相关实验视频
Updated: Sep 17, 2025
10:15
Capturing Chromosome Conformation Across Length Scales
Published on: January 20, 2023
3.7K
DeepExDC解释了单细胞Hi-C数据中的基因组分隔变化
Hongqiang Lyu1, Pei Cao2, Wenyao Long1
1School of Automation Science and Engineering, Faculty of Electronic and Information Engineering, Xi'an Jiaotong University, No. 28 Xianning West Road, Beilin District, Xi'an, Shaanxi 710049, China.
Briefings in bioinformatics
|June 29, 2025
概括
DeepExDC准确地分析了单细胞Hi-C (scHi-C) 数据中的A/B区间. 这种可解释的深度学习方法揭示了基因组细分的变化,改善了对细胞功能和表型的理解.
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:
- 单细胞Hi-C (scHi-C) 技术允许研究单个细胞中的更高阶染色质结构.
- 了解基因组分离变化对于将基因组组织,功能和细胞表型联系起来至关重要.
- 在scHi-C数据中进行差异A/B区分分析的计算方法有限.
研究的目的:
- 开发一种可解释的深度学习方法,用于scHi-C数据中的A/B组的全基因组差异分析.
- 为了准确地检测和解释不同细胞条件的分隔变化.
- 为分析单细胞染色体组织提供强大的工具.
主要方法:
- 开发了DeepExDC,一个可解释的1D卷积神经网络.
- 应用DeepExDC来分析单细胞Hi-C接触矩阵,没有分布假设.
- 在模拟和实验scHi-C数据上验证了该方法,并在scRNA-seq和scATAC-seq数据上进行了测试.
主要成果:
- 在scHi-C数据中,DeepExDC在检测各种分隔变化方面表现出高准确度.
- 来自DeepExDC的解释值反映了细胞类型之间的隔间变化,并与批量Hi-C方法一致.
- 该方法有效地描述了单细胞异质性,并显示了生物相关性.
- 在应用到scRNA-seq和scATAC-seq数据时,DeepExDC显示出相当大的力量.
结论:
- DeepExDC提供了一种强大且可解释的方法,用于scHi-C数据中的差异A/B区分分析.
- 该方法促进了对单细胞染色质组织及其与细胞表型的关系的理解.
- DeepExDC的多功能性扩展到其他单细胞的数据类型,突出其广泛的适用性.
