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

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

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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）

1. 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

2. 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

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。

4. Predicting splicing from sequence

这里解释了如何使用已知的RNA序列特征和剪接代码来预测组织特异性剪接事件。

剪接是基因表达过程中的一个步骤，其中前体mRNA（pre-mRNA）中的内含子被移除，而外显子连接在一起形成成熟的mRNA。

组织特异性剪接是指在特定组织中发生的独特剪接模式。

• 背景：这里三个外显子（exon1, exon2, exon3）。其中exon2是可选剪切，可以包含在成熟mRNA中也可以排除。
• 为了预测剪接，定义了一组特征
  • motifs（已知的RNA结合蛋白结合位点）
  • 目标外显子
  • 相邻外显子的转录结构
• 特征提取
• splicing code是指决定特定外显子是否包含在成熟mRNA中的规则和模式
• 预测模型是一个三分类模型，预测外显子是包括/排除/不确定。

这是第三个客座报告