Opis projektu
Uczenie maszynowe pomoże określić zasady transróżnicowania komórek
Tożsamość komórki określana jest przez właściwą dla danego typu komórki ekspresję czynników transkrypcji, zaś krajobraz epigenetyczny komórki podtrzymywany jest przez epigenetyczne białko regulatorowe. Pojawia się coraz więcej dowodów sugerujących współdziałanie licznych czynników transkrypcji oraz tego rodzaju białek w procesie tworzenia spektrum różnych typów komórek i stanów komórek w ludzkim ciele. Mając to na uwadze, twórcy finansowanego ze środków UE projektu SingleCellAI stworzą podejście oparte na uczeniu maszynowym, które umożliwi opracowywanie in silico połączeń czynników transkrypcji z energetycznymi białkami regulatorowymi, które będą mogły przeprogramować dowolny typ komórki w dowolny inny typ komórki, tworząc algorytm transróżnicowania komórek. W ramach projektu badacze przeszkolą model uczenia maszynowego w zakresie zbiorów danych z sekwencjonowania CRISPR pojedynczych komórek na dużą skalę. Takie podejście oparte na danych zostanie następnie zweryfikowane w formie eksperymentu w kontekście ludzkiego układu hemopoezy.
Cel
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.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
- nauki przyrodniczenauki biologicznebiochemiabiocząsteczkibiałka
- nauki przyrodniczeinformatykasztuczna inteligencjageneratywna sztuczna inteligencja
- nauki przyrodniczeinformatykasztuczna inteligencjauczenie maszynoweuczenie głębokie
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Program(-y)
Temat(-y)
System finansowania
MSCA-IF-EF-ST - Standard EFKoordynator
1090 Wien
Austria