通过对大规模表观遗传学数据的基于机器学习的分析,发现心脏中的共同调节模块和基因调节网络
Naima Vahab1, Tarun Bonu2, Levin Kuhlmann2
1School of Computational Technologies, RMIT University, Melbourne VIC 3000, Australia; Department of Infectious Diseases, Alfred Hospital, Prahran VIC 3008, Australia.
Computers in biology and medicine
|February 14, 2024
概括
本研究引入了一个可扩展的机器学习管道,以识别共同调节模块 (CRM) 和基因调节网络 (GRN). 这种新方法准确地预测了转录因子的联合结合,进步了我们对基因调节和心脏发育的理解.
科学领域:
- 基因组学和生物信息学
- 分子生物学分子生物学
- 计算生物学 计算生物学
背景情况:
- 大规模的表观基因组数据有助于理解转录因子 (TF) 联合结合.
- 以前用于TF共发生预测的模型缺乏可扩展性和跨物种能力.
- 将共同监管模块 (CRM) 映射到基因监管网络 (GRN) 是必不可少的,但缺乏全面的管道.
研究的目的:
- 开发一个可扩展,快速和准确的管道来识别CRM和GRN.
- 评估TF结合特征,以预测具有生物学意义的共同结合.
- 预测CRM及其相关的监管网络.
主要方法:
- 策划了UniBind数据库 (1983+样本,232个TF).
- 实施并比较卷积神经网络 (CNN) 和随机森林分类器 (RFC) 用于TF联合约束预测.
- 对ChipAtlas和MCOT进行了验证CRM,并与现有的CRM预测方法进行了比较.
主要成果:
- 在预测TF联合结合方面,CNN的表现优于RFC (AUC为0.94对比0.88).
- 预测了超过20万个CRM,用于5万多个具有高验证重叠的人类基因.
- 确定了1784个心脏CRM,揭示了心脏基因的新型调节者 (例如ARID3A,RXRB) 和已知的TF (例如PPARG).
结论:
- 开发的管道为CRM和GRN识别提供了一个可扩展的解决方案.
- 强调NKX家族TFs在心脏发育中的关键作用.
- 通过识别的监管动机,为心脏病提供潜在的治疗点.
关键词:
在ROC曲线下的面积.在美国,CNN是CNN.这就是为什么CRMCRMCRMCRMCRM心脏病是指心脏病的发生.表观基因组学是指表观基因组学.基因调节 基因调节基因监管网络是基因监管网络.我们的MCOT是MCOT.机器学习 机器学习随机的森林随机的森林接收器的操作特征 接收器的操作特征转录因子是一种转录因子.更多相关视频
11:36Author Spotlight: An Integrated Workflow to Study the Promoter-Centric Spatio-Temporal Genome Architecture in Scarce Cell Populations
Published on: April 21, 2023
2.1K
10:03Author Spotlight: Nuclei Isolation from Mouse Cardiac Progenitor Cells for Epigenome and Gene Expression Profiling at Single-Cell Resolution
Published on: May 12, 2023
3.0K
