DeepCNet: A multimodal deep learning model for predicting cell type-specific gene expression and promoter-enhancer interactions from single-cell multiome data
DeepCNet is een nieuw multimodaal deep learning-framework dat gebruikmaakt van single-cell multiome-data om celtype-specifieke genexpressie nauwkeurig te voorspellen en regulatorische promoter-enhancer-interacties af te leiden, waardoor de constructie van transcriptiefactor gen-regulerende netwerken en de identificatie van conditie-specifieke regulatorische veranderingen in ziekten zoals Alzheimer mogelijk wordt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
In elke cel van het menselijk lichaam ligt een enorme bibliotheek met instructies te wachten om gelezen te worden. Deze bibliotheek is geschreven in DNA, een lange chemische code die bepaalt hoe een cel zich gedraagt, hoe deze eruitziet en welke taak zij uitvoert. De code zelf is echter slechts een deel van het verhaal. Om te begrijpen hoe een cel werkt, moeten wetenschappers ook begrijpen hoe de cel beslist welke delen van de code gelezen worden en welke genegeerd worden. Dit besluitvormingsproces steunt op piepkleine schakelaars die promotors en enhancers worden genoemd. Promotors bevinden zich direct naast een gen en fungeren als een voordeur, terwijl enhancers als afstandsbedieningen werken die zich ver weg kunnen bevinden, soms duizenden letters van de DNA-code verwijderd. Wanneer een cel een specifiek gen moet activeren, moeten deze twee onderdelen fysiek bij elkaar komen, waarbij een lus in de DNA-streng wordt gevormd om het gen aan te zetten. Het uitzoeken welke afstandsbediening met welke voordeur verbonden is in elk verschillend type cel, is een van de moeilijkste puzzels in de moderne biologie.
Lange tijd konden wetenschappers deze verbindingen alleen bestuderen door naar een mengsel van miljoens cellen tegelijk te kijken, zoals proberen een gesprek te begrijpen door te luisteren naar een overvol stadion. Deze aanpak vervaagde de unieke stemmen van individuele celtypen. Recente technologie heeft dit veranderd door onderzoekers toe te staan om het DNA en de activiteit van genen in enkelvoudige cellen te bekijken, waardoor de onderscheidende regulatoire programma's van immuuncellen, hersencellen en anderen aan het licht kwamen. Toch blijft het, zelfs met dit hoogresolutiebeeld, een grote uitdaging om precies te voorspellen hoe deze verre schakelaars zich verbinden met hun doelgenen. Bestaande computermodellen hebben vaak moeite om het tempo bij te houden van de complexiteit van deze interacties, vooral wanneer men probeert te begrijpen hoe deze verbindingen veranderen in ziekten zoals Alzheimer.
Een team van onderzoekers aan de University of Florida heeft een nieuw computerprogramma genaamd DeepCNet ontwikkeld om dit probleem op te lossen. Dit hulpmiddel is ontworpen om te fungeren als een brug tussen de ruwe DNA-sequentie en het complexe gedrag van cellen. In plaats van simpelweg te gokken, leert DeepCNet van echte data om te voorspellen hoe een gen zal gedragen in een specifiek type cel. Het doet dit door naar twee hoofdzaken te kijken: de sequentie van de DNA-letters en de fysieke toegankelijkheid van het DNA, wat de computer vertelt welke delen van de code open en klaar zijn om gelezen te worden. Door deze twee informatiebronnen te combineren, kan het programma afleiden welke enhancers waarschijnlijk met welke genen communiceren.
De onderzoekers testten DeepCNet op data van menselijke bloed- en hersenweefsels. Ze vroegen de computer om te voorspellen hoe actief bepaalde genen zouden zijn in verschillende celtypen, zoals immuuncellen in het bloed of neuronen in de hersenen. Wanneer ze de voorspellingen van DeepCNet vergeleken met de werkelijke metingen die in de cellen zijn genomen, presteerde het nieuwe programma beter dan alle andere bestaande methoden. Het was nauwkeuriger in het raden van de sterkte van de genactiviteit en, cruciaal, het was beter in het identificeren van de juiste verbindingen tussen de verre enhancers en de genen die zij controleren. Om de betrouwbaarheid te bewijzen, controleerde het team de voorspellingen van DeepCNet tegen onafhankelijke experimentele data, inclusief fysieke kaarten van DNA-lussen en resultaten van experimenten waarbij specifieke DNA-schakelaars werden uitgeschakeld. In elk geval kwamen de door DeepCNet afgeleide verbindingen nauwer overeen met het bewijs uit de echte wereld dan die van andere modellen.
Naast het simpelweg voorspellen van genactiviteit, stelt DeepCNet wetenschappers in staat om de regulatoire netwerken in kaart te brengen die het celgedrag beheersen. De onderzoekers gebruikten het hulpmiddel om een gedetailleerde kaart te bouwen van hoe transcriptiefactoren — eiwitten die fungeren als de hoofdschakelaars voor genen — hun doelwitten aansturen in immuuncellen. Het programma identificeerde succesvol bekende regulatoren en onthulde hoe zij samenwerken in specifieke celtypen. Het benadrukte bijvoorbeeld hoe bepaalde eiwitten coördineren om de immuunrespons te beheren, waarbij zowel de gedeelde regels die voor veel cellen gelden als de unieke regels die specifieke celtypen definiëren, werden getoond.
De kracht van DeepCNet strekt zich uit tot het begrijpen van ziekten. De onderzoekers pasten het hulpmiddel toe op data van één patiënt met de ziekte van Alzheimer en een gezonde controlegroep om te zien hoe de regulatoire verbindingen in de hersenen zouden kunnen veranderen. Door de twee te vergelijken, identificeerde het programma specifieke gevallen waarin de verbinding tussen een gen en zijn schakelaar was veranderd in de ziektetoestand. In de hersencellen van de Alzheimerpatiënt vond het programma dat de verbinding tussen een gen genaamd AIF1 en zijn regulatoire schakelaar sterker was geworden, een verandering die overeenkomt met wat bekend is over ontsteking bij de ziekte. Het spoot ook een verzwakte verbinding op voor een ander gen, SLC20A2. Deze bevindingen suggereren dat de ziekte niet alleen gaat over het aan- of uitzetten van genen, maar over het feit dat de fysieke bedrading van het genoom wordt herbedraad.
De onderzoekers benadrukken dat hoewel DeepCNet sterk computationeel bewijs levert voor deze veranderingen, de bevindingen van deze specifieke vergelijking tussen één patiënt en één gezond persoon het beste kunnen worden beschouwd als kandidaten voor verder onderzoek in plaats van een definitieve diagnose. Het hulpmiddel is ontworpen om aan te geven waar wetenschappers de volgende stap moeten zetten. Door een duidelijker beeld te bieden van hoe het genoom is georganiseerd en hoe het verandert bij ziekte, biedt DeepCNet een nieuwe manier om de verborgen mechanismen te verkennen die menselijke gezondheid en ziekte aansturen, waardoor een complexe biologische puzzel wordt omgezet in een kaart die onderzoekers daadwerkelijk kunnen volgen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.