整合单分子测序和深度学习,以预测在孟德尔条件下对哈普型特定的3D染色体组织
Danilo Dubocanin1, Anna Kalygina2, J Matthew Franklin1
1Department of Genetics, School of Medicine, Stanford University, Palo Alto, CA, USA.
bioRxiv : the preprint server for biology
|April 1, 2025
概括
FiberFold是一种新的深度学习模型,可以从长时间读取的测序数据准确地预测三维 (3D) 基因组组织. 它揭示了3D基因组结构如何在不活跃的X染色体和罕见遗传疾病患者中发生变化.
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:
- 三维 (3D) 基因组架构对于基因调节和人类健康至关重要.
- 短读测序方法难以解决复杂的基因组区域和单个单元类型.
- 了解3D基因组组织对于破译基因调节和疾病机制至关重要.
研究的目的:
- 开发一种深度学习模型,用于准确的,对单基因型特定的3D基因组组织预测.
- 为了利用长读测序数据 (Fiber-seq) 进行全面的染色体分析.
- 研究基X失活和染色体转位对基因组结构的影响.
主要方法:
- 开发FiberFold,这是一个集结卷积神经网络和变压器架构的深度学习模型.
- 应用 FiberFold 来分析来自 Fiber-seq 长读序列的多原子数据.
- 对具有基X无活化的细胞系和具有13;X平衡转位的患者的分析.
主要成果:
- FiberFold准确地预测了细胞类型特定和单元型特定的3D基因组组织.
- 发现在不活跃的X染色体上,拓相关域 (TADs) 减弱.
- 在患有孟德尔病的患者中,在13;X转位周围预测了TADs的显著变化.
结论:
- 通过使用长读序列,FiberFold能够对3D基因组组织进行高分辨率分析.
- 该模型提供了对染色体生物学和人类疾病的分子基础的见解.
- 将长期阅读的表观基因组数据与深度学习相结合,为基因组研究提供了强大的工具.
