Benchmarking & evaluating single-cell gene-enhancer regulatory networks

Abstract

El projecte consisteix en fer una anàlisi comparativa de GRaNIE, un mètode d’inferència de xarxes de regulació gènica incloent enhancers a partir de bulk RNA-seq i ATAC-seq data, al nivell single-cell. Proposem una manera de dur a terme l’anàlisi mitjançant una metodologia basada en la validació de les connexions de les xarxes amb dades pcHi-C, eQTL i ChIP-Seq. A més, realitzem un estudi biològic comprensiu de les xarxes produïdes per GraNIE i avaluem la seva capacitat predictiva mitjançant GRaNPA, un mètode d’aprenentatge estadístic, que avalua com de bé una GRN pot predir dades d’expressió gènica diferencial específiques de tipus cel·lulars.El proyecto consiste en hacer un análisis comparativo de GraNIE, un método de inferencia de redes de regulación génica incluyendo enhancers a partir de bulk RNA-seq y ATAC-seq data, a nivel single-cell, Proponemos una forma de llevar a cabo el análisis mediante una metodología basada en la validación de las conexiones de las redes con datos pcHi-C, eQTL y ChIP-seq. Además, realizamos un estudio comprensivo de las redes producidas por GRaNIE y evaluamos su capacidad predictiva a través de GRaNPA, un método de aprendizaje estadístico, que evalúa cómo de bien una GRN puede predecir datos de expressión génica diferencial específicos de tipos celulares.The project consists of benchmarking GRaNIE, a enhancer inclusive gene regulatory network inference method from bulk RNA-seq and ATA-seq data, at the single-cell level. We propose a way of carrying out the benchmark through a validation-based approach that assesses the network's ability to predict real regulatory interactions from cell-type-specific pcHi-C, eQTL and ChIP-Seq data. Additionally, we perform a biological comprehensive analysis of the output eGRNs and evaluate their predictive power utilizing GRaNPA, a machine learning framework, that assesses how well a GRN can predicit cell-type-specific differential gene expression data.