通过增加模型分辨率来完善由序列到活动模型学习的 cis 调节语法.
Nuria Alina Chandra1, Yan Hu2,3, Jason D Buenrostro2,3
1Paul G. Allen School of Computer Science and Engineering, University of Washington, WA, USA, 98195.
我们开发了bpAI-TAC,这是一个新的模型,使用基对分辨率ATAC-seq配置文件来改善对免疫细胞中染色质可访问性和调节元素功能的预测.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 免疫学 免疫学 免疫学
背景情况:
- 通过ATAC-seq测量的染色质可访问性,揭示了基因调节区域.
- 序列到功能 (S2F) 模型将基因组序列与染色质状态联系起来.
- 之前的AI-TAC模型预测了免疫细胞染色质的可访问性,但错过了ATAC-seq的个人资料细节.
研究的目的:
- 开发一个新的模型,bpAI-TAC,它包含了基对分辨率的ATAC-seq配置文件.
- 为了提高差异色素可访问性和调节元件功能的预测.
- 调查ATAC-profile信息对模型学习和动机识别的影响.
主要方法:
- 开发了bpAI-TAC,这是一个多任务神经网络,以基对分辨率模拟ATAC-seq.
- 在90种免疫细胞类型中应用了该模型.
- 利用序列属性来分析学习的动机及其效果大小.
主要成果:
- 整合ATAC-profile信息始终改善了差异色素可访问性预测.
- 在相关细胞类型的多任务学习中,单任务模型的表现优于单任务模型.
- 在配置文件上训练时,bpAI-TAC识别了具有差异效果大小的图案,揭示了监管语法.
结论:
- 在基对分辨率下建模ATAC-seq,可提供更敏感的免疫细胞调节语法表示.
- bpAI-TAC提高了对驱动细胞类型差异的调节机制的理解.
- 这种方法改善了对染色质可访问性的变异效应的预测.
更多相关视频
10:44Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline
Published on: December 7, 2021
08:19Quantitative Comparison of cis-Regulatory Element CRE Activities in Transgenic Drosophila melanogaster
Published on: December 19, 2011
相关概念视频
Cis-regulatory Sequences
Regulation of Expression Occurs at Multiple Steps
Cooperative Binding of Transcription Regulators
Co-activators and Co-repressors
Regulation of Expression at Multiple Steps
Chromatin Structure Regulates pre-mRNA Processing
The chromatin structure, especially...
