The Dark Regulome: Disentangling Predictability from Regulation in Genomic Foundation Models

Resumen Técnico: El Reguloma Oscuro: Desentrañando la Predictibilidad de la Regulación en los Modelos Fundacionales Genómicos

Planteamiento del Problema
Los gliomas de alto grado se integran en los circuitos neurales mediante la formación de sinapsis funcionales con las neuronas, un proceso impulsado por programas de expresión génica específicos. Si bien la maquinaria proteica está caracterizada, los programas reguladores no codificantes upstream (el "reguloma oscuro") que activan estos genes sinaptogénicos siguen siendo desconocidos. La disección experimental del ~98% del genoma no codificante es intratable a escala. En consecuencia, los investigadores han recurrido a modelos fundacionales genómicos (GFM) y a la mutagénesis in silico (ISM) para identificar elementos reguladores.

Sin embargo, existe un sesgo metodológico crítico: el RIS (Puntuación de Influencia Regulatoria) basado en la verosimilitud en modelos de lenguaje enmascarados o causales está tautológicamente acoplado a la predictibilidad de la secuencia local. Eliminar cualquier secuencia con alta información mutua respecto a su vecindario (por ejemplo, elementos transponibles repetitivos memorizados durante el preentrenamiento) reduce la verosimilitud regional, independientemente de si el elemento posee función regulatoria. Sin un diagnóstico para separar la "predictibilidad de la secuencia" de la "salida regulatoria", los acuerdos entre arquitecturas pueden reflejar artefactos estadísticos de grandes tamaños de muestra en lugar de una señal biológica genuina.

Metodología
Los autores analizaron 30,448 elementos del genoma oscuro a través de 92 loci relevantes para el glioma (categorizados en niveles sinaptogénicos, proliferativos y de control cerebral) utilizando tres modelos fundacionales arquitectónicamente distintos:

1. Caduceus-Ph: Un modelo de lenguaje enmascarado Mamba bidireccional (no supervisado).
2. HyenaDNA: Un modelo de lenguaje causal basado en Hyena (no supervisado).
3. Enformer: Un modelo convolucional-transformer supervisado entrenado en pistas epigenómicas (CAGE).

El estudio introduce un diagnóstico de residualización y permutación para desentrañar las dos capas de varianza:

• Residualización: Para cada elemento, se computaron cuatro covariables de molestia a partir de la secuencia no enmascarada: entropía de Shannon de 4-meros, contenido de GC, longitud logarítmica del elemento y distancia logarítmica al Sitio de Inicio de la Transcripción (TSS). Se ajustó una regresión de Mínimos Cuadrados Ordinarios (OLS) para predecir el $|RIS|$ a partir de estas covariables. El residuo ($\hat{\epsilon}$) representa la varianza no explicada por la predictibilidad de la secuencia o las características genómicas básicas.
• Nulos de Permutación: Todos los solapamientos entre modelos y los acuerdos Top-K se evaluaron contra nulos de permutación que preservan los márgenes (permutación de rango por gen) para determinar si los enriquecimientos observados eran estadísticamente significativos más allá del azar.
• Validación Ortogonal: Las clasificaciones residualizadas se contrastaron con conservación (phastCons), cis-eQTLs de tejido cerebral (GTEx) e interacciones proteína-proteína (STRING).

Resultos Clave

1. El Horizonte Regulatorio de 10 kb: Se observó una transición geométrica abrupta donde los elementos dentro de 10 kb del TSS ejercieron un $|RIS|$ medio aproximadamente 480 veces mayor que aquellos más allá de los 10 kb. Este horizonte persistió en los tres modelos, en todos los niveles de genes y en todas las esquemas de perturbación, sobreviviendo a cada control aplicado.
2. Descomposición de Capas:
   • Modelos de Lenguaje (Caduceus/HyenaDNA): Estos modelos compartieron una "capa de predictibilidad de secuencia". Sus clasificaciones Top-100 estuvieron dominadas por elementos transponibles (TE) largos y bien predichos a distancias moderadas del TSS. El solapamiento entre las listas Top-100 de Caduceus y HyenaDNA fue de 76 elementos (enriquecimiento de 60× sobre el nulo), pero esta capa mostró cero solapamiento con el Top-100 de Enformer.
   • Modelo Supervisado (Enformer): Enformer retuvo una "capa de salida regulatoria" distinta, clasificando altamente elementos cCRE cortos y proximales (promotores y potenciadores). Una vez que se controló la predictibilidad mediante la residualización, Enformer fue la única arquitectura en retener una señal discriminativa de cCRE medible.
3. Reevaluación de Afirmaciones Biológicas:
   • Elementos Transponibles: La jerarquía bruta de RIS sugirió una capa regulatoria mediada por TEs. Sin embargo, tras la residualización, la correlación entre los residuos y la membresía de cCRE fue insignificante para los modelos de lenguaje. Un modelo base lineal simple de seis características (incluyendo longitud y distancia) predijo la membresía del decil superior con un AUC = 0.985, indicando que la jerarquía bruta estaba impulsada por la longitud y la distancia, no por la gramática regulatoria.
   • Convergencia NRXN1/NLGN1: Una convergencia previamente destacada de los pares de proteínas NRXN1 y NLGN1 falló las pruebas de permutación adecuadas contra el grafo PPI de STRING, donde el recuento de pares observados cayó por debajo de la expectativa del nulo.
   • Enriquecimiento de eQTL: A pesar del sesgo de predictibilidad, los 100 elementos superiores de cada modelo mostraron un enriquecimiento consistente de 3.3× para cis-eQTLs cerebrales coincidentes ($p_{emp} < 5 \times 10^{-3}$), lo que sugiere una señal regulatoria genuina, aunque modesta, que sobrevive en la cima de las clasificaciones.
   • Conservación: El RIS residualizado para los modelos de lenguaje fue anti-correlacionado con la conservación, lo que sugiere que sus señales se apoyan en secuencias repetitivas evolucionadas recientemente en lugar de elementos reguladores conservados.

Significancia y Reivindicaciones
El artículo afirma proporcionar una herramienta metodológica general para cualquier estudio de regulación basado en ISM. Su contribución principal es el diagnóstico de residualización y permutación, que permite a los investigadores:

• Separar la varianza atribuible a la predictibilidad de la secuencia de la varianza impulsada por la regulación.
• Evaluar los solapamientos y los acuerdos Top-K contra nulos rigurosos que preservan los márgenes.
• Reportar tamaños de efecto junto con valores p para evitar la trampa de los artefactos de "n grande, p pequeño".

Los autores concluyen que, si bien los GFM ofrecen una ruta zero-shot hacia el reguloma oscuro, la lente está mal calibrada. El acuerdo entre arquitecturas por sí solo es insuficiente; la verdadera señal regulatoria solo se recupera cuando las capas de predictibilidad se controlan explícitamente. El estudio identifica un horizonte regulatorio proximal de 10 kb robusto y una lista corta de candidatos a loci sinaptogénicos enriquecidos para eQTLs cerebrales, que se presentan como candidatos para el seguimiento experimental (por ejemplo, perturbación mediante CRISPRi), mientras que retiran afirmaciones previas de regulación mediada por TE y convergencias específicas de pares de proteínas que fallaron las nuevas pruebas de diagnóstico.