Applying AI methods to the inference of gene regulatory networks in neural differentiation

Bc. Ondrej Kužlík

Master's thesis

Abstract:

Neurálna diferenciácia je proces, pri ktorom sa neuróny - bunky v mozgovom tkanive - tvoria z ich evolučných predchodcov. Pre pochopenie mechanizmov, ktoré sú základom tohto procesu, musíme najskôr pochopiť, ako genetická informácia uložená v bunkách ovplyvňuje ich osud zmenami v génovej expresii, čím určuje, ktoré proteíny sú v bunke produkované. Expresia génu reguluje expresiu iného génu a množina takýchto regulácií sa dá zachytiť prostredníctvom štruktúr nazvaných génové regulačné siete. V tejto práci hodnotíme existujúci prístup založený na neurónových sieťach pre inferenciu génových regulačných sietí a mierne ho modifikujeme. Prístup je založený na vysvetliteľných metódach umelej inteligencie, a síce propagácii relevancie (layer-wise relevance propagation) po vrstvách. Ďalej hodnotíme výkon tejto neurónovej siete na dátovej sade génovej expresie v mozgovom tkanive myších embryí a alidujeme schopnosť modelu zachytiť známe regulačné vzťahy a expresiu génov v oblasti záujmu.

Abstract:

Neural differentiation is the process in which neurons - cells in the brain tissue - are formed from their cellular evolutionary predecessors. In order to understand the mechanisms underlying this process, we need to understand how the genetic information stored in the cells influences the fate of the cell by changes in gene expression, determining which proteins are produces within the cell. Expression of a gene regulates the expression of another gene, and a collection of such regulations can be captured by constructs called gene regulatory networks. In this thesis, we evaluate an existing neural network based approach for the inference of gene regulatory networks and modify it slightly. This approach is based on the explainable AI method of layer-wise relevance propagation. Furthermore, we evaluate the performance of this neural network on a dataset of gene expression in brain tissue of mouse embryos. We validate the ability of the model to capture known regulatory relationships and expressed genes of interest.

Keywords

machine learning, gene expression, neural differentiation, gene regulatory network, layerwise relevance propagation, strojové učenie, génová expresia, diferenciácia neurónov, génová regulačná sieť, propagácia relevancií

Language used: English

Date on which the thesis was submitted / produced: 21. 5. 2024

Thesis defence

• Date of defence: 21. 6. 2024
• Supervisor: RNDr. Samuel Pastva, Ph.D.
• Reader: doc. RNDr. David Šafránek, Ph.D.

Masaryk University

Faculty of Informatics

Master programme / field:
Artificial intelligence and data processing / Machine learning and artificial intelligence