La Enciclopedia de Elementos del ADN ( ENCODE ) es un proyecto de investigación público cuyo objetivo es "construir una lista completa de elementos funcionales en el genoma humano ". [2]
ENCODE también apoya la investigación biomédica adicional al "generar recursos comunitarios de datos genómicos, software, herramientas y métodos para el análisis de datos genómicos y productos resultantes de los análisis e interpretaciones de datos". [3] [2]
La fase actual de ENCODE (2016-2019) está añadiendo profundidad a sus recursos al aumentar el número de tipos de células, tipos de datos y ensayos, y ahora incluye soporte para el examen del genoma del ratón. [3]
ENCODE fue lanzado por el Instituto Nacional de Investigación del Genoma Humano (NHGRI) de Estados Unidos en septiembre de 2003. [4] [5] [6] [7] [8] Concebido como una continuación del Proyecto Genoma Humano , el proyecto ENCODE tiene como objetivo identificar todos los elementos funcionales del genoma humano . [9]
El proyecto involucra a un consorcio mundial de grupos de investigación, y los datos generados a partir de este proyecto pueden ser accedidos a través de bases de datos públicas. El lanzamiento inicial de ENCODE fue en 2013 y desde entonces ha ido cambiando de acuerdo con las recomendaciones de los miembros del consorcio y la comunidad más amplia de científicos que utilizan el Portal para acceder a los datos de ENCODE. El objetivo de ENCODE, que consta de dos partes, es servir como una base de datos de acceso público para "protocolos experimentales, procedimientos analíticos y los datos mismos", y "la misma interfaz debe servir para metadatos cuidadosamente seleccionados que registren la procedencia de los datos y justifiquen su interpretación en términos biológicos". [10] El proyecto comenzó su cuarta fase (ENCODE 4) en febrero de 2017. [11]
Se estima que los seres humanos tienen aproximadamente 20.000 genes codificadores de proteínas , que representan alrededor del 1,5% del ADN del genoma humano. El objetivo principal del proyecto ENCODE es determinar el papel del componente restante del genoma, gran parte del cual se consideraba tradicionalmente como "basura". La actividad y la expresión de los genes codificadores de proteínas pueden ser moduladas por el reguloma , una variedad de elementos del ADN , como promotores , secuencias reguladoras de la transcripción y regiones de estructura de la cromatina y modificación de histonas . Se cree que los cambios en la regulación de la actividad genética pueden alterar la producción de proteínas y los procesos celulares y provocar enfermedades. Determinar la ubicación de estos elementos reguladores y cómo influyen en la transcripción genética podría revelar vínculos entre las variaciones en la expresión de ciertos genes y el desarrollo de enfermedades. [12]
ENCODE también pretende ser un recurso integral que permita a la comunidad científica comprender mejor cómo el genoma puede afectar la salud humana y "estimular el desarrollo de nuevas terapias para prevenir y tratar estas enfermedades". [5]
El Consorcio ENCODE está compuesto principalmente por científicos que recibieron financiación del Instituto Nacional de Investigación del Genoma Humano (NHGRI) de Estados Unidos. Otros participantes que contribuyen al proyecto se incorporan al Consorcio o al Grupo de Trabajo de Análisis.
La fase piloto consistió en ocho grupos de investigación y doce grupos que participaron en la fase de desarrollo de la tecnología ENCODE. Después de 2007, el número de participantes se amplió a 440 científicos con sede en 32 laboratorios de todo el mundo, cuando la fase piloto concluyó oficialmente. En la actualidad, el consorcio está formado por diferentes centros que realizan diferentes tareas.
ENCODE es miembro del Consorcio Internacional del Epigenoma Humano (IHEC). [14]
El principal requisito del NHGRI para los productos de la investigación financiada por ENCODE es que se compartan de forma gratuita y de fácil acceso para todos los investigadores con el fin de promover la investigación genómica. La investigación de ENCODE permite la reproducibilidad y, por lo tanto, la transparencia del software, los métodos, los datos y otras herramientas relacionadas con el análisis genómico. [3]
Actualmente, ENCODE se implementa en cuatro fases: la fase piloto y la fase de desarrollo tecnológico, que se iniciaron simultáneamente; [15] y la fase de producción. La cuarta fase es una continuación de la tercera e incluye la caracterización funcional y un análisis integrador adicional para la enciclopedia.
El objetivo de la fase piloto era identificar un conjunto de procedimientos que, en combinación, pudieran aplicarse de manera rentable y con un alto rendimiento para caracterizar de manera precisa y completa grandes regiones del genoma humano . La fase piloto tenía que revelar lagunas en el conjunto actual de herramientas para detectar secuencias funcionales, y también se pensaba que revelaría si algunos métodos utilizados en ese momento eran ineficientes o inadecuados para su uso a gran escala. Algunos de estos problemas tuvieron que abordarse en la fase de desarrollo de la tecnología ENCODE, que tenía como objetivo idear nuevos métodos computacionales y de laboratorio que mejoraran nuestra capacidad para identificar secuencias funcionales conocidas o descubrir nuevos elementos genómicos funcionales. Los resultados de las dos primeras fases determinaron el mejor camino a seguir para analizar el 99% restante del genoma humano en una fase de producción rentable y completa. [5]
La fase piloto probó y comparó los métodos existentes para analizar rigurosamente una porción definida de la secuencia del genoma humano. Se organizó como un consorcio abierto y reunió a investigadores con diversos antecedentes y experiencia para evaluar los méritos relativos de cada una de las diversas técnicas, tecnologías y estrategias. La fase de desarrollo de tecnología concurrente del proyecto tenía como objetivo desarrollar nuevos métodos de alto rendimiento para identificar elementos funcionales. El objetivo de estos esfuerzos era identificar un conjunto de enfoques que permitieran la identificación integral de todos los elementos funcionales del genoma humano. A través del proyecto piloto ENCODE, el Instituto Nacional de Investigación del Genoma Humano (NHGRI) evaluó las capacidades de diferentes enfoques para ampliarlos con el fin de analizar todo el genoma humano y encontrar lagunas en la capacidad de identificar elementos funcionales en la secuencia genómica.
El proceso del proyecto piloto ENCODE implicó una estrecha interacción entre científicos computacionales y experimentales para evaluar una serie de métodos de anotación del genoma humano. Se seleccionó como objetivo del proyecto piloto un conjunto de regiones que representan aproximadamente el 1 % (30 Mb) del genoma humano y fue analizado por todos los investigadores del proyecto piloto ENCODE. Todos los datos generados por los participantes de ENCODE sobre estas regiones se publicaron rápidamente en bases de datos públicas. [7] [16]
Para su uso en el proyecto piloto ENCODE se seleccionaron regiones definidas del genoma humano, correspondientes a 30 Mb, aproximadamente el 1% del genoma humano total. Estas regiones sirvieron como base para probar y evaluar la eficacia y eficiencia de un conjunto diverso de métodos y tecnologías para encontrar diversos elementos funcionales en el ADN humano.
Antes de comenzar con la selección de los objetivos, se decidió que el 50% de los 30 Mb de secuencia se seleccionarían manualmente, mientras que el resto de la secuencia se seleccionaría de forma aleatoria. Los dos criterios principales para las regiones seleccionadas manualmente fueron: 1) la presencia de genes bien estudiados u otros elementos de secuencia conocidos, y 2) la existencia de una cantidad sustancial de datos comparativos de secuencias. Se seleccionó manualmente un total de 14,82 Mb de secuencia utilizando este enfoque, que consta de 14 objetivos cuyo tamaño varía de 500 kb a 2 Mb.
El 50% restante de los 30 Mb de secuencia se compuso de treinta regiones de 500 kb seleccionadas según una estrategia de muestreo aleatorio estratificado basada en la densidad genética y el nivel de conservación no exónica. La decisión de utilizar estos criterios particulares se tomó para asegurar un buen muestreo de regiones genómicas que varían ampliamente en su contenido de genes y otros elementos funcionales. El genoma humano se dividió en tres partes (el 20% superior, el 30% medio y el 50% inferior) a lo largo de cada uno de dos ejes: 1) densidad genética y 2) nivel de conservación no exónica con respecto a la secuencia genómica ortóloga del ratón (ver más abajo), para un total de nueve estratos. De cada estrato, se eligieron tres regiones aleatorias para el proyecto piloto. Para aquellos estratos subrepresentados por las selecciones manuales, se eligió una cuarta región, lo que dio como resultado un total de 30 regiones. Para todos los estratos, se designó una región "de respaldo" para su uso en caso de problemas técnicos imprevistos.
En mayor detalle, los criterios de estratificación fueron los siguientes:
Los puntajes anteriores se calcularon dentro de ventanas de 500 kb no superpuestas de secuencia terminada en todo el genoma y se usaron para asignar cada ventana a un estrato. [17]
La fase piloto finalizó con éxito y los resultados se publicaron en junio de 2007 en Nature [7] y en un número especial de Genome Research ; [18] los resultados publicados en el primer artículo mencionado hicieron avanzar el conocimiento colectivo sobre la función del genoma humano en varias áreas importantes, incluidas las siguientes: [7]
En septiembre de 2007, el Instituto Nacional de Investigación del Genoma Humano (NHGRI) comenzó a financiar la fase de producción del proyecto ENCODE. En esta fase, el objetivo era analizar el genoma completo y realizar "estudios piloto adicionales". [19]
Al igual que en el proyecto piloto, el esfuerzo de producción se organiza como un consorcio abierto. En octubre de 2007, el NHGRI otorgó subvenciones por un total de más de 80 millones de dólares a lo largo de cuatro años. [20] La fase de producción también incluye un Centro de Coordinación de Datos, un Centro de Análisis de Datos y un Esfuerzo de Desarrollo de Tecnología. [21] En ese momento, el proyecto se convirtió en una empresa verdaderamente global, en la que participaron 440 científicos de 32 laboratorios de todo el mundo. Una vez completada la fase piloto, el proyecto "se amplió" en 2007, beneficiándose enormemente de las máquinas de secuenciación de nueva generación. Y los datos eran, en efecto, grandes: los investigadores generaron alrededor de 15 terabytes de datos sin procesar.
En 2010, el proyecto ENCODE había producido más de 1000 conjuntos de datos de todo el genoma. En conjunto, estos conjuntos de datos muestran qué regiones se transcriben en ARN, qué regiones es probable que controlen los genes que se utilizan en un tipo particular de célula y qué regiones están asociadas con una amplia variedad de proteínas. Los principales ensayos utilizados en ENCODE son ChIP-seq , hipersensibilidad a la DNasa I , RNA-seq y ensayos de metilación del ADN .
En septiembre de 2012, el proyecto publicó un conjunto mucho más amplio de resultados, en 30 artículos publicados simultáneamente en varias revistas, incluidas seis en Nature , seis en Genome Biology y un número especial con 18 publicaciones de Genome Research . [22]
Los autores describieron la producción y el análisis inicial de 1.640 conjuntos de datos diseñados para anotar elementos funcionales en todo el genoma humano, integrando resultados de diversos experimentos dentro de tipos celulares, experimentos relacionados que involucraron 147 tipos celulares diferentes y todos los datos de ENCODE con otros recursos, como regiones candidatas de estudios de asociación de todo el genoma ( GWAS ) y regiones evolutivamente restringidas . En conjunto, estos esfuerzos revelaron características importantes sobre la organización y función del genoma humano, que se resumieron en un artículo general de la siguiente manera: [23]
El hallazgo más sorprendente fue que la fracción de ADN humano que es biológicamente activa es considerablemente mayor que incluso las estimaciones previas más optimistas. En un artículo de revisión, el Consorcio ENCODE informó que sus miembros pudieron asignar funciones bioquímicas a más del 80% del genoma. [23] Se descubrió que gran parte de esto estaba involucrado en el control de los niveles de expresión del ADN codificante , que representa menos del 1% del genoma.
Los elementos nuevos más importantes de la "enciclopedia" incluyen:
Capturar, almacenar, integrar y mostrar los diversos datos generados es un desafío. El Centro de Coordinación de Datos (DCC) de ENCODE organiza y muestra los datos generados por los laboratorios del consorcio y garantiza que los datos cumplan con estándares de calidad específicos cuando se publiquen. Antes de que un laboratorio envíe cualquier dato, el DCC y el laboratorio redactan un acuerdo de datos que define los parámetros experimentales y los metadatos asociados. El DCC valida los datos entrantes para garantizar la coherencia con el acuerdo. También garantiza que todos los datos estén anotados utilizando ontologías apropiadas . [28] Luego carga los datos en un servidor de prueba para una inspección preliminar y se coordina con los laboratorios para organizar los datos en un conjunto coherente de pistas. Cuando las pistas están listas, el equipo de Control de Calidad del DCC realiza una serie de controles de integridad, verifica que los datos se presenten de manera coherente con otros datos del navegador y, quizás lo más importante, verifica que los metadatos y el texto descriptivo que los acompaña se presenten de una manera que sea útil para nuestros usuarios. Los datos se publican en el sitio web público UCSC Genome Browser solo después de que se hayan cumplido todas estas comprobaciones. Al mismo tiempo, los datos son analizados por el Centro de Análisis de Datos ENCODE, un consorcio de equipos de análisis de los diversos laboratorios de producción y otros investigadores. Estos equipos desarrollan protocolos estandarizados para analizar datos de ensayos novedosos, determinar las mejores prácticas y producir un conjunto consistente de métodos analíticos, como los llamadores de picos estandarizados y la generación de señales a partir de acumulaciones de alineamiento . [29]
El Instituto Nacional de Investigación del Genoma Humano (NHGRI) ha identificado a ENCODE como un "proyecto de recursos comunitarios". Este importante concepto se definió en una reunión internacional celebrada en Ft. Lauderdale en enero de 2003 como un proyecto de investigación específicamente concebido e implementado para crear un conjunto de datos, reactivos u otro material cuya utilidad principal será la de servir de recurso a la amplia comunidad científica. En consecuencia, la política de divulgación de datos de ENCODE estipula que los datos, una vez verificados, se depositarán en bases de datos públicas y se pondrán a disposición de todos para su uso sin restricciones. [29]
Con la continuación de la tercera fase, el Consorcio ENCODE se ha involucrado en proyectos adicionales cuyos objetivos corren paralelos a los del proyecto ENCODE. Algunos de estos proyectos formaban parte de la segunda fase de ENCODE.
El proyecto MODel organism ENCyclopedia Of DNA Elements (modENCODE) es una continuación del proyecto original ENCODE, cuyo objetivo era la identificación de elementos funcionales en genomas de organismos modelo seleccionados , específicamente Drosophila melanogaster y Caenorhabditis elegans . [30] La extensión a organismos modelo permite la validación biológica de los hallazgos computacionales y experimentales del proyecto ENCODE, algo que es difícil o imposible de hacer en humanos. [30] La financiación para el proyecto modENCODE fue anunciada por los Institutos Nacionales de Salud (NIH) en 2007 e incluyó varias instituciones de investigación diferentes en los EE. UU. [31] [32] El proyecto completó su trabajo en 2012.
A finales de 2010, el consorcio modENCODE dio a conocer su primer conjunto de resultados con publicaciones sobre anotación y análisis integrador de los genomas de gusanos y moscas en Science . [33] [34] Los datos de estas publicaciones están disponibles en el sitio web de modENCODE. [35]
ModENCODE se desarrolló como una red de investigación y el consorcio estaba formado por 11 proyectos principales, divididos entre gusanos y moscas. Los proyectos abarcaron lo siguiente:
modERN, abreviatura de la enciclopedia de organismos modelo de redes reguladoras, surgió del proyecto modENCODE. El proyecto ha fusionado los grupos C. elegans y Drosophila y se centra en la identificación de sitios de unión de factores de transcripción adicionales de los respectivos organismos. El proyecto comenzó al mismo tiempo que la Fase III de ENCODE y tiene previsto finalizar en 2017. [37] Hasta la fecha, el proyecto ha publicado 198 experimentos, [38] con alrededor de 500 experimentos más presentados y actualmente en proceso por el DCC.
A principios de 2015, el NIH lanzó el programa de Genómica de la Regulación Genética (GGR, por sus siglas en inglés). [39] El objetivo del programa, que durará tres años, es estudiar las redes y vías genéticas en diferentes sistemas del cuerpo, con la esperanza de comprender mejor los mecanismos que controlan las expresiones genéticas. Aunque el proyecto ENCODE es independiente de GGR, el ENCODE DCC ha estado alojando datos de GGR en el portal ENCODE. [40]
En 2008, el NIH inició el Roadmap Epigenomics Mapping Consortium, cuyo objetivo era producir "un recurso público de datos epigenómicos humanos para catalizar la biología básica y la investigación orientada a las enfermedades". [41] En febrero de 2015, el consorcio publicó un artículo titulado "Análisis integrador de 111 epigenomas humanos de referencia" que cumplió con el objetivo del consorcio. El consorcio integró información y elementos regulatorios anotados en 127 epigenomas de referencia, 16 de los cuales formaban parte del proyecto ENCODE. [42] Los datos para el proyecto Roadmap se pueden encontrar en el portal Roadmap o en el portal ENCODE.
El proyecto fruitENCODE: una enciclopedia de elementos de ADN para la maduración de frutas es un proyecto ENCODE de plantas que tiene como objetivo generar conjuntos de datos sobre metilación de ADN, modificaciones de histonas, DHS, expresión génica y unión de factores de transcripción para todas las especies de frutas carnosas en diferentes etapas de desarrollo. Los datos preliminares se pueden encontrar en el portal fruitENCODE.
Aunque el consorcio afirma que está lejos de haber terminado con el proyecto ENCODE, muchas reacciones a los artículos publicados y la cobertura periodística que acompañó el lanzamiento fueron favorables. Los editores de Nature y los autores de ENCODE "... colaboraron durante muchos meses para causar el mayor revuelo posible y captar la atención no sólo de la comunidad científica sino también del público en general". [44] La afirmación del proyecto ENCODE de que el 80% del genoma humano tiene una función bioquímica [23] fue rápidamente recogida por la prensa popular, que describió los resultados del proyecto como una señal de que conducirían a la muerte del ADN basura . [45] [46]
Sin embargo, la conclusión de que la mayor parte del genoma es "funcional" ha sido criticada con el argumento de que el proyecto ENCODE utilizó una definición liberal de "funcional", es decir, todo lo que se transcribe debe ser funcional. Se llegó a esta conclusión a pesar de la opinión ampliamente aceptada, basada en estimaciones de conservación genómica de la genómica comparativa , de que muchos elementos del ADN, como los pseudogenes que se transcriben, son sin embargo no funcionales. Además, el proyecto ENCODE ha enfatizado la sensibilidad sobre la especificidad, lo que posiblemente conduzca a la detección de muchos falsos positivos . [47] [48] [49] La elección algo arbitraria de líneas celulares y factores de transcripción, así como la falta de experimentos de control apropiados, fueron otras críticas importantes a ENCODE, ya que el ADN aleatorio imita el comportamiento "funcional" de ENCODE. [50]
En respuesta a algunas de las críticas, otros científicos argumentaron que la transcripción y el empalme generalizados que se observan en el genoma humano directamente mediante pruebas bioquímicas son un indicador más preciso de la función genética que las estimaciones de conservación genómica porque las estimaciones de conservación son todas relativas y difíciles de alinear debido a las increíbles variaciones en los tamaños del genoma incluso de especies estrechamente relacionadas, es parcialmente tautológico y estas estimaciones no se basan en pruebas directas de funcionalidad en el genoma. [51] [52] Las estimaciones de conservación se pueden utilizar para proporcionar pistas para identificar posibles elementos funcionales en el genoma, pero no limitan ni limitan la cantidad total de elementos funcionales que posiblemente podrían existir en el genoma. [52] Además, gran parte del genoma que está siendo disputado por los críticos parece estar involucrado en la regulación epigenética, como la expresión genética, y parece ser necesario para el desarrollo de organismos complejos. [51] [53] Los resultados de ENCODE no fueron necesariamente inesperados ya que los aumentos en las atribuciones de funcionalidad fueron presagiados por décadas anteriores de investigación. [51] [53] Además, otros han señalado que el proyecto ENCODE desde el principio tuvo un alcance que se basaba en la búsqueda de elementos funcionales biomédicamente relevantes en el genoma, no elementos funcionales evolutivos, que no son necesariamente lo mismo, ya que la selección evolutiva no es suficiente ni necesaria para establecer una función. Es un indicador muy útil de funciones relevantes, pero imperfecto y no el único. [54]
Recientemente, los investigadores de ENCODE reiteraron que su objetivo principal es identificar elementos funcionales en el genoma humano. [55] En un artículo de seguimiento de 2020, ENCODE afirmó que la anotación funcional de los elementos identificados "todavía está en sus inicios". [56]
En respuesta a las quejas sobre la definición de la palabra "función", algunos han señalado que ENCODE sí definió lo que significaba y, dado que el alcance de ENCODE era buscar elementos funcionales biomédicamente relevantes en el genoma, entonces la conclusión del proyecto debería interpretarse "como decir que el 80 % del genoma está involucrado en actividades bioquímicas relevantes que es muy probable que tengan papeles causales en fenómenos considerados relevantes para la investigación biomédica". [54] Ewan Birney , uno de los investigadores de ENCODE, comentó que "función" se usó pragmáticamente para significar "actividad bioquímica específica" que incluía diferentes clases de ensayos: ARN, modificaciones de histonas "amplias", modificaciones de histonas "estrechas", sitios hipersensibles a DNaseI, picos de ChIP-seq del factor de transcripción, huellas de DNaseI, motivos unidos al factor de transcripción y exones. [57]
En 2014, los investigadores de ENCODE observaron que en la literatura, las partes funcionales del genoma se han identificado de manera diferente en estudios anteriores según los enfoques utilizados. Se han utilizado tres enfoques generales para identificar partes funcionales del genoma humano: enfoques genéticos (que se basan en cambios en el fenotipo), enfoques evolutivos (que se basan en la conservación) y enfoques bioquímicos (que se basan en pruebas bioquímicas y fue utilizado por ENCODE). Los tres tienen limitaciones: los enfoques genéticos pueden pasar por alto elementos funcionales que no se manifiestan físicamente en el organismo, los enfoques evolutivos tienen dificultades para utilizar alineaciones precisas de secuencias multiespecies ya que los genomas de especies incluso estrechamente relacionadas varían considerablemente, y con los enfoques bioquímicos, aunque tienen una alta reproducibilidad, las firmas bioquímicas no siempre significan automáticamente una función. Concluyeron que, en contraste con la evidencia evolutiva y genética, los datos bioquímicos ofrecen pistas sobre la función molecular que cumplen los elementos subyacentes del ADN y los tipos de células en los que actúan y, en última instancia, los tres enfoques pueden usarse de manera complementaria para identificar regiones que pueden ser funcionales en la biología y la enfermedad humanas. Además, señalaron que los mapas bioquímicos proporcionados por ENCODE fueron lo más valioso del proyecto, ya que proporcionan un punto de partida para probar cómo estas firmas se relacionan con la función molecular, celular y organismal. [52]
El proyecto también ha sido criticado por su alto costo (~$400 millones en total) y por favorecer a la gran ciencia, lo que quita dinero a la investigación altamente productiva iniciada por los investigadores. [58] El proyecto piloto ENCODE costó aproximadamente $55 millones; la ampliación fue de alrededor de $130 millones y el Instituto Nacional de Investigación del Genoma Humano de los Estados Unidos (NHGRI) podría otorgar hasta $123 millones para la siguiente fase. Algunos investigadores sostienen que aún no se ha visto un retorno sólido de esa inversión. Ha habido intentos de rastrear la literatura en busca de los artículos en los que ENCODE juega un papel importante y desde 2012 ha habido 300 artículos, 110 de los cuales provienen de laboratorios sin financiación de ENCODE. Un problema adicional es que ENCODE no es un nombre único dedicado exclusivamente al proyecto ENCODE, por lo que la palabra "codificar" aparece en mucha literatura sobre genética y genómica. [59]
Otra crítica importante es que los resultados no justifican la cantidad de tiempo invertido en el proyecto y que el proyecto en sí es esencialmente inacabable. Aunque a menudo se lo compara con el Proyecto Genoma Humano (PGH) e incluso se lo considera el siguiente paso del PGH, el PGH tenía un objetivo final claro del que carece actualmente ENCODE.
Los autores parecen simpatizar con las preocupaciones científicas y al mismo tiempo intentan justificar sus esfuerzos concediendo entrevistas y explicando detalles de ENCODE no sólo al público científico, sino también a los medios de comunicación. También afirman que transcurrió más de medio siglo desde que se comprendió que el ADN es el material hereditario de la vida hasta que se obtuvo la secuencia del genoma humano, de modo que su plan para el próximo siglo sería comprender realmente la secuencia en sí. [59]
El análisis de los datos de unión de factores de transcripción generados por el proyecto ENCODE está actualmente disponible en el repositorio accesible en la web FactorBook. [60] Básicamente, Factorbook.org es una base de datos basada en Wiki para datos de unión de factores de transcripción generados por el consorcio ENCODE. En la primera versión, Factorbook contiene:
El proyecto ENCODE tiene como objetivo delinear de forma precisa y completa los segmentos de los genomas humano y de ratón que codifican elementos funcionales.
Es importante destacar que, aunque se han definido cantidades muy grandes de elementos no codificantes, la anotación funcional de los elementos identificados por ENCODE aún está en sus primeras etapas.