Single-cell deep learning en comparatieve genoomanalyse voor het in kaart brengen van genregulatorische netwerken en enhancerstructuren

Enhancers zijn centrale spelers binnen genregulatorische netwerken (GRN) en zijn essentieel voor cel differentiatie. Terwijl het bestaan van genoomregulatorische blokken (GRB) de conservatie van ontwikkelingsgerelateerde enhancer-gen paren onderstreept, wordt evolutie alvast gedeeltelijk gedreven door de reorganisatie van GRN via het ontstaan, erosie of hergebruik van enhancers. Een schoolvoorbeeld hiervan is de evolutie van de neocortex bij zoogdieren. Single-cell ATACseq (scATACseq) heeft het recent mogelijk gemaakt om enhanceractiviteit te meten in verschillende weefsels van meerdere diersoorten. Toepassing van deep learning methoden op scATACseq data heeft tot significante inzichten geleid in de architectuur van enhancers. Echter, hoe evolutionaire veranderingen in enhancers exact GRN reorganiseren en welke impact dit heeft op de verschillende neuronale celtypes is niet geweten. In dit project zal ik scATACseq data combineren met deep learning en comparatieve genoomanalyse. Specifiek zal ik een Graph Neuraal Netwerk ontwikkelen om simultaan GRN en enhancer structuren te leren die typisch zijn voor neuronale celtypes. Via comparatieve genomica zal ik nagaan hoe deze GRN door middel van de enhancers gereorganiseerd werden gedurende hun evolutie. Dit project zal inzicht bieden in de evolutionaire oorsprong van verschillende neuronale celtypes in vertebraten en invertebraten alsook hoe deze gerelateerd zijn aan de reorganisatie van GRN en enhancers.