从批量测序样本中高分辨率重建细胞类型特定的转录调节过程

科学领域:

• 基因组学就是基因组学.
• 计算生物学 计算生物学
• 系统生物学 系统生物学

背景情况:

• 由于复杂的细胞类型相互作用,生物系统表现出显著的异质性.
• 了解细胞类型特定的调节过程对于发育生物学和疾病研究至关重要.
• 现有的单细胞测序方法 (scRNA-seq,scATAC-seq) 提供细胞分辨率,但适应批量测试仍然具有挑战性.

研究的目的:

• 引入DeepDETAILS,这是一个深度学习框架,用于以基数对分辨率重建细胞类型特定的基因组信号.
• 为了使其他批量omics数据集使用负担得起的scATAC-seq数据实现跨模式解卷.
• 为分析各种omics数据提供一个多功能工具,包括新生的转录和染色质修饰.

主要方法:

• 开发了DeepDETAILS,这是一个准监督的深度学习框架,用于基因组信号解卷.
• 使用scATAC-seq参考库进行大量数据集的交叉模式解卷.
• 应用DeepDETAILS到新生的转录序列 (PRO-cap,PRO-seq) 和ChIP-seq数据.

主要成果:

• DeepDETAILS显著超过了传统的统计解卷方法.
• 在39个人体组织和86种细胞类型中生成了高分辨率新生的转录和质子修饰信号的汇编.
• 成功地精细绘制了原发性硬化胆管炎 (PSC) 的风险变异,揭示了潜在的疾病病因.

结论:

• DeepDETAILS提供了一种强大而通用的工具,用于对细胞类型特定的基因组信号进行高分辨率映射.
• 由此产生的汇编为细胞复杂性和生物过程提供了宝贵的见解.
• 这项工作通过剖析细胞异质性和调节机制,为研究疾病开辟了新的途径.