转录因子绑定行为的计算建模方法研究

Transcription factor (TF) plays a central role in gene regulation. Knowing the binding specificities of TFs is essential for developing models of the regulatory processes in biological systems and for deciphering the mechanism of gene expression. In this project, we will focus on developing new computational models of TF binding specificity by combining various types of high-throughput data. Firstly, based on tensor decomposition model, we will study the collaborative prediction of ChIP-seq data to overcome its current limitation for integrative analysis. Secondly, we will develop new approaches for modeling the sequence preferences of TFs based on structured sparsity and convex relaxation. Finally, by accounting for additional factors that will influence TF binding, such as surrounding environment and DNA shape, we will propose novel integrated predictive models for TF binding based on deep neural networks and weakly supervised learning. The outcome of this project will be helpful for understanding gene regulation and the causal mechanism of diseases.

转录因子在基因调控过程中扮演着关键角色。因此，理解决定该类蛋白质绑定行为的因素并建模其行为对于破译基因表达的机制具有重要意义。在本项目中，我们将结合多种高通量数据，研究新的转录因子绑定行为计算模型。首先，我们将基于张量分解模型，提出ChIP-seq数据的协同预测方法，以克服现有ChIP-seq数据用于整合分析时的不足。其次，我们将基于结构化稀疏和凸优化技术，提出新颖的转录因子序列偏好模型。最后，我们将根据生物学证据，提出全新的绑定区域周边环境、DNA形状等影响绑定行为的DNA结构因素的建模方法。同时结合深度学习、弱监督学习等技术，提出转录因子绑定位点整合预测模型。项目的成功实施将有助于认识基因调控机理，并帮助进一步理解疾病的因果机制。

转录因子在基因调控过程中扮演着关键角色，因此理解决定转录因子绑定行为的因素并建模其行为对于破译基因表达的机制具有重要意义。在本项目中，我们结合了多种高通量数据，研究新的转录因子绑定行为计算模型。首先，我们基于张量分解模型，将未观测到的ChIP-seq实验数据问题转化为张量完成问题，以克服现有ChIP-seq数据用于整合分析时的不足，并提出一种基于协同矩阵分解的miRNA与疾病关系预测的方法，该方法能够在较短的计算时间内达到较高的预测准确率。其次，我们将弱监督学习与机器学习和深度学习进行结合，提出新颖的转录因子序列偏好模型。最后，基于深度学习，我们根据生物学证据提出全新的绑定区域周边环境、DNA形状等影响绑定行为的DNA结构因素的建模方法。该项目的成功实施有助于认识基因调控机理，并帮助进一步理解疾病的因果机制。