High-throughput chromosome conformation capture (Hi-C) is one of the most popular methods for studying the three-dimensional organization of genomes. However, Hi-C protocols can be expensive since they require large amounts of sample material and may be time-consuming. Most commonly used Hi-C data are low-resolution. Such data can only be used to identify large-scale genomic interactions and are not sufficient to identify the small-scale patterns. We propose a novel deep learning-based computational approach (named ReHiC) that enhances the resolution of Hi-C data and allows us to achieve high-resolution Hi-C data at a relatively low cost. Our model only requires 1/16 down-sampling ratio of the original sequence reading to predict higher resolution Hi-C data. This is very close to high-resolution data in terms of numerical distribution and interaction distribution. More importantly, our framework stacks deeper and converges faster due to residual blocks in the core of the network. Extensive experiments show that ReHiC performs better than HiCPlus and HiCNN, two recently developed and frequently used methods to look at the spatial organization of chromatin structure in the cell. Moreover, the portability of our framework verified by extensive experiments shows that the trained model can also enhance the Hi-C matrix of other cell types efficiently. In conclusion, ReHiC offers more accurate high-resolution image reconstruction in a broad field.

中文翻译：

---

ReHiC：通过残差卷积网络提高 Hi-C 数据分辨率

高通量染色体构象捕获 (Hi-C) 是研究基因组三维组织的最流行的方法之一。然而，Hi-C 协议可能很昂贵，因为它们需要大量的样品材料并且可能很耗时。最常用的 Hi-C 数据是低分辨率的。这些数据只能用于识别大规模的基因组相互作用，不足以识别小规模的模式。我们提出了一种新颖的基于深度学习的计算方法（名为 ReHiC），它提高了 Hi-C 数据的分辨率，并使我们能够以相对较低的成本获得高分辨率的 Hi-C 数据。我们的模型只需要原始序列读数的 1/16 下采样率来预测更高分辨率的 Hi-C 数据。这在数值分布和交互分布方面非常接近高分辨率数据。更重要的是，由于网络核心中的残留块，我们的框架堆叠更深，收敛更快。大量实验表明，ReHiC 的性能优于 HiCPlus 和 HiCNN，这两种方法是最近开发和常用的研究细胞中染色质结构空间组织的方法。此外，我们通过大量实验验证的框架的可移植性表明，经过训练的模型还可以有效地增强其他细胞类型的 Hi-C 矩阵。总之，ReHiC 在广阔的领域提供了更准确的高分辨率图像重建。大量实验表明，ReHiC 的性能优于 HiCPlus 和 HiCNN，这两种方法是最近开发和常用的研究细胞中染色质结构空间组织的方法。此外，我们通过大量实验验证的框架的可移植性表明，经过训练的模型还可以有效地增强其他细胞类型的 Hi-C 矩阵。总之，ReHiC 在广阔的领域提供了更准确的高分辨率图像重建。大量实验表明，ReHiC 的性能优于 HiCPlus 和 HiCNN，这两种方法是最近开发和常用的研究细胞中染色质结构空间组织的方法。此外，我们通过大量实验验证的框架的可移植性表明，经过训练的模型还可以有效地增强其他细胞类型的 Hi-C 矩阵。总之，ReHiC 在广阔的领域提供了更准确的高分辨率图像重建。