麦吉尔大学Ding Lab基于深度学习开发单细胞水平转座子位点表达定量模型,登Nature子刊

mates:深度学习赋能的单细胞转座子定量新工具

突破性进展: 一篇发表在《Nature Communications》上的论文介绍了MATES,一款基于深度学习的单细胞水平转座子定量工具。MATES巧妙地利用自编码器模型,通过分析转座子周围独特比对reads的分布,概率性地将多重比对reads分配到特定位点,从而克服了传统方法在处理转座子重复序列时面临的挑战。

图片

该工具在多个单细胞测序平台(包括10X Genomics、Smart-seq和空间转录组学)上得到验证,其高精度和多功能性为更深入的生物学研究提供了强有力的支持。

图片

挑战与机遇: 转座子作为基因组的重要组成部分,在基因调控和细胞异质性中发挥着关键作用。然而,由于其高拷贝数和重复序列特性,准确量化单细胞水平上的特定位点转座子表达一直是该领域的难题。现有方法往往忽略转座子周围的基因组上下文信息,导致定量结果不够精确。

MATES的创新之处: MATES通过深度神经网络学习独特reads分布与多重比对reads来自特定位点概率之间的关系,从而概率性地分配多重比对reads。这使得MATES能够更准确地量化特定位点转座子的表达,并克服了传统方法的局限性。

图片

技术路线: MATES主要包含以下步骤:首先,将reads比对到参考基因组;然后,区分独特比对reads和多重比对reads;接着,构建覆盖向量来表示转座子位点周围独特reads的分布;最后,利用自编码器模型学习潜在嵌入,并预测多重比对reads分配到特定位点的概率。通过整合这些信息,MATES能够生成特定位点转座子的定量结果,并与基因表达或基因可及性数据结合进行分析。

研究结果: 研究者们对MATES进行了严格的评估,结果表明,MATES在不同测序平台和数据模式下均能提供更准确的转座子定量结果。MATES不仅提高了定量的准确性,还能够识别特异性转座子标志物,从而更全面地理解转座子在细胞动态和基因调控中的作用。 文章中展示了多个数据集的分析结果,充分证明了MATES的优越性能。

图片图片图片图片

总结: MATES为单细胞水平转座子定量研究提供了一种全新的、更精确的方法,有望推动对转座子生物学功能的深入理解。 该工具的开源性也使其能够被更广泛的研究者使用,从而加速相关领域的研究进展。

以上就是麦吉尔大学Ding Lab基于深度学习开发单细胞水平转座子位点表达定量模型,登Nature子刊的详细内容,更多请关注【创想鸟】其它相关文章!

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至253000106@qq.com举报,一经查实,本站将立刻删除。

发布者:PHP中文网,转转请注明出处:https://www.chuangxiangniao.com/p/1387048.html

(0)
上一篇 2025年2月17日 15:01:12
下一篇 2025年2月17日 15:01:23

AD推荐 黄金广告位招租... 更多推荐

相关推荐

发表回复

登录后才能评论