相关实验视频
Updated: Jun 8, 2025
10:15
Capturing Chromosome Conformation Across Length Scales
Published on: January 20, 2023
3.4K
ChromaFold预测了从单细胞染色质可访问性的3D接触地图
Vianne R Gao1,2, Rui Yang1,2, Arnav Das3
1Computational and Systems Biology Program, Memorial Sloan Kettering Cancer Center, New York, NY, USA.
Nature communications
|November 2, 2024
概括
ChromaFold是一种新的深度学习模型,仅使用单细胞ATAC测序数据来预测3D染色质相互作用. 这有助于基因调节研究和解释具有有限细胞输入的非编码变异.
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:
- 确定细胞类型特定的3D染色体相互作用对于理解基因调节和疾病机制至关重要.
- 目前的3D基因组学方法通常需要大量的细胞数量,限制分辨率.
- 解释与疾病相关的非编码遗传变异仍然是一个挑战.
研究的目的:
- 开发一个深度学习模型ChromaFold,用于从单细胞ATAC测序 (scATAC-seq) 数据中预测3D染色质接触图.
- 以有限的细胞输入来实现监管相互作用的高分辨率分析.
- 为了促进与疾病相关的非编码变体的解释.
主要方法:
- 在ChromaFold中,使用伪球体染色质可访问性,元细胞共同可访问性和CTCF图案轨迹作为输入特征.
- 使用轻量级的深度学习架构,可以在标准GPU上进行训练.
- 该模型是通过人类样本的配对scATAC-seq和Hi-C数据进行训练的.
主要成果:
- ChromaFold准确地预测了不同类型的人类和小鼠细胞中的3D接触地图和峰值级相互作用.
- 该模型与仅使用scATAC-seq数据的现有方法相比,实现了最先进的性能.
- 对复杂组织数据的微调ChromaFold允许在细胞亚群中对色素相互作用进行解卷.
结论:
- ChromaFold提供了一种强大的,数据效率高的方法,用于预测细胞类型特定的3D染色体相互作用.
- 该模型克服了当前技术在输入单元号方面的局限性.
- ChromaFold对基因调节研究,疾病变异解释和理解复杂组织表观基因组有重大影响.
