基于图神经网络从scATAC-seq数据中推演转录因子调控网络
编号：13
访问权限：仅限参会人
更新：2022-07-05 11:21:28
浏览：1013次
特邀报告
报告开始：2022年07月23日 15:50 （Asia/Shanghai）
报告时间：20min
所在会议：[S5] 分会场5 » [S5-1] 单细胞组学技术开发与应用
暂无文件
摘要
作为真核生物中控制基因表达的关键因子，序列特异的转录因子(transcription factors, TFs)调控着成百上千个下游基因。尤其值得关注的是，转录因子彼此调控所形成的转录因子调控网络(TF regulatory networks, TRNs)对细胞的类型和主要功能具有决定性作用。染色质开放性描述了DNA序列在物理上的可接近程度，从而能够作为转录调控事件的直接反映。得益于当前染色质开放性数据的积累和深度学习的发展，我们提出了一种基于单细胞ATAC-seq数据的TRN推演框架，并将其命名为DeepTFni。借助图神经网络中的变分图自编码器，DeepTFni将TRN推演问题转化为图上的链路预测问题。实验表明，DeepTFni具有优异的预测性能，并且可以支持细胞数较少的情况。此外，我们使用DeepTFni对组织发育和肿瘤发生中的关键转录因子予以分析。发现在混合表型急性白血病中，很多与该疾病密切相关的基因，其TRN在对照与患者之间具有显著变化，而其mRNA水平的变化则相对适中。最后，我们还提供了相应的在线服务网站(http://deeptfni.sysomics.com/)。
关键字
图神经网络;转录调控;单细胞ATAC
报告人
李昊
副研究员 军事医学研究院李昊，军事科学院军事医学研究院副研究员，本科毕业于清华大学自动化系，于2017年在军事医学研究院获得博士学位。主要从事生命组学测序数据的生物信息学分析和人工智能算法研究，在Nature Machine Intelligence, Briefings in Bioinformatics, Bioinformatics等期刊发表SCI论文10余篇。担任中国人工智能学会生物信息学与人工生命专委会委员，承担国家自然科学基金青年项目、北京市自然科学基金青年项目和军队课题多项。
发表评论