Descrizione del progetto
Piattaforma di calcolo per la caratterizzazione della regolazione genica a livello unicellulare
Lo sviluppo di tecnologie a cellula singola ha consentito la caratterizzazione dei tipi cellulari e dei modelli sottostanti dei processi di sviluppo a una risoluzione più elevata, mentre l’integrazione di dati provenienti da diverse analisi omiche fornisce un quadro maggiormente differenziato delle connessioni meccanicistiche. Finanziato dal programma di azioni Marie Skłodowska-Curie, il progetto GReCS è volto a sviluppare un metodo di calcolo che generi informazioni sulla regolazione genica a livello di cellula singola. L’approccio integrerà la trascrittomica e i dati sulla cromatina aperti per filtrare le informazioni preliminari sulle interazioni dei candidati e prevedere le reti di regolazione genica specifica delle cellule utilizzando l’apprendimento automatico. La serie di strumenti di calcolo sviluppata sarà a disposizione della comunità per ampliare la caratterizzazione della regolazione genica combinando diversi tipi di dati.
Obiettivo
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.
Campo scientifico
Parole chiave
Programma(i)
Argomento(i)
Meccanismo di finanziamento
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Coordinatore
CB10 1SA SAFFRON WALDEN
Regno Unito