DeepCE: un marco de aprendizaje profundo para la inferencia de la red reguladora de genes mejorada por correlación en...

Área de la Ciencia:

• Biología computacional Biología computacional.
• La genómica es la genómica.
• La bioinformática es la bioinformática.

Sus antecedentes:

• La secuenciación de ARN de una sola célula (scRNA-seq) revela la dinámica de la expresión génica y la heterogeneidad celular.
• El aprendizaje profundo (DL) es prometedor para inferir la regulación genética, pero tiene problemas con mecanismos complejos.
• Se necesitan nuevos algoritmos para mejorar la eficacia y fiabilidad de la inferencia de la red de regulación génica (GRN).

Objetivo del estudio:

• Introducir DeepCE, un nuevo marco DL diseñado para la inferencia GRN mejorada por correlación.
• Mejorar la precisión y la robustez de la inferencia GRN mediante la integración de técnicas avanzadas de DL.

Principales métodos:

• DeepCE integra unidades recurrentes con puertas bidireccionales (GRU) con redes neuronales convolucionales (CNN).
• Las GRU bidireccionales capturan las dependencias temporales dinámicas en los datos de expresión génica.
• Las CNN analizan patrones espaciales locales dentro de los datos de scRNA-seq para descubrir complejas interacciones gen-gen.

Principales resultados:

• DeepCE mejora la extracción de la regulación dinámica de genes.
• El marco suaviza los datos ruidosos de expresión génica, extrae señales regulatorias con retraso en el tiempo y filtra correlaciones espurias.
• Los experimentos con ratones y conjuntos de datos humanos muestran que DeepCE supera a los métodos existentes, logrando puntuaciones superiores en AUROC y AUPR.

Conclusiones:

• DeepCE proporciona un marco poderoso y confiable para la inferencia GRN de alta calidad.
• El método propuesto avanza en la comprensión de los mecanismos de regulación génica a partir de datos de una sola célula.
• DeepCE ofrece una mayor precisión y robustez en comparación con los enfoques actuales de vanguardia.