Lernbasierte Strategie zur Vorhersage der Genexpression und Identifizierung regulatorischer Sequenzen

Das Forschungsteam unter der Leitung von Prof. Guo Guoji und Prof. Han Xiaoping von der Zhejiang University School of Medicine hat in der Zeitschrift einen Artikel mit dem Titel „Deep learning of cross-species single cell landscapes identifiziert konservierte regulatorische Programme, die Zelltypen zugrunde liegen“ veröffentlicht Naturgenetik am 13. Oktober.

In ihrer Studie setzten die Forscher ihr unabhängig entwickeltes Microwell-seq ein, um organismenweite Zelllandschaften für Zebrafische, Drosophila und Regenwürmer unter Verwendung einer Ganzkörperstrategie zu konstruieren, die gewebespezifische Chargeneffekte eliminieren könnte. Konkret analysierten sie 635.228 Einzelzellen von Zebrafischen, 276.706 Einzelzellen von Drosophila und 95.020 Einzelzellen von Regenwürmern. Zusammen mit anderen fünf Zelllandschaften analysierten sie insgesamt acht repräsentative Metazoenarten, um die konservierte genetische Regulation in Wirbeltieren und Wirbellosen zu erforschen.

Am wichtigsten ist jedoch, dass sie ein auf Deep Learning basierendes Framework, Nvwa (der Name einer Muttergottes in der alten chinesischen Legende), entwickelt haben, um die Genexpression ausschließlich anhand der DNA-Sequenz auf Einzelzellebene vorherzusagen. Insbesondere kann Nvwa die Genexpression in praktisch allen untersuchten Arten genau vorhersagen. Durch Extrahieren der Deep-Learning-basierten Motive aus jedem Faltungsfilter der ersten Schicht interpretierten sie die zelltypspezifischen Sequenzregeln und identifizierten konservierte regulatorische Programme über Arten hinweg.

Es ist das erste Mal, dass ein integriertes Modell für artenübergreifende Transkriptomlandschaften erstellt wurde. Diese Studie stellt eine wertvolle Ressource dar und bietet einen neuen Ansatz zur Untersuchung der regulatorischen Grammatik in verschiedenen biologischen Systemen.

Bereitgestellt von der Zhejiang-Universität