相关实验视频
Updated: Jul 21, 2025
10:15
Capturing Chromosome Conformation Across Length Scales
Published on: January 20, 2023
3.5K
单细胞Hi-C数据增强与深度残留和生成对抗网络
Yanli Wang1,2, Zhiye Guo1,2, Jianlin Cheng1,2
1Department of Electrical Engineering and Computer Science, University of Missouri, Columbia, MO 65211, United States.
Bioinformatics (Oxford, England)
|July 27, 2023
概括
我们开发了ScHiCEDRN,这是一种深度学习方法,用于增强稀疏的单细胞Hi-C数据. 这种方法提高了基因组结构的识别和3D染色体重建的性能,优于现有的技术.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 空间基因组组织对于真核细胞功能至关重要.
- 单细胞染色体构造捕获 (Hi-C) 技术为3D基因组构造提供了洞察力.
- 由于单细胞Hi-C数据的稀疏性和噪声,仍然存在挑战,阻碍了详细分析.
研究的目的:
- 开发一种深度学习方法,用于归纳和增强单细胞Hi-C数据.
- 从有限的单细胞Hi-C数据改进基因组结构和功能的分析.
主要方法:
- 开发了ScHiCEDRN,这是一个使用深度残余网络和生成对抗网络的深度学习模型.
- 应用了ScHiCEDRN来增强来自人类和Drosophila细胞的原始单细胞HiC数据.
主要成果:
- 与其他四种深度学习方法 (DeepHiC,HiCPlus,HiCSR,Loopenhance) 相比,ScHiCEDRN在增强单细胞Hi-C数据方面表现优越.
- 增强的数据有助于更好地识别拓关联的域边界和3D染色体结构重建.
- 该方法在不同的单细胞和细胞类型中显示了通用性,以及对人口Hi-C数据的适用性.
结论:
- ScHiCEDRN有效地解决了单细胞Hi-C数据中的稀疏性和噪声问题.
- 该工具可以在单细胞水平上更准确地分析基因组组织和功能.
- ScHiCEDRN为基因组研究提供了一个有价值的资源,公开可用的源代码.
