本文來自“MDPI開放數字出版”，文章僅代表作者觀點，與“科研圈”無關。
本期薦讀內容精選了發表在 Genes 期刊的5篇優秀文章，內容主要涉及核酸的化學修飾、DNA甲基化重編程、與非生物和生物逆境耐性相關的轉錄因子、對多組學生物大數據的整合分析以及DNA甲基轉移酶及其異構體在表觀基因組形成中的作用等方面，歡迎大家閱讀。
薦讀內容
真核5-甲基胞嘧啶 (m5C) RNA甲基轉移酶：機制、細胞功能以及與疾病的聯系
Katherine E. Bohnsack, Claudia H?bartner and Markus T. Bohnsack
文章引用數：103
核酸的化學修飾是在所有生命中發生的關鍵細胞過程。迄今為止報道的修飾類型超過140種，而在DNA中能被檢測到的不同修飾的光譜相對有限 (只有6個)，相比在RNA中存在的修飾范圍要高得多。5-甲基胞嘧啶 (m5C) 是一種豐富的RNA修飾，據報道其存在于多種RNA物種中，包括細胞質和線粒體核糖體RNA (rRNA) 以及轉移RNA (tRNA)、信使RNA (mRNA)、增強子RNA (eRNA) 和許多非編碼RNA。在RNA物種中，5-甲基胞嘧啶已成為基因表達許多方面的重要調節劑，包括RNA輸出、核糖體裝配、翻譯和RNA穩定性。多種5mC / m5C繪圖方法的開發，例如亞硫酸氫鹽測序，抗m5C交聯和免疫沉淀(CLIP)，Aza-IP和甲基化iCLIP (miCLIP) 使得許多這樣修飾的核苷酸的位置都能在兩者中精確定義基因組和轉錄組。
本篇綜述中，作者討論了有關人類RNA m5C修飾機制的當前進展，重點研究在m5C甲基轉移酶的作用機制，這些酶的細胞功能以及它們所安裝的修飾，以及這些酶在疾病中的缺陷。以期能夠更好地了解由突變引起的多種疾病的分子基礎在編碼m5C甲基轉移酶的基因中或這些酶的表達水平發生變化。
識別左側二維碼，
直接閱讀英文原文。
2. DNA Methylation Reprogramming during Mammalian Development
哺乳動物發育過程中的DNA甲基化重編程
Yang Zeng and Taiping Chen
文章引用數：81
DNA甲基化（5-methylcytosine, 5mC）是表觀遺傳學的重要機制之一，在細胞分化、增殖、衰老等方面發揮重要的調控作用。作為哺乳動物基因組中DNA修飾的主要形式，DNA甲基化參與了多種生物學過程，在染色質結構和基因表達中起著關鍵作用。一般來說，DNA甲基化在體細胞組織中保持穩定狀態。然而，DNA甲基化模式和水平在發育過程中顯示出動態變化。具體來說，為了產生下一代，基因組經歷了兩次整體去甲基化和再甲基化。第一波發生在生殖系中，開始于原始生殖細胞 (PGC) 中的全局甲基化的消除，在生殖細胞發育的后期階段建立性別特異性甲基化模式完成；第二波發生在受精后，包括消除大多數從配子遺傳的甲基化標記以及隨后建立的胚胎甲基化模式。這兩波DNA甲基化重編程涉及了不同和共享的機制。
在這篇綜述文章中，作者討論了關鍵的重編程事件，即高度動態和調節的DNA去甲基化和再甲基化過程，重點關注參與這些重編程事件的重要酶和調節因子，包括DNA甲基轉移酶 (DNMT) 和5-甲基胞嘧啶雙加氧酶的10-11易位 (TET) 家族。這些內容對未來全面了解體內的表觀遺傳重編程，促進體外實驗重編程的發展提供了新策略。
識別左側二維碼，
直接閱讀英文原文。
與非生物和生物逆境耐性相關的轉錄因子及其在作物改良中的潛力
Elamin Hafiz Baillo et al.
文章引用數：88
在田間條件下，作物受到包括干旱、寒冷、鹽和熱在內的各種非生物脅迫以及包括害蟲和病原體在內的生物脅迫的不利影響。這些逆境對作物產量有顯著影響。因此，我們需要提高作物的抗逆性來應對氣候變化的影響。編碼轉錄因子 (transcription factors, TFs) 的基因是逆境反應基因的主要調控因子，是農作物改良的優秀候選基因。近期很多研究涉及到通過調控TF基因和過表達來增強作物抗逆性。
在這篇綜述中，作者研究了近年來與非生物和生物抗逆性相關的主要TF家族及其在作物改良方面的進展，及特定的調節基因表達的轉錄因子家族和非編碼RNA在高粱中的應用。通過概述TF基因在作物抗逆性改良和抗性工程中的應用前景，重點介紹了高粱的抗逆性，對作物抗逆性改良有指導意義。
識別左側二維碼，
直接閱讀英文原文。
4. Machine Learning and Integrative Analysis of Biomedical Big Data
機器學習與生物醫學大數據整合分析
Bilal Mirza et.al.
文章引用數：67
高通量細胞生物學的技術進步，使研究人員能夠檢測到與感興趣表型相關的生物分子的景觀——DNA、RNA、蛋白質，代謝物等。“-omes”也稱為“組學”數據，在這方面，現在的研究已經開發了機器學習 (ML) 算法來闡明復雜的細胞機制，識別分子特征以及預測大型生物醫學數據集的臨床結局。目前，基于ML的單組學分析提供了關于特定基因組的細胞過程的各種觀點。但是，這還是遠遠不夠的。多元組學與臨床的綜合分析數據是精確醫學中新的生物醫學發現和進步的關鍵。這也給數據集成帶來了新的計算挑戰，需要專門的計算方法來有效地執行對從各種方式獲取的生物醫學數據的綜合分析。
本文作者討論了基于ML的最新方法，以解決與集成分析相關的五個特定計算挑戰：維度詛咒、數據異質性、數據丟失、類不平衡和可伸縮性問題。
