oncologylab/craftgrn

何を解決するか

CraftGRNは、動的で条件特異的な遺伝子制御ネットワーク（GRN）を再構築するという課題に取り組みます。これは、クロマチンアクセシビリティデータ（ATAC-seq）と遺伝子発現データ（RNA-seq）を統合し、転写因子（TF）が特定の部位にどのように結合し、異なる生物学的条件下で標的遺伝子をどのように制御するかを特定します。

仕組み

このフレームワークは、3つのモジュールからなるパイプラインを通じて動作します。

1. TF結合部位の予測: マルチオミクスデータを処理してTFモチーフのフットプリントをコンセンサスクラスターに集約し、TFの発現とクロマチンアクセシビリティまたはフットプリントスコアを相関させることで、条件特異的な結合部位を予測します。
2. TFと標的遺伝子の接続: ゲノムの近接性、エンハンサー・遺伝子マップ、または3Dクロマチン相互作用データを使用して、予測された結合部位を標的遺伝子にリンクさせ、発現および結合のエビデンスに基づいてこれらのリンクをフィルタリングします。
3. 制御トピックの学習: トピックモデリング（VAEベースの表現を含む）を使用して、RNAおよびフットプリント信号から制御「トピック」またはプログラムを特定し、ユーザーが条件間で制御リンクを比較し、差分的ネットワークを可視化できるようにします。

対象者

計算生物学者や遺伝子制御を研究している研究者、特に、制御プログラムが異なる条件や種の間でどのように変化するかを理解するために、一致したATAC-seqおよびRNA-seqデータセットを使用している人々を対象としています。

ハイライト

• マルチオミクス統合: ATAC-seqとRNA-seqを組み合わせて、TF結合と遺伝子標的を推論します。
• モジュール式ワークフロー: プロセスを結合部位の予測、標的のリンク、およびトピックの発見に分離します。
• 高度なモデリング: トピックモデリングとVAEベースの表現を採用して、高レベルの制御プログラムを抽出します。
• 包括的なQC: パイプラインの各モジュールに対して、詳細なHTML品質管理レポートを生成します。
• 種を越えたサポート: ヒトおよびマウスのパスウェイ解析のための専門的な処理を含みます。