TFEA.ChIP: una herramienta para analizar el enriquecimiento de factores de transcripción aprovechando datos de ChIP-seq

Abstract

La identificación de factores de transcripción (FT) responsables de la co-regulación de un conjunto de genes es un problema común en transcriptómica. Con el desarrollo de TFEA.ChIP se busca ofrecer una herramienta para estimar y visualizar el enriquecimiento de FT en un grupo de genes diferencialmente expresados que tenga en cuenta las variaciones en el comportamiento de FTs entre diferentes tipos celulares y estímulos. Con ese fin, se han reunido experimentos de ChIP-seq del consorcio ENCODE y el repositiorio GEO Datasets, y, combinándolos con información de sitios sensibles a DNasa y regiones enhancer, se ha generado una base de datos relacionando FTs con los genes con los que regula en cada experimento de ChIP-seq. En su estado actual, TFEA.ChIP incluye 1154 ChiP-Seqs en células humanas, abarcando 333 FTs diferentes. TFEA.ChIP acepta como entrata (input) tanto grupos de genes diferencialmente expresados como listas que incluyan todo el transcriptoma ordenado por la magnitud de la variación en la expresión entre las condiciones comparadas. A partir de esta entrada calcula una puntuación de enriquecimiento para cada uno de los experimentos almacenados en la base de datos interna. La validación de TFEA.ChIP usando una amplia variedad de conjuntos de genes que representan firmas moleculares revisadas para distintos estados y procesos biológicos, indica que el programa identifica los FTs relevantes entre los 10 primeros candidatos en 38 de 49 ocasiones, y entre los 5% mejores en 45 de 49, alcanzando como predictor un área bajo la curva de 0,89. Además, mediante el análisis detallado de conjuntos de datos de RNA-seq, se ilustra que el uso de métodos basados en datos de ChIP-seq en vez de matrices de peso posicionales permite expandir el análisis de enriquecimiento de FT para incluír modificadores de cromatina y co-factores que carecen de dominio de unión a ADN, además de proporcionar un contexto biológico para inferir el comportamiento de FT dependiente de las condiciones de estímulo o del tejido. Para facilitar su integración en protocolos de análisis transcriptómicos, así como permitir la expansión y personalización de la base de datos relacionando FTs con genes de forma sencilla, se ha implementado TFEA.ChIP como paquete de R. Además, para hacer la herramienta accesible a un mayor número de investigadores, también se ha desarrollado una aplicación web que ejecuta el paquete desde el servidor, permitiendo así realizar análisis exploratorios de forma sencilla a través de una interfaz gráfica. TFEA.ChIP está disponible en Bioconductor, GitHub y como aplicación web. Está disponible también una versión preliminar del artículo describiendo TFEA.ChIP en bioRxiv.

The identification of transcription factors (TF) responsible for the co-regulation of an specific set of genes is a common problem in transcriptomics. With the development of TFEA.ChIP we aim to provide a tool to estimate and visualize TF enrichment in a set of differentially expressed genes that takes into account the wide variation in TFâAZs behavior across different cell types and stimuli. To that end, we gathered ChIP-Seq experiments from the ENCODE Consortium and GEO Datasets, and used data from Dnase Hypersensitive Sites across cell lines and enhancer location to generate a database linking TFs with the genes they regulate in each ChIP-Seq experiment. In its current state, TFEA.ChIP includes 1154 ChIP-seq experiments in human cells, covering 333 transcription factors. TFEA.ChIP takes as input differentially expressed gene sets as well as lists including the whole transcriptome sorted by its expression change between conditions. Using this input TFEA.ChIP computes an enrichment score for each of the datasets in its internal database. TFEA.ChIP’s validation process, using a wide range of gene sets representing curated molecular signatures of different biological states and processes, indicates that the software identifies relevant TFs within the top 10 candidates in 38 out of 49 tested sets, and within the top 5% candidates in 45 out of 49, reaching an area under the curve of 0.89 as a predictor. In depth analysis of RNAseq datasets illustrates that the use of ChIP-Seq based methods instead of position weight matrices allows to expand the analysis of TF enrichment to include chromatin modifiers and co-factors that lack a DNA binding domain, in addition to provide a biological context to infer tissue and stimuli-dependent TF behavior. To facilitate its integration into transcriptome analysis pipelines and allow easy expansion and customization of the TF-gene database, we implemented TFEA.ChIP as an R package. In addition, to make it available to a wide range of researches, we have also developed a web application that runs the package from the server side and enables easy exploratory analysis through a graphic interface. TFEA.ChIP is available at Bioconductor, GitHub, and as a web application. A preprint version of the article describing TFEA.ChIP is also available at bioRxiv.