Projektbeschreibung
Computergestützte Plattform zur Charakterisierung der Genregulation auf Einzelzellebene
Mit der Entwicklung der Einzelzelltechnologien wurde die Charakterisierung von Zelltypen und zugrunde liegender Muster der Entwicklungsprozesse mit höherer Auflösung möglich, während die Integration von Daten aus verschiedenen Omik-Analysen ein differenzierteres Bild der mechanistischen Zusammenhänge ergibt. Das im Rahmen der Marie-Skłodowska-Curie-Maßnahmen finanzierte Projekt GReCS zielt auf die Entwicklung einer computergestützten Methode ab, die Einblicke in die Genregulation auf Einzelzellebene zulässt. Der Ansatz wird Transkriptomik- und offene Chromatindaten vereinen, um Vorabinformationen über denkbare Interaktionen herauszufiltern und zellspezifische genregulatorische Netzwerke unter Einsatz maschinellen Lernens vorherzusagen. Das entwickelte computergestützte Instrumentarium wird der Gemeinschaft zur Verfügung stehen, damit die Charakterisierung der Genregulation mittels Kombination verschiedener Datentypen erweitert werden kann.
Ziel
The advent of single cell technologies has enabled the characterization of cell types and developmental processes. Observations from different cells allow one to identify underlying patterns at higher resolution than convoluted bulk data, and integration of different omics data can yield a more differentiated picture of mechanistic connections. In this proposal, Gene REgulatory Cell States (GReCS) from multi-modal data, I plan to develop a computational method that combines these aspects to generate insights into gene regulation at the level of single cells.
Measurements of chromatin accessibility in single cells are becoming increasingly common. The method I propose to develop combines sc/sn-ATAC- and scRNA-sequencing data to characterize gene regulation. My approach will integrate and use transcriptomics and open chromatin data to filter comprehensive prior information about candidate interactions and predict cell-specific gene regulatory network versions using machine learning, while sparse single cell measurements are imputed using local cell similarities. In this way, rare measurements across cell types and a larger condition space for network inference can be exploited, using the natural potential of chromatin accessibility data as a filter to map interactions into a cell-specific context.
A distinguishing feature of the proposed method is the characterization of local gene regulatory states, which allows the observation of continuous changes throughout a cell-cell similarity embedding. This will be useful to examine changes during cell differentiation and along gradients in spatial reconstructions, for example of embryonic development. The developed methods will be made available to the community as a computational toolkit to improve the characterization of gene regulation by combining different types of data.
Wissenschaftliches Gebiet
Schlüsselbegriffe
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Koordinator
CB10 1SA SAFFRON WALDEN
Vereinigtes Königreich