար 8-7ա): Երբ ան Ռբ ցանցաթաղանթի հետերոզիգոտ բջիջը ենթարկվում է սոմատիկ մուտացիայի, որի արդյունքում այն ​​մնում է առանց նորմալ ալելի, բջիջը բազմանում է անվերահսկելի կերպով՝ առաջացնելով ցանցաթաղանթի ուռուցք: Այս հիվանդության երկրորդ ձևը, որը կոչվում է սպորադիկ ռետինոբլաստոմա, արդյունք է երկու անկախ մուտացիաների, որոնք խախտում են երկուսն էլ Ռբ ալելներ (Նկար 8-7բ): Քանի որ ժառանգական ռետինոբլաստոմա ունեցող երեխաների ուռուցքի զարգացման համար պահանջվում է միայն մեկ սոմատիկ մուտացիա, այն տեղի է ունենում շատ ավելի հաճախականությամբ, քան սպորադիկ ձևը, որը պահանջում է երկու անկախ տեղի ունեցող սոմատիկ մուտացիաների ձեռքբերում: Ցույց է տրվել, որ Rb սպիտակուցը կարևոր դեր է խաղում բջիջների բաժանումը վերահսկելու գործում (Գլուխ 13):

Նկար 8-7

Ինքնաբուխ սոմատիկ մուտացիայի դերը ռետինոբլաստոմայում, մանկական հիվանդություն, որը նշանավորվում է ցանցաթաղանթի ուռուցքներով: Ուռուցքները առաջանում են ցանցաթաղանթի բջիջներից, որոնք կրում են երկու մուտանտ Ռբ − ալելներ. ա) Ժառանգական ռետինոբլաստոմայի դեպքում երեխան ստանում է նորմալ Ռբ + ալել (ավելին. )

Ավելի ուշ բաժնում մենք կտեսնենք, թե ինչպես կարելի է մեկուսացնել և կլոնավորել հիվանդության հետ կապված գեների նորմալ պատճենները:


Վերացական

Արագորեն աճում է գենետիկ հիվանդությունների ցանկը, որոնք առաջանում են մուտացիաների հետևանքով, որոնք ազդում են mRNA թարգմանության վրա: Չնայած սպիտակուցի սինթեզը հիմնարար գործընթաց է բոլոր բջիջներում, հիվանդության ֆենոտիպերը ցույց են տալիս տարասեռության զարմանալի աստիճան: Այս հիվանդություններից որոշների ուսումնասիրությունները հետաքրքիր նոր պատկերացումներ են տվել թարգմանության գործընթացում ներգրավված սպիտակուցների գործառույթների վերաբերյալ, օրինակ, ապացույցները ցույց են տալիս, որ մի քանիսն ունեն այլ գործառույթներ, բացի թարգմանության մեջ իրենց դերից: Հաշվի առնելով բազմաթիվ սպիտակուցներ, որոնք ներգրավված են mRNA-ի թարգմանության մեջ, հավանական է, որ հետագա ժառանգական հիվանդությունները պայմանավորված կլինեն գեների մուտացիաներով, որոնք ներգրավված են այս բարդ գործընթացում:


ԱՐԴՅՈՒՆՔՆԵՐ

Վավերացման թեստ

Մուտացիայի ֆունկցիոնալ ազդեցությունը կանխատեսելու FIS միավորի կարողությունը ստուգելու համար մենք կիրառեցինք հաշվողական արձանագրությունը «հիվանդության հետ կապված» և «ընդհանուր պոլիմորֆիզմի» տարբերակների և մուտացիաների նկատմամբ, ինչպես նշված է UniProt-ում (HUMSAVAR, թողարկում 2010_08): Համեմատելով հիվանդության հետ կապված և ընդհանուր պոլիմորֆ տարբերակների FIS-ի միավորները՝ մենք փորձարկեցինք այն վարկածը, որ հիվանդության հետ կապված տարբերակները և մուտացիաները սովորաբար բացասական ազդեցություն են ունենում սպիտակուցի ֆունկցիայի վրա և, հետևաբար, ավելի հավանական է, որ դրանք դիտարկվեն մուտացիայի ֆիքսման ցածր արագությամբ դիրքերում, այսինքն. պահպանված դիրքերում, մինչդեռ ֆունկցիոնալորեն չեզոք կամ թույլ վնասակար պոլիմորֆ տարբերակները ավելի հավանական է, որ նկատվեն էվոլյուցիոն անառակ դիրքերում: Հետևաբար, մենք պահանջում ենք, որ էվոլյուցիոն պահպանության միավորը տարբերակում է հիվանդության հետ կապված և պոլիմորֆ տարբերակները և կարող է օգտագործվել որպես մուտացիաների ֆունկցիոնալ ազդեցության չափում: Ուսումնասիրելու համար, թե ինչպես կարելի է լավագույնս բավարարել այս պահանջը, մենք փորձարկեցինք 1000 դիսկրետ շեմեր FIS-ում և հաշվեցինք հիվանդության հետ կապված և պոլիմորֆ տարբերակների քանակը շեմի երկու կողմերում: Ճանաչման ճշգրտությունը, որը սահմանվում է որպես ճիշտ նշանակված տարբերակների տոկոս, կազմում է 79%, երբ կեղծ դրական և կեղծ բացասականները հավասարակշռված են (հավասար կոտորակներ) (Նկար 2): Վավերացման թեստերի ամփոփ արդյունքները և ֆունկցիոնալ միավորի չափաբերման կորը ներկայացված են Նկար 2-ում և 3-ում և Լրացուցիչ տվյալների մեջ (Լրացուցիչ աղյուսակ S1):

Հիվանդության հետ կապված և պոլիմորֆ տարբերակների բաժանումը ֆունկցիոնալ ազդեցության գնահատականով: ( Ա ) UniProt-ում ծանոթագրված 19 179 «հիվանդության հետ կապված» և 35 608 «սովորական պոլիմորֆիզմի» տարբերակների և մուտացիաների համար հաշվարկված ֆունկցիոնալ միավորի արժեքների նորմալացված հարթեցված բաշխումները (HUMSAVAR, թողարկում 2010_08 http://www.uniprot.org/): docs/humsavar ): ( Բ ) Հիվանդության հետ կապված և պոլիմորֆ տարբերակների համար հաշվարկված միավորների արժեքների կուտակային բաշխումները, նույն տվյալները, ինչ (A-ում): Երկու տարբերակային դասերի միջև հավասարապես հավասարակշռված տարանջատում (79%) ձեռք է բերվում FIS-1.9 միավորի շեմով: Այս շեմի դեպքում հիվանդության հետ կապված բոլոր տարբերակների ~79%-ը գնահատվում է ավելի բարձր, քան այս շեմը, և բոլոր պոլիմորֆ տարբերակների ~79%-ը ավելի ցածր են: Առավելագույն տարանջատումը (~80.3%) երկու դասերի միջև ձեռք է բերվում այս շեմի 2.26 շեմային արժեքով, հիվանդության հետ կապված տարբերակների ~70%-ը գնահատվում է ավելի բարձր, իսկ պոլիմորֆ տարբերակների 86%-ը` ցածր:

Հիվանդության հետ կապված և պոլիմորֆ տարբերակների բաժանումը ֆունկցիոնալ ազդեցության գնահատականով: ( Ա ) UniProt-ում ծանոթագրված 19 179 «հիվանդության հետ կապված» և 35 608 «սովորական պոլիմորֆիզմի» տարբերակների և մուտացիաների համար հաշվարկված ֆունկցիոնալ միավորի արժեքների նորմալացված հարթեցված բաշխումները (HUMSAVAR, թողարկում 2010_08 http://www.uniprot.org/): docs/humsavar ): ( Բ ) Հիվանդության հետ կապված և պոլիմորֆ տարբերակների համար հաշվարկված միավորների արժեքների կուտակային բաշխումները, նույն տվյալները, ինչ (A-ում): Երկու տարբերակային դասերի միջև հավասարապես հավասարակշռված տարանջատում (79%) ձեռք է բերվում FIS-1.9 միավորի շեմով: Այս շեմի դեպքում հիվանդության հետ կապված բոլոր տարբերակների ~79%-ը գնահատվում է ավելի բարձր, քան այս շեմը, և բոլոր պոլիմորֆ տարբերակների ~79%-ը ավելի ցածր են: Առավելագույն տարանջատումը (~80.3%) երկու դասերի միջև ձեռք է բերվում այս շեմի 2.26 շեմային արժեքով, հիվանդության հետ կապված տարբերակների ~70%-ը գնահատվում է ավելի բարձր, իսկ պոլիմորֆ տարբերակների 86%-ը` ցածր:

Հիվանդության հետ կապված և պոլիմորֆ տարբերակների դասակարգման ROC վերլուծություն: Դիտարկվող միավորների միջակայքը (−6, 6) բաժանվել է 1000 առանձին շեմերի, և յուրաքանչյուր շեմի համար որոշվել են հիվանդության հետ կապված և պոլիմորֆ տարբերակների տոկոսները՝ գնահատականի շեմից բարձր և ցածր: Հիվանդության հետ կապված տարբերակների տոկոսը միավորի շեմից բարձր է սահմանվում որպես «իսկական դրական կողմեր», մինչդեռ պոլիմորֆ տարբերակների տոկոսը գնահատվում է որպես «կեղծ դրական»: ROC կորերը կառուցված են երկու թեստային հավաքածուների համար. առաջին հավաքածուում օգտագործվել են բոլոր հասանելի ~55.7 K տարբերակները (~19.2 K հիվանդության հետ կապված և ~36.5 K պոլիմորֆ) կիրառվել են այն տարբերակների միավորները, որոնք բաժին են ընկնում հաջորդականության հոմոլոգիա չունեցող շրջաններին: Երկրորդ հավաքածուում վերցված հավասար զրոյի, ~27.4 K տարբերակների (~13.7 K հիվանդության հետ կապված և ~13.6 K պոլիմորֆ) միավորները հաշվարկվել են՝ օգտագործելով 75 կամ ավելի հաջորդականությունների հավասարեցում:

Հիվանդության հետ կապված և պոլիմորֆ տարբերակների դասակարգման ROC վերլուծություն: Դիտարկվող միավորների միջակայքը (−6, 6) բաժանվել է 1000 դիսկրետ շեմերի, և յուրաքանչյուր շեմի համար որոշվել են հիվանդության հետ կապված և պոլիմորֆ տարբերակների տոկոսները՝ միավորի շեմից բարձր և ցածր: Հիվանդության հետ կապված տարբերակների տոկոսը միավորի շեմից բարձր է սահմանվում որպես «իսկական դրական կողմեր», մինչդեռ պոլիմորֆ տարբերակների տոկոսը գնահատվում է որպես «կեղծ դրական»: ROC կորերը կառուցված են երկու թեստային հավաքածուների համար. առաջին հավաքածուում օգտագործվել են բոլոր հասանելի ~55.7 K տարբերակները (~19.2 K հիվանդության հետ կապված և ~36.5 K պոլիմորֆ) կիրառվել են այն տարբերակների միավորները, որոնք բաժին են ընկնում հաջորդականության հոմոլոգիա չունեցող շրջաններին: Երկրորդ հավաքածուում վերցված հավասար զրոյի, ~27.4 K տարբերակների (~13.7 K հիվանդության հետ կապված և ~13.6 K պոլիմորֆ) միավորները հաշվարկվել են՝ օգտագործելով 75 կամ ավելի հաջորդականությունների հավասարեցում:

Հզորության վերլուծություն

Պոլիմորֆ տարբերակների զգալի մասն ընկնում է հաջորդականության հոմոլոգների ցածր ծածկույթով շրջաններում (Նկար 2): Ընդհանուր ~55 K տարբերակներից ~10,5 K տարբերակները պատկանում են ցածր հոմոլոգիայի ծածկույթի շրջաններին (MSA-ն ունի <10 հաջորդականություն): Այս տարբերակներից ~90%-ը եղել են պոլիմորֆ տարբերակներ և միայն ~10%-ը եղել են հիվանդության հետ կապված տարբերակներ: Ըստ սահմանման, ցածր հոմոլոգիայի ծածկույթով տարբերակները ստանում են ցածր միավոր արժեքներ: Ինչպե՞ս է ցածր հոմոլոգիայի ծածկույթով տարբերակների անհավասար բաշխումն ազդում հիվանդության հետ կապված և պոլիմորֆ տարբերակների բաժանման ընդհանուր ճշգրտության վրա: Ինչպե՞ս է հիվանդության հետ կապված և պոլիմորֆ տարբերակների բաժանման ճշգրտությունը կախված բազմակի հաջորդականության հավասարեցման չափից: Այս հարցերին պատասխանելու համար մենք համեմատեցինք միավորների բաշխումը հիվանդության հետ կապված և պոլիմորֆ տարբերակների համար, որոնք ունեն հոմոլոգիայի ընդգրկում 1-ից մինչև 600 կամ ավելի հաջորդականություն ընտանիքի հավասարեցման մեջ: Մենք պարզեցինք, որ ցածր հոմոլոգիայի պոլիմորֆ տարբերակների հարստացումը անհետանում է, երբ հավասարեցման նվազագույն չափը գերազանցում է յուրաքանչյուր ընտանիքի 75 հաջորդականությունը: 75 և ավելի հաջորդականությունների ծածկույթով, ~14 K հիվանդության հետ կապված և 14 K պոլիմորֆ տարբերակները (բոլոր փորձարկված մուտացիաների 1/2-ը) առանձնացված են 76%-ից ավելի ճշգրտությամբ և AUC-ով ROC վերլուծության 0.83 (Նկար 3): . Մենք կրկնեցինք այս թեստը՝ վերցնելով նվազագույն հավասարեցման ավելի մեծ չափսեր: Հիվանդության հետ կապված և պոլիմորֆ տարբերակների միջև տարանջատման ճշգրտությունը մնաց նույնը, երբ հավասարեցման նվազագույն չափը տատանվում էր 30-ից մինչև 350 հաջորդականություն: Այսպիսով, պոլիմորֆ տարբերակների նկատվող հարստացումը պրակտիկայում ցածր հոմոլոգիայի ընդգրկվածությամբ շրջաններում չի ազդում հիվանդության հետ կապված և պոլիմորֆ տարբերակների խտրականության վրա: Տարբեր հավասարեցման չափերի ճանաչման թեստերի լրացուցիչ մանրամասները ներկայացված են Լրացուցիչ Աղյուսակ S1-ում:

FI միավորի վավերացում փորձարարական փորձարկված TP53 մուտացիաների վրա

Մեթոդի վավերացման համար հատուկ հետաքրքրություն են ներկայացնում այն ​​դեպքերը, երբ մուտացիաների կանխատեսված ֆունկցիոնալ ազդեցությունը կարելի է համեմատել ֆունկցիոնալ ակտիվության ուղղակի չափումների հետ: Հետևաբար, մենք փորձարկեցինք FI միավորը TP53 մուտացիաների ֆունկցիոնալ ազդեցության փորձարարական ուսումնասիրություններից ստացված տվյալների վրա, որոնք հավաքված էին IARC TP53 տվյալների բազայում (55): Քաղցկեղի մեջ TP53 մուտանտները կարող են հանգեցնել և՛ «գործառույթի կորստի», և՛ որոշ դեպքերում՝ «գործառույթի ձեռքբերման» (56): Չնայած քաղցկեղի TP53 մուտացիաների կենսաբանական ազդեցություններին ազդում են հետտրանսկրիպցիոն տարբեր գործոններով (56), մուտանտ TP53-ի տրանսկրիպցիոն ակտիվության ուղղակի չափումները շատ օգտակար են քաղցկեղի վրա TP53 մուտացիաների ազդեցության գնահատման համար:

2314 մուտացիաներից յուրաքանչյուրի համար IARC TP53 տվյալների բազայի «TP53MUTfunction2R15» աղյուսակը տալիս է ութ խթանողին հատուկ տրանսկրիպցիոն գործողություններ, որոնք չափվում են խմորիչի ֆունկցիոնալ վերլուծություններում և արտահայտված որպես վայրի տեսակի ակտիվության տոկոս: Չնայած այս ութ նորմալացված գործողությունները փոխկապակցված են բոլոր ուսումնասիրված մուտանտների միջև, առանձին TP53 մուտանտի համար չափված անհատական ​​ակտիվությունները կարող են զգալիորեն տարբերվել: Մասնավորապես, ութ գործունեության ստանդարտ շեղման միջին արժեքը կազմում է ~25%: Մուտացիայի ազդեցության շեղումները և փորձարարական սխալը նվազեցնելու համար մենք հաշվարկեցինք տառադարձման գործողությունների միջին արժեքները և համեմատեցինք FIS բաշխումները մուտացիաների համար, որոնցից միջին գործողությունները ընկան ութ տարբեր աղբարկղերի մեջ՝ [0–20], [20–40], [40։ –60], [60–80], [80–100], [100–120], [120–140], [140–250] (Նկար 4): Նորմալ TP53-ի ակտիվությունը հավասար է 100-ի։

TP53-ում մուտացիաների FIS բաշխումները բաժանված են ութ դասերի՝ հիմնված մուտացիոն ազդեցության վրա: 2314 TP53 մուտանտների նորմալացված տրանսկրիպցիոն ակտիվությունը միջինացվել է և, կախված միջին ակտիվության արժեքից, մուտացիաները միավորվել են ութ դասերի, որոնց միջին տրանսկրիպցիոն ակտիվության միջակայքերը տրված են աղբարկղի նշաններից ցածր: FIS-ի բաշխումները ներկայացված են արկղային սյուժեներով, հաստ սև գծերով, որոնք ցույց են տալիս բաշխումների միջնամասերը, որոնցից յուրաքանչյուրը գծված է բաշխումների ստորին և վերին քառորդների միջև, իսկ կետագծերը տարածվում են մինչև բաշխումների նվազագույն և առավելագույն արժեքները: Ավելի մեծ ֆունկցիոնալ ազդեցություն ունեցող մուտացիաները, այսինքն՝ ավելի բարձր կամ ցածր, քան նորմալ տրանսկրիպցիոն ակտիվությունը («գործառույթի կորուստ» կամ «գործառույթի ձեռքբերում») հակված են FIS գնահատականի ավելի բարձր արժեքներին:

TP53-ում մուտացիաների FIS բաշխումները բաժանված են ութ դասերի՝ հիմնված մուտացիոն ազդեցության վրա: 2314 TP53 մուտանտների նորմալացված տրանսկրիպցիոն ակտիվությունը միջինացվել է, և, կախված միջին ակտիվության արժեքից, մուտացիաները միավորվել են ութ դասերի, որոնց միջին տրանսկրիպցիոն ակտիվության միջակայքերը տրված են աղբարկղի նշաններից ցածր: FIS-ի բաշխումները ներկայացված են արկղային սյուժեներով, հաստ սև գծերով, որոնք ցույց են տալիս բաշխումների միջնամասերը, որոնցից յուրաքանչյուրը գծված է բաշխումների ստորին և վերին քառորդների միջև, իսկ կետագծերը տարածվում են մինչև բաշխումների նվազագույն և առավելագույն արժեքները: Ավելի մեծ ֆունկցիոնալ ազդեցություն ունեցող մուտացիաները, այսինքն՝ ավելի բարձր կամ ցածր, քան նորմալ տրանսկրիպցիոն ակտիվությունը («գործառույթի կորուստ» կամ «գործառույթի ձեռքբերում») հակված են FIS գնահատականի ավելի բարձր արժեքներին:

Ակնհայտ է, որ աղբամանների [0–20] և [80–100] մուտացիաները զգալիորեն տարբերվում են իրենց ֆունկցիոնալ ազդեցությամբ: bin [0–20] մուտացիաները ապշեցուցիչ կերպով նվազեցնում են TP53-ի տրանսկրիպցիոն ակտիվությունը, մինչդեռ bin [80–100] մուտացիաները մոտ են նորմալին։ Մուտացիայի երկու դասերի միջև տարբերությունը հստակ պատկերված է համապատասխան FIS բաշխումներով: Բինի [0–20] մուտացիաները զգալիորեն ավելի բարձր են, քան բինի մուտացիաները [80–100]: Ստացող-գործող-բնութագրական կորի տակ գտնվող տարածքը բինի [0–20] և բինի [80–100] մուտացիաների միջև երկու դասի տարբերակման համար մոտ է 0,93-ին: Աղբարկղերի FIS բաշխումները [20–40], [40–60] և [60–80] տեղափոխվում են ավելի բարձր արժեքներից ավելի ցածր, ինչը համընկնում է TP53-ի տրանսկրիպցիոն ակտիվության բարձրացման հետ։ FIS-ի բաշխումները աղբարկղերում [100–120], [120–140], [140–250] ավելի ցածր արժեքներից տեղափոխվում են ավելի բարձր արժեքներ՝ համաձայն TP53-ի տրանսկրիպցիոն ակտիվության բարձրացման։ Այսպիսով, ֆունկցիոնալ ազդեցության միավորը փոխկապակցված է մուտացիաների փորձնականորեն չափված ֆունկցիոնալ ազդեցության հետ. միավորն ավելի բարձր է մուտացիաների համար, որոնք հանգեցնում են «գործառույթի կորստի» և TP53-ի «գործառույթի ձեռքբերմանը»: Լրացուցիչ մանրամասներ TP53 մուտացիաների FIS բաշխումների վերաբերյալ տրված են Լրացուցիչ տվյալների S4-ում:

Ֆունկցիոնալ մուտացիաներ COSMIC տվյալների բազայում

Ներկայումս կան ~10,7 K ոչ հոմանիշ կետային մուտացիաներ տարբեր ուռուցքներում, որոնք թվարկված են Քաղցկեղի սոմատիկ մուտացիաների կատալոգում (COSMIC, v49): Այս մուտացիաներից շատերը հետազոտվել են փորձնականորեն, և դրանց ֆունկցիոնալ ազդեցությունն ու դերը քաղցկեղի մեջ բավականին լավ բնութագրված են: Այնուամենայնիվ, մուտացիաների մեծամասնության համար դրանց ֆունկցիոնալ ազդեցությունը և դերը քաղցկեղի մեջ մնում է անհայտ:

Cancer mutations can be ranked by the number of occurrences of particular mutations similarly, the genes implicated in cancer can be ranked by the total number of mutations detected for a particular gene. Obviously, particular numbers of mutations depend on sampling. However, in general, mutations that promote cancer will be selected more frequently than neutral mutations, and therefore, recurrent mutations and recurrently mutated genes are likely to play a key role in cancer. Thus, mutations of frequently mutated genes are likely to be functional.

In this study, we ranked mutations and mutated genes by their potential role in cancer by combining several factors: the predicted impact of a mutation on protein function, the occurrence of an individual mutation in different tumors, the total numbers of mutations detected for a particular gene and the gene’s role in cancer (tumor suppressor or oncogene) provided by a Cancer Gene resource at MSKCC ( 57 ).

To substantiate ranking of mutations and genes, we conducted three computational tests. In the first test, we tested the hypothesis that recurrently observed cancer mutations are significantly enriched by mutations of predicted high functional impact and therefore can be differentiated from single mutations, many of which are passenger mutations with low functional impact. In the second test, we tested a similar hypothesis that is mutations of frequently mutated genes are enriched by predicted functional mutations as compared to mutations of solitary mutated genes. In the third test, the scores of mutations in tumor suppressors (TS) or oncogenes (OG) were compared to the scores of mutations in the genes non-annotated as TS or OG. We tested the hypothesis that mutations in primary cancer genes (TS and OG) are enriched by high scoring functional mutations as compared to the mutations of non-cancer genes and therefore can be differentiated from all other mutations.

The ‘case and control’ sets of mutations used in these tests are not completely independent because many of recurrent mutations affect multiply mutated genes with key roles in cancer (TS or OG). However, conducted together, these tests give a more complete presentation of the distribution of functional mutations in cancer than each of the tests conducted individually.

The results of the tests are in Figures 5 and 6 .

Cumulative score distributions computed for recurrent cancer mutations in the COSMIC database (release 49, September, 2010), the scores were computed for 10 005 unique non-synonymous point mutations affecting 3630 genes. Recurrent cancer mutations observed two or more times (1828) and highly recurrent mutations observed five or more times (712) are scoring significantly higher compared to mutations observed only once (8177) the ROC analysis (not shown) of separation of recurrent mutations from one-time-observed mutations gives AUC = 0.75 the accuracy of separation is ∼69%, when a percentage of false positives is equal to a percentage of false negatives.

Cumulative score distributions computed for recurrent cancer mutations in the COSMIC database (release 49, September, 2010), the scores were computed for 10 005 unique non-synonymous point mutations affecting 3630 genes. Recurrent cancer mutations observed two or more times (1828) and highly recurrent mutations observed five or more times (712) are scoring significantly higher compared to mutations observed only once (8177) the ROC analysis (not shown) of separation of recurrent mutations from one-time-observed mutations gives AUC = 0.75 the accuracy of separation is ∼69%, when a percentage of false positives is equal to a percentage of false negatives.

Cumulative score distributions computed for mutations of multiply mutated genes in the COSMIC database mutations in COSMIC are distributed non-uniformly across genes: one mutation per gene is detected in 1349 genes two or more mutations are detected in 620 genes, three or more—in 265 genes, five or more in 96 genes, 10 or more—in 51 genes, 19 or more—in 37 genes. Multiply mutated genes (mutated two or more times) are enriched in high score mutations compared to single mutated genes and polymorphisms.

Cumulative score distributions computed for mutations of multiply mutated genes in the COSMIC database mutations in COSMIC are distributed non-uniformly across genes: one mutation per gene is detected in 1349 genes two or more mutations are detected in 620 genes, three or more—in 265 genes, five or more in 96 genes, 10 or more—in 51 genes, 19 or more—in 37 genes. Multiply mutated genes (mutated two or more times) are enriched in high score mutations compared to single mutated genes and polymorphisms.

The FIS score distributions of Figure 5 show that cancer mutations collected in COSMIC are more significantly enriched in high score mutations than are polymorphic variants. Interestingly, recurrent mutations (observed in two or more samples) have a score distribution very close to the score distribution of disease-associated variants, while highly recurrent mutations (observed in five or more samples) are even more significantly enriched in high-score mutations than disease-associated variants ( Figure 5 ). We also found that mutations of singly mutated genes in COSMIC are two times more enriched in high scoring mutations than are polymorphic mutations.

These results confirm the hypothesis that recurrent mutations are likely to be functional mutations and can be differentiated from single mutations by the evolutionary derived functional impact score.

The score distributions of Figures 6 and 7 also confirm that mutations of multiply mutated gene and mutations in annotated tumor suppressors and oncogenes are enriched in functional mutations: multiply mutated genes (mutated two or more times) are more enriched in high score mutations than singly mutated genes and polymorphisms.

Cumulative score distributions computed for mutations in genes annotated as tumor suppressors and oncogenes in the COSMIC database 4413 mutations in tumor suppressors and oncogenes are enriched in high-scoring mutations compared to 5592 mutations in genes non-annotated as TS and OG. The ROC analysis (not shown) of separation of recurrent mutations from one-time-observed mutations gives AUC = 0.6745 accuracy of separation is 64%, when the percentage of false positives is equal to the percentage of false negatives.

Cumulative score distributions computed for mutations in genes annotated as tumor suppressors and oncogenes in the COSMIC database 4413 mutations in tumor suppressors and oncogenes are enriched in high-scoring mutations compared to 5592 mutations in genes non-annotated as TS and OG. The ROC analysis (not shown) of separation of recurrent mutations from one-time-observed mutations gives AUC = 0.6745 accuracy of separation is 64%, when the percentage of false positives is equal to the percentage of false negatives.

We found that the more mutations are observed in a gene, the bigger the fraction of high scoring mutations in this gene ( Figure 6 ). However, the portion of high-scoring mutations in multiply mutated genes is smaller than in disease-associated variants or in recurrent individual mutations. We found similar results for mutations detected in key cancer genes—tumor suppressors and oncogenes ( Figure 7 ). Mutations in TSs and OGs are scoring significantly higher than mutations in genes non-annotated as TSs or OGs. However a fraction of high-scoring mutations in TSs and OGs is less, than in a reference set of disease-associated mutations. Taking into account that the score generally correctly distinguish functional and non-functional mutations ( Figures 2–5 ), this difference emphasizes the fact that not all mutations in multiply mutated genes or in known cancer genes are automatically functional and, hence, not all of them play role in cancer. Thus, a functional analysis of mutations is necessary to narrow down a list of potential driver mutations.

Ranked list of cancer mutations and cancer genes

Ranking mutations by a functional impact score makes possible the determination of mutation sets that are enriched by either functional or non-functional mutations. Obviously, there is no strict value of the score that can definitely separate functional and non-functional mutations. However there is a score threshold that separates sets of likely functional and likely non-functional mutations. Using this threshold, one can assess a number of functional mutations in a given set of mutations.

Using available sequence data, the automated procedure could assess a functional impact of ∼10 K unique mutations of the total ∼10.7 K unique mutations of COSMIC database (release 49). Based on the computed scores and the optimal separation threshold ( Figure 4 ), a portion of mutations of high and medium impact can be estimated as ∼51%. A summary of functional analysis of missense mutations from COSMIC database is given in Table 1 and Figure 8 . Note significant enrichment of predicted functional mutations in recurrent mutations, cancer genes (TS or OG) and in genes with multiple mutations.

Ranking mutated genes by significance for cancer. The cancer gene ranking score (R ս ), derived from information reported in the COSMIC database, is defined as Ռս = log 2 ( Նմ * Նգ ), որտեղ Նմ is a number of unique cancer-associated mutations reported in the gene, and Նգ is a number of different cancer types with mutations in this gene. All analyzed 3629 genes were divided into four categories depending on presence or absence of predicted functional mutations and known association to cancer (gene is considered as cancer associated, if it is annotated as TS or OG, or it interacts with one or more of TS or OG). Cancer associated genes are enriched with predicted functional mutations ( Պ < 10 −20 in two-tail Fisher test) compared to genes with unknown cancer association. Using a reasonable cutoff, one nominates a list of 957 genes with significance for cancer (arrow). A gene is above the cut either because it is observed to be multiply mutated ( Ռս > 1, three or more mutations) or, for Ռս = 1 (two mutations), if at least one of the mutations in the gene is predicted as functional. Detailed statistical information on mutated genes is in Supplementary Table SM2 . The higher proportion of genes with at least one predicted functional mutation (orange or brown) in frequently mutated genes (peak at left) is not surprising—in fact, a fair number of these mutations have been functionally validated in the literature. A particularly interesting set of genes (998, bottom left) are those that (so far) have been observed just once ( Ռս = 0) but contain a mutation predicted to be functional. Such genes may be rare, but functionally significant, contributors to oncogenesis and are good candidates for experimental follow-up.

Ranking mutated genes by significance for cancer. The cancer gene ranking score (R ս ), derived from information reported in the COSMIC database, is defined as Ռս = log 2 ( Նմ * Նգ ), որտեղ Նմ is a number of unique cancer-associated mutations reported in the gene, and Նգ is a number of different cancer types with mutations in this gene. All analyzed 3629 genes were divided into four categories depending on presence or absence of predicted functional mutations and known association to cancer (gene is considered as cancer associated, if it is annotated as TS or OG, or it interacts with one or more of TS or OG). Cancer associated genes are enriched with predicted functional mutations ( Պ < 10 −20 in two-tail Fisher test) compared to genes with unknown cancer association. Using a reasonable cutoff, one nominates a list of 957 genes with significance for cancer (arrow). A gene is above the cut either because it is observed to be multiply mutated ( Ռս > 1, three or more mutations) or, for Ռս = 1 (two mutations), if at least one of the mutations in the gene is predicted as functional. Detailed statistical information on mutated genes is in Supplementary Table SM2 . The higher proportion of genes with at least one predicted functional mutation (orange or brown) in frequently mutated genes (peak at left) is not surprising—in fact, a fair number of these mutations have been functionally validated in the literature. A particularly interesting set of genes (998, bottom left) are those that (so far) have been observed just once ( Ռս = 0) but contain a mutation predicted to be functional. Such genes may be rare, but functionally significant, contributors to oncogenesis and are good candidates for experimental follow-up.

Prediction of the functional impact of mutations observed in cancer (COSMIC database a )

Mutations/Genes . All scored (taken as 100%) n . Scored (FIS ≤ 0.8) neutral impact b , n (%) . Scored (0.8 < FIS ≤ 1.9) low impact, n (%) . Scored (1.9 < FIS ≤ 3.5) medium impact, n (%) . Scored (FIS > 3.5) high impact, n (%) .
Mutations total 10 005 2049 (20) 2814 (28) 3748 (37.5) 1349 (13.5)
Mutations observed ≥2 times 1828 89 (5) 254 (14) 862 (47.2) 623 (34.1)
Mutations observed 1 time 8177 1960 (24) 2560 (31) 2886 (35.3) 771 (9.4)
Mutations in one-time-mutated genes not annotated as TS c or OG c 2324 699 (30) 777 (33) 693 (29.8) 155 (6.7)
Mutations in genes mutated ≥5 times 5174 616 (12) 1198 (23) 2314 (44.7) 1046 (20.2)
Mutations in TS or OG 4413 477 (11) 996 (23) 2000 (45.3) 940 (21.3)
Mutations in genes not annotated as TS or OG 5592 1572 (28) 1818 (33) 1748 (31.3) 454 (8.1)
Genes total d 3629 841 (23) 1115 (31) 1268 (34.9) 405 (11)
Genes annotated as TS or OG 338 50 (15) 124 (37) 92 (27.2) 72 (21)
Genes mutated ≥5 times 188 2 (1) 9 (5) 96 (51.1) 81 (43)
Mutations/Genes . All scored (taken as 100%) n . Scored (FIS ≤ 0.8) neutral impact b , n (%) . Scored (0.8 < FIS ≤ 1.9) low impact, n (%) . Scored (1.9 < FIS ≤ 3.5) medium impact, n (%) . Scored (FIS > 3.5) high impact, n (%) .
Mutations total 10 005 2049 (20) 2814 (28) 3748 (37.5) 1349 (13.5)
Mutations observed ≥2 times 1828 89 (5) 254 (14) 862 (47.2) 623 (34.1)
Mutations observed 1 time 8177 1960 (24) 2560 (31) 2886 (35.3) 771 (9.4)
Mutations in one-time-mutated genes not annotated as TS c or OG c 2324 699 (30) 777 (33) 693 (29.8) 155 (6.7)
Mutations in genes mutated ≥5 times 5174 616 (12) 1198 (23) 2314 (44.7) 1046 (20.2)
Mutations in TS or OG 4413 477 (11) 996 (23) 2000 (45.3) 940 (21.3)
Mutations in genes not annotated as TS or OG 5592 1572 (28) 1818 (33) 1748 (31.3) 454 (8.1)
Genes total d 3629 841 (23) 1115 (31) 1268 (34.9) 405 (11)
Genes annotated as TS or OG 338 50 (15) 124 (37) 92 (27.2) 72 (21)
Genes mutated ≥5 times 188 2 (1) 9 (5) 96 (51.1) 81 (43)

a Of the total 10716 missense mutations in COSMIC 45, 10 005 mutations were mapped on sequences of UniProt, and determined as unique non-synonymous.

b Approximately 50% of polymorphic variants and ∼7% of disease-associated variants got FIS score <0.8 ∼27% of polymorphic variants and ∼14% of disease-associated variants got FIS score between 0.8 and 1.9 ∼17% of polymorphic variants and ∼50% of disease-associated variants got FIS score between 1.9 and 3.5 ∼21% of polymorphic variants and ∼79% of disease-associated variants got FIS score >1.9 ∼3% of polymorphic variants and ∼30% of disease-associated variants got FIS score >3.5.

c TS and OG stand, respectively, for tumor suppressor and oncogene.

d A gene is scored according to the highest FIS bin of any of its mutations.

Prediction of the functional impact of mutations observed in cancer (COSMIC database a )

Mutations/Genes . All scored (taken as 100%) n . Scored (FIS ≤ 0.8) neutral impact b , n (%) . Scored (0.8 < FIS ≤ 1.9) low impact, n (%) . Scored (1.9 < FIS ≤ 3.5) medium impact, n (%) . Scored (FIS > 3.5) high impact, n (%) .
Mutations total 10 005 2049 (20) 2814 (28) 3748 (37.5) 1349 (13.5)
Mutations observed ≥2 times 1828 89 (5) 254 (14) 862 (47.2) 623 (34.1)
Mutations observed 1 time 8177 1960 (24) 2560 (31) 2886 (35.3) 771 (9.4)
Mutations in one-time-mutated genes not annotated as TS c or OG c 2324 699 (30) 777 (33) 693 (29.8) 155 (6.7)
Mutations in genes mutated ≥5 times 5174 616 (12) 1198 (23) 2314 (44.7) 1046 (20.2)
Mutations in TS or OG 4413 477 (11) 996 (23) 2000 (45.3) 940 (21.3)
Mutations in genes not annotated as TS or OG 5592 1572 (28) 1818 (33) 1748 (31.3) 454 (8.1)
Genes total d 3629 841 (23) 1115 (31) 1268 (34.9) 405 (11)
Genes annotated as TS or OG 338 50 (15) 124 (37) 92 (27.2) 72 (21)
Genes mutated ≥5 times 188 2 (1) 9 (5) 96 (51.1) 81 (43)
Mutations/Genes . All scored (taken as 100%) n . Scored (FIS ≤ 0.8) neutral impact b , n (%) . Scored (0.8 < FIS ≤ 1.9) low impact, n (%) . Scored (1.9 < FIS ≤ 3.5) medium impact, n (%) . Scored (FIS > 3.5) high impact, n (%) .
Mutations total 10 005 2049 (20) 2814 (28) 3748 (37.5) 1349 (13.5)
Mutations observed ≥2 times 1828 89 (5) 254 (14) 862 (47.2) 623 (34.1)
Mutations observed 1 time 8177 1960 (24) 2560 (31) 2886 (35.3) 771 (9.4)
Mutations in one-time-mutated genes not annotated as TS c or OG c 2324 699 (30) 777 (33) 693 (29.8) 155 (6.7)
Mutations in genes mutated ≥5 times 5174 616 (12) 1198 (23) 2314 (44.7) 1046 (20.2)
Mutations in TS or OG 4413 477 (11) 996 (23) 2000 (45.3) 940 (21.3)
Mutations in genes not annotated as TS or OG 5592 1572 (28) 1818 (33) 1748 (31.3) 454 (8.1)
Genes total d 3629 841 (23) 1115 (31) 1268 (34.9) 405 (11)
Genes annotated as TS or OG 338 50 (15) 124 (37) 92 (27.2) 72 (21)
Genes mutated ≥5 times 188 2 (1) 9 (5) 96 (51.1) 81 (43)

a Of the total 10716 missense mutations in COSMIC 45, 10 005 mutations were mapped on sequences of UniProt, and determined as unique non-synonymous.

b Approximately 50% of polymorphic variants and ∼7% of disease-associated variants got FIS score <0.8 ∼27% of polymorphic variants and ∼14% of disease-associated variants got FIS score between 0.8 and 1.9 ∼17% of polymorphic variants and ∼50% of disease-associated variants got FIS score between 1.9 and 3.5 ∼21% of polymorphic variants and ∼79% of disease-associated variants got FIS score >1.9 ∼3% of polymorphic variants and ∼30% of disease-associated variants got FIS score >3.5.

c TS and OG stand, respectively, for tumor suppressor and oncogene.

d A gene is scored according to the highest FIS bin of any of its mutations.

In Supplementary Table SM1 , we present a list of COSMIC mutations (10 005) for which the functional impact score was computed. For each of the mutations, the table provides its sequence and genomic coordinates, the functional impact characteristics of the mutation, the characteristics of the protein domain family, the statistics of cancer mutations in a gene and the basic oncogenic annotations, the URL links presenting mutation in context of MSA and homologous 3D structures of PDB.

We used our assessments of mutation impact to rank genes by their significance for cancer. To that end, we divided all genes into four categories taking into account the presence or absence of predicted functional mutations in a gene and gene’s known associations with cancer. Genes annotated as TS or OG and genes interacting with TS or OG genes were defined as associated with cancer gene interactions were taken from the PIANA database ( 58 ) cancer annotations were taken from the Cancer Gene resource at MSKCC ( 57 ).

Genes were classified into the following categories: (i) genes with functional mutations and known cancer association (ii) genes with functional mutations and no available associations with cancer (iii) genes with no functional mutations and with known cancer association and (iv) genes with no functional mutations and no available associations with cancer. It is reasonable to assume that the more unique mutations are detected in a gene, and the more cancer types are affected by these mutations, the more important this gene is for development of cancer. Therefore we used as a gene ranking score the product of the ‘number of unique mutations’ and the ‘number of different cancer types’ affected by these mutations. Note that truncating mutations, i.e. premature stop codons (so-called non-sense mutations) are not taken into account.

The ranked list of 3629 genes is given in Supplementary Table SM2 . Distributions of the gene ranking scores are in Figure 8 . Genes with multiple mutations and genes with cancer associations are at the top of the list. Based on this ranking, we nominated ∼957 genes as genes with very likely cancer implications ( Figure 8 ). These genes are of primary interest for experimental cancer genomics projects. The specific oncogenic roles of many of the top-scoring mutated genes are known or being studied. However, there are many genes of ‘moderate significance’, i.e. mutated approximately two times in approximately two cancers, for which the specific oncogenic roles in cancer is not yet well determined. A particularly interesting set of genes ( Figure 8 , bottom left) are those that have been observed just once, as reported in the COSMIC database, but contain a mutation predicted to be functional. Such genes may be rare, but functionally significant, contributors to oncogenesis and are good candidates for experimental follow-up.

Switch-of-function: a new type of functional impact?

The effect of a functional mutation can be described as a change of the specificity (selectivity) of interactions between a mutated protein and its specific interactors—proteins, nucleic acids or small molecules. One can imagine a set of free energies of interactions between a given protein and all other proteins and ligands. As a result of a mutation, the native spectrum of the binding free energies will change. An extreme example of a strong functional impact of a mutation is a destabilization of a protein globule resulting in the complete loss of the specificity, i.e. a ‘loss of function’ (LOF). The opposite example of a functional impact is a ‘gain of function’ (GOF), which can result from a change in the specificity of particular protein-substrate interactions or a change in the specificity of interactions with regulatory proteins. Both LOF and GOF mutations assume changes of free energies of interaction with հայրենի binders.

However, a mutation impact can also result in a ‘switch of function’ (SOF), which is an acquisition of new specific interactors and, consequently, a new biological function. A mutation in a protein-binding site can result in new specific interactions. One mutation in a binding site of isocitrate dehydrogenase 1 (IDH1) that resulted in a switch of molecular function was recently discovered in glioma ( 44 ). Mutations of R132 to C, H, L or S alter the activity of IDH1, such that isocitrate is no longer converted to alpha-ketoglutarate, but, instead, alpha-ketoglutarate is converted to R(-)-2-hydroxyglutarate, which elevates the risk of brain tumors ( 44 ). The affected position, R132 is highly conserved in the protein family alignment and all the above mutations get a high FIS score.

In cells, there are many families of homologous proteins (and protein domains) each protein in such a family has its own specific function and specific interactors. Mutations can switch the specific interaction between a protein family members resulting in a drastic impact on the phenotype. Mutations in evolutionarily selected specificity residues are likely candidates for SOF. Switch of the specific signaling of Rho GTPases caused by mutations was studied experimentally Heo and Meyer ( 59 ). All of the experimentally studied functional mutations reported in ( 59 ) have a high specificity component of the FIS score. In Figure 9 , we show the multiple sequence alignment and the 3D position of one the key mutations that switch the Rac1-signaling phenotype (lamellipodia) to the Cdc42-signaling phenotype (filopodia) ( 59 ). This mutation affects one of the key predicted specificity positions of Rho family.

Functional mutation in a predicted specificity position of RAC1 (Ras-related C3 botulinum toxin substrate 1). ( Ա ) The mutation affects a residue that is conserved as A (Ala) in subfamily #1 (top sequences, close homologues of RAC1) and as E (Glu) in subfamily #2 (bottom sequences, close homologues of CDC42) Uniprot name, species identifier, residues number range and subfamily number are in left columns. The sequence subfamilies and specificity scores (vertical bars at top) were computed from a non-redundant MSA (multiple sequence alignment) of 274 sequences using CEO clustering. The mutation A95E of RAC1 has a high specificity score in RAC1. ( B ) The position affected by the mutation is in the binding interface of RAC1 in contact with the T-lymphoma invasion and metastasis factor 1 (Tiam1) (PDB code 1foe).

Functional mutation in a predicted specificity position of RAC1 (Ras-related C3 botulinum toxin substrate 1). ( Ա ) The mutation affects a residue that is conserved as A (Ala) in subfamily #1 (top sequences, close homologues of RAC1) and as E (Glu) in subfamily #2 (bottom sequences, close homologues of CDC42) Uniprot name, species identifier, residues number range and subfamily number are in left columns. The sequence subfamilies and specificity scores (vertical bars at top) were computed from a non-redundant MSA (multiple sequence alignment) of 274 sequences using CEO clustering. The mutation A95E of RAC1 has a high specificity score in RAC1. ( B ) The position affected by the mutation is in the binding interface of RAC1 in contact with the T-lymphoma invasion and metastasis factor 1 (Tiam1) (PDB code 1foe).

The mutation-caused rewiring of protein interaction network is of the high interest in cancer, where missense mutations are one of the common factors of oncogenesis. Currently, it is impossible to determine such mutations by direct de novo modeling. However, one can narrow down a list of potential SOF mutations by determining mutations in binding sites that change the identity of an amino acid residue located in one of the functional evolutionarily selected (predicted specificity) positions, and, especially by determining mutations that change amino acid identities between already existing groups (classes) of residue specificity. We estimated a number of such mutations by identifying mutations that fall into binding sites and that have high specificity score and low conservation score. Among ∼10 K mutations of COSMIC, 3631 affect annotated functional regions and binding sites, and, among those, 554 mutations (∼5%) have a specificity score >2.5 (top 25%) and a conservation score less than the specificity score. This set of mutations is enriched in potential SOF mutations. A few examples of putative SOF mutation are given in Supplementary Data S5 .


Identifying the mutations

Figure 7: Identifying
sequence mutations. Click to
enlarge image

Using the worksheets, the students will compare a section of DNA sequence from a healthy cell and a tumour cell from the same patient. The easiest way to identify whether a mutation has occurred is to write the DNA sequence below the coloured peaks (there is a colour key on the sheet to help) and to compare the written sequences.

If one of the letters is different (a peak has changed colour), this indicates a mutation in the sequence. In Figure 7 (right), the A in the DNA sequence from the healthy cell has been replaced by G in the tumour cell.


Figure 9: Ticking off the gene
regions that have been
checked and marking any
մուտացիաներ

Image courtesy of the
Wellcome Trust Sanger Institute
Communication and Public
Engagement team

Figure 8: A heterozygous
մուտացիա. Click to enlarge
պատկեր

Images courtesy of the
Wellcome Trust Sanger Institute
Communication and Public
Engagement team

If the students find a double peak at one base position, this should be recorded with the two alternative bases at that position, one above the other. In Figure 8, the healthy DNA sequence has a G, whereas the tumour sequence has both G and C. This is not an insertion: it represents a heterozygous mutation where only one copy of the gene has substituted a C for a G. In this case the tumour sequence has replaced G with a C.

All students should indicate the gene regions they have checked by ticking off the relevant region on the gene sheet (see Figure 9).

Students who find a mutation should indicate the specific base by circling it on the gene sheet (see Figure 9, left) and make a note of which codon this lies in (in this example, codon 12).

They should also fill in the table at the base of the worksheet, using the codon wheel to translate the DNA sequence into the amino acid, as shown in Table 1:

Table1: Mutations as listed on th individual worksheets
Amino acid number Healthy cell DNA sequence Tumour cell DNA sequence Healthy cell amino acid Tumour cell amino acid
12 GGT GTT Glycine (G) Valine (V)

When all mutations have been found, record them on the summary data sheet (see Table 2).

Table 2: Mutations as recorded on the summary data sheet
Amino acid number Healthy cell DNA sequence Tumour cell DNA sequence Healthy cell amino acid Tumour cell amino acid
12 GGT G T T G (glycine) V (valine)
13 GGC G A C G (glycine) D (aspartic acid)
30 ԳԱԿ GA T D (aspartic acid) D (aspartic acid)
61 CAA C G A Q (glutamine) R (arginine)
146 GCA C CA A (alanine) P (proline)
173 GAT GA C D (aspartic acid) D (aspartic acid)

Discussing the results

The results above are all single base substitutions. These mutations within the protein-coding region of the ԿՐԱՍ gene may be classified into one of three types, depending on the information encoded by the altered codon.

  • Silent mutations code for the same amino acid.
  • Missense mutations code for a different amino acid.
  • Nonsense mutations code for a stop and can truncate the protein.

Discuss whether the mutations are significant – will they have an impact on protein function or are they ‘silent’? In this activity, codons 30 and 173 are silent and therefore do not have a functional impact.

Table 3: Type of mutation, as recorded onthe summary data sheet
Amino acid number Healthy cell DNA sequence Tumour cell DNA sequence Healthy cell amino acid Tumour cell amino acid Type of Mutation Significant yes / no
12 GGT G T T G (glycine) V (valine) Point (missense) yes
13 GGC G A C G (glycine) D (aspartic acid) Point (missense) yes
30 ԳԱԿ GA T D (aspartic acid) D (aspartic acid) Point (silent) ոչ
61 CAA C G A Q (glutamine) R (arginine) Point (missense) yes
146 GCA C CA A (alanine) P (proline) Point (missense) yes
173 GAT GA C D (aspartic acid) D (aspartic acid) Point (silent) ոչ


Figure 10: A 3D
representation of the KRAS
սպիտակուցը. Amino acids 12
(blue), 13 (yellow), 61
(orange) and 146 (pink) are
those which carry mutations

Image courtesy of the
Wellcome Trust Sanger Institute
Communication and Public
Engagement team, created with
RasMol

The presentation has a 3D space-fill image of the KRAS protein (Figure 10, right) slides 26–30 show where on the protein the significant mutations are, and you will notice they are all in the same region. Codons 12, 13 and 61 were the first mutations to be associated with oncogenic transformation in the KRAS protein mutation 146 was only discovered in 2005. Use these slides to discuss the impact that the mutations could have on protein structure and KRAS’s function in growth signalling.

As an optional activity, the students can use RasMol, the molecular modelling software used to create the images on slides 26–30, to highlight the mutated amino acids in the protein structure. See the teacher notes w6 for details.


Դիտեք տեսանյութը: Լիմֆատիկ հանգույցների բորբոքում - ինչպես կանխել ևկամ բուժել (Դեկտեմբեր 2021).