Modelado de la transcripción naciente a partir del paisaje y la estructura de la cromatina con CLASTER

Área de la Ciencia:

• Genómica
• Epigenética
• Biología Computacional

Sus antecedentes:

• Comprender la regulación de la transcripción génica es crucial para descifrar la función celular y la enfermedad.
• Los modelos actuales a menudo luchan por integrar diversos datos epigenéticos y la estructura 3D del genoma.
• Predecir el impacto de los cambios epigenéticos en la transcripción sigue siendo un desafío.

Objetivo del estudio:

• Presentar CLASTER, una red neuronal profunda basada en epigenética.
• Integrar varias modalidades de datos del paisaje de la cromatina y la estructura 3D.
• Predecir los niveles de transcripción naciente a resolución de kilobasepares.

Principales métodos:

• Desarrollo de la red neuronal profunda CLASTER (Chromatin Landscape and Structure to Expression Regressor).
• Integración de datos epigenéticos multimodales e información de la estructura de la cromatina 3D.
• Entrenamiento del modelo para predecir los niveles de transcripción naciente.

Principales resultados:

• CLASTER traduce con éxito los datos del paisaje y la estructura de la cromatina en niveles de transcripción naciente.
• El modelo logra una resolución de kilobasepares en la predicción de la transcripción.
• CLASTER sirve como plataforma para comprender los impulsores epigenéticos de la transcripción y predecir los efectos de las perturbaciones.

Conclusiones:

• La localidad predominante en los modelos de aprendizaje automático refleja la organización genómica.
• CLASTER ofrece información sobre las reglas aprendidas que rigen la transcripción naciente.
• Los hallazgos tienen amplias implicaciones para la futura modelización computacional en genómica y epigenética.