Nature子刊 | 譚濟民、夏波等提出基因組構象預測模型及高通量計算遺傳篩選方法

本文首先提出了新型多模態(tài)機器學(xué)習模型 C.Origami 來(lái)預測特定細胞類(lèi)型的染色質(zhì)構象，并基于遺傳篩選的原理提出了全新的高通量計算遺傳篩選 (in silico genetic screening, ISGS) 方法。

圖 0
不同種類(lèi)細胞中基因組構象的差異決定了基因表達的特異性，進(jìn)而決定不同細胞類(lèi)型的功能差異。長(cháng)久以來(lái)，從原位雜交到高通量檢測如 Hi-C、micro-C 技術(shù)，基因組構象檢測的實(shí)驗方法通常耗時(shí)耗力、成本高昂且有很強的技術(shù)局限性。這些方法極大地限制了這些實(shí)驗技術(shù)在基因組構象研究領(lǐng)域的廣泛應用，尤其是研究稀有細胞類(lèi)型以及需要大規模驗證基因組構象調控的因果關(guān)系等方面。這些方法的局限性也長(cháng)期限制三維基因組構象調控領(lǐng)域里的新發(fā)現。

圖 1
2023 年 1 月 9 日，紐約大學(xué)醫學(xué)院（NYU Grossman School of Medicine）Aristotelis Tsirigos 實(shí)驗室和博德研究所（Broad Institute of MIT and Harvard）夏波實(shí)驗室合作在 Nature Biotechnology 上發(fā)表文章《Cell type-specific prediction of 3D chromatin organization enables high-throughput in silico genetic screening》。

論文地址：https://www.nature.com/articles/s41587-022-01612-8
這項研究中，第一作者紐約大學(xué)醫學(xué)院博士生譚濟民與夏波博士首先提出了新型多模態(tài)機器學(xué)習模型 C.Origami 來(lái)預測特定細胞類(lèi)型的染色質(zhì)構象，并基于遺傳篩選的原理提出了全新的高通量計算遺傳篩選 (in silico genetic screening, ISGS) 方法，用以鑒定細胞類(lèi)型特異性的功能基因組元件，助力發(fā)現新的染色質(zhì)構象調控機理。

圖 2
研究者首先構建了應用于基因組數據的新型多模態(tài)深度學(xué)習框架，Origami，使其能有效地整合 DNA 序列信息以及細胞特異性的功能基因組信息，進(jìn)而預測新的基因組信息。通過(guò)反復調試及模型訓練，研究者發(fā)現整合 DNA 序列、CTCF 結合狀態(tài)（CTCF ChIP-seq）、及 ATAC-seq 信號作為輸入信息可以準確地預測染色質(zhì)構象，并以二維的 Hi-C 矩陣作為預測輸出目標（圖 1-2）。輸入信息為 2 百萬(wàn)堿基對的 DNA，CTCF ChIP-seq 和 ATAC-seq。研究者們使用 Onehot-encoding 來(lái)編碼離散的 DNA 序列，而 CTCF ChIP-seq 和 ATAC-seq 則編碼成非離散的特征。

C.Origami 模型分為三個(gè)部分，處理并壓縮 DNA 及基因組信息的編碼器，Transformer 中間層和輸出 Hi-C ****。其中編碼器由一系列 1D ResNet 和 strided convolution 構成用來(lái)編碼和壓縮 2 百萬(wàn)堿基對的輸入信息。在編碼器末端 2 百萬(wàn)長(cháng)度的信息被壓縮為 256 長(cháng)度并作為 Transformer 的輸入信息。Transformer 的自注意力機制可以處理不同基因組區域間的 interdependency 并提升了模型的綜合性能。Transformer 中的注意力矩陣還可以增強模型的可解釋性。研究者們將注意力權重轉換成了 “attention score ”，用來(lái)衡量模型在預測時(shí)對于不同區域的側重。最后，研究者們將 Transformer 模塊的 1D 輸出用 “outer concatenation” 的方式轉換成了 2D 的 contact/adjacency matrix，用作 Hi-C ****的輸入信息。****是一個(gè) Dilated 2D ResNet。研究者們調整了不同層的 dilation factor 使得最后層的每一個(gè)像素位置的 receptive field 都能覆蓋所有輸入信息。
這一預測染色質(zhì)構象的模型則被稱(chēng)為 C.Origami。研究者稱(chēng) C.Origami 是基因組學(xué)中第一個(gè)多模態(tài)深度學(xué)習模型。由于它多模態(tài)的特性，C.Origami 能夠準確地預測（de novo prediction）從未接觸過(guò)的新細胞類(lèi)型的染色質(zhì)構象。例如，在 IMR-90 細胞（肺成纖維細胞）上訓練的模型能夠準確預測出 GM12878 細胞（B 淋巴細胞）里特定的染色質(zhì)構象（圖 3）。

圖 3
結構變異（structural variant）---- 比如染色體易位 ---- 在腫瘤中非常常見(jiàn)，并經(jīng)常改變染色質(zhì)相互作用模式，進(jìn)而可能影響癌基因或抑癌基因的表達。研究這些結構變異對染色質(zhì)構象及基因表達的影響對理解腫瘤發(fā)生和進(jìn)展的機理有重要作用。這類(lèi)研究通常需要借助 4C-seq 或 Hi-C 等實(shí)驗來(lái)分析結構變異位點(diǎn)的染色質(zhì)構象，但又往往受限于資源和時(shí)間的限制，難以大規模開(kāi)展。
這項研究中，C.Origami 可以在輸入變量中模擬 DNA 序列的變異，然后預測變異后的癌癥基因組中新的染色質(zhì)相互作用。之前的研究發(fā)現 T 細胞急性淋巴細胞白血?。═-ALL）細胞模型 CUTLL1 有一個(gè) chr7-chr9 的染色體易位（圖 4）。通過(guò)計算模擬染色體易位變異，C.Origami 準確預測了在變異位點(diǎn)的新 TAD 結構，并檢測到從 chr9 延伸到 chr7 的‘互動(dòng)束’（chromatin stripe）結構（圖 4）。

圖 4
鑒于 C.Origami 的精準預測效果，并受到反向遺傳篩選原理的啟發(fā)，研究者提出了全新的高通量計算遺傳篩選 (in silico genetic screening，ISGS) 方法，用以系統鑒定細胞類(lèi)型特異性的功能基因組元件，并助力發(fā)現新的染色調控分子（圖 5）。研究者們基于 C.Origami 模型開(kāi)發(fā)了用于系統性鑒定染色質(zhì)構象所需的順式調控元件（cis-regulatory element）的計算遺傳篩選 ISGS 的框架。通過(guò)對全基因組 1kb 分辨率的 ISGS，作者分離出對染色質(zhì)構象有重要影響的順式調控元件（占約 1% 的基因組）。這些染色質(zhì)構象調控序列呈現出對 CTCF 結合和 ATAC-seq 信號的不同依賴(lài)度（圖 5）。

圖 5
ISGS 框架可以對細胞或疾病特異性的染色質(zhì)構象進(jìn)行高通量篩選。研究者在 CUTLL1、Jurkat 和正常 T 細胞中分別進(jìn)行了 ISGS，并發(fā)現了一個(gè)在 CHD4 基因附近的順式調控元件 (CHD4-insu) 在 T-ALL 細胞里特異性丟失。篩選結果表明，T-ALL 細胞中 CHD4-insu 的絕緣性缺失可能使 CHD4 基因建立新的染色質(zhì)相互作用，進(jìn)而上調 CHD4 表達并促進(jìn)白血病細胞增殖。
ISGS 也可以用來(lái)系統地發(fā)現調控染色質(zhì)構象的新型反式作用因子（trans-acting factors）。通過(guò)對細胞類(lèi)型特異性的重要調控序列與轉錄因子結合部位的富集分析，研究者確定了有助于細胞類(lèi)型特異的基因組構象的調控因子。有意思的是，之前研究發(fā)現 MAZ 可能與 CTCF 一起調控染色質(zhì)構象。通過(guò) ISGS 及轉錄因子富集分析，作者發(fā)現 MAZ 極大地富集于開(kāi)放染色質(zhì)區域，而在 CTCF 結合的非開(kāi)放染色質(zhì)區域僅顯示微弱結合。這一結果預示 MAZ 可能獨立于 CTCF 調節基因組構象。
研究者們在染色質(zhì)結構預測中看到了結合 DNA 序列與染色質(zhì)信息的多模態(tài)機器學(xué)習模型的巨大潛力。而該模型的底層多模態(tài)架構 Origami 可以推廣到其他基因組學(xué)數據的應用，例如表觀(guān)遺傳修飾、基因表達、突變功能性篩查等。研究者預測，未來(lái)的基因組學(xué)研究將更多的轉向使用利用深度學(xué)習模型作為工具來(lái)進(jìn)行主要計算遺傳篩選，并輔以生物實(shí)驗驗證的新一代高通量研究方法。
這項研究中，紐約大學(xué)醫學(xué)院博士研究生譚濟民為第一作者，Aristotelis Tsirigos 博士和夏波博士為共同通訊作者。這項研究起始于 2020 年 10 月疫情封控期間夏波與譚濟民的頭腦風(fēng)暴，歷經(jīng)兩年半的完善與打磨，在 2023 年一月于 Nature Biotechnology 正式刊出。 
此項目的代碼和訓練數據已在GitHub和Zenodo上開(kāi)源，并配有Google Colab做功能展示。
項目地址：https://github.com/tanjimin/C.Origami