Aplikacija sekvenciranja posameznih celic in strojnega učenja v biologiji mlečne žleze

Mlečna žleza je visoko specializiran organ pri sesalcih, ki ima zelo pomembno vlogo pri reprodukciji in je bistvenega pomena za ekonomično proizvodnjo mleka v kmetijstvu. Zmogljivost proizvodnje mleka krav molznic nekajkrat presega prehranske potrebe teleta in predstavlja edinstveno proizvodno lastnost, ki so jo učinkovito izboljšali s klasičnimi selekcijskimi pristopi. Zato je laktacija pri govedu idealen model za preučevanje biologije laktacije z namenom odkrivanja mehanističnih osnov te kompleksne lastnosti na celični ravni, ki lahko poemembno prispeva k temeljnemu znanju o biologiji laktacije. V zadnjem času je možno namesto obsežnih RNA transkriptomov različnih tipov celic raziskovati transkriptome na ravni posameznih celic. Raziskave epitelijskih celic mlečne žleze na ravni posameznih celic pri miši in človeku so razkrile mnogo večjo heterogenost populacije epitelijskih celic mlečne žleze, kot so kazale predhodne raziskave. Doslej ni bil izveden noben poskus za profiliranje izražanja celic mlečne žleze pri govedu z uporabo pristopa sekvenciranja RNA posameznih celic (scRNA-Seq), prav tako ni bil raziskan transkriptom mleka na ravni posameznih celic. V okviru tega projekta bomo uporabili scRNA-Seq za karakterizacijo profilov izražanja, značilnih za posamezne tipe celic mlečne žleze, ter za določanje različnih tipov celic na podlagi celično specifičnih transkripcijskih profilov. Ta pristop nam bo omogočil identificirati celični izvor za več sestavin mleka, katerih izvor trenutno še ni poznan. Z analizo velikega števila celic različnih živali bomo skušali pokriti medcelične razlike in vpliv različnih genetskih ozadij na transkriptom posamezne celice. Nadaljnja analiza transkriptomskih podatkov bo omogočila identifikacijo regulatornih elementov (transkripcijski faktorj, predikcija vezavnih mest za transkripcijske faktorje mlečne žleze, ipd.). Z medvrstno primerjavo transkriptomskih profilov bomo skušali identificirati splošno in vrstno specifično izražene gene. Podatki o transkriptomih posameznih celic označujejo žive sisteme z izjemno visoko ločljivostjo, vendar so zelo razpršeni in z veliko eksperimentalnega šuma. Podatki scRNA-seq imajo potencial za odkrivanje novih vpogledov v kompleksne biološke sisteme, odpirajo pa tudi nekaj novih algoritmičnih izzivov. Za reševanje problemov, povezanih z analizo podatkov scRNA-Seq, in integracijo transkriptomskih podatkov s podatki o strukturi kromatina, pridobljenih s scATAC-Seq, bomo uporabili metode strojnega učenja.