Nature:进化新方式?线粒体DNA会插入我们的基因组

cacf7d532c6ad7c1bfe7dda0a0f39e3e.png

来源:生物通

科学家们惊讶地发现,每4000个新生儿中就有一个会将线粒体中的一些遗传密码插入到我们的DNA中,这为人类的进化方式提供了新见解。

a308cacada74ba239c3553e687b0e654.jpeg

剑桥大学和伦敦玛丽女王大学的研究人员表明,线粒体DNA也会出现在一些癌症DNA中,这表明它就像一块创可贴,试图修复我们遗传密码的损伤。这项研究成果于10月5日发表在《Nature》杂志上。

线粒体是细胞内的微小细胞器,它们像电池一样,以ATP分子的形式为细胞提供能量。每个线粒体都有自己的DNA,也就是线粒体DNA,它们与人类基因组的其他部分(细胞核DNA)截然不同。

线粒体DNA是通过母系遗传的——也就是说,我们从母亲而不是父亲那里继承了它。然而,美国辛辛那提儿童医院医疗中心的研究人员2018年发表的一项研究报告称,有证据表明,一些线粒体DNA是通过父系遗传的。

为了调查这种说法,剑桥大学的研究小组研究了11,000多个家庭的DNA,以寻找父系遗传的模式,这些家庭参与了Genomics England公司的10万人基因组计划。

研究人员在一些孩子的细胞核DNA中发现了线粒体DNA“插入物”,而这些“插入物”并不存在于他们父母的DNA中。这意味着美国团队可能得出了错误的结论:他们观察到的不是父系遗传的线粒体DNA,而是这些插入物。

现在,这项工作扩展到66,000多人。研究团队表明,线粒体DNA核转移是一个持续过程,新的插入实际上一直都在发生,这显示了我们基因组进化的一种新方式。

剑桥大学临床神经科学系的Patrick Chinnery教授解释说:“数十亿年前,原始的动物细胞吸收了一种细菌,这种细菌变成了我们现在所说的线粒体。它们为细胞提供能量,使其正常工作,同时去除高浓度的氧气。随着时间的推移,这些原始线粒体的一部分已进入细胞核,使它们的基因组能够相互交流。

“所有这一切都被认为是在很久以前发生的,大多是在物种形成之前,但我们发现这不是真的。我们可以看到这种情况正在发生,线粒体的遗传密码以一种可测量的方式转移到核基因组中,”他说。

研究团队估计,每4,000个新生儿中就有一个的线粒体DNA转移到核DNA上。如果这个人有了自己的孩子,他们就会把这些插入物传递下去。研究小组发现,我们大多数人都携带了5个新的插入物,七分之一(14%)的人携带了最新的插入物。在偶然情况下,这些插入物会引起极其罕见的疾病,包括罕见的遗传性癌症。

目前尚不清楚线粒体DNA是如何插入细胞核DNA的——是直接插入还是通过中间体(比如RNA)插入——但Chinnery教授表示,这很可能发生在母亲的卵细胞内。

在分析12,500个肿瘤样本的序列后,研究人员发现线粒体DNA在肿瘤DNA中更为常见,大约每1,000例癌症中就会有一例出现线粒体DNA,在某些情况下,癌症实际上是由线粒体DNA插入物引起的。

“我们的细胞核遗传密码一直被破坏,也一直在修复,”Chinnery教授说。“线粒体DNA似乎就像一个创可贴,帮助细胞核遗传密码自我修复。有时候这种方法是有效的,但在极少数情况下,这可能会使情况变得更糟,甚至引起肿瘤发生。”

超过一半(58%)的插入物位于编码蛋白质的基因组区域。在大多数情况下,身体会识别入侵的线粒体DNA,并通过甲基化的过程使其沉默。当病毒设法将自己插入我们的DNA时,也会发生类似的过程。然而,这种沉默的方法并不完美,因为一些线粒体DNA插入物会继续被复制,并在细胞核周围移动。

研究小组也在寻找相反情况的证据,也就是线粒体DNA吸收了一部分的细胞核DNA,但他们并没有找到。他们认为,以下几个原因也许能解释为什么会出现这种情况。

首先,细胞只有两个细胞核DNA拷贝,但线粒体DNA有数千个拷贝,所以线粒体DNA被破坏并进入细胞核的可能性大得多。其次,线粒体中的DNA被包裹在两层膜内,膜上没有孔,因此细胞核DNA很难进入。相比之下,一旦线粒体DNA成功跑出去,它们很容易通过核膜上的孔洞。

伦敦玛丽女王大学的Mark Caulfield教授表示:“我很高兴10万人基因组计划揭开了线粒体DNA和我们基因组之间的动态相互作用。这定义了DNA修复中的一个新角色,但偶尔也会引发罕见疾病,甚至是恶性肿瘤。”

参考文献

Nuclear-embedded mitochondrial DNA sequences in 66,083 human genomes

未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)大脑研究计划,构建互联网(城市)大脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

fc87c6998fa8fded30884dcadfe55d8c.jpeg

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/481555.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

论文学习19-Structured prediction models for RNN based sequence labeling in clinical text(LSTM_CRF,2016)

文章目录abstract1. Introduction2.相关工作3.方法3.1 Bi-LSTM (baseline)3.2BiLSTMCRF3.3 BiLSTM_CRF with pairwise modeling3.4 Approximate Skip-chain CRF5.实验Jagannatha, A. and H. Yu “Structured prediction models for RNN based sequence labeling in clinical te…

「深度学习表情动作单元识别」 最新2022研究综述

来源:专知基于深度学习的表情动作单元识别是计算机视觉与情感计算领域的热点课题.每个动作单元描述了一种人脸局部表情动作,其组合可定量地表示任意表情.当前动作单元识别主要面临标签稀缺、特征难捕捉和标签不均衡3个挑战因素. 基于此,本文将…

为什么物理诺奖颁给量子信息科学?——量子信息的过去、现在和未来

导语10月4日,2022年诺贝尔物理学奖授予 Alain Aspect, John F. Clauser 和 Anton Zeilinger,表彰他们“用纠缠光子实验,验证了量子力学违反贝尔不等式,开创了量子信息科学”。他们的研究为基于量子信息的新技术奠定了基础&#xf…

论文学习20-End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF(序列标注,2016ACL

文章目录abstract1.introduction2.Architecture2.1 CNN for Character-level Representation2.2 BiLSTM2.2.1 LSTM单元2.2.2BiLSTM2.3CRF2.4BiLSTM-CNNs-CRF3.训练Ma, X. and E. Hovy “End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF.”abstract 最先进的序列…

可溶解光开关利用光控制神经元

ISTOCK来源:IEEE电气电子工程师大约20年前,出现了一种称为光遗传学的策略,用激光控制大脑活动。它利用病毒将基因插入细胞,使其对光敏感。光遗传学给研究人员提供了一种精确的方法来刺激或抑制大脑回路,并阐明它们在大…

生成式AI无敌了: 大神微调Stable Diffusion,打造神奇宝贝新世界

来源:大数据文摘授权转载自AI科技评论作者:李梅、施方圆编辑:陈彩娴作为一个强大、公开且足够简单的模型,最近大火的 Stable Diffusion 在文本生成图像之外,给了大家无限的创作可能性。最近,来自 Lambda La…

论文学习21-Globally Normalized Transition-Based Neural Networks(2016,标签偏差问题

文章目录abstract1.introduction2.Model2.1 Transition System2.2 全局和局部归一化3.训练3.2标签偏差问题abstract 介绍了一种基于全局规范化转换的神经网络模型,该模型实现了最先进的词性标注、依存分析和句子压缩结果。我们的模型是一个简单的前馈神经网络&#…

推翻单一干细胞理论:哺乳动物大脑中发现了第二种干细胞

来源:生物通在成年哺乳动物的大脑中,神经干细胞保证了新的神经细胞,即神经元的不断形成。这个过程被称为成年神经发生,帮助鼠维持它们的嗅觉。一个研究小组最近在鼠大脑中发现了第二种干细胞群,它主要参与成年鼠嗅球中…

论文阅读课1-Attention Guided Graph Convolutional Networks for Relation Extraction(关系抽取,图卷积,ACL2019,n元)

文章目录abstract1.introduction1.1 dense connectionGCN1.2 效果突出1.3 contribution2.Attention Guided GCNs2.1 GCNs2.2 Attention Guided Layer2.3 Densely Connected Layer2.4 线性层2.5 AGGCN for RE3.实验3.1 数据集3.2 设置3.3 n-ary3.4 句子级4.ablation Study4.相关…

Nat. Rev. Genet. | 通过可解释人工智能从深度学习中获得遗传学见解

编译 | 沈祥振审稿 | 夏忻焱今天为大家介绍的是来自Maxwell W. Libbrecht,Wyeth W. Wasserman和Sara Mostafavi的一篇关于人工智能对于基因组学的可解释性的研究的综述。基于深度学习的人工智能(AI)模型现在代表了基因组学研究中进行功能预测…

复杂系统的逆向工程——通过时间序列重构复杂网络和动力学

导语蛋白质相互作用网络、生态群落、全球气候系统……很多复杂系统都可以抽象为一个相互作用的网络和其上的动力学。传统的研究主要关注在如何构建网络动力学模型,从而产生和实验观测数据具有相似统计特征的结果。所谓的复杂系统逆向工程,就是反其道而行…

关系提取论文总结

文章目录1.模型总结1.1 基于序列的方法1.2 dependency-based(基于依赖的)(有图)1.2.2 句间关系抽取1.5 自动学习特征的方法1.4 联合抽取模型1.6 RNN/CNN/GCN用于关系提取1.7 远程监督1.8句子级关系提取1.9MCR(阅读理解&#xff09…

邬贺铨:“物超人”具有里程碑意义,五方面仍需发力

来源:人民邮电报作者:邬贺铨我国正式迈入“物超人”时代。据工业和信息化部最新数据显示,截至8月末,我国三家基础电信企业发展移动物联网终端用户16.98亿户,成为全球主要经济体中率先实现“物超人”的国家。“物超人”…

深度:计算机的本质到底是什么?

来源:图灵人工智能来源:www.cnblogs.com/jackyfei/p/13862607.html作者:张飞洪 01 抽象模型庄子说过吾生有崖,知无涯。以有限的生命去学习无尽的知识是很愚蠢的。所以,学习的终极目标一定不是知识本身,因为…

中科大郭光灿院士团队发PRL,量子力学基础研究取得重要进展

来源:FUTURE | 远见选编:FUTURE | 远见 闵青云 中国科学技术大学郭光灿院士团队在量子力学基础研究方面取得重要进展。该团队李传锋、黄运锋等人与西班牙理论物理学家合作,实验验证了基于局域操作和共享随机性(LOSR, Local operat…

论文阅读课2-Inter-sentence Relation Extraction with Document-level (GCNN,句间关系抽取,ACL2019

文章目录abstract1.introduction2.model2.1输入层2.2构造图2.3 GCNN层2.4MIL-based Relation Classification3.实验设置3.1 数据集3.2 数据预处理3.3 基线模型3.4 训练3.5结果4.相关工作4.1 句子间关系抽取4.2 GCNN5. 结论相关博客Sahu, S. K., et al. (2019). Inter-sentence …

量子并不总意味着小尺度,量子物理学家用它探索系外行星生命

来源:机器之心除了量子计算,量子物理学的应用范畴还很广。近日,美国东北大学物理学教授 Gregory Fiete 探讨了量子研究的广泛应用。量子物理学家研究的世界与普通人每天生活的世界是同一个,唯一的区别是它被科学家「缩放」到了无法…

论文阅读课3-GraphRel: Modeling Text as Relational Graphs for(实体关系联合抽取,重叠关系,关系之间的关系,自动提取特征)

文章目录abstract1.Introduction2.相关工作3.回顾GCN4.方法4.1第一阶段4.1.1 Bi-LSTM4.1.2 Bi_GCN4.1.3 实体关系抽取4.2 第二阶段4.2.1 构建关系权图4.3训练4.4 inference5.实验5.1 settings5.1.1数据集5.2 baseline and evaluation metrics5.3 Quantitative Results5.4 细节分…

大脑是如何编码外界各种信息的?

来源:知乎链接:https://www.zhihu.com/question/532956044/answer/2494267009大脑将外部信息编码成心智模型。编码方式分为三种神经链接、语言逻辑和数学。心智模型理论是成型于上世纪九十年代的认知科学理论,代表人物就是著名学者史蒂芬平克…

论文阅读课4-Long-tail Relation Extraction via Knowledge Graph Embeddings(GCN,关系抽取,2019,远程监督,少样本不平衡,2注意

文章目录abstract1.introduction2.相关工作2.1 关系提取2.2 KG embedding2.3 GCNN3. 方法3.1符号3.2框架3.2.1 Instance Encoder3.4 Relational Knowledge Learning through KG Embeddings and GCNs.3.5 knowledge-aware attention4.实验4.1 数据集4.3 result4.4 长尾关系的处理…