Bayesian Networks Predict Neuronal Transdifferentiation.
Bayesian Networks Predict Neuronal Transdifferentiation.
复制标题
DOI：
10.1534/g3.118.200401
复制
发表时间：
2018-07-02
期刊：
影响因子：
--
通讯作者：
Wang W
中科院分区：
文献类型：
--
作者：
Ainsworth RI;Ai R;Ding B;Li N;Zhang K;Wang W
我们采用贝叶斯网络的语言，从人类神经元的深度测序单核RNA-Seq数据中系统地构建基因调控拓扑结构。从细胞状态的潜在景观的角度来看，我们确定的吸引子，密切对应于不同的神经元亚型。还从独立的数据集中恢复了细胞状态的吸引子，证实了我们的模型对新皮层不同细胞类型（不包括在训练数据中）的全局遗传调控的准确描述。我们的模型恢复实验证实的遗传调控和社区分析揭示了共同途径的遗传关联。通过对所有理论上的基因敲除和过表达的三基因扰动的全面扫描，我们发现了兴奋性投射神经元和抑制性中间神经元亚型的新的神经元转分化配方（包括SATB 2、GAD 1、POU 6 F2和ADARB 2的扰动）。
We employ the language of Bayesian networks to systematically construct gene-regulation topologies from deep-sequencing single-nucleus RNA-Seq data for human neurons. From the perspective of the cell-state potential landscape, we identify attractors that correspond closely to different neuron subtypes. Attractors are also recovered for cell states from an independent data set confirming our models accurate description of global genetic regulations across differing cell types of the neocortex (not included in the training data). Our model recovers experimentally confirmed genetic regulations and community analysis reveals genetic associations in common pathways. Via a comprehensive scan of all theoretical three-gene perturbations of gene knockout and overexpression, we discover novel neuronal trans-differrentiation recipes (including perturbations of SATB2, GAD1, POU6F2 and ADARB2) for excitatory projection neuron and inhibitory interneuron subtypes.
登录
查看更多内容
影响因子：
15.9
作者：
Lodato S;Shetty AS;Arlotta P
通讯作者：
Arlotta P
影响因子：
4.8
作者：
Adams, Brian D.;Claffey, Kevin P.;White, Bruce A.
通讯作者：
White, Bruce A.
影响因子：
7.7
作者：
Kawahara, Yukio;Zinshteyn, Boris;Nishikura, Kazuko
通讯作者：
Nishikura, Kazuko
DOI：
10.1088/1742-5468/2008/10/p10008
发表时间：
2008-10-01
影响因子：
2.4
作者：
Blondel, Vincent D.;Guillaume, Jean-Loup;Lefebvre, Etienne
通讯作者：
Lefebvre, Etienne
影响因子：
16.2
作者：
Alcamo, Elizabeth A.;Chirivella, Laura;McConnell, Susan K.
通讯作者：
McConnell, Susan K.