A modality gap in personal-genome prediction by sequence-to-function models

Resumen Técnico: Una brecha de modalidad en la predicción del genoma personal mediante modelos de secuencia a función

Planteamiento del problema
Los modelos de secuencia a función (S2F, por sus siglas en inglés) han demostrado un rendimiento robusto al predecir la actividad regulatoria y los efectos de las variantes cuando se evalúan en genomas de referencia. Sin embargo, persiste una limitación crítica: estos modelos tienen dificultades para predecir con precisión la variación interindividual en la expresión génica derivada de genomas personales. Aunque las arquitecturas S2F sobresalen al capturar señales regulatorias locales, su capacidad para generalizarse a través de los diversos trasfondos genéticos de los individuos —específicamente al predecir rasgos cuantitativos como la expresión génica— sigue sin estar demostrada y suele ser subóptima en comparación con los valores de referencia establecidos.

Metodología
El estudio evalúa AlphaGenome, un modelo S2F de vanguardia, en la tarea de predecir la variación fenotípica a partir de genomas personales. La evaluación se centra en dos modalidades moleculares distintas:

1. Accesibilidad de la cromatina: Medición de las regiones de cromatina abierta.
2. Expresión génica: Medición de la abundancia de transcritos.

Los autores comparan el rendimiento de AlphaGenome frente a un modelo de referencia (Borzoi) y frente al techo de heredabilidad teórico (la precisión predictiva máxima alcanzable dado el trasfondo genético del rasgo). Para diseccionar las causas subyacentes de las disparidades de rendimiento, el estudio emplea:

• Análisis de truncamiento de contexto: Variación sistemática de la longitud de la secuencia de entrada para determinar la dependencia del contexto genómico local frente al de largo alcance.
• Análisis de QTL de mapeo fino: Examen de la capacidad del modelo para capturar los efectos de variantes regulatorias específicas identificadas mediante el mapeo de loci de rasgos cuantitativos (QTL).

Resultados clave
La evaluación revela una sorprendente brecha de modalidad en las capacidades predictivas de AlphaGenome:

• Accesibilidad de la cromatina: AlphaGenome se aproxima al techo de heredabilidad para predecir la variación en la accesibilidad de la cromatina. Esto indica que el modelo captura con éxito la gramática regulatoria que gobierna esta modalidad.
• Expresión génica: Por el contrario, AlphaGenome presenta un rendimiento significativamente inferior al techo de heredabilidad para la expresión génica. Aunque muestra una mejora respecto al modelo de referencia Borzoi, no logra alcanzar los límites teóricos de predicción.

Perspectivas mecánicas
El estudio atribuye esta dicotomía a la naturaleza de los mecanismos regulatorios que gobiernan cada modalidad:

• Regulación local frente a de largo alcance: El truncamiento de contexto y los análisis de QTL sugieren que la accesibilidad de la cromatina está gobernada principalmente por una gramática regulatoria local, la cual las arquitecturas S2F actuales son capaces de capturar adecuadamente.
• Desafíos de integración: Por el contrario, la variación en la expresión génica parece depender en gran medida de la integración regulatoria de largo alcance. Las arquitecturas de modelos actuales tienen dificultades para integrar eficazmente estas señales regulatorias distales, lo que conduce a la brecha de rendimiento observada.

Significancia y afirmaciones
El artículo establece que las limitaciones de los modelos S2F actuales en la predicción del genoma personal no son uniformes en todos los rasgos moleculares. La principal significancia radica en identificar que, si bien estos modelos han madurado hasta alcanzar la casi optimalidad para rasgos regulatorios locales (accesibilidad), siguen estando fundamentalmente desafiados por las dependencias de largo alcance requeridas para la predicción precisa de la expresión génica. Este hallazgo destaca un cuello de botella arquitectónico específico: la incapacidad de los marcos de secuencia a función actuales para modelar completamente las complejas interacciones regulatorias de largo alcance necesarias para explicar la variación interindividual en la expresión génica.