Projektbeschreibung
Ansatz für maschinelles Lernen zur Bestimmung der Regeln für die zelluläre Transdifferenzierung
Die Zellidentität bestimmt sich je nach Zelltyp durch die spezifische Expression von Transkriptionsfaktoren (TF), während die epigenetische Landschaft der Zelle durch epigenetische Regulatorproteine (ER) erhalten wird. Immer mehr wissenschaftliche Beweise legen nahe, dass TF und ER bei der Schaffung des Spektrums verschiedener Zelltypen und Zellzustände im menschlichen Körper zusammenwirken. Das EU-finanzierte Projekt SingleCellAI entwickelt einen Ansatz mit maschinellem Lernen für die In-silico-Prognose von TF/ER-Cocktails, die jeden Zelltyp in beliebige andere Zelltypen umprogrammieren können, um einen Algorithmus für die zelluläre Transdifferenzierung zu schaffen. Im Rahmen der Studie wird ein Modell für maschinelles Lernen an CRISPR-Einzelzellsequenzierungs-Datensätzen im großen Maßstab trainiert. Der datengestützte Ansatz wird im Kontext des menschlichen hämatopoetischen Systems experimentell validiert.
Ziel
Cellular identity is controlled by cell type specific expression of transcription factors (TFs), and it is reflected in the cell’s epigenetic landscape maintained by epigenetic regulator proteins (ERs). Functional dissection of cellular identity has focused mainly on a small number of lineage-defining master regulators, yet there is increasing evidence that multiple TFs and ERs work together to establish and retain the vast number of different cell types and cell states in the human body. For a more quantitative understanding of cellular identity, and of the complexities of its regulation, I propose to develop a machine-learning approach for in silico prediction of TF/ER cocktails that can transdifferentiate any human cell type into any other cell type, thus defining an operational rulebook of cellular transdifferentiation. To this end, I will train a machine-learning model called generative adversarial networks (GANs) on large-scale CRISPR single-cell sequencing (CROP-seq) datasets generated in the host lab. Exploiting unique features of the deep-learning generative approach, the resulting model will be able to generalize the learned genetic perturbations across cell types in silico. I will experimentally validate several of these predicted TF/ER transdifferentiation cocktails in the context of the human hematopoietic system. Importantly, the proposed approach is hypothesis-free and data-driven, exploiting recent advances in machine learning to infer fundamental aspects of the regulation of cellular identity from high-throughput functional CRISPR single-cell sequencing data.
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
- NaturwissenschaftenBiowissenschaftenBiochemieBiomoleküleProteine
- NaturwissenschaftenInformatik und Informationswissenschaftenkünstliche Intelligenzgenerative künstliche Intelligenz
- NaturwissenschaftenInformatik und Informationswissenschaftenkünstliche Intelligenzmaschinelles LernenDeep Learning
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
MSCA-IF-EF-ST - Standard EFKoordinator
1090 Wien
Österreich