数百のヒトタンパク質が遺伝子を調節すると考えられているが、どのDNA配列を認識するかは分かっていなかった。Codebookコンソーシアムは、332個の候補タンパク質のうち177個について再現可能なモチーフを取得した。約130個のモチーフは新規である。解析ではさらに、直接結合し保存された113,577か所を地図化した。内訳はCodebookタンパク質が82,760か所、対照が30,817か所である。遺伝的バリアントを解釈する人にとって、辞書に新しい章が加わったことになる。
出典：nature.com
わかりやすく言うと
私たちの遺伝子は常にオンになっているわけではない。「転写因子」と呼ばれるタンパク質が遺伝子の近くにある短いDNAの「単語」に結合し、どの遺伝子をいつ発現させるかを決める。大半の転写因子が認識する単語は分かっていたが、調節因子に似ているという理由だけで候補になった数百のタンパク質では、単語が不明のままだった。大規模な国際共同研究は、こうした謎のタンパク質332個を五つの相補的な手法と4,000回を超える実験で調べた。半数から単語が得られ、ゲノム上のどこに結合するか、DNAの一文字の変化がどのように足場を壊すかを予測できるようになった。これは薬でも臨床検査でもない。配列バリアントがこうした単語の上に重なるときに特に役立つ、ゲノムを読むための基礎部品である。
技術概要 — 発見
| 項目 | 内容 |
|---|---|
| 公開日 | 2026年八月5日 |
| 学術誌 | Nature（査読済み論文） |
| 論文名 | An expanded codebook of human transcription factor DNA-binding specificity |
| DOI | 10.1038/s41586-026-10798-9 |
| 責任著者 | Bart Deplancke、Ivan V. Kulakovskiy、Timothy R. Hughes—Codebook–GRECO-BIT共同研究 |
| 解析したタンパク質 | 393個（推定転写因子332個 + 対照61個） |
| 実験規模 | 4,804回（Codebookタンパク質4,377回、対照427回） |
| 使用アッセイ | HT-SELEX · GHT-SELEX · SMiLE-seq · PBMアレイ · ChIP–seq（HEK293細胞） |
| 得られたモチーフ | 推定因子177/332（53%）+ 対照58/61 |
| 純増分 | ≈ 130個の新規モチーフ → ヒト語彙を少なくとも15%拡張（新しい合計：特徴づけ済みFT 1,421個） |
| 地図化した保存部位 | CTOP 113,577か所：Codebook 82,760 + 対照30,817（1,394,530塩基） |
| データ保管先 | CisBP build 3.1、アクセッションJolma,2026a；humantfs.ccbr.utoronto.ca |
| 状態 | 査読済み、~6年にわたるプロジェクト |
技術解説
モチーフとは物理的に何か。 転写因子（FT）は、表面がDNA二重らせんの溝に合うDNA結合ドメイン（DBD）を介してDNAを認識する。特定のアミノ酸と、主溝から読み取られる塩基対の縁との間に生じる水素結合やファンデルワールス相互作用が、配列の好みを決める。この好みは位置重み行列（PWM）で表す。各位置におけるA、C、G、Tの相対確率である。PWMはタンパク質そのものではなく、各文字をどの程度許容するかを統計的に要約したものだ。
なぜ半数だけがモチーフを示したのか、それは何を意味するのか。 推定因子332個のうち、177個（53%）が再現可能なモチーフを示した。C2H2型ジンクフィンガーが中心で（121/180、すなわち67%）、一方、既知のDNA結合ドメインを持たないタンパク質49個では、モチーフを示したのは6個（12%）だけだった。しかも、その六つには最終的に妥当な結合領域が見つかった。ただし研究は、実験の失敗すべてを「結合しない証拠」とは見なしていない。再キュレーションでは、155件の失敗のうち83件を真の陰性である可能性が高いと分類した。残りは、アッセイに存在しなかった相手分子、DNA修飾、翻訳後修飾を必要とする可能性がある。
各手法の仕組みと、それぞれが証明すること。 研究の強みは、異なる理由で成功または失敗する測定を組み合わせた点にある。二つのプラットフォームで保持されたモチーフが人工的な産物である可能性は低い。
| アッセイ | 測定対象 | 証明すること |
|---|---|---|
| HT-SELEX | ランダムDNAでの反復選択 | ゲノム文脈外での内在的な好み |
| GHT-SELEX | 断片化ゲノムDNAでのHT-SELEX | 実際のゲノム配列の文脈における好み |
| SMiLE-seq | マイクロ流体内での単独FTまたは二量体の結合 | 複合体のモチーフ、低いバイアス |
| PBM | 定義済み二本鎖プローブのアレイ | 短いk-merの網羅的走査 |
| ChIP–seq | in vivoで占有された部位（HEK293） | 細胞内でタンパク質が実際に結合する場所 |
成功基準は明示的にプラットフォーム横断型である。モチーフは、≥ 2プラットフォームで類似し、他のデータを予測できる場合にのみ採用される。単一の測定ではなく、この重なりが信頼性を生む。
- モチーフから重要と考えられる部位へ：「TOP」の論理。 モチーフだけでは、偶然一致が大量にあるゲノムを過剰予測する。著者らはTOP（triple optimized overlap）部位を、三つの証拠の交差として定義した。ChIP–seqピーク（in vivo占有）、GHT-SELEXシグナル（直接的なin vitro結合）、そしてPWM一致であり、それぞれに閾値を設ける。こうして、アッセイ内で直接結合した一塩基解像度の部位が得られる。モチーフの保存性（phyloP、Zoonomiaの哺乳類241種のアラインメント）と周辺配列を比較し、チームは保存されたCTOP部位113,577か所を抽出した。内訳はCodebookタンパク質82,760か所、対照30,817か所で、約1.39百万塩基を覆う。この濃縮は機能的重要性を強く支持するが、個々の部位の機能を実証するものではない。
なぜ実現できたのか
最も分かりやすい定量比較は次の通りだ。Codebookの177モチーフを、既知のヒトFT 1,211個—タンパク質数は7.8×—のモチーフとまとめても、異なるモチーフ群は4.75×にしか増えない。しかも手法によって92から135の群がCodebookモチーフだけで構成される。つまり、長く見過ごされてきたこれらのタンパク質は、不釣り合いに大きな新規性をもたらした。ほぼ完成していると思われた語彙に、少なくとも15%多くの単語を加えたのである。モチーフデータベース、類似度指標、クラスタリング手順を変えても結果は頑健だった。
測定された予測性能：研究のHEK293データでは、Codebook PWMは結合部位とランダム配列をAUROC中央値0.71で識別した。他の細胞型では値がやや低い。強い破壊効果を持つバリアント2,260件では、実験で観測されたアレル選好がPWM予測と74%の割合で一致した。
主張と証拠の差にも注意が必要だ。「語彙を15%拡張した」ことは堅固で頑健な結果である。一方、研究は177個すべてのタンパク質が特定の生理的状況で能動的な調節因子だとは主張していない。ChIP–seqは単一の細胞株（HEK293）で行われ、組織特異的活性は検証されていない。限界は明記されている。アッセイは五つ、細胞株は一つで、推定因子のほぼ半数にモチーフがなく、その多くは配列に結合しない可能性が高い。
因果の連鎖
2018年のヒトFT調査 → 既知モチーフのない「推定」FTが数百存在 → Codebookプロジェクト（5アッセイ、約6年）→ 393タンパク質に対する4,804実験 → 再現可能な177モチーフ（うち~130は新規）→ ChIP–seq ∩ GHT-SELEX ∩ PWMの交差 → 保存されたCTOP 113,577か所（Codebook 82,760 + 対照30,817）→ バリアント効果の予測（強い破壊効果を持つ2,260件でアレル一致74%）→ 疾患SNP（OR 1.35）とGTEx eQTL（OR 1.34）の濃縮 → Codebookの成功と最近の外部成果33件を合わせ、配列特異性が特徴づけられたヒトFTのキュレーション総数が1,421に到達。
逸話
「Codebook」という名称は、プロジェクトの目的をそのまま表している。各転写因子はゲノム中の配列の「単語」を認識する。結果の中心を占めるのはC2H2型ジンクフィンガーで、このファミリーの候補タンパク質180個のうち121個でモチーフが得られた。それでも辞書は完全ではない。モチーフが記述するのは結合の好みであり、それだけで各細胞におけるタンパク質の生物学的役割が分かるわけではない。
歴史的背景と現在のデータ
ヒトFTの基準調査（Lambert et al., Cell 2018）では、既知の特異性を持たない「推定」タンパク質が数百残っていた。Codebookの177件の成功に、最近の外部データセットから見つかった33 FTを加え、配列特異性が特徴づけられたヒトFTのキュレーション総数は1,421になった。代表的なPWMはSupplementary Data 1に収録されている。CodebookデータはCisBP build 3.1のアクセッションJolma,2026aとして登録されている。非コードバリアントについて、モチーフは結合の撹乱を予測できるが、ここで測定された限界がある。HEK293でのAUROC中央値は0.71、強い破壊効果を持つ例でのアレル一致は74%だった。モチーフだけで、部位が機能的だ、あるいは影響が臨床的に意味を持つと判断することはできない。
研究者の視点 — 未解決の問い
(解釈であり、研究結果ではない。) 決定的な拡張は次の通り。(1) 組織間の移植性—複数の細胞株でChIP–seqを繰り返し、普遍的な部位と状況依存の部位を区別する。177 FTが何をどこで調節するかを知る唯一の方法である。(2) 標的破壊変異—ジンクフィンガーの特異性残基を失わせ、予想モチーフの消失を確認する。その残基が読み取りを担う因果的証拠になる。(3) 155個の沈黙因子—一部は必須パートナー、DNA修飾であるメチル化、またはin vitroで欠けていた翻訳後修飾を必要とする可能性がある。条件を整えて再試験すれば、「真の陰性」と「手法上の偽陰性」を区別できる。
出典
ファクトチェック監査で確認した参考文献（2026年八月6日閲覧）。
- Codebook–GRECO-BIT Collaboration (Hughes, T. R. et al.). An expanded codebook of human transcription factor DNA-binding specificity. Nature、2026年八月5日公開。DOI：10.1038/s41586-026-10798-9。（査読済み論文。データ：CisBP build 3.1、アクセッション
Jolma,2026a。）
背景文献
(研究の一次資料とは別の背景情報。)
- Lambert, S. A. et al. The human transcription factors. Cell 172, 650–665 (2018).
- Stormo, G. D. & Zhao, Y. Determining the specificity of protein–DNA interactions. Nat. Rev. Genet. 11, 751–760 (2010).
- Najafabadi, H. S. et al. C2H2 zinc finger proteins greatly expand the human regulatory lexicon. Nat. Biotechnol. 33, 555–562 (2015).
信頼性声明。 確実に確立された事項：推定FT 177/332のモチーフ特徴づけ、約130モチーフの追加（語彙を少なくとも15%拡張）、保存されたCTOP 113,577か所—Codebook 82,760、対照30,817—および測定された予測性能（HEK293でAUROC中央値0.71、強い破壊効果を持つ2,260例でアレル一致74%）。不確実または本研究で未検証の事項：これらFTの組織特異的な調節活性、個々のCTOP部位の機能、各モチーフ取得失敗の原因。技術的確認：DOIの解決、正確な実験数、CTOP内訳、合計1,421の構成を訂正済み。重複判定：管理されたバックログ回収—DOIキーはすでにA005として登録簿にあるが、対応する速報はデータベースに存在しない。この回収は、新しい切り口や登録項目を作らずに過去の内容を復元する。