DeepDETAILS ile toplu doku verilerinden hücre tipi düzeyinde gen düzenlemesinin taban çifti çözünürlüğünde yeniden inşası

Karmaşık doku örneklerinde, genlerin nasıl açılıp kapandığını yöneten düzenleyici mekanizmaların hangi hücre tiplerine ait olduğunu ayırmak, genomik araştırmalarda uzun süredir önemli bir zorluk olarak öne çıkıyor. Geleneksel tek hücreli yaklaşımlar bu soruya bireysel hücre düzeyinde yanıt verebilse de, her genom-genişliği ölçümü için aynı esneklikte uygulanabilmesi her zaman mümkün olmuyor. Bu darboğaza yönelik yeni bir çalışmada, DeepDETAILS adlı bir derin öğrenme çerçevesi, toplu (bulk) dizileme verilerinden hücre-tipine özgü düzenleyici sinyalleri daha yüksek çözünürlükte ayrıştırmayı hedefliyor.

Tek hücreli RNA-sekanslama (scRNA-seq) ve tek hücreli açık kromatin profilleme (scATAC-seq) gibi yöntemler, regülasyonun hücreden hücreye değişen desenlerini ayrıntılı biçimde haritalandırdı. Ancak araştırmacılar, genomun farklı boyutlarını ölçen diğer deneyler için de benzer düzeyde hücre-tipi ayrımı yapabilmenin zor olduğunu belirtiyor. Özellikle kromatin üzerinde gerçekleşen farklı modifikasyon veya düzenleyici faaliyetleri ölçen ve tek bir ölçüm türüne özgü yaklaşımlar gerektiren genom-genişliği deneylerinde, toplu veri setlerinden anlamlı hücre-tipi katkılarını geri çıkarmak güçleşiyor.

DeepDETAILS bu noktada devreye giriyor. Çerçeve, “çap-kısmilik (cross-modality) dekonvolüsyon” fikrini kullanarak, tek hücreli düzeyde elde edilen yüksek çözünürlüklü açık kromatin referanslarını, tamamlayıcı genom-genişliği toplu dizileme verileriyle birleştiriyor. Böylece, doku gibi heterojen örneklerde bir arada bulunan hücre tiplerinin, genom üzerinde bıraktığı sinyallerin birbirine karışmış görüntüsünü yeniden ayırmaya çalışıyor. Yöntemin temel hamlesi, tek bir veri türünden gelen kısıtları aşmak için farklı ölçüm modlarının ortak bilgisini modelde birleştirmek.