整合网络扩散和峰值位置信息,以更好地分析单细胞ATAC-seq数据.
Jiating Yu1,2,3, Jiacheng Leng2,3,4, Zhichao Hou2,3
1School of Mathematics and Statistics, Nanjing University of Information Science & Technology, Nanjing 210044, China.
Briefings in bioinformatics
|March 17, 2024
概括
一种新的计算方法SCARP通过改进网络扩散来增强单细胞ATAC-seq分析. 它有效地解决了数据挑战,改善了细胞聚类,并揭示了转录调节的洞察力.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 表观遗传学 在表观遗传学中,表观遗传学是指表观遗传学.
背景情况:
- 使用测序 (scATAC-seq) 检测转化酶可访问染色质的单细胞测定为人们提供了关于表观遗传异质性和转录调节的见解.
- 分析scATAC-seq数据是具有挑战性的,因为它具有很高的稀疏性,二元化和维度.
- 需要先进的计算方法来从scATAC-seq数据集中提取更多信息.
研究的目的:
- 开发一种用于全面 scATAC-seq 数据分析的新计算方法.
- 解决scATAC-seq数据固有的挑战,包括缺失信号和高维度.
- 通过使用scATAC-seq数据,改善细胞异质性和转录调节的阐明.
主要方法:
- 提出了一种基于网络扩散的计算方法,称为单细胞ATAC-seq分析通过网络精制与峰值位置信息 (SCARP).
- 在图形理论框架下的网络精细化扩散,以汇总来自不同网络订单的信息.
- 结合了相邻峰之间的基因组距离信息,以描绘共同可访问性.
主要成果:
- SCARP有效地弥补了scATAC-seq数据中缺失的信号.
- 实现了优异的细胞聚类,使细胞异质性和亚群的更好地识别.
- 成功描绘了峰值的共同可访问性关系,为转录调节提供了新的见解.
- 在KEGG通路中确定了与疾病相关的基因,并预测了cis-regulatory相互作用.
结论:
- SCARP是一个有前途的计算工具,用于全面的scATAC-seq数据分析.
- 该方法有效地处理数据稀疏性和维度,改善生物洞察力.
- SCARP促进了对表观遗传异质性和基因调节的更深入的理解.


