深度模型对数千个单细胞中的基因表达的预测控制

科学领域:

• 合成生物学 合成生物学
• 系统生物学 系统生物学
• 计算生物学是一种计算生物学.

背景情况:

• 基因表达是动态的,受调节和随机性的影响,使得表型确定具有挑战性.
• 由于被动观察的局限性,研究需要大量数据集的杂细胞事件是困难的.
• 机器学习和控制理论的进步为动态基因表达研究提供了新的可能性.

研究的目的:

• 开发一个反控制框架,精确实时操纵单细胞中的基因表达动态.
• 通过生成复杂的,细胞特异的表达模式,使难以捉摸的细胞事件的研究成为可能.
• 将特定的基因表达动态与功能性细胞结果联系起来.

主要方法:

• 训练一个深度神经网络来预测Escherichia coli的光遗传系统反应.
• 实施深度模型预测控制框架,用于实时基因表达控制.
• 应用框架来产生任意的,细胞特异的表达动态和控制抗生素耐药性.

主要成果:

• 使用深度神经网络准确预测光遗传系统的反应.
• 在成千上万个单细胞上成功强加复杂的,时间变化的基因表达模式.
• 证明能够将受控表达模式与动态功能结果联系起来,例如抗生素耐药性.

结论:

• 支持深度学习的反控制提供了高精度,高通量基因表达动态的定制.
• 该框架允许精确控制,而不需要对生物系统的专业知识.
• 这种方法为研究基因型-表型关系和合成生物学应用开辟了新的途径.