Исследователи используют глубокое обучение для изучения регуляции генов на уровне отдельных клеток

Ученые из Калифорнийского университета в Ирвайне разработали новый фреймворк на основе глубокого обучения, который предсказывает регуляцию генов на уровне отдельных клеток.

Глубокое обучение, семейство методов машинного обучения на основе искусственных нейронных сетей, произвело революцию в таких областях, как интерпретация изображений, обработка естественного языка и автономное вождение. В исследовании, недавно опубликованном в Science Advances, ученые описывают, как эту технику можно успешно использовать для наблюдения за регуляцией генов на клеточном уровне. До сих пор этот процесс был ограничен анализом на уровне тканей.

По словам соавтора исследования Сяохуй Се, профессора компьютерных наук, фреймворк позволяет изучать связывание транскрипционных факторов на клеточном уровне, что ранее было невозможно из-за внутреннего шума и разреженности данных по отдельным клеткам. Транскрипционный фактор — это белок, который контролирует трансляцию генетической информации из ДНК в РНК; ТФ регулируют гены, обеспечивая их экспрессию в правильной последовательности и в нужное время в клетках.

«Прорыв заключался в осознании того, что мы можем использовать глубокое обучение и массивные наборы данных профилей связывания ТФ на уровне тканей, чтобы понять, как ТФ регулируют гены-мишени в отдельных клетках посредством специфических сигналов», — сказал Се.

Обучив нейронную сеть на крупномасштабных геномных и эпигенетических наборах данных и используя опыт коллег из трех отделов, исследователи смогли идентифицировать новые регуляции генов для отдельных клеток или типов клеток.

«Наша способность предсказывать, связываются ли определенные транскрипционные факторы с ДНК в конкретной клетке или типе клеток в определенное время, открывает новый способ вычленения небольших популяций клеток, которые могут иметь решающее значение для понимания и лечения болезней», — сказал соавтор Цин Ни, профессор математики и директор Центра исследования клеточной судьбы на мультимасштабном уровне NSF-Simons, который поддержал проект.

Он отметил, что ученые могут использовать фреймворк глубокого обучения для выявления ключевых сигналов в раковых стволовых клетках — небольшой популяции клеток, которую трудно специфически нацелить при лечении или даже количественно оценить.

«Этот междисциплинарный проект — яркий пример того, как исследователи с разными областями экспертизы могут работать вместе над решением сложных биологических вопросов с помощью методов машинного обучения», — добавил Ни.