Bestimmung von Sequenzsignalen für HSV-1-induzierte Read-Through-Transkription

• Antragstellerin: Professorin Dr. Caroline Friedel
• Fachliche Zuordnung: Bioinformatik und Theoretische Biologie
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 556949204

Die Infektion mit Herpes-simplex-Virus 1 (HSV-1) führt zu einer weit verbreiteten Störung der Transkriptionsterminierung bei Wirtsgenen. Dies führt zu Read-Through-Transkription jenseits von Polyadenylierungsstellen (pA-Stellen) für Zehntausende von Nukleotiden. Obwohl die meisten Wirtsgene betroffen sind, variiert das Ausmaß der Beeinträchtigung für die einzelnen Gene erheblich. Auch wenn das HSV-1-Protein ICP27 alleine schon in der Lage ist, Read-Through-Transkription auszulösen, wird Read-Through-Transkription auch bei einer Infektion mit einer ICP27-Null-Mutante beobachtet. In diesem Projekt wollen wir wichtige Fragen zum HSV-1-induzierten Read-Through klären, die bisher ungelöst sind: (1) Für welche pA-Stellen ist HSV-1-induzierter Read-Through abhängig oder unabhängig von ICP27? (2) Welche Sequenzsignale bestimmen, ob eine pA-Stelle in Anwesenheit oder Abwesenheit von ICP27 anfällig für oder widerstandsfähig gegenüber HSV-1-induzierten Read-Through ist? (3) Wie hängen Read-Through und die entsprechenden Sequenzsignale mit alternativer Polyadenylierung und verschiedenen 3'UTR-Längen in unterschiedlichen Geweben zusammen? (4) Wie häufig werden Read-Through Transkripte stromabwärts der letzten "normalen" pA-Stelle eines Gens polyadenyliert und spiegelt dies das Vorhandensein oder Fehlen von pA-Signalen in intergenischen Regionen wider? Um diese Fragen zu klären, werden wir präzise Sequenzierungsdaten zu pA-Stellen analysieren und moderne Methoden der künstlichen Intelligenz (KI) zur Vorhersage und Bewertung von pA-Stellen und der Bindung von RNA-bindenden Proteinen einsetzen. Zu diesem Zweck werden wir vortrainierte Deep-Learning-Modelle nutzen, welche kürzlich veröffentlicht wurden, und Methoden für erklärbare KI anwenden, um Modellvorhersagen zu interpretieren. Dies wird es uns ermöglichen, mechanistische Einblicke in die zugrundeliegenden Sequenzsignale zu erhalten und Validierungsexperimente mit Reporter-Assays zu entwerfen, die von unserem Kooperationspartner durchgeführt werden.

• DFG-Verfahren: Sachbeihilfen