Systems-level control of microRNA regulation through transcriptomic plasticity

Abstract

MicroRNAs (miRNAs) are post-transcriptional regulators of gene expression and are deeply embedded within gene regulatory networks that coordinate cellular identity. By targeting large sets of transcripts and interacting with other regulatory layers, miRNAs contribute to adaptable control of gene expression programs. While high-throughput sequencing has enabled comprehensive profiling of miRNAs across biological contexts, the complexity and context dependence of miRNA-mediated regulation pose major challenges for computational analysis. This dissertation addresses core computational challenges in miRNA research, ranging from miRNA annotation and target identification to the inference and interpretation of miRNA regulatory activity from transcriptomic and genomic data. A central premise of this work is that miRNA function must be analyzed within the regulatory and structural context of the transcriptome, as transcriptomic plasticity driven by alternative polyadenylation (APA) reshapes miRNA–target interactions and complicates conventional analytical approaches. To address the high false-positive rates of miRNA target prediction, predicted miRNA–mRNA interactions are integrated with transcription factor regulatory networks. This network-based framework reveals sequence composition and positional binding-site features that distinguish functional targets and highlights the importance of regulatory context in miRNA targeting. Extending this network-based perspective to transcriptomic plasticity, single-cell analyses of glioblastoma show that cell-type-specific APA dynamically reshapes miRNA binding site availability and rewires miRNA–transcription factor co-regulatory networks in association with cellular states in the tumor microenvironment. To overcome the limited availability of small RNA sequencing data, interpretable machine learning models are applied to infer miRNA expression from matched mRNA profiles, enabling reconstruction of miRNA regulatory activity from widely available transcriptomic datasets. Consideration of transcript dynamics further reveals that apparent differential miRNA expression between conditions can arise from target-site dynamics rather than true changes in miRNA abundance, as miRNA decay mechanisms and APA-driven gain or loss of binding sites confound standard differential expression analyses. Complementing these transcriptomic findings, large-scale analyses of human genomic variation link sequence conservation and population-level constraint to miRNA functional relevance and annotation reliability. Together, this work addresses key challenges in miRNA annotation, expression prediction, identification of targeting features, decay dynamics, and regulation of miRNA activity through alternative polyadenylation. By integrating regulatory network analysis, machine learning, modeling of transcriptomic dynamics, and population genetics, this dissertation provides an integrated, context-aware computational framework for studying miRNA function across complex biological systems.

MicroRNAs (miRNAs) sind zentrale posttranskriptionelle Regulatoren der Genexpression, die eng in komplexe regulatorische Netzwerke eingebunden sind. Durch die koordinierte Regulation zahlreicher Zieltranskripte beeinflussen sie die Aktivität dieser Netzwerke und tragen zur Kontrolle zellulärer Identität bei. Trotz erheblicher Fortschritte durch Hochdurchsatz-Sequenzierung bleibt die rechnergestützte Analyse miRNA-vermittelter Regulation aufgrund ihrer hohen Komplexität und Kontextabhängigkeit anspruchsvoll. Diese Dissertation widmet sich zentralen computergestützten Fragestellungen der miRNA-Forschung auf Basis transkriptomischer und genomischer Daten. Ein zentraler Ansatz dieser Arbeit ist die Analyse von miRNA-Funktionen im regulatorischen und strukturellen Kontext des Transkriptoms. Insbesondere die durch alternative Polyadenylierung (APA) vermittelte transkriptomische Plastizität verändert miRNA–Gen-Interaktionen grundlegend und stellt klassische Analyseansätze erheblich vor Herausforderungen. Ein Schwerpunkt dieser Dissertation liegt auf der Verbesserung der Vorhersage funktioneller Zielgene. Durch die Integration vorhergesagter miRNA–mRNA-Interaktionen mit transkriptionsfaktorbasierten regulatorischen Netzwerken werden charakteristische Merkmale funktionell relevanter miRNA-Bindestellen identifiziert. Darauf aufbauend wird in einem netzwerkorientierten Ansatz untersucht, wie transkriptomische Plastizität die miRNA-vermittelte Regulation in Glioblastomen beeinflusst. Einzelzellanalysen zeigen, dass zelltypspezifische APA-Profile die Verfügbarkeit von miRNA-Bindestellen steuern und miRNA–Transkriptionsfaktor-Regulationsnetzwerke abhängig von Zellzustand und Tumormikromilieu reorganisieren. Eine weitere methodische Herausforderung ist die begrenzte Verfügbarkeit von miRNA-Sequenzierungsdaten in transkriptomischen Datensätzen. Mithilfe maschinellen Lernens wird gezeigt, dass sich miRNA-Expressionsmuster teilweise aus mRNA-Profilen ableiten lassen. Zudem deuten die Analysen darauf hin, dass vermeintliche Unterschiede in der miRNA-Expression häufig auf Veränderungen der Zieltranskripte oder der miRNA-Abbaudynamik zurückzuführen sind. Ergänzend werden genomische Variationen in der menschlichen Bevölkerung analysiert, um Zusammenhänge zwischen Sequenzkonservierung, Selektionsdruck und funktioneller Bedeutung von miRNAs zu untersuchen. Zusammenfassend adressiert diese Dissertation zentrale Herausforderungen der miRNA-Forschung durch die methodische Integration transkriptomischer Plastizität. Dabei werden Annotation, Vorhersage der miRNA-Expression, Identifikation funktionell relevanter Zielmerkmale sowie die Charakterisierung der miRNA-Abbaudynamik und der durch alternative Polyadenylierung modulierten miRNA-Aktivität untersucht. Damit wird ein integrierter, kontextsensitiver und rechnergestützter Rahmen zur Analyse von miRNA-Funktionen in komplexen biologischen Systemen etabliert.