DeepCNet: A multimodal deep learning model for predicting cell type-specific gene expression and promoter-enhancer interactions from single-cell multiome data
DeepCNet è un nuovo framework di deep learning multimodale che sfrutta dati multiomici a singola cellula per prevedere accuratamente l'espressione genica specifica per tipo cellulare e inferire le interazioni promotore-enhancer regolatorie, consentendo così la costruzione di reti di regolazione genica dei fattori di trascrizione e l'identificazione di alterazioni regolatorie specifiche per condizione in malattie come l'Alzheimer.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Dentro ogni cellula del corpo umano, una vasta biblioteca di istruzioni attende di essere letta. Questa biblioteca è scritta nel DNA, un lungo codice chimico che determina come una cellula si comporta, che aspetto ha e quale compito svolge. Tuttavia, il codice in sé è solo una parte della storia. Per capire come funziona una cellula, gli scienziati devono anche comprendere come la cellula decida quali parti del codice leggere e quali ignorare. Questo processo decisionale si basa su minuscoli interruttori chiamati promotori ed enhancer. I promotori si trovano proprio accanto a un gene, agendo come una porta d'ingresso, mentre gli enhancer sono come telecomandi che possono trovarsi lontano, a volte a migliaia di lettere di codice DNA di distanza. Quando una cellula ha bisogno di attivare un gene specifico, queste due parti devono unirsi fisicamente, formando un anello nella catena del DNA per accendere il gene. Capire quale telecomando si connette a quale porta d'ingresso in ogni diverso tipo di cellula è uno dei puzzle più difficili della biologia moderna.
Per molto tempo, gli scienziati hanno potuto studiare queste connessioni osservando una miscela di milioni di cellule contemporaneamente, come cercare di capire una conversazione ascoltando uno stadio affollato. Questo approccio sfumava le voci uniche dei singoli tipi cellulari. La tecnologia recente ha cambiato questo permettendo ai ricercatori di osservare il DNA e l'attività dei geni in singole cellule, rivelando i distinti programmi regolatori delle cellule immunitarie, delle cellule cerebrali e di altre. Eppure, anche con questa visione ad alta risoluzione, prevedere esattamente come questi interruttori distanti si connettano ai loro geni bersaglio rimane una sfida importante. I modelli informatici esistenti spesso faticano a stare al passo con la complessità di queste interazioni, specialmente quando si cerca di capire come queste connessioni cambino in malattie come l'Alzheimer.
Un team di ricercatori dell'Università della Florida ha sviluppato un nuovo programma informatico chiamato DeepCNet per risolvere questo problema. Questo strumento è progettato per agire come un ponte tra la sequenza grezza del DNA e il complesso comportamento delle cellule. Invece di limitarsi a indovinare, DeepColoCNet impara dai dati reali per prevedere come un gene si comporterà in un tipo specifico di cellula. Lo fa osservando due cose principali: la sequenza delle lettere del DNA e l'accessibilità fisica del DNA, che dice al computer quali parti del codice sono aperte e pronte per essere lette. Combinando queste due fonti di informazione, il programma può inferire quali enhancer stiano probabilmente parlando con quali geni.
I ricercatori hanno testato DeepCNet su dati provenienti da tessuti umani del sangue e del cervello. Hanno chiesto al computer di prevedere quanto sarebbero attivi certi geni in diversi tipi di cellule, come le cellule immunitarie nel sangue o i neuroni nel cervello. Quando hanno confrontato le previsioni di DeepCNet con le misurazioni effettive prese dalle cellule, il nuovo programma ha performato meglio di qualsiasi altro metodo esistente. Era più accurato nel indovinare la forza dell'attività genica e, cosa fondamentale, era migliore nell'identificare le corrette connessioni tra gli enhancer distanti e i geni che controllano. Per provarne l'affidabilità, il team ha verificato le previsioni di DeepCNet rispetto a dati sperimentali indipendenti, inclusi i grafici fisici dei loop del DNA e i risultati di esperimenti in cui specifici interruttori del DNA sono stati spenti. In ogni caso, le connessioni inferite da DeepCNet corrispondevano all'evidenza del mondo reale più da vicino rispetto a quelle di altri modelli.
Oltre a prevedere semplicemente l'attività genica, DeepCNet permette agli scienziati di mappare le reti regolatorie che governano il comportamento cellulare. I ricercatori hanno utilizzato lo strumento per costruire una mappa dettagliata di come i fattori di trascrizione — proteine che agiscono come interruttori maestri per i geni — controllano i loro bersagli nelle cellule immunitarie. Il programma ha identificato con successo i regolatori noti e ha rivelato come essi lavorino insieme in tipi cellulari specifici. Ad esempio, ha evidenziato come certe proteine coordinino la risposta immunitaria, mostrando sia le regole condivise che si applicano a molte cellule, sia le regole uniche che definiscono tipi cellulari specifici.
Il potere di DeepCNet si estende alla comprensione delle malattie. I ricercatori hanno applicato lo strumento a dati di un singolo paziente con la malattia di Alzheimer e a un controllo sano per vedere come le connessioni regolatorie potrebbero cambiare nel cervello. Confrontandoli, il programma ha identificato casi specifici in cui la connessione tra un gene e il suo interruttore era stata alterata nello stato patologico. Nelle cellule cerebrali del paziente con Alzheimer, il programma ha trovato che la connessione tra un gene chiamato AIF1 e il suo interruttore regolatorio si era rafforzata, un cambiamento che si allinea con quanto noto sull'infiammazione nella malattia. Ha anche individuato una connessione indebolita per un altro gene, SLC20A2. Questi risultati suggeriscono che la malattia non riguarda solo i geni che si accendono o si spengono, ma riguarda il fatto che il cablaggio fisico del genoma venga ricablato.
I ricercatori sottolineano che, sebbene DeepCNet fornisca forti prove computazionali di questi cambiamenti, i risultati di questo specifico confronto tra un paziente e una persona sana vanno considerati al meglio come candidati per ulteriori studi piuttosto che come una diagnosi finale. Lo strumento è progettato per evidenziare dove gli scienziati debbano guardare successivamente. Offrendo un quadro più chiaro di come il genoma sia organizzato e di come cambi nelle malattie, DeepCNet fornisce un nuovo modo per esplorare i meccanismi nascosti che guidano la salute e la malattia umana, trasformando un complesso puzzle biologico in una mappa che i ricercatori possono effettivamente seguire.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.