Zusammenfassung Sequenzbasierte Deep-Learning-Modelle sind zum Standard für die Analyse des genomischen regulatorischen Codes geworden. Insbesondere für Enhancer zeichnen sich diese Modelle durch die Entschlüsselung der Sequenzgrammatik aus, die ihrer Aktivität zugrunde liegt. Um eine End-to-End-Enhancer-Modellierung und -Entwicklung zu ermöglichen, haben wir ein Softwarepaket namens CREsted (cis-regulatorisches Element Sequenztraining, Erklärung und Design) entwickelt. Es kombiniert die Vorverarbeitung und Analyse von Einzelzell-Assays für transposase-zugängliches Chromatin unter Verwendung von Sequenzierungsdaten, modelliert die Chromatin-Zugänglichkeit aus der Sequenz, gestaltet Sequenzen und führt nachgelagerte Analysen durch, um die Grammatik der Enhancer zu entschlüsseln. Wir demonstrieren die Funktionalität von CREsted an einem Datensatz von Mäusekortex und menschlichen peripheren blutmonozytären Zellen. Darüber hinaus verwenden wir CREsted, um mesenchymähnliche Krebszellzustände zwischen Tumortypen zu vergleichen, und untersuchen verschiedene Feinabstimmungstrategien für genomische Fundamentmodelle innerhalb von CREsted. Schließlich trainieren wir ein Modell auf einem Zebrafisch-Entwicklungsatlas und verwenden dies, um zellspezifische Enhancer zu entwerfen und in vivo zu validieren. Bei unterschiedlichen Datensätzen zeigen wir, dass CREsted effizientes Training und Analysen erleichtert, was eine genaue Untersuchung der Enhancer-Logik und die Gestaltung synthetischer Enhancer über Gewebe und Arten hinweg ermöglicht.
Kempynck et al. (2026) untersuchten diese Frage.