Нейросеть восполняет пробелы в данных для пространственного анализа хромосом

Вычислительные методы, используемые для заполнения отсутствующих пикселей в изображениях или видео низкого качества, также могут помочь учёным восполнить недостающую информацию об организации ДНК в клетке, как показали вычислительные биологи из Университета Карнеги-Меллон.

Восполнение этой недостающей информации позволит более эффективно изучать 3D-структуру хромосом и, в частности, субкомпартментов, которые могут играть решающую роль как в развитии заболеваний, так и в определении функций клеток, заявил Цзянь Ма, доцент кафедры вычислительной биологии.

В исследовании, опубликованном в журнале Nature Communications, Ма и аспирант Кайл Сюн сообщают об успешном применении их метода машинного обучения к девяти клеточным линиям. Это позволило им впервые изучить различия в пространственной организации, связанные с субкомпартментами, в этих линиях.

Ранее субкомпартменты можно было выявить только в одном типе клеток — лимфобластоидной клеточной линии GM12878, которая была исчерпывающе секвенирована с большими затратами с использованием технологии Hi-C, измеряющей пространственное взаимодействие между всеми участками генома.

«Хромосомы в клеточном ядре сложены и упакованы в 3D-структуры. Эта 3D-структура критически важна для понимания клеточных функций в развитии и заболеваниях», — пояснил Сюн. Субкомпартменты представляют особый интерес, поскольку отражают пространственное разделение участков хромосом с высокой интерактивностью.

Однако до сих пор исследователи могли рассчитать паттерны субкомпартментов только при наличии чрезвычайно полного набора данных Hi-C. Такой уровень детализации отсутствовал в наборах данных для других клеточных линий, кроме GM12878.

Сюн использовал искусственную нейронную сеть под названием «шумоподавляющий автоэнкодер» для заполнения пробелов в неполных наборах данных Hi-C. В компьютерном зрении автоэнкодер может восполнять отсутствующие пиксели, обучаясь распознавать, какие типы пикселей обычно встречаются вместе. Сюн адаптировал автоэнкодер для высокопроизводительной геномики, используя набор данных для GM12878, чтобы обучить его распознавать, какие последовательности пар ДНК из разных хромосом, вероятно, взаимодействуют друг с другом в 3D-пространстве ядра клетки.

Этот вычислительный метод, названный SNIPER, успешно идентифицировал субкомпартменты в восьми клеточных линиях, межхромосомные взаимодействия которых на основе данных Hi-C были лишь частично известны. Они также применили SNIPER к данным GM12878 в качестве контроля. Однако пока неизвестно, насколько широко этот инструмент можно использовать для всех других типов клеток. Исследователи продолжают совершенствовать метод, чтобы его можно было применять в различных клеточных условиях и даже у разных организмов.

«Мы видим, что некоторые субкомпартменты согласованы между типами клеток, а другие различаются. Предстоит ещё многое узнать», — отметил Ма.