因果GRN:从单细胞CRISPR屏幕解读因果基因调节网络

科学领域:

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

背景情况:

• 与scRNA-seq结合的单细胞CRISPR屏幕对于绘制基因调节网络 (GRNs) 至关重要.
• 分析复杂的scRNA-seq数据以从这些屏幕中获得因果洞察力, presents显著的分析障碍.
• 现有的方法与scRNA-seq数据固有的稀疏性和噪声作斗争,限制了强大的GRN推断.

研究的目的:

• 开发一个可扩展的计算框架,CausalGRN,用于从scRNA-seq数据中推断因果GRN.
• 为了提高对遗传干扰的细胞反应的预测.
• 克服目前用于大规模扰动屏幕的分析方法的局限性.

主要方法:

• 实施了CausalGRN,这是一个新的框架,采用自适应值校正来解决稀疏scRNA-seq数据中的虚假相关性.
• 开发了一种推断非定向图的方法,然后使用观察到的扰动结果来定向它,以建立一个定向的GRN.
• 利用网络传播来预测干扰的下游影响.

主要成果:

• 与模拟和实验数据集的现有方法相比,CausalGRN在网络重建准确度方面表现优异.
• 该框架准确地预测了细胞对未见扰动的反应.
• 成功弥合了扰动数据和因果基因调节推断之间的差距.

结论:

• 因果GRN为从scRNA-seq数据中推断因果基因调节网络提供了强大的和可扩展的解决方案.
• 该框架显著改善了对干扰的细胞反应的预测.
• 在系统生物学研究中利用大规模扰动屏幕提供了一个原则性的方法.