Constructie van een gen-regulatorische Fly Cell Atlas met behulp van single-cell multi-omics en deep learning

Analyses van het transcriptoom en epigenoom van enkelvoudige cellen bieden een krachtige manier om een atlas te creëren van alle gekende celtypes van een organisme en om de regulatorische programma's van deze celtypes te ontcijferen. Het bouwen van dergelijke atlas vereist de nieuwste technologieën die microfluidica combineren met multi-omics en hashing. Bovendien zijn geavanceerde computationele technieken vereist om de grote hoeveelheden gegevens te analyseren op een reproduceerbare manier, en om informatie te integreren betreffende transcriptiefactoren, hun bindingsplaatsen, de toegankelijkheid van chromatine, en genexpressie. In dit project zullen we een atlas genereren van single-cell ATAC-seq en multi-omics doorheen de weefsels van de fruitvlieg, en "eXplainable Artificial Intelligence" (XAI) technieken toepassen om de regulatorische programma's te ontcijferen die aan de grond liggen van cellulaire identiteit. We zullen deep learning toepassen op cellen en op genomische enhancers, alsook onderzoeken hoe we modellen van latente variabelen, DNA motieven, en co-expressie netwerken kunnen combineren met deep learning. Tenslotte zullen "Generative Adversarial Networks (GAN)" gebruiken om synthetische enhancers te creëren, dewelke we zullen testen in transgene fruitvliegen via in vivo reporter technieken. Dit zal toelaten om de AI modellen te verfijnen, alsook om nieuwe inzichten te verwerven in de architectuur van enhancers en de controle van spatio-temporele genexpressie