Inferring Gene Regulatory Networks in Stem Cells: Methods and Applications.

چکیده اصلی

Gene regulatory networks (GRNs) represent the complex interplay of transcription factors, regulatory elements, and target genes that orchestrate cellular identity and function, playing a crucial role in the differentiation and maintenance of stem cells. This chapter provides an overview of experimental and computational methodologies for inferring GRNs, with particular emphasis on single-cell approaches. We first review key experimental techniques for detecting transcription factor binding sites, chromatin accessibility, and DNA motifs, alongside essential databases that support GRN reconstruction. We then introduce computational inference methods that can be categorized into four principal frameworks: correlation-based approaches, regression and machine learning models, probabilistic and deep learning methods, and integrative or message-passing frameworks. To illustrate practical application, we present a case study applying the pySCENIC workflow to a peripheral blood mononuclear cell single-cell RNA sequencing dataset from mouse, demonstrating how regulon-based analysis can reveal cell-type-specific regulatory programs. This chapter aims to serve as a practical guide for researchers seeking to understand and implement GRN inference methodologies in stem cell biology and related fields.

ترجمه فارسی چکیده

شبکه‌های تنظیم ژن (GRN) نشان‌دهنده تعامل پیچیده عوامل تنظیم‌کننده، عناصر تنظیم‌کننده و ژن‌های هدف هستند که هویت و عملکرد سلولی را تنظیم می‌کنند و نقش مهمی در تفاوت‌یابی و حفظ سلول‌های بنیادی دارند. این فصل مروری بر روش‌های تجربی و محاسباتی برای استنباط GRN ارائه می‌دهد، با تأکید ویژه بر رویکردهای تک‌سلولی. ابتدا تکنیک‌های تجربی کلیدی برای تشخیص سایت‌های اتصال عوامل تنظیم‌کننده، دسترسی کروماتین و الگوهای DNA، همراه با پایگاه‌های داده ضروری برای بازسازی GRN بررسی می‌شود. سپس روش‌های استنباط محاسباتی که می‌توانند در چهار چارچوب اصلی دسته‌بندی شوند: رویکردهای مبتنی بر همبستگی، مدل‌های رگرسیون و یادگیری ماشین، روش‌های احتمالی و یادگیری عمیق، و چارچوب‌های یکپارچه یا انتقال پیام، معرفی می‌شوند. برای نشان دادن کاربرد عملی، یک مطالعه موردی با استفاده از جریان کار pySCENIC روی یک مجموعه داده توالی‌ریزی RNA تک‌سلولی سلول‌های خونی مونونوکلئار محیطی موش ارائه می‌شود که نشان می‌دهد تحلیل مبتنی بر رگولون می‌تواند برنامه‌های تنظیم‌کننده خاص نوع سلول را آشکار کند. این فصل به عنوان یک راهنمای عملی برای پژوهشگرانی که می‌خواهند روش‌های استنباط GRN را در بیولوژی سلول‌های بنیادی و حوزه‌های مرتبط درک و پیاده‌سازی کنند، هدف قرار می‌دهد.

متن کامل اصلی