DeepCNet: A multimodal deep learning model for predicting cell type-specific gene expression and promoter-enhancer interactions from single-cell multiome data
DeepCNet est un nouveau cadre d'apprentissage profond multimodal qui exploite les données multiomiques à l'échelle de la cellule unique pour prédire avec précision l'expression génique spécifique au type cellulaire et inférer les interactions promoteur-enhancer régulatrices, permettant ainsi la construction de réseaux de régulation génique des facteurs de transcription et l'identification d'altérations régulatrices spécifiques à certaines conditions dans des maladies comme la maladie d'Alzheimer.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
À l'intérieur de chaque cellule du corps humain, une vaste bibliothèque d'instructions attend d'être lue. Cette bibliothèque est écrite en ADN, un long code chimique qui détermine comment une cellule se comporte, de quoi elle a l'air et quel travail elle accomplit. Cependant, le code lui-même n'est qu'une partie de l'histoire. Pour comprendre comment une cellule fonctionne, les scientifiques doivent également comprendre comment la cellule décide quelles parties du code lire et lesquelles ignorer. Ce processus de prise de décision repose sur de minuscules interrupteurs appelés promoteurs et amplificateurs (enhancers). Les promoteurs sont situés juste à côté d'un gène, agissant comme une porte d'entrée, tandis que les amplificateurs sont comme des télécommandes qui peuvent être situés loin, parfois à des milliers de lettres de code ADN de distance. Lorsqu'une cellule a besoin d'activer un gène spécifique, ces deux parties doivent physiquement se rejoindre, formant une boucle dans le brin d'ADN pour allumer le gène. Déterminer quel contrôle à distance se connecte à quelle porte d'entrée dans chaque type de cellule différent est l'un des puzzles les plus difficiles de la biologie moderne.
Pendant longtemps, les scientifiques ne pouvaient étudier ces connexions qu'en observant un mélange de millions de cellules à la fois, comme essayer de comprendre une conversation en écoutant un stade bondé. Cette approche brouillait les voix uniques des différents types de cellules. La technologie récente a changé cela en permettant aux chercheurs d'observer l'ADN et l'activité des gènes dans des cellules individuelles, révélant les programmes de régulation distincts des cellules immunitaires, des cellules cérébrales et d'autres. Pourtant, même avec cette vue à haute résolution, prédire exactement comment ces interrupteurs distants se connectent à leurs gènes cibles reste un défi majeur. Les modèles informatiques existants ont souvent du mal à suivre la complexité de ces interactions, en particulier lorsqu'il s'agit de comprendre comment ces connexions changent dans des maladies comme la maladie d'Alzheimer.
Une équipe de chercheurs de l'Université de la Floride a développé un nouveau programme informatique appelé DeepCNet pour résoudre ce problème. Cet outil est conçu pour agir comme un pont entre la séquence d'ADN brute et le comportement complexe des cellules. Au lieu de simplement deviner, DeepCNet apprend à partir de données réelles pour prédire comment un gène se comportera dans un type de cellule spécifique. Il y parvient en examinant deux choses principales : la séquence de lettres d'ADN et l'accessibilité physique de l'ADN, qui indique à l'ordinateur quelles parties du code sont ouvertes et prêtes à être lues. En combinant ces deux sources d'information, le programme peut déduire quels amplificateurs sont susceptibles de communiquer avec quels gènes.
Les chercheurs ont testé DeepCNet sur des données provenant de tissus sanguins et cérébraux humains. Ils ont demandé à l'ordinateur de prédire comment certains gènes seraient actifs dans différents types de cellules, tels que les cellules immunitaires dans le sang ou les neurones dans le cerveau. Lorsqu'ils ont comparé les prédictions de DeepCNet aux mesures réelles effectuées sur les cellules, le nouveau programme a obtenu de meilleurs résultats que toute autre méthode existante. Il était plus précis pour deviner la force de l'activité génique et, de manière cruciale, il était meilleur pour identifier les connexions correctes entre les amplificateurs distants et les gènes qu'ils contrôlent. Pour prouver sa fiabilité, l'équipe a vérifié les prédictions de DeepCNet par rapport à des données expérimentales indépendantes, incluant des cartes physiques de boucles d'ADN et des résultats d'expériences où des interrupteurs d'ADN spécifiques ont été désactivés. Dans chaque cas, les connexions déduites par DeepCNet correspondaient plus étroitement aux preuves du monde réel que celles des autres modèles.
Au-delà de la simple prédiction de l'activité génique, DeepCNet permet aux scientifiques de cartographier les réseaux de régulation qui régissent le comportement cellulaire. Les chercheurs ont utilisé l'outil pour construire une carte détaillée de la manière dont les facteurs de transcription — des protéines qui agissent comme les interrupteurs maîtres des gènes — contrôlent leurs cibles dans les cellules immunitaires. Le programme a identifié avec succès des régulateurs connus et a révélé comment ils travaillent ensemble dans des types de cellules spécifiques. Par exemple, il a mis en évidence la façon dont certaines protéines se coordonnent pour gérer la réponse immunitaire, montrant à la fois les règles communes qui s'appliquent à de nombreuses cellules et les règles uniques qui définissent des types cellulaires spécifiques.
La puissance de DeepCNet s'étend à la compréhension des maladies. Les chercheurs ont appliqué l'outil à des données provenant d'un seul patient atteint de la maladie d'Alzheimer et d'un témoin en bonne santé pour voir comment les connexions réglementaires pourraient changer dans le cerveau. En comparant les deux, le programme a identifié des cas spécifiques où la connexion entre un gène et son interrupteur a été altérée dans l'état pathologique. Dans les cellules cérébrales du patient atteint d'Alzheimer, le programme a trouvé que la connexion entre un gène appelé AIF1 et son interrupteur de régulation s'était renforcée, un changement qui concorde avec ce qui est connu sur l'inflammation dans la maladie. Il a également repéré une connexion affaiblie pour un autre gène, SLC20A2. Ces découvertes suggèrent que la maladie ne concerne pas seulement l'activation ou la désactivation des gènes, mais que le câblage physique du génome est en train d'être recâblé.
Les chercheurs soulignent que, bien que DeepCNet fournisse des preuves computationnelles solides pour ces changements, les conclusions de cette comparaison spécifique entre un patient et une personne saine doivent être considérées comme des candidats à des études ultérieures plutôt que comme un diagnostic final. L'outil est conçu pour mettre en évidence les endroits où les scientifiques doivent chercher ensuite. En offrant une image plus claire de la manière dont le génome est organisé et comment il change dans la maladie, DeepCNet offre une nouvelle façon d'explorer les mécanismes cachés qui dirigent la santé et la maladie humaines, transformant un puzzle biologique complexe en une carte que les chercheurs peuvent réellement suivre.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.