Modelling Transcriptional Velocities and Latent Dynamics of Single Cells
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2020-04-27
Department
Major/Subject
Bioinformatics and Digital Health
Mcode
SCI3092
Degree programme
Master’s Programme in Life Science Technologies
Language
en
Pages
75 + 3
Series
Abstract
A recently developed measurement technique, called single-cell RNA sequencing (scRNA-seq), has provided us to study biological samples with unprecedented resolution, as we are now capable of studying tissues at single-cell level. As a result of scRNA-seq, new cell types have been discovered, detailed developmental paths of various tissues have been revealed, and regulatory relationships between genes have been uncovered. During a last few years, especially the research of differentiation trajectories of single cells has gained popularity, because it can broaden our knowledge of development of both normal and abnormal tissues. These trajectory inference studies can potentially let us understand better causes of various diseases and later on help us to discover new treatments against several pathogens. The aim of this thesis is to develop a new tool to analyse scRNA-seq data and especially the dynamics and the differentiation trajectories of the single cells. This method relies on a theory of RNA velocities discovered by La Manno et al. (2018), but has a unique approach to solve the latent dynamics: we utilise variational autoencoders (VAEs) to project the cells to the low-dimensional latent space and nonparametric ordinary differential equations (ODEs) to solve the latent differentiation trajectories. With our new method, we obtain rather promising results as the differentiation trajectories for two data sets are in agreement with the current knowledge of the development of the studied tissues. The novelty of our method is that we are capable of selecting any single cell from the data set and study its individual differentiation path or even intervene in its gene expression and follow the differentiation of the perturbed cell. These results suggest that our method has potential to become a widely applicable tool for analysing scRNA-seq data, but some aspects still require further refining.Yksittäisten solujen RNA-sekvensointi (engl. single-cell RNA sequencing, scRNA-seq) on mahdollistanut biologisten näytteiden tutkimisen viime vuosina ennennäkemättömällä tarkkuudella, koska voimme tutkia nyt kudoksia yksittäisten solujen tarkkuudella. scRNA-seq on mahdollistanut muun muassa uusien solutyyppien löytämisen, useiden kudosten kehittymisen mallintamisen ja geenien välisten sääntelymekanismien löytämisen. Erityisesti solujen erikoistumispolkujen tutkiminen on noussut suosioon, koska niiden avulla voimme ymmärtää paremmin sekä normaalin että epänormaalin kudoksen kehityskaaren. Tämän diplomityön tavoitteena on kehittää uusi työkalu analysoimaan scRNA-seq dataa ja erityisesti yksittäisten solujen erikoistumispolkuja. Menetelmä pohjautuu teoriaan RNA nopeuksista, jonka La Manno et al. (2018) ovat kehittäneet, mutta lähestymistapamme ratkaista solujen latentti dynamiikka on uusi: projisoimme solut latenttiin avaruuteen käyttäen neuroverkkoja ja käytämme epäparametrisia differentiaaliyhtälöitä ratkaisemaan solujen latentit erikoistumispolut. Uudella menetelmällämme saavutimme lupaavia tuloksia, sillä latentit erikoitumispolut vastasivat suhteellisen hyvin nykyistä tietämystä tutkittujen kudosten kehittymisestä. Verrattuna muihin vastaaviin menetelmiin menetelmämme uutuus on, että voimme valita minkä tahansa yksittäisen solun ja tutkia sen yksittäistä erikoistumispolkua. Voimme lisäksi jopa muuttaa keinotekoisesti yksittäisen solun geenien ilmentymistä ja tutkia, miten tämä muutos vaikuttaa solun erikoistumispolkuun. Täten voinee todeta, että menetelmällämme on mahdollisuus kehittyä ensiluokkaiseksi työkaluksi analysoimaan yksittäisten solujen erikoistumispolkuja, mutta tämä vaatii vielä työkalun jatkokehittämistä.Description
Supervisor
Lähdesmäki, HarriThesis advisor
Timonen, JuhoKeywords
single-cell RNA sequencing, RNA velocity, variational autoencoders, ordinary differential equations