【Gene Expression Prediction】Part1 基因表达数据的获取与分析

本文主要是介绍【Gene Expression Prediction】Part1 基因表达数据的获取与分析，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

Gene Expression Prediction
1. Intro
2. Up-sampling
3. Compressive sensing
3.5 Predicting Reporter Expression from Chromatin Features
4. Predicting splicing from sequence

来自Manolis Kellis教授（MIT计算生物学主任）的课
YouTube：(Gene Expression Prediction - Lecture 09 - Deep Learning in Life Sciences (Spring 2021)
Slides: slides
本节课分为四个部分，本篇笔记是第一部分。
本节主要是介绍如何获得和分析基因表达数据。主要是为了后面的三个讲座铺垫。首先，探讨不同的方法和技术来获取基因表达数据。之后学习如何分析这些数据，包括上采样方法来解决数据不平衡问题，以及压缩感知技术来处理高维数据。最后，我们会讨论如何预测RNA剪接。

Gene Expression Prediction

介绍（Intro）:
- 这部分可能会介绍基因表达的基础知识、无监督学习的概念以及聚类技术。
上采样（Up-sampling）:
- 讨论如何从已知的1000个基因的表达数据预测大约20,000个基因的表达水平，这可能涉及到机器学习技术和统计推断。
压缩感知（Compressive sensing）:
- 探讨如何使用压缩感知技术从综合测量中预测基因表达，这是一种能够从少量观测数据中重建未知信号的技术。
DeepChrome+LSTMs:
- 介绍一种结合了深度学习（DeepChrome模型）和长短期记忆网络（LSTMs）的方法来预测染色质数据中的基因表达。
预测剪接从序列（Predicting splicing from sequence）:
- 说明如何使用成千上万的特征从DNA序列预测剪接事件，剪接是基因表达调控的一个关键过程。
客座讲座：Flynn Chen, Mark Gerstein实验室, 耶鲁大学:
- Flynn Chen将讨论如何从染色质特征预测报告基因的表达。
客座讲座：Xiaohui Xie, 加州大学欧文分校:
- Xiaohui Xie将讲述如何从部分子集抽样预测基因表达，以及如何进行多组学整合的表示学习。
客座讲座：Kyle Kai-How Farh, Illumina:
- Kyle Kai-How Farh将探讨如何从序列预测剪接。

1. Intro

在另一篇博客中:基因表达分析聚类&分析

2. Up-sampling

基因表达测量方面的"up-sampling"。其中两个应用：数字信号放大（Digital signal upscaling）和图像放大（Image up-scaling）

在CV中，上采样是指从低分辨率变成高分辨率，还原更多图像上的细节

在生信中，上采样是指利用少量的基因表达数据来推测整个基因组的表达模式（从已知的1000个基因的表达数据预测大约20,000个基因的表达水平）

数字信号放大:
- 这通常涉及使用插值低通滤波器（例如有限脉冲响应FIR滤波器）来增加信号的采样率。
- 目的是从较低维度的信号中捕捉到更高维度信号的特性。
- 提及了Nyquist率，这是连续信号采样的最小速率，以避免失真。

L1000与RNA-seq对比
- 目标
  - 通过测量1000个基因来推断剩余的基因表达。
  - 这种方法快速、便宜，且可以应用于数百万种条件。
- 如何选择哪1000个基因进行测量
  - 使用“压缩感知”（Compressed Sensing）技术，测量基因的某些组合，从而更好地捕捉到高维数据

图像放大
- 这与卷积运算的逆运算（去卷积）有关，用于将分辨率较低的图像转换成高分辨率图像。
- 这通常涉及从大量图像中学习的迁移学习。
- 强调了从低维重投影到高维图像的过程。

多个DL框架，用于增加图像的分辨率
- Representation/abstract learning，让网络学习数据的压缩表示的方法，有利于任务如图像的压缩、去噪和上采样
下面有很多模块，都是用于提升网络性能的
- 如残差学习、递归学习、通道注意力、稠密连接等

一个深度神经网络模型，D-GEX，用来预测基因表达的。
- 一个多任务多层前馈神经网络，使用非线性激活函数（双曲正切函数）
- 输入是943个“landmark”基因的表达数据，输出是预测的9520个目标基因的表达水平
不管是在计算机视觉，还是在生物信息
- 深度学习都表现的非常好

3. Compressive sensing

先是介绍了使用随机复合测量（Random Composite Measurements, RCMs）有效生成转录组档案（即基因表达数据）的概念和方法

压缩感知（Compressed Sensing
：这是一种可以从少量观测数据中恢复出完整信号的技术。在这里，它被用来从复合测量中恢复出表达轮廓。
随机复合测量（RCMs）：这是指用随机的方式组合多个基因的表达数据，以减少必须进行的实际测量数量。
推断基因模块活动：通过分析这些随机复合测量，可以推断出不同的基因模块（即一组共同表达的基因）是如何活动的。

从染色质信息预测基因表达

染色质信息包括DNA甲基化、组蛋白修饰等因素，这些都可以影响基因的活性和表达
DNA甲基化与基因表达
- 折线图展示了从转录起始位点（TSS）到转录终止位点（TES）的DNA甲基化水平，与基因表达水平的相关性。
- 图中，在启动子区域（TSS附近），高甲基化水平与低基因表达水平相关；而在基因体中，甲基化水平则相对较低。
右侧热图
- 不同的细胞类型和相关的表观遗传标记
- 每个细胞类型旁边有不同颜色的条形，代表了特定表观遗传特征（如某种特定的组蛋白修饰）的存在或缺失
旨在展示如何使用表观遗传学数据（特别是DNA甲基化和组蛋白修饰）来预测不同细胞类型中的基因表达模式。通过分析这些信息，研究人员可以更好地理解基因如何在不同组织和发育阶段被调控。

探讨了强增强子（标记为H3K27ac）与弱增强子（仅标记为H3K4me1）在基因表达中的作用

左下角：
- 展示了在基因体周围（距离转录起始位点TSS上下约2kb的区域内）的不同表观遗传标记水平的变化。
- 这些数据点代表了有强增强子存在（H3K27ac和H3K4me1均存在）的基因与没有增强子（距离TSS超过20kb）的基因之间的比较。
右侧：
- 直方图展示了基因表达的分布，使用对数转换的均值RPKM
- 条形图展示了在基因表达的不同水平（从低到高）下，强增强子和弱增强子附近的基因比例
- 在高表达基因区域周围，强增强子比例越高，类似是这样分析。
- 揭示了不同表观遗传标记在调控基因活性方面的差异作用。可以更好的理解基因表达背后的表观遗传调控机制

在这里插入图片描述

这是这节课会听到的第一个客座讲座，后面会详细介绍

3.5 Predicting Reporter Expression from Chromatin Features

尽管我们能够通过比较序列分析、全基因组染色质/转录因子（TF）定位图以及遗传学等方法识别出大量可能的顺式调控元件，但我们仍然不清楚它们的具体功能和调控机制

以下是现代基因调控元件研究的进展的介绍

“bashing”——传统方法
- 通常涉及将不同的调控元件克隆到报告基因（如荧光素酶或绿色荧光蛋白GFP）前面，并测试它们的活性。
- 缺点
  - 生成/克隆个体变体非常耗时
  - 酶促/荧光报告器限制了多路复用
大规模平行报告基因测定（MPRA
- 测试成千上万的调控元件。MPRA的灵活性允许测试启动子、增强子、沉默子、RNA稳定性元件等。
对某些基序（TF结合位点）的破坏是如何影响特定激活子和抑制子的功能的。
HiDRA（高清晰度报告基因测定）：
- HiDRA是一种高定义报告基因测定，具有以下几个关键特点：
  - 在单一实验中测试超过700万个片段。
  - 不需要合成、大小选择，可以测试长片段。
  - 选择可访问的DNA区域，获得高敏感性。
  - 3’UTR整合促进自我转录，避免了外源启动子的需要。