Les éléments transposables (ET) sont essentiels à la diversité génétique et à la régulation des gènes. Les méthodes actuelles de quantification en cellule unique alignent souvent les lectures à alignements multiples sur des emplacements « les mieux alignés » ou « alignés aléatoirement » et les classent au niveau des sous-familles, négligeant ainsi la nécessité biologique d'une quantification précise et spécifique au locus des ET. De plus, ces méthodes existantes sont principalement conçues pour les données transcriptomiques et axées sur celles-ci, ce qui limite leur adaptabilité aux données de cellule unique d'autres modalités.

Pour surmonter ces défis, nous présentons ici MATES, une approche d'apprentissage profond qui attribue avec précision les lectures à alignements multiples à des locus spécifiques d'ET, en exploitant le contexte des alignements de lectures adjacents flanquant le locus de l'ET. Lorsqu'il est appliqué à divers ensembles de données omiques en cellule unique, MATES affiche des performances supérieures à celles des méthodes existantes, améliorant la précision de la quantification des ET et facilitant l'identification d'ET marqueurs pour les populations cellulaires déterminées. Cette avancée facilite l'exploration de l'hétérogénéité cellulaire et de la régulation génique sous l'angle des ET, offrant un outil efficace de quantification des transposons pour la communauté de la génomique en cellule unique.