相关实验视频
Updated: Sep 11, 2025
10:15
Capturing Chromosome Conformation Across Length Scales
Published on: January 20, 2023
3.6K
DiCARN-DNase:使用扩展级联ResNet与自我注意力和DNase-seq染色体可访问性数据来增强细胞对细胞的Hi-C分辨率
Samuel Olowofila1, Oluwatosin Oluwadare1,2,3
1Department of Computer Science, University of Colorado at Colorado Springs, Colorado Springs, Colorado 80918, USA1.
Bioinformatics (Oxford, England)
|August 13, 2025
概括
一个新的深度学习模型DiCARN,从Hi-C数据中增强了3D基因组结构的分辨率. 它通过结合扩展卷积,残余网络和DNase-seq数据来改善跨细胞系概括.
科学领域:
- 基因组学就是基因组学.
- 计算生物学 计算生物学
- 分子生物学分子生物学
背景情况:
- 染色体的空间组织对于基因调节和细胞功能至关重要.
- 高分辨率的Hi-C数据对于3D基因组分析至关重要,但通常是有限的.
- 现有的Hi-C分辨率增强的深度学习方法在细节保存和跨细胞线路泛化方面面临挑战.
研究的目的:
- 开发一个深度学习模型,以提高Hi-C数据分辨率.
- 解决现有方法的局限性,包括模糊和跨细胞类型的糟糕泛化.
- 通过实现高分辨率数据重建来增强3D基因组结构的分析.
主要方法:
- 拟议的 DiCARN (扩展级联剩余网络) 模型.
- 利用扩展卷积和级联残留物来捕捉更广泛的基因组背景和细粒度相互作用.
- 集成DNase-seq数据以提高模型的稳定性和通用性.
主要成果:
- 迪卡恩有效地提高了Hi-C数据分辨率.
- 该模型保留了细粒度的基因组相互作用,克服了模糊问题.
- 在不同的细胞系中表现出卓越的概括性,用于Hi-C数据重建.
结论:
- DiCARN为高分辨率的Hi-C数据重建提供了一个强大的框架.
- 整合DNase-seq数据显著改善了跨细胞系概括.
- 这一进步有助于对3D基因组组织和基因调节进行更全面的分析.
