oncologylab/craftgrn

解決的問題

CraftGRN 解決了重建動態、條件特異性基因調控網絡（GRNs）的挑戰。它整合了染色質可及性數據（ATAC-seq）與基因表現數據（RNA-seq），以識別轉錄因子（TFs）如何在不同生物條件下結合至特定位點並調控目標基因。

運作方式

該框架透過三模組流程運作：

1. 預測 TF 結合位點：處理多組學數據，將 TF 模體足跡合併為共識群集，並透過轉錄因子表現與染色質可及性或足跡分數的相關性，預測條件特異性結合位點。
2. 連結 TF 至目標基因：利用基因組鄰近性、增強子-基因圖譜或 3D 染色質互動數據，將預測的結合位點連結至目標基因，並根據表現與結合證據過濾這些連結。
3. 學習調控主題：使用主題模型（包括基於 VAE 的表示與 WarpLDA）從 RNA 與足跡信號中識別調控「主題」或程式，使使用者能比較不同條件間的調控連結，並可視化差異性網絡。

適用對象

專為計算生物學家與研究基因調控的科學家設計，特別是那些使用配對的 ATAC-seq 與 RNA-seq 數據集，以理解調控程式在不同條件或物種間的變化。

特色亮點

• 多組學整合：結合 ATAC-seq 與 RNA-seq，推斷 TF 結合與基因目標。
• 模組化工作流程：將流程分為結合位點預測、目標連結與主題發現三個模組。
• 先進的建模技術：採用主題模型與基於 VAE 的表示，提取高階調控程式。
• 全面的品質控制：為每個模組產生詳細的 HTML 品質控制報告。
• 跨物種支援：包含針對人類與小鼠通路分析的專用處理方式。