oncologylab/craftgrn

它解决了什么问题

CraftGRN 解决了重建动态、条件特异性基因调控网络（GRNs）的挑战。它将染色质可及性数据（ATAC-seq）与基因表达数据（RNA-seq）相结合，以识别转录因子（TFs）在不同生物条件下如何结合到特定位点并调控目标基因。

它如何工作

该框架通过一个三模块流程运行：

1. 预测 TF 结合位点：它处理多组学数据，将 TF 模体足迹合并为共识簇，并通过将 TF 表达与染色质可及性或足迹评分相关联，预测条件特异性结合位点。
2. 将 TF 与目标基因连接：它利用基因组邻近性、增强子-基因图谱或 3D 染色质相互作用数据，将预测的结合位点与目标基因关联，并基于表达和结合证据对这些连接进行过滤。
3. 学习调控主题：它使用主题建模（包括基于 VAE 的表示和 WarpLDA）从 RNA 和足迹信号中识别调控“主题”或程序，使用户能够比较不同条件之间的调控连接，并可视化差异网络。

适用人群

它专为从事基因调控研究的计算生物学家和研究人员设计，特别是那些使用配对的 ATAC-seq 和 RNA-seq 数据集，以理解调控程序在不同条件或物种间如何变化的研究者。

主要亮点

• 多组学整合：结合 ATAC-seq 和 RNA-seq 以推断 TF 结合和基因靶点。
• 模块化工作流：将流程分为结合位点预测、目标连接和主题发现三个部分。
• 高级建模：采用主题建模和基于 VAE 的表示来提取高层次的调控程序。
• 全面的质量控制：为管道的每个模块生成详细的 HTML 质量控制报告。
• 跨物种支持：包含针对人类和小鼠通路分析的特殊处理。