DeepVRegulome: DNABERT-based deep-learning framework for predicting the functional impact of short genomic variants on the human regulome

Resumen Técnico de DeepVRegulome

Planteamiento del Problema
La secuenciación de genoma completo (WGS) ha catalogado miles de variantes somáticas no codificantes en el cáncer, pero la caracterización de sus impactos funcionales y clínicos sigue siendo un cuello de botella significativo. Las mutaciones no codificantes en regiones reguladoras —como sitios de corte y empalme (splice sites), promotores, potenciadores (enhancers) y sitios de unión de factores de transcripción (TFBSs)— pueden modular la expresión génica y generar isoformas de proteínas disfuncionales sin alterar la estructura de la proteína. Los métodos de anotación actuales suelen ser insuficientes para estas secuencias complejas, y las herramientas de aprendizaje profundo existentes se ven frecuentemente limitadas por conjuntos de datos pequeños, cobertura genómica estrecha o la necesidad de entradas de contexto extenso computacionalmente costosas. Existe una necesidad crítica de un marco escalable e interpretable que aproveche los modelos de lenguaje de gran tamaño (LLMs) para integrar sistemáticamente la información regulatoria de todo el genoma y evaluar el impacto de las variantes de nucleótidos cortos a través de diversos elementos no codificantes.

Metodología
Los autores desarrollaron DeepVRegulome, un marco de aprendizaje profundo que integra 464 modelos DNABERT ajustados (fine-tuned) para predecir las consecuencias funcionales de variantes genómicas cortas. La metodología consta de cuatro módulos primarios:

1. Predicción de Regiones Regulatorias:

   • Arquitectura: El marco ajusta el modelo preentrenado DNABERT en dos corpus específicos de tareas:
     • Sitios de Corte y Empalme (Splice Sites): Secuencias de 90 nucleótidos centradas en las uniones exón-intrón de GENCODE (v40/v41), con modelos separados para los sitios donantes y aceptores.
     • Elementos Reguladores: Secuencias de 301 nucleótidos centradas en los picos de la suma de ChIP-seq de ENCODE para 458 factores de transcripción (TFs), 4 marcas de histonas y 2 modelos de sitios de corte y empalme.
   • Datos de Entrenamiento: Las muestras positivas se derivaron de los picos de ChIP-seq de ENCODE y las uniones de GENCODE. Las muestras negativas se muestrearon aleatoriamente del genoma humano mapeable, excluyendo las regiones positivas. La redundancia se redujo mediante el agrupamiento (clustering) de MMseqs2 y los conjuntos de datos se equilibraron en una relación 1:1.
   • Selección: Solo se retuvieron los modelos que superaron el 85% de precisión, lo que resultó en un conjunto final de 421 modelos de TF, 37 modelos de proteínas de unión a ARN (RBP) y 4 modelos de marcas de histonas.

2. Mutagénesis In Silico y Puntuación:

   • El marco intersecta las llamadas de variantes de WGS (VCFs) de 190 pacientes con glioblastoma multiforme (GBM) (cohortes TCGA y CPTAC-3) con las regiones reguladoras definidas.
   • Para cada variante, el sistema construye pares de secuencias de referencia ($s$) y mutadas ($s'$).
   • Métricas de Puntuación: La disrupción funcional se cuantifica mediante:
     • Cambio de Puntuación ($\Delta p$): $p(s') - p(s)$, amplificado por la probabilidad máxima.
     • Relación Log-Odds: $\log_2 \frac{p(s)}{1-p(s)} - \log_2 \frac{p(s')}{1-p(s')}$. Un valor positivo indica que la variante disrumpe el elemento regulador.
   • Las variantes se clasifican como disruptivas si la probabilidad del tipo silvestre (wild-type) es $>0.5$ y la probabilidad mutada es $<0.5$.

3. Evaluación Comparativa (Benchmarking):

   • El marco fue validado contra un conjunto de datos experimental independiente: SNP-SELEX (GSE118725), que mide la unión de TF alelo-específica in vitro para 270 TFs humanos.
   • El rendimiento se comparó con cuatro predictores establecidos: DeepSEA, Enformer, Borzoi y AlphaGenome.
   • Para probar el impacto del tamaño de la ventana de entrada, los modelos también fueron reajustados sobre una ventana de 512 pb.

4. Interpretación y Aplicación Clínica:

   • Análisis de Motivos: El marco utiliza el enriquecimiento de k-meros y mapas de calor basados en la atención para identificar patrones de secuencia disruptos, validando los motivos aprendidos contra la base de datos JASPAR.
   • Análisis de Supervivencia: Las variantes de alto impacto se vincularon con los resultados de los pacientes utilizando curvas de Kaplan–Meier y modelos de riesgos proporcionales de Cox para estratificar a los pacientes según las firmas mutacionales no codificantes.

Resultados Clave

• Rendimiento de los Modelos: Los modelos ajustados demostraron una alta precisión predictiva. Los mejores modelos de TFBS alcanzaron precisiones de hasta 0.98 (ej. CTCFL), con valores de ROC AUC $\ge 0.97$ para los 15 mejores modelos.
• Evaluación Comparativa (SNP-SELEX):
  • DeepVRegulome logró un AUROC medio por factor de 0.611 a través de 65 TFs compartidos.
  • Tras la corrección por pruebas múltiples, 53 de 6 de los factores evaluables mostraron una correlación significativa entre las puntuaciones predichas y las preferencias de unión experimental.
  • En un subconjunto estricto de 17 factores puntuados por todos los métodos, DeepVRegulome fue significativamente más preciso que DeepSEA y estadísticamente indistinguible de Enformer, Borzoi y AlphaGenome, a pesar de utilizar una ventana de entrada (301–512 pb) que es 2–3 órdenes de magnitud más pequeña que la de los modelos competidores (que usan de 197 kbp a 1 Mb).
  • DeepVRegulome predijo correctamente la dirección de los efectos alélicos para 8,067 de 10,513 eventos confirmados experimentalmente, superando a todos los competidores.
• Recuperación de Motivos: El 87% de los 462 modelos de alta confianza aprendieron motivos con una similitud significativa con los perfiles conocidos de JASPAR, incluyendo el 72% de los TFs compartidos que coinciden con sus contrapartes exactas de JASPAR.
• Aplicación en GBM:
  • Aplicado a 190 pacientes con GBM, el marco identificó miles de variantes somáticas de alto impacto.
  • Priorización: Se encontraron 572 mutaciones que disrumpen el empalme y 9,837 que alteran TFBS, las cuales fueron recurrentes en más del 10% de los pacientes.
  • Relevancia Clínica: El análisis de supervivencia vinculó 1,352 mutaciones y 563 regiones reguladoras disruptas con los resultados de los pacientes.
  • Novedad: La gran mayoría de estas variantes de alto impacto estaban ausentes en bases de datos clínicas (ej. ClinVar), resaltando un gran "vacío de anotación". Ejemplos específicos incluyeron variantes en TFBSs para NR2F2, TLK2 y RELB asociadas con una supervivencia significativamente peor, y variantes en PARPBP asociadas con una mejor supervivencia.

Significancia y Reivindicaciones
El artículo afirma que DeepVRegulome ofrece una solución escalable, interpretable y eficiente para descifrar la variación genómica no codificante. Su principal significancia radica en:

1. Eficiencia vs. Rendimiento: Demostrar que se puede lograr una alta precisión en la predicción del efecto de variantes para la unión de TF con ventanas de entrada pequeñas (301–512 pb), evitando el costo computacional de los modelos de contexto masivo mientras se mantiene un rendimiento competitivo.
2. Interpretabilidad: Ir más allá de las predicciones de "caja negra" mediante la recuperación de motivos biológicamente significativos y la vinculación de las puntuaciones de atención con disrupciones específicas de la gramática regulatoria.
3. Traducción Clínica: Cerrar con éxito la brecha entre los datos brutos de WGS y los conocimientos clínicamente accionables mediante la identificación de mutaciones no codificantes recurrentes y asociadas a la supervivencia en glioblastoma que actualmente no están caracterizadas en las bases de datos médicas.
4. Generalizabilidad: Establecer un paradigma modular impulsado por IA que puede adaptarse a otros tipos de cáncer y enfermedades complejas para priorizar variantes para la oncología de precisión.

Los autores enfatizan que el marco está disponible públicamente como un paquete de Python de código abierto, con pesos entrenados en Hugging Face y un panel interactivo, destinado a impulsar el descubrimiento en la regulación funcional y la oncología de precisión.