Projektbeschreibung
Kartierung von Gennetzwerken auf Zellebene
Die Einzelzell-RNA-Sequenzierung ist eine neuartige Technologie, die die Untersuchung des Transkriptoms einzelner Zellen ermöglicht. Zwar hat uns die Einzelzell-RNA-Sequenzierung neue Erkenntnisse zu Gennetzwerken verschafft, allerdings lässt sie potenzielle biophysikalische Einschränkungen außer Acht. Das EU-finanzierte Projekt scNet zielt auf die Entwicklung eines Inferenzalgorithmus, der die Auswirkungen von Störungen durch Deletion der Transkriptionsfaktoren vorhersagen kann. Die Ergebnisse des Projekts werden unser Wissen über Signalwege in Zellen vertiefen und ein neues Licht darauf werfen, wie verschiedene Moleküle miteinander interagieren. Bedeutsam ist auch, dass scNet zur Kartierung von Genkommunikationsnetzwerken auf Zellebene beitragen wird, was bis vor Kurzem aufgrund von methodischen Einschränkungen als unmöglich galt.
Ziel
Regulatory processes within living cells have long been the topic of research interest and the key to understanding various diseases. The decades of studies resulted in a large body of knowledge on molecular interactions and regulatory pathways in the cells of model organisms ranging from microorganisms to mammals. Nevertheless, accurately inferring gene network topology at the scale of a whole cell has remained an intractable task until recently, mostly due to the large amount of single-cell data needed for such inference. In the last few years, single-cell RNA sequencing (scRNA-seq) technology enabled measuring transcriptome of high numbers of individual cells, which allowed observing a much grater share of the multidimensional parameter space of large gene networks and gave rise to multiple inference methods. However, none of the existing methods incorporates all relevant knowledge on biophysical constraints. This project aims to incorporate prior knowledge on the system; decomposition of measurement, extrinsic and intrinsic noise; and accurate representation of stochastic gene expression and its regulation into a Bayesian inference framework for identifying topology of a gene network and rate constants of its molecular interactions. The performance of the inference algorithm will be tested by evaluating its ability to predict the effects of transcription factor deletion perturbations. Enhancing gene network inference by accounting for the wealth of known biophysical constraints could provide insights into the gene regulatory processes that would enable advancement in developmental and evolutionary biology, biomedicine and bioengineering.
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
64289 Darmstadt
Deutschland