Description du projet
Plateforme informatique pour la caractérisation de la régulation des gènes au niveau unicellulaire
Le développement des technologies unicellulaires a permis de caractériser les types de cellules et les modèles sous-jacents des processus de développement à une résolution plus élevée, tandis que l’intégration des données provenant de différentes analyses «omiques» fournit une image plus différenciée des connexions mécanistiques. Financé par le programme Actions Marie Skłodowska-Curie, le projet GReCS a pour ambition de développer une méthode informatique permettant de comprendre la régulation des gènes au niveau unicellulaire. L’approche intégrera des données concernant le transcriptome et la chromatine ouverte afin de filtrer les informations préalables sur les interactions candidates et de prédire les réseaux de régulation génique spécifiques aux cellules à l’aide de l’apprentissage automatique. La boîte à outils informatique développée sera mise à la disposition de la communauté pour étendre la caractérisation de la régulation des gènes en combinant différents types de données.
Objectif
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.
Champ scientifique
Mots‑clés
Programme(s)
Régime de financement
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Coordinateur
CB10 1SA SAFFRON WALDEN
Royaume-Uni