Description du projet
Une approche d’apprentissage automatique pour déterminer les règles de la transdifférenciation cellulaire
L’identité cellulaire est déterminée par l’expression propre au type de cellule des facteurs de transcription (FT), alors que le paysage épigénétique de la cellule est maintenu par les protéines de régulation épigénétique (RE). De nouvelles données indiquent la coopération de différents FT et RE dans l’établissement du spectre de différents types de cellules et d’états de cellules dans le corps humain. Le projet SingleCellAI, financé par l’UE, développe une approche d’apprentissage automatique pour la prédiction in silico de cocktails FT/RE qui peuvent reprogrammer tout type de cellule en tout autre type de cellule, créant un algorithme de transdifférenciation cellulaire. L’étude formera un modèle d’apprentissage automatique sur des ensembles de données de séquençage unicellulaire CRISPR à large échelle. L’approche axée sur les données sera validée de manière expérimentale dans le contexte du système hématopoïétique humain.
Objectif
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.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN.
- sciences naturellessciences biologiquesbiochimiebiomoléculeprotéines
- sciences naturellesinformatique et science de l'informationintelligence artificielleintelligence artificielle générative
- sciences naturellesinformatique et science de l'informationintelligence artificielleapprentissage automatiqueapprentissage profond
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Programme(s)
Régime de financement
MSCA-IF-EF-ST - Standard EFCoordinateur
1090 Wien
Autriche