Анализ целого генома - процесс, который обычно длится более двух дней, теперь можно осуществить всего за полчаса. Это позволит быстрее выявлять мутации в геноме, которые могут привести к ряду заболеваний Набор инструментов машинного обучения AtacWorks в тандеме с графическим процессорам Nvidia Tensor Cor – позволяют это сделать. Исследования были опубликованы в Nature Communications
AtacWorks работает с ATAC-seq - стабильным методом, который предназначен для поиска открытых участков в геноме здоровых и больных клеток. Эти «открытые участки» - это частицы ДНК человека, которые используются для определения и активации определенных функций (например, в клетках печени, крови или кожи). Эта часть генома человека может дать ученым указания на то, есть ли у человека склонность заболеть болезнью Альцгеймера, сердца или раком.
ATAC-sec обычно требует анализа десятков тысяч ячеек, но AtacWorks может получить те же результаты, используя только десятки ячеек. Исследователи также применили AtacWorks к набору данных о стволовых клетках, которые производят красные и белые кровяные тельца - подтипы, которые обычно невозможно изучить с помощью традиционных методов. Но с помощью AtacWorks они смогли идентифицировать отдельные части ДНК, связанные с лейкоцитами и эритроцитами.
Возможность быстрее и дешевле анализировать геном имеет большое значение для выявления конкретных мутаций или биомаркеров, которые могут привести к определенным заболеваниям. Это может даже помочь в открытии лекарств, помогая исследователям выяснить, как работает болезнь.
«С очень редкими типами клеток невозможно изучить различия в их ДНК с помощью существующих методов», - сказал исследователь NVIDIA и ведущий автор статьи Авантика Лал. «AtacWorks может помочь не только снизить затраты на сбор данных о доступности хроматина, но и открыть новые возможности в диагностике лекарств».
AtacWorks улучшает данные одной ячейки из небольшого количества ячеек. а. Схематическое изображение Стратегии подготовки и тестирование AtacWorks по данным ATAC-Seq одноклеточных. Чистый сигнал ATAC-seq с высокой степенью покрытия получается путем агрегирования данных от всех ячеек, принадлежащих к многочисленному типу ячеек. Данные агрегируются по случайно выбранному подмножеству этих ячеек для получения зашумленного сигнала. Парные чистые и зашумленные наборы данных используются для обучения модели AtacWorks. Модель может применяться для шумоподавления и вызова пиков из зашумленных агрегированных данных от небольшого количества ячеек, либо из того же эксперимента, либо из другого эксперимента. б. Область под кривой точного восстановления (AUPRC) пиковых вызовов для агрегированных одноклеточных данных ATAC-seq от естественных клеток-киллеров (NK) человека. Пиковые вызовы производились MACS2 (синий) и AtacWorks (зеленый) на зашумленных данных, агрегированных для 1–50 ячеек. Серые полосы показывают AUPRC MACS2 для большего количества ячеек, чтобы проиллюстрировать, сколько ячеек требуется MACS2 для достижения той же производительности, что и AtacWorks. c. AUPRC пиковых вызовов на агрегированных одноклеточных данных ATAC-seq от пирамидных нейронов мыши. Пиковые вызовы производились MACS2 (синий) и AtacWorks (зеленый) на зашумленных данных, агрегированных по 4, 8 или 40 ячейкам. Серые полосы показывают AUPRC MACS2 для большего количества ячеек, чтобы проиллюстрировать, сколько ячеек требуется MACS2 для достижения той же производительности, что и AtacWorks. d. Сигнальные дорожки ATAC-seq возле Akap7ген для одноклеточных данных пирамидных нейронов мыши (~ 40 миллионов считываний из 1800 клеток; черный) и данных нейронов, сгруппированных в 40 ячеек (~ 1 миллион считываний), до (синий) и после (зеленый) шумоподавления с помощью AtacWorks. Красные столбцы показывают пиковые вызовы MACS2 (для 1800 ячеек и 40 ячеек) и AtacWorks (для шумоподавленной дорожки).
