行業(yè)動態(tài)
環(huán)狀RNA(circRNAs)長期以來被認為是一類至關(guān)重要但相對未被探索的轉(zhuǎn)錄本,以其組織和細胞類型特異性表達模式而聞名。然而,盡管單細胞和空間轉(zhuǎn)錄組學(xué)取得了進步,但circRNA測序效率的固有限制阻礙了circRNA的有效分析。為了解決這一研究中的關(guān)鍵空白,研究人員提出了一種深度學(xué)習(xí)模型CIRI-deep,用于全面預(yù)測各種類型的RNA-seq數(shù)據(jù)上的circRNA調(diào)控。相關(guān)研究成果在雜志Advanced Science上發(fā)表,題為“CIRI-Deep Enables Single-Cell and Spatial Transcriptomic Analysis of Circular RNAs with Deep Learning”
圖源:CIRI-Deep Enables Single-Cell and Spatial Transcriptomic Analysis of Circular
RNAs with Deep Learning ,DOI: 10.1002/advs.202308115
CIRI-deep代表了circRNA分析的重大飛躍。在包含2500萬個高置信度circRNA調(diào)控事件的廣泛數(shù)據(jù)集上進行訓(xùn)練,該模型在測試和遺漏數(shù)據(jù)上都表現(xiàn)出出色的性能,確保了從RNA-seq數(shù)據(jù)集推斷差異事件的無與倫比的準(zhǔn)確性。CIRI-deep的多功能性超越了傳統(tǒng)的circRNA分析方法。該模型及其改編版本能夠進行廣泛的circRNA分析,包括集群或區(qū)域特異性circRNA檢測、后剪接結(jié)(BSJ)比率圖的可視化以及trans和cis特征重要性的評估。此外,它的適應(yīng)性涵蓋了所有主要類型的RNA-seq數(shù)據(jù)集,包括單細胞和空間轉(zhuǎn)錄組數(shù)據(jù),從而為circRNA研究開辟了新的途徑。
本研究將CIRI-Deep描述為在高維轉(zhuǎn)錄組數(shù)據(jù)集中研究circRNA的強大工具,使研究人員能夠揭示circRNA在不同生物學(xué)背景下的調(diào)控作用和表達模式。深度學(xué)習(xí)技術(shù)與circRNA分析的結(jié)合為促進我們對circRNA生物學(xué)及其對健康和疾病的影響的理解更近一步。
聲明:本網(wǎng)所有轉(zhuǎn)載文章內(nèi)容為了宣傳行業(yè)動態(tài)所用,轉(zhuǎn)載內(nèi)容不代表本站立場。不希望被轉(zhuǎn)載的媒體或個人可與我們聯(lián)系,我們將立即進行刪除處理。