scTenifoldKnk: An efficient virtual knockout tool for gene function predictions via single-cell gene regulatory network perturbation.
scTenifoldKnk: An efficient virtual knockout tool for gene function predictions via single-cell gene regulatory network perturbation.
复制标题
DOI：
10.1016/j.patter.2022.100434
复制
发表时间：
2022-03-11
期刊：
影响因子：
6.5
通讯作者：
Cai, James J.
中科院分区：
文献类型：
--
作者：
Osorio, Daniel;Zhong, Yan;Li, Guanxun;Xu, Qian;Yang, Yongjian;Tian, Yanan;Chapkin, Robert S.;Huang, Jianhua Z.;Cai, James J.
基因敲除（KO）实验是研究基因功能的一种行之有效的、强大的方法。然而，由于实验和动物资源的限制，针对大量基因的系统性敲除实验通常令人望而却步。在这里，我们推出了 scTenifoldKnk，这是一种高效的虚拟 KO 工具，可以使用单细胞 RNA 测序 (scRNA-seq) 的数据对基因功能进行系统的 KO 研究。在 scTenifoldKnk 分析中，首先根据野生型样本的 scRNA-seq 数据构建基因调控网络 (GRN)，然后从构建的 GRN 中虚拟删除目标基因。流形比对用于将所得的还原 GRN 与原始 GRN 比对，以识别差异调节基因，这些基因用于推断分析细胞中的目标基因功能。我们证明，基于 scTenifoldKnk 的虚拟 KO 分析概括了真实动物 KO 实验的主要发现，并恢复了相关细胞类型中基因的预期功能。 scTenifoldKnk 使用 scRNA-seq 数据进行虚拟 KO 实验 scTenifoldKnk 仅需要来自 WT 样本的数据；不需要来自 KO 样本的数据 scTenifoldKnk 所做的预测概括了真实动物 KO 实验的结果 使用转基因动物进行的基因敲除 (KO) 实验已被证明是阐明基因在生物过程中的作用的有效方法。然而，由于实验和动物资源有限，针对许多基因的系统性敲除实验通常是令人望而却步的。在这里，我们推出了 scTenifoldKnk，这是一种高效的虚拟 KO 工具，可以单独系统地删除许多基因。 scTenifoldKnk 使用来自野生型 (WT) 样本的单细胞 RNA 测序 (scRNA-seq) 数据以细胞类型特异性的方式预测基因功能。我们证明 scTenifoldKnk 所做的预测概括了真实动物 KO 实验的结果。 scTenifoldKnk 已被证明是一种强大而有效的方法，可用于阐明基因功能、优先考虑 KO 目标、在进行真实动物 KO 实验之前预测实验结果。 scTenifoldKnk 是一种机器学习工作流程，通过执行虚拟 KO 实验来预测基因功能。它使用来自野生型样本的单细胞 RNA 测序数据构建基因调控网络，然后通过计算删除目标基因。真实数据应用表明 scTenifoldKnk 概括了真实动物 KO 实验的结果，并准确预测分析细胞中的基因功能。
Gene knockout (KO) experiments are a proven, powerful approach for studying gene function. However, systematic KO experiments targeting a large number of genes are usually prohibitive due to the limit of experimental and animal resources. Here, we present scTenifoldKnk, an efficient virtual KO tool that enables systematic KO investigation of gene function using data from single-cell RNA sequencing (scRNA-seq). In scTenifoldKnk analysis, a gene regulatory network (GRN) is first constructed from scRNA-seq data of wild-type samples, and a target gene is then virtually deleted from the constructed GRN. Manifold alignment is used to align the resulting reduced GRN to the original GRN to identify differentially regulated genes, which are used to infer target gene functions in analyzed cells. We demonstrate that the scTenifoldKnk-based virtual KO analysis recapitulates the main findings of real-animal KO experiments and recovers the expected functions of genes in relevant cell types. scTenifoldKnk performs virtual KO experiments using scRNA-seq data scTenifoldKnk only requires data from WT samples; no data are needed from KO samples Predictions made by scTenifoldKnk recapitulate findings from real-animal KO experiments Gene knockout (KO) experiments, using genetically altered animals, are a proven powerful approach to elucidate the role of a gene in a biological process. However, systematic KO experiments targeting many genes are usually prohibitive due to limited experimental and animal resources. Here, we present scTenifoldKnk, an efficient virtual KO tool that allows the systematic deletion of many genes individually. scTenifoldKnk uses single-cell RNA sequencing (scRNA-seq) data from wild-type (WT) samples to predict gene function in a cell-type-specific manner. We show that predictions made by scTenifoldKnk recapitulate findings from real-animal KO experiments. scTenifoldKnk has proven to be a powerful and effective approach for elucidating gene function, prioritizing KO targets, predicting experimental outcomes before real-animal KO experiments are conducted. scTenifoldKnk is a machine learning workflow performing virtual KO experiments to predict gene function. It constructs gene regulatory networks using single-cell RNA sequencing data from wild-type samples and then computationally deletes target genes. Real-data applications demonstrate that scTenifoldKnk recapitulates findings of real-animal KO experiments and accurately predicts gene function in analyzed cells.
登录
查看更多内容
影响因子：
3.7
作者：
Bühling F;Kouadio M;Chwieralski CE;Kern U;Hohlfeld JM;Klemm N;Friedrichs N;Roth W;Deussing JM;Peters C;Reinheckel T
通讯作者：
Reinheckel T
DOI：
10.1056/nejmoa1211851
发表时间：
2013-01-10
期刊：
The New England journal of medicine
影响因子：
--
作者：
Guerreiro R;Wojtas A;Bras J;Carrasquillo M;Rogaeva E;Majounie E;Cruchaga C;Sassi C;Kauwe JS;Younkin S;Hazrati L;Collinge J;Pocock J;Lashley T;Williams J;Lambert JC;Amouyel P;Goate A;Rademakers R;Morgan K;Powell J;St George-Hyslop P;Singleton A;Hardy J;Alzheimer Genetic Analysis Group
通讯作者：
Alzheimer Genetic Analysis Group
影响因子：
3.6
作者：
Attarian SJ;Leibel SL;Yang P;Alfano DN;Hackett BP;Cole FS;Hamvas A
通讯作者：
Hamvas A
影响因子：
4
作者：
Busby, Bede P.;Niktab, Eliatan;Atkinson, Paul H.
通讯作者：
Atkinson, Paul H.
影响因子：
32.4
作者：
Hammond, Timothy R.;Dufort, Connor;Stevens, Beth
通讯作者：
Stevens, Beth