Глубинное обучение для предсказаний функциональных областей Z-ДНК с использованием омиксных данных

Разработка компьютерных методов предсказания областей Z-ДНК необходима для понимания функциональной роли Z-ДНК. Предыдущий компьютерный метод Z-Hunt основан на статистико-механических и энергетических допущениях о переходе B- в Z-ДНК с использованием информации о последовательности. Результаты экспериментов ChIP-seq по обнаружению ДНК показали небольшое совпадение с предсказаниями Z-Hunt, подразумевающими, что информации о последовательности недостаточно для объяснения появления Z-ДНК в разных участках генома. Добавление информации об эпигенетических и других функциональных геномных участках на уровне последовательности ДНК может помочь выявить функциональные сайты Z-ДНК.

В нашей работе мы использовали подход глубинного обучения, с помощью которого возможно анализировать и извлекать информацию из больших объемов данных молекулярной биологии. Мы разработали модель машинного обучения DeepZ, которая объединяет информацию из полногеномных карт эпигенетических маркеров, сайтов связывания факторов транскрипции и РНК-полимеразы, а также карт доступности хроматина. С помощью разработанной модели нам удалось не только подтвердить экспериментальные предсказания Z-ДНК, но и сгенерировать аннотацию всего генома, открывая новые потенциально возможные участки Z-ДНК, которые еще не были обнаружены в экспериментах и могут представлять интерес для исследователей.

Докладчик: Мария Попцова (заведующая международной лабораторией биоинформатики, НИУ ВШЭ Москва).