DeepCNet: A multimodal deep learning model for predicting cell type-specific gene expression and promoter-enhancer interactions from single-cell multiome data
DeepCNet ist ein neuartiges multimodales Deep-Learning-Framework, das Single-Cell-Multiom-Daten nutzt, um zellspezifische Genexpression präzise vorherzusagen und regulatorische Promoter-Enhancer-Interaktionen zu inferieren, wodurch der Aufbau von Transkriptionsfaktor-Genregulationsnetzwerken sowie die Identifizierung zustandsspezifischer regulatorischer Veränderungen bei Krankheiten wie Alzheimer ermöglicht werden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
In jeder Zelle des menschlichen Körpers wartet eine riesige Bibliothek von Anweisungen darauf, gelesen zu werden. Diese Bibliothek ist in der DNA geschrieben, einem langen chemischen Code, der bestimmt, wie sich eine Zelle verhält, wie sie aussieht und welche Aufgabe sie erfüllt. Der Code selbst ist jedoch nur ein Teil der Geschichte. Um zu verstehen, wie eine Zelle funktioniert, müssen Wissenschaftler auch verstehen, wie die Zelle entscheidet, welche Teile des Codes sie liest und welche sie ignoriert. Dieser Entscheidungsprozess beruht auf winzigen Schaltern, die Promotoren und Enhancer genannt werden. Promotoren sitzen direkt neben einem Gen und fungieren wie eine Haustür, während Enhancer wie Fernbedienungen wirken können, die weit entfernt liegen können, manchmal tausende Buchstaben des DNA-Codes entfernt. Wenn eine Zelle ein bestimmtes Gen aktivieren muss, müssen diese beiden Teile physisch zusammenkommen und bilden eine Schleife im DNA-Strang, um das Gen einzuschalten. Herauszufinden, welche Fernbedienung mit welcher Haustür in jedem anderen Zelltyp verbunden ist, gehört zu den schwierigsten Rätseln der modernen Biologie.
Lange Zeit konnten Wissenschaftler diese Verbindungen nur untersuchen, indem sie eine Mischung aus Millionen von Zellen gleichzeitig betrachteten, so als versuche man, ein Gespräch zu verstehen, indem man einem überfüllten Stadion lauscht. Dieser Ansatz verschleierte die einzigartigen Stimmen einzelner Zelltypen. Jüngste Technologien haben dies geändert, indem sie es Forschern ermöglichten, die DNA und die Aktivität von Genen in Einzelzellen zu untersuchen, wodurch die unterschiedlichen Regulierungsprogramme von Immunzellen, Gehirnzellen und anderen sichtbar wurden. Doch selbst mit dieser hochauflösenden Sichtweise bleibt es eine große Herausforderung, genau vorherzusagen, wie sich diese fernen Schalter mit ihren Zielgenen verbinden. Bestehende Computermodelle haben oft Schwierigkeiten, mit der Komplexität dieser Interaktionen Schritt zu halten, insbesondere wenn es darum geht, zu verstehen, wie sich diese Verbindungen in Krankheiten wie Alzheimer verändern.
Ein Team von Forschern an der University of Florida hat ein neues Computerprogramm namens DeepCNet entwickelt, um dieses Problem zu lösen. Dieses Werkzeug ist darauf ausgelegt, eine Brücke zwischen der rohen DNA-Sequenz und dem komplexen Verhalten von Zellen zu schlagen. Anstatt nur zu raten, lernt DeepCNet aus realen Daten, um vorherzusagen, wie ein Gen in einem spezifischen Zelltyp agieren wird. Es tut dies, indem es zwei Hauptaspekte betrachtet: die Sequenz der DNA-Buchstaben und die physische Zugänglichkeit der DNA, die dem Computer mitteilt, welche Teile des Codes offen und bereit zum Lesen sind. Durch die Kombination dieser beiden Informationsquellen kann das Programm ableiten, welche Enhancer wahrscheinlich mit welchen Genen kommunizieren.
Die Forscher testeten DeepCNet mit Daten aus menschlichem Blut- und Hirngewebe. Sie ließen den Computer vorhersagen, wie aktiv bestimmte Gene in verschiedenen Zelltypen wären, wie etwa Immunzellen im Blut oder Neuronen im Gehirn. Als sie die Vorhersagen von DeepCNet mit den tatsächlichen Messungen in den Zellen verglichen, schnitt das neue Programm besser ab als jede andere bestehende Methode. Es war genauer darin, die Stärke der Genaktivität zu erraten und – entscheidend – es war besser darin, die korrekten Verbindungen zwischen den fernen Enhancern und den von ihnen gesteuerten Genen zu identifizieren. Um seine Zuverlässigkeit zu beweisen, überprüfte das Team die Vorhersagen von DeepCNet anhand unabhängiger experimenteller Daten, einschließlich physischer Karten von DNA-Schleifen und Ergebnissen aus Experimenten, bei denen bestimmte DNA-Schalter ausgeschaltet wurden. In jedem Fall stimmten die von DeepCNet abgeleiteten Verbindungen enger mit den realen Belegen überein als die anderer Modelle.
Über die bloße Vorhersage der Genaktivität hinaus ermöglicht DeepCNet es Wissenschaftlern, die regulatorischen Netzwerke abzubilden, die das Zellverhalten steuern. Die Forscher nutzten das Werkzeug, um eine detaillierte Karte davon zu erstellen, wie Transkriptionsfaktoren – Proteine, die als Hauptschalter für Gene fungieren – ihre Ziele in Immunzellen kontrollieren. Das Programm identifizierte erfolgreich bekannte Regulatoren und zeigte auf, wie sie in spezifischen Zelltypen zusammenarbeiten. Beispielsweise verdeutlichte es, wie bestimmte Proteine koordiniert die Immunantwort steuern, wobei sowohl die gemeinsamen Regeln, die für viele Zellen gelten, als auch die einzigartigen Regeln, die spezifische Zelltypen definieren, aufgezeigt wurden.
Die Leistungsfähigkeit von DeepCNet erstreckt sich auf das Verständnis von Krankheiten. Die Forscher wandten das Werkzeug auf Daten eines einzelnen Patienten mit Alzheimer sowie auf eine gesunde Kontrollperson an, um zu sehen, wie sich die regulatorischen Verbindungen im Gehirn verändern könnten. Durch den Vergleich identifizierte das Programm spezifische Fälle, in denen die Verbindung zwischen einem Gen und seinem Schalter im Krankheitszustand verändert worden war. In den Gehirnzellen des Alzheimer-Patienten stellte das Programm fest, dass die Verbindung zwischen einem Gen namens AIF1 und seinem regulatorischen Schalter stärker geworden war, eine Veränderung, die mit dem bekannten Wissen über Entzündungen bei dieser Krankheit übereinstimmt. Es entdeckte auch eine abgeschwächte Verbindung für ein weiteres Gen, SLC20A2. Diese Befunde legen nahe, dass es bei der Krankheit nicht nur darum geht, ob Gene an- oder ausgeschaltet werden, sondern dass die physische Verdrahtung des Genoms neu verdrahtet wird.
Die Forscher betonen, dass die Ergebnisse von DeepCNet zwar starke computergestützte Belege für diese Veränderungen liefern, die Erkenntnisse aus diesem speziellen Vergleich zwischen einem Patienten und einer gesunden Person jedoch am besten als Kandidaten für weitere Studien und nicht als endgültige Diagnose betrachtet werden sollten. Das Werkzeug ist darauf ausgelegt, aufzuzeigen, wo Wissenschaftler als Nächstes suchen sollten. Indem es ein klareres Bild davon vermittelt, wie das Genom organisiert ist und wie es sich in Krankheiten verändert, bietet DeepCNet einen neuen Weg, die verborgenen Mechanismen zu erforschen, die menschliche Gesundheit und Krankheit antreiben, und verwandelt ein komplexes biologisches Rätsel in eine Karte, der Forscher tatsächlich folgen können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.