Enhancing Hi-C data resolution with deep convolutional neural network HiCPlus.
Enhancing Hi-C data resolution with deep convolutional neural network HiCPlus.
复制标题
DOI：
10.1038/s41467-018-03113-2
复制
发表时间：
2018-02-21
影响因子：
16.6
通讯作者：
Yue F
中科院分区：
文献类型：
--
作者：
Zhang Y;An L;Xu J;Zhang B;Zheng WJ;Hu M;Tang J;Yue F
尽管Hi-C技术是研究3D基因组组织的最流行的工具之一，但由于测序成本，大多数Hi-C数据集的分辨率很粗糙，无法用于将远端调控元件与其靶基因连接起来。在这里，我们开发了HiCPlus，一种基于深度卷积神经网络的计算方法，用于从低分辨率Hi-C数据中推断高分辨率Hi-C相互作用矩阵。我们证明，HiCPlus可以插补相互作用矩阵与原始矩阵高度相似，而仅使用原始测序读数的1/16。我们表明，从一种细胞类型学习的模型可以应用于其他细胞或组织类型的预测。我们的工作不仅提供了一个计算框架，以提高Hi-C数据的分辨率，但也揭示了潜在的3D染色质相互作用的形成功能。尽管其在测量哺乳动物基因组的空间组织方面很受欢迎，但由于测序成本，大多数Hi-C数据集的分辨率都很粗糙。在这里，Zhang等人开发了HiCPlus，一种基于深度卷积神经网络的计算方法，用于从低分辨率Hi-C数据中推断高分辨率Hi-C相互作用矩阵。
Although Hi-C technology is one of the most popular tools for studying 3D genome organization, due to sequencing cost, the resolution of most Hi-C datasets are coarse and cannot be used to link distal regulatory elements to their target genes. Here we develop HiCPlus, a computational approach based on deep convolutional neural network, to infer high-resolution Hi-C interaction matrices from low-resolution Hi-C data. We demonstrate that HiCPlus can impute interaction matrices highly similar to the original ones, while only using 1/16 of the original sequencing reads. We show that the models learned from one cell type can be applied to make predictions in other cell or tissue types. Our work not only provides a computational framework to enhance Hi-C data resolution but also reveals features underlying the formation of 3D chromatin interactions. Despite its popularity for measuring the spatial organization of mammalian genomes, the resolution of most Hi-C datasets is coarse due to sequencing cost. Here, Zhang et al. develop HiCPlus, a computational approach based on deep convolutional neural network, to infer high-resolution Hi-C interaction matrices from low-resolution Hi-C data.
登录
查看更多内容
影响因子：
64.8
作者：
Jin, Fulai;Li, Yan;Dixon, Jesse R.;Selvaraj, Siddarth;Ye, Zhen;Lee, Ah Young;Yen, Chia-An;Schmitt, Anthony D.;Espinoza, Celso A.;Ren, Bing
通讯作者：
Ren, Bing
影响因子：
64.8
作者：
Dixon JR;Jung I;Selvaraj S;Shen Y;Antosiewicz-Bourget JE;Lee AY;Ye Z;Kim A;Rajagopal N;Xie W;Diao Y;Liang J;Zhao H;Lobanenkov VV;Ecker JR;Thomson JA;Ren B
通讯作者：
Ren B
影响因子：
1.9
作者：
FUKUSHIMA, K
通讯作者：
FUKUSHIMA, K
影响因子：
12.3
作者：
Nagano T;Várnai C;Schoenfelder S;Javierre BM;Wingett SW;Fraser P
通讯作者：
Fraser P
影响因子：
64.8
作者：
Nora, Elphege P.;Lajoie, Bryan R.;Schulz, Edda G.;Giorgetti, Luca;Okamoto, Ikuhiro;Servant, Nicolas;Piolot, Tristan;van Berkum, Nynke L.;Meisig, Johannes;Sedat, John;Gribnau, Joost;Barillot, Emmanuel;Bluethgen, Nils;Dekker, Job;Heard, Edith
通讯作者：
Heard, Edith