Studying Gene Regulation in Spatial Context

Allgemeine Informationen

Zeitablauf des Praktikums

Vorraussetzungen und Vorkenntnisse

Bachelor Bioinformatik, insbesondere erfolgreicher Abschluss des GoBi-Moduls. Gute Python Programmierkenntnisse. Interesse an Datenvisualisierung und Netzwerk Medizin. Vorkenntnisse in der Entwicklung von Softwares sind von Vorteil, aber kein Muss.

Beschreibung

Hintergrund​

Das Verständnis der Genregulation im räumlichen Kontext ist essenziell, um gewebespezifische Funktionen und Krankheitsmechanismen zu entschlüsseln [1]. Genregulatorische Netzwerke (GRNs), bestehend aus Transkriptionsfaktoren (TFs) und deren Zielgenen, definieren regulatorische Beziehungen [2]. Die Integration von GRNs mit räumlichen Transkriptomik-Daten bietet eine einzigartige Möglichkeit, regulatorische Aktivitäten innerhalb von Geweben zu lokalisieren. ceRNA-Netzwerke, die mit Methoden wie SPONGE [3] erstellt werden, erweitern dieses Framework indem sie miRNA-vermittelte Regulation hervorheben. Tools wie Tangram [4] ermöglichen die Abbildung von Einzelzell-RNA-Sequenzierungsdaten (scRNA-seq) auf räumliche Transkriptomik-Daten und fördern so die Integration multimodaler Daten.​

Motivation​

Trotz Fortschritten in der räumlichen Transkriptomik mangelt es an Plattformen, die GRNs, ceRNA-Module und multimodale Datensätze integrieren, um räumliche Genregulation zu visualisieren. Ein einheitliches Tool, das regulatorische Module lokalisiert, Enrichment-Scores (ES) spezifischer Regulatoren im räumlichen Kontext darstellt und zusätzliche Daten(z. B. Chromatin accessibility) überlagert, könnte diese Lücke schließen. Eine solche Plattform könnte Einblicke in die räumliche Heterogenität regulatorischer Mechanismen und deren Rolle in Krankheiten wie Krebs liefern.​

Ziele​

Ziel dieses Projekts ist es, eine Plattform zur räumlichen Visualisierung von Genregulation zu entwickeln. Durch die Integration von GRNs (oder SPONGE-ceRNA-Netzwerken, z. B. TCGA Brustkrebs) mit räumlichen Transkriptomik-Daten ermöglicht die Plattform die Abbildung regulatorischer Module und deren Aktivitäten auf Geweberegionen. Zu den Hauptfunktionen gehören die räumliche Visualisierung von ES für spezifische Regulatoren (z. B. TP53) sowie die Darstellung von Datenschichten wie scRNA-seq, scATAC-seq und räumlichen Statistiken (z. B. Moran’s I, Getis Ord Gi*, Geary's C).​

Aufgaben​

• Auswahl und Darstellung von GRNs oder SPONGE ceRNA-Netzwerken (z. B. TCGA BRCA-Datensatz).​
• Identifikation wichtiger regulatorischer Module mit SPONGeffects [5] (z. B. TP53).​
• Abbildung von single-cell- und Chromatin-accessibility Daten auf Gewebe mithilfe von Tools wie Tangram.​
• Visualisierung von ES-Scores im räumlichen Kontext.​
• Integration räumlicher Statistiken zur Analyse regionaler Variation.​
• Entwicklung einer Plattform für die interaktive Visualisierung der Genregulation.

Referenzen​

[1] Williams, C.G., Lee, H.J., Asatsuma, T. et al. An introduction to spatial transcriptomics for biomedical research. Genome Med 14, 68 (2022). https://doi.org/10.1186/s13073-022-01075-1​

[2] Badia-i-Mompel, P., Wessels, L., Müller-Dott, S. et al. Gene regulatory network inference in the era of single-cell multi-omics. Nat Rev Genet 24, 739–754 (2023). https://doi.org/10.1038/s41576-023-00618-5​

[3] Markus List, Azim Dehghani Amirabad, Dennis Kostka, Marcel H Schulz, Large-scale inference of competing endogenous RNA networks with sparse partial correlation, Bioinformatics, Volume 35, Issue 14, July 2019, Pages i596–i604, https://doi.org/10.1093/bioinformatics/btz314​

[4] Biancalani, T., Scalia, G., Buffoni, L. et al. Deep learning and alignment of spatially resolved single-cell transcriptomes with Tangram. Nat Methods 18, 1352–1362 (2021). https://doi.org/10.1038/s41592-021-01264-7​

[5] Fabio Boniolo, Markus Hoffmann, Norman Roggendorf, Bahar Tercan, Jan Baumbach, Mauro A A Castro, A Gordon Robertson, Dieter Saur, Markus List, spongEffects: ceRNA modules offer patient-specific insights into the miRNA regulatory landscape, Bioinformatics, Volume 39, Issue 5, May 2023, btad276, https://doi.org/10.1093/bioinformatics/btad276​

​