Digital Tissue Deconvolution - Aus Einzelzelldaten lernen

• Antragsteller: Professor Michael Altenbuchinger, Ph.D.
• Fachliche Zuordnung: Medizininformatik und medizinische Bioinformatik ; Bioinformatik und Theoretische Biologie
• Förderung: Förderung von 2019 bis 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 420069742

• Erstellungsjahr: 2024

Zusammenfassung der Projektergebnisse

Schätzungen von Zellzusammensetzungen ergänzen zunehmend die Analyse von Omics-Daten. Typische “bulk”-Transkriptomprofile setzen sich aus Beiträgen von mehreren Zellen zusammen. Damit entspricht die gemessene Genexpression im Gewebe Durchschnittswerten über Zellpopulationen. Um dieses Problem zu lösen, wurden sogenannte Zelltyp-Dekonvolutionsmethoden entwickelt. Dabei handelt es sich um eine Klasse von Algorithmen zur Ableitung zellulärer Zusammensetzungen aus Omics-Profilen. Sie lösen das folgende inverse Problem: Wie lautet die zelluläre Zusammensetzung c eines Gewebes, wenn das Expressionsprofil y gegeben ist? Wenn X eine Matrix ist, deren Spalten Referenzprofile einzelner Zelltypen enthält, kann die Zusammensetzung c durch Minimierung von L(y − Xc) für eine bestimmte Verlustfunktion L berechnet werden. Das Ziel dieses Forschungsprojekts war es, den methodischen State-of-the-Art für die Schätzung von Zellzusammensetzungen aus transkriptomischen Daten zu verbessern. Dazu haben wir einen neuen Ansatz namens Adaptive Digital Tissue Deconvolution (ADTD) vorgeschlagen, der zwei wesentliche Probleme üblicher Algorithmen beseitigt: (1) ADTD berücksichtigt potenzielle Hintergrundbeiträge unbekannter Zellpopulationen und (2) berücksichtigt die molekulare Anpassung von Zellen an ihr Gewebe. Diese Eigenschaften machen ADTD äußerst performant und flexibel für die Anpassung an neue Anwendungen. Durch die Modellierung der zellulären Anpassung ermöglicht ADTD darüber hinaus die Schätzung der zelltypspezifischen Genregulation auf der Grundlage umfangreicher transkriptomischer Daten und hebt sich damit von etablierten Ansätzen ab.

Projektbezogene Publikationen (Auswahl)

• SpaCeNet: Spatial Cellular Networks from omics data.
  Schrod, Stefan; Lück, Niklas; Lohmayer, Robert; Solbrig, Stefan; Völkl, Dennis; Wipfler, Tina; Shutta, Katherine H.; Guebila, Marouen Ben; Schäfer, Andreas; Beißbarth, Tim; Zacharias, Helena U.; Oefner, Peter J.; Quackenbush, John & Altenbuchinger, Michael
  
• Virtual Tissue Expression Analysis.
  Simeth, Jakob; Hüttl, Paul; Schön, Marian; Nozari, Zahra; Huttner, Michael; Schmidt, Tobias; Altenbuchinger, Michael & Spang, Rainer
  
• Adaptive digital tissue deconvolution. Bioinformatics, 40(Supplement_1), i100-i109.
  Görtler, Franziska; Mensching-Buhr, Malte; Skaar, Ørjan; Schrod, Stefan; Sterr, Thomas; Schäfer, Andreas; Beißbarth, Tim; Joshi, Anagha; Zacharias, Helena U.; Grellscheid, Sushma Nagaraja & Altenbuchinger, Michael
  
• CODEX: COunterfactual Deep learning for the in silico EXploration of cancer cell line perturbations. Bioinformatics, 40(Supplement_1), i91-i99.
  Schrod, Stefan; Zacharias, Helena U.; Beißbarth, Tim; Hauschild, Anne-Christin & Altenbuchinger, Michael
  
• SpaCeNet: Spatial Cellular Networks from Omics Data. Lecture Notes in Computer Science, 344-347. Springer Nature Switzerland.
  Schrod, Stefan; Lück, Niklas; Lohmayer, Robert; Solbrig, Stefan; Wipfler, Tina; Shutta, Katherine H.; Guebila, Marouen Ben; Schäfer, Andreas; Beißbarth, Tim; Zacharias, Helena U.; Oefner, Peter J.; Quackenbush, John & Altenbuchinger, Michael