一个基于注意力的深度神经网络模型,用于检测单细胞层面的Cis调节元件,从多omics数据中检测
Ken Murakami1,2, Keita Iida1, Mariko Okada1
1Laboratory for Cell Systems, Institute for Protein Research, Osaka University, Suita, Japan.
Genes to cells : devoted to molecular & cellular mechanisms
|February 4, 2025
概括
一个新的深度学习模型准确地检测单个细胞中的cis-regulatory element (cRE) 活性,揭示细胞特异性基因调节并改善细胞状态分类. 这推动了我们对细胞异质性和疾病机制的理解.
科学领域:
- 基因组学和生物信息学
- 单细胞生物学 单细胞生物学
- 计算生物学 计算生物学
背景情况:
- 细胞调节元件 (cRE) 对于基因表达控制,细胞分化和状态过渡至关重要.
- 分析cRE活动的现有方法提供了种群平均值,掩盖了关键的细胞特异性变异.
- 单细胞分辨率对于理解异质细胞状态动态至关重要.
研究的目的:
- 开发一种新的计算框架,用于在单细胞水平上检测cRE及其活动.
- 整合DNA序列,基因组距离和单细胞多基因组数据,以增强cRE检测.
- 根据预测的cRE活动,提高细胞聚类和分化的准确性.
主要方法:
- 设计了一个基于注意力的深度神经网络框架.
- 该模型整合了DNA序列,基因组距离和单细胞多基因组数据.
- 对人类外周血液单核细胞和质瘤患者数据的性能进行了评估.
主要成果:
- 与现有方法相比,拟议的模型在单细胞多组数据中识别cRE的准确性更高.
- 预测的cRE活动使得更精确的细胞聚类和细胞状态的更细微分化成为可能.
- 该模型在质瘤数据中确定了瘤特异性SOX2活性和异质ZEB1激活,这对传统方法来说具有挑战性.
结论:
- 开发的深度学习框架有效地检测到单个细胞层面的 cis-regulatory 元素调节.
- 这种方法增强了对细胞异质性和基因调节机制的理解.
- 该模型有可能揭示特定细胞子群体内的耐药性机制.
关键词:
基于注意力的神经网络.这些是cis-regulatory元素.深度学习是一种深度学习.增强剂是一种增强剂.可解释的人工智能基因调节 基因调节 基因调节瘤内部的异质性一个单细胞的ATAC-seqq.一个单细胞分析分析.一个单细胞多基因组.更多相关视频
03:37Author Spotlight: Impact of Intergenic Interactions on Disease-Identifying Dark Biomarkers
Published on: March 1, 2024
625
09:06High-throughput Identification of Gene Regulatory Sequences Using Next-generation Sequencing of Circular Chromosome Conformation Capture 4C-seq
Published on: October 5, 2018
10.2K
