机器学习工具用于解读健康和疾病中增强剂的监管逻辑
Spyros Foutadakis1, Vasiliki Bourika2, Ioanna Styliara3
14th Department of Internal Medicine, Medical School, National and Kapodistrian University of Athens, Athens, Greece.
包括深度学习在内的计算工具正在推动对转录增强剂的识别和理解. 这些方法有助于解码基因调控, 并且在诊断和治疗诸如败血症等疾病中具有潜在的应用.
科学领域:
- 基因组学
- 分子生物学
- 计算生物学
背景情况:
- 转录增强剂是调节各种生物过程中的基因表达的关键DNA元素.
- 传统的增强体识别方法包括分析结构和功能性基因组特征.
- 最近的进步利用机器学习进行更复杂的增强器分析.
研究的目的:
- 审查和讨论计算工具,特别是深度学习模型,用于增强器识别和表征.
- 探索这些工具在解密增强器监管代码中的应用.
- 突出计算方法在了解和治疗疾病方面的潜力,重点是败血症.
主要方法:
- 使用机器学习和深度学习模型 (例如,Enformer,BPNet,DeepSTARR) 来进行增强器预测.
- 分析基因组数据,包括染色体可访问性,转录因子结合,基因组修饰和3D相互作用.
- 使用大量并行报告测试和序列保存进行功能性表征.
主要成果:
- 深度学习模型能够准确预测增强剂及其监管影响.
- 这些工具有助于推断转录因子结合点和合成增强剂的设计.
- 计算方法可以识别疾病特异性的调节模式,例如败血症的内型.
结论:
- 计算工具,尤其是深度学习, 正在彻底改变增强器研究.
- 了解增强剂的监管代码对基础生物学和医学有重大影响.
- 这些方法为新的治疗策略提供了有前途的途径,
更多相关视频
09:07Prediction and Validation of Gene Regulatory Elements Activated During Retinoic Acid Induced Embryonic Stem Cell Differentiation
Published on: June 21, 2016
11:36Author Spotlight: An Integrated Workflow to Study the Promoter-Centric Spatio-Temporal Genome Architecture in Scarce Cell Populations
Published on: April 21, 2023
相关概念视频
Epigenetic Regulation
X-chromosome...
Master Transcription Regulators
Cis-regulatory Sequences
Regulation of Expression at Multiple Steps
Co-activators and Co-repressors
RNA Polymerase II Accessory Proteins
