Ranking reprogramming factors for cell differentiation.
Ranking reprogramming factors for cell differentiation.
复制标题
细胞分化的重编程因子排序。
DOI：
10.1038/s41592-022-01522-2
复制
发表时间：
2022-07
期刊：
影响因子：
48
通讯作者：
Gifford, David
中科院分区：
文献类型：
--
作者：
Hammelman, Jennifer;Patel, Tulsi;Closser, Michael;Wichterle, Hynek;Gifford, David
转录因子过表达是一种经过验证的方法，用于将细胞重编程为再生医学和治疗发现所需的细胞类型。然而，识别重编程因子以产生任意细胞类型的一般方法是一个悬而未决的问题。在这里，我们通过测试九种计算方法（CellNet，GarNet，EBSeq，AME，DREME，HOMER，KMAC，diffTF和DeepAccess）的能力来检查定向分化的方法和数据的成功率，以发现和排名具有已知重编程解决方案的八种靶细胞类型的候选因子。我们比较了利用基因表达，生物网络和染色质可及性数据的方法，并全面测试参数和输入数据的预处理以优化性能。我们发现最好的因子识别方法可以在前10名候选者中识别平均50-60%的重编程因子，并且使用染色质可及性的方法表现最好。在染色质可及性方法中，复杂方法DeepAccess和diffTF与用于分化的重编程方案内的转录因子候选物的排名显著性具有更高的相关性。我们提供的证据表明，AME和diffTF是转录因子回收的最佳方法，这将允许系统优先考虑转录因子候选人，以帮助设计新的重编程方案。
Transcription factor over-expression is a proven method for reprogramming cells to a desired cell type for regenerative medicine and therapeutic discovery. However, a general method for the identification of reprogramming factors to create an arbitrary cell type is an open problem. Here we examine the success rate of methods and data for directed differentiation by testing the ability of nine computational methods (CellNet, GarNet, EBSeq, AME, DREME, HOMER, KMAC, diffTF, and DeepAccess) to discover and rank candidate factors for eight target cell types with known reprogramming solutions. We compare methods that utilize gene expression, biological networks, and chromatin accessibility data and comprehensively test parameter and pre-processing of input data to optimize performance. We find the best factor identification methods can identify an average of 50–60% of reprogramming factors within the top 10 candidates, and methods that use chromatin accessibility perform the best. Among the chromatin accessibility methods, complex methods DeepAccess and diffTF have higher correlation with the ranked significance of transcription factor candidates within reprogramming protocols for differentiation. We provide evidence that AME and diffTF are optimal methods for transcription factor recovery which will allow for systematic prioritization of transcription factor candidates to aid in the design of novel reprogramming protocols.
登录
查看更多内容
影响因子：
16.6
作者：
Ferrari F;Arrigoni L;Franz H;Izzo A;Butenko L;Trompouki E;Vogel T;Manke T
通讯作者：
Manke T
DOI：
10.1093/bioinformatics/bty127
发表时间：
2018-07-15
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Ambrosini G;Groux R;Bucher P
通讯作者：
Bucher P
影响因子：
14.9
作者：
Frankish A;Diekhans M;Ferreira AM;Johnson R;Jungreis I;Loveland J;Mudge JM;Sisu C;Wright J;Armstrong J;Barnes I;Berry A;Bignell A;Carbonell Sala S;Chrast J;Cunningham F;Di Domenico T;Donaldson S;Fiddes IT;García Girón C;Gonzalez JM;Grego T;Hardy M;Hourlier T;Hunt T;Izuogu OG;Lagarde J;Martin FJ;Martínez L;Mohanan S;Muir P;Navarro FCP;Parker A;Pei B;Pozo F;Ruffier M;Schmitt BM;Stapleton E;Suner MM;Sycheva I;Uszczynska-Ratajczak B;Xu J;Yates A;Zerbino D;Zhang Y;Aken B;Choudhary JS;Gerstein M;Guigó R;Hubbard TJP;Kellis M;Paten B;Reymond A;Tress ML;Flicek P
通讯作者：
Flicek P
影响因子：
8.8
作者：
Genga, Ryan M. J.;Kernfeld, Eric M.;Maehr, Rene
通讯作者：
Maehr, Rene
影响因子：
48
作者：
Angermueller C;Clark SJ;Lee HJ;Macaulay IC;Teng MJ;Hu TX;Krueger F;Smallwood S;Ponting CP;Voet T;Kelsey G;Stegle O;Reik W
通讯作者：
Reik W