National and Kapodistrian University of Athens
Development of explainable deep learning methods for deciphering transcription factor dynamics
Abstract
dc:descriptionΤα κύτταρα απαιτούν τη διαφορική ενεργοποίηση παραγόντων μεταγραφής (TFs) για να καθιερώσουν την χαρακτηριστική γονιδιακή έκφραση που τα διακρίνει. Καθώς η δέσμευση, ο χρόνος και η συνδυαστική δραστηριότητα με άλλους μεταγραφικούς παράγοντες στους ενισχυτές και τους υποκινητές των γονιδίων επηρεάζουν την έκφραση, και ενώ ορισμένες από αυτές τις συσχετίσεις έχουν αποκωδικοποιηθεί μέσω πειραμάτων, η κατανόηση των δυναμικών αλληλεπιδράσεων των παραγόντων μεταγραφής στον εκάστοτε κυτταρικό τύπο παραμένει ασαφής. Σε αυτήν τη μελέτη, χρησιμοποιούνται δεδομένα συμπλόκων παραγόντων - χρωματίνης μέσω του πρωτοκόλλου ChIP-seq για τον παράγοντα TCF1, τα οποία περιλαμβάνουν ρυθμιστικές περιοχές όπως ενισχυτές και υποκινητές, όπου ο παράγοντας δεσμεύεται και ρυθμίζει την έκφραση των γονιδίων σε ολόκληρο το γονιδίωμα, για δύο τύπους κυττάρων, τα διπλά θετικά Τ κύτταρα, τα οποία παράγουν φυσικά τον TCF1, και τους ινοβλάστες NIH3T3, οι οποίοι επάγονται να εκφράζουν το TCF1. Οι διαφορικές θέσεις δέσμευσης χρησιμοποιήθηκαν ως είσοδος σε ένα νευρωνικό δίκτυο συνέλιξης (CNN) που εκπαιδεύτηκε να διακρίνει αν μια αλληλουχία είναι προσβάσιμη από τον TCF1 για καθέναν από τους τύπους κυττάρων, ώστε να συναχθεί οποιοδήποτε βιολογικό υπόβαθρο που αφορά τα δύο συστήματα. Η υπόθεσή βασίζεται στο γεγονός ότι τα μοτίβα των συνεργατών παραγόντων μεταγραφής, τα οποία είναι καθοριστικά στις δύο καταστάσεις, βρίσκονται εκατέρωθεν του μοτίβου πρόσδεσης του TCF1 στα δύο διαφορετικά βιολογικά συστήματα. Η ανάπτυξη μεθόδων για την ερμηνεία των πρώτων επιπέδων συνέλιξης και ιδιαίτερα των φίλτρων παρείχε πληροφορίες για το τι έμαθε το μοντέλο κατά την εκπαίδευση, ώστε να μπορεί να συσχετίσει τις αλληλουχίες DNA με τους τύπους κυττάρων. Οι μέθοδοι επεξήγησης που αναπτύχθηκαν παρέχουν πληροφορίες για τους μεταγραφικούς παράγοντες που εμπλέκονται στη διαδικασία της μοντελοποίησης, τη σημασία τους στη λήψη αποφάσεων, τη συσχέτισή τους με τα μελετόμενα συστήματα και κυρίως τη δυναμική αλληλεπίδραση αυτών των αναπαραστάσεων που έμαθε το μοντέλο μεταξύ των δύο τύπων κυττάρων. Μεταξύ των αποτελεσμάτων, βρέθηκαν θέσεις δέσμευσης γνωστών συνεργατών του TCF1, όπως ο JUNB και ο FOSL1, μεταξύ άλλων, ενώ η εφαρμογή των μεθόδων επεξήγησης σε στιγμιότυπα του μοντέλου παρείχε πληροφορίες για την διαδικασία της εκπαίδευσης. Εφαρμόζοντας την τεχνητή νοημοσύνη σε ένα τόσο σύνθετο βιολογικό ερώτημα της δυναμικής δραστηριότητας των παραγόντων μεταγραφής, καταδεικνύονται οι δυνατότητες μοντελοποίησης των νευρωνικών δικτύων συνέλιξης να αναγνωρίζουν τις θέσεις δέσμευσης των συνεργατών παραγόντων μεταγραφής και να τις συσχετίζουν με τους τύπους κυττάρων μόνο από την ίδια την αλληλουχία, δίνοντάς τη δυνατότητα να εξεταστούν περαιτέρω οι δυνατότητες επεξήγησης που προσφέρουν αυτού του τύπου τα μοντέλα.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Ξηροπόταμος Παναγιώτης
- Xiropotamos Panagiotis
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:3421147