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

Sintesi Tecnica di DeepVRegulome

Problematica
Il sequenziamento dell'intero genoma (WGS) ha catalogato migliaia di varianti somatiche non codificanti nel cancro, tuttavia la caratterizzazione del loro impatto funzionale e clinico rimane un collo di bottiglia significativo. Le mutazioni non codificanti nelle regioni regolatorie — come i siti di splicing, i promotori, gli enhancer e i siti di legame dei fattori di trascrizione (TFBS) — possono modulare l'espressione genica e generare isoforme proteiche disfunzionali senza alterare la struttura proteica. Gli attuali metodi di annotazione sono spesso insufficienti per queste sequenze complesse, e gli strumenti di deep learning esistenti sono frequentemente limitati a dataset piccoli, una copertura genomica ristretta o richiedono input a contesto ampio e computazionalmente costosi. Esiste un bisogno critico di un framework scalabile e interpretabile che sfrutti i modelli linguistici di grandi dimensioni (LLM) per integrare sistematicamente le informazioni regolatorie su scala genomica e valutare l'impatto di varianti nucleotidiche brevi attraverso diversi elementi non codificanti.

Metodologia
Gli autori hanno sviluppato DeepVRegulome, un framework di deep learning che integra 464 modelli DNABERT sottoposti a fine-tuning per predire le conseguenze funzionali di brevi varianti genomiche. La metodologia consiste in quattro moduli primari:

1. Predizione delle Regioni Regolatorie:

   • Architettura: Il framework esegue il fine-tuning del modello pre-addestrato DNABERT su due specifici corpora task-specific:
     • Siti di Splicing: Sequenze di 90 nucleotidi centrate sulle giunzioni esone-introne da GENCODE (v40/v41), con modelli separati per i siti donatori e accettori.
     • Elementi Regolatori: Sequenze di 301 nucleotidi centrate sui picchi di somma ChIP-seq di ENCODE per 458 fattori di trascrizione (TF), 4 marchi istonici e 2 modelli di sito di splicing.
   • Dati di Addestramento: I campioni positivi sono stati derivati dai picchi ChIP-seq di ENCODE e dalle giunzioni GENCODE. I campioni negativi sono stati campionati casualmente dal genoma umano mappabile, escludendo le regioni positive. La ridondanza è stata ridotta tramite clustering MMseqs2 e i dataset sono stati bilanciati con un rapporto 1:1.
   • Selezione: Solo i modelli che hanno superato l'85% di accuratezza sono stati mantenuti, risultando in un set finale di 421 modelli TF, 37 modelli di proteine leganti l'RNA (RBP) e 4 modelli di marchi istonici.

2. Mutagenesi In Silico e Scoring:

   • Il framework interseca le chiamate di varianti WGS (VCF) da 190 pazienti con glioblastoma multiforme (GBM) (coorti TCGA e CPTAC-3) con le definite regioni regolatorie.
   • Per ogni variante, il sistema costruisce coppie di sequenze di riferimento ($s$) e mutate ($s'$).
   • Metriche di Scoring: La perturbazione funzionale è quantificata tramite:
     • Cambio di Score ($\Delta p$): $p(s') - p(s)$, amplificato dalla massima probabilità.
     • Log-Odds Ratio: $\log_2 \frac{p(s)}{1-p(s)} - \log_2 \frac{p(s')}{1-p(s')}$. Un valore positivo indica che la variante interrompe l'elemento regolatorio.
   • Le varianti sono classificate come dirompenti se la probabilità wild-type è $>0.5$ e la probabilità mutata è $<0.5$.

3. Benchmarking:

   • Il framework è stato validato contro un dataset sperimentale indipendente: SNP-SELEX (GSE118725), che misura il legame allele-specifico dei TF in vitro per 270 TF umani.
   • Le prestazioni sono state confrontate con quattro predittori stabiliti: DeepSEA, Enformer, Borzoi e AlphaGenome.
   • Per testare l'impatto della dimensione della finestra di input, i modelli sono stati anche ri-addestrati su una finestra di 512 bp.

4. Interpretazione e Applicazione Clinica:

   • Analisi dei Motivi: Il framework utilizza l'arricchimento di k-mer e heatmap basate sull'attenzione per identificare i pattern di sequenza interrotti, validando i motivi appresi rispetto al database JASPAR.
   • Analisi di Sopravvivenza: Le varianti ad alto impatto sono state collegate agli esiti dei pazienti utilizzando curve di Kaplan–Meier e modelli di rischi proporzionali di Cox per stratificare i pazienti in base alle firme mutazionali non codificanti.

Risultati Chiave

• Prestazioni del Modello: I modelli sottoposti a fine-tuning hanno dimostrato un'elevata accuratezza predittiva. I migliori modelli TFBS hanno raggiunto accuratezze fino a 0,98 (es. CTCFL), con valori di ROC AUC $\ge 0,97$ per i primi 15 modelli.
• Benchmarking (SNP-SELEX):
  • DeepVRegulome ha ottenuto un AUROC medio per fattore di 0,611 su 65 TF condivisi.
  • Dopo la correzione per test multipli, 53 di 61 fattori valutabili hanno mostrato una correlazione significativa tra gli score predetti e le preferenze di legame sperimentali.
  • Su un sottoinsieme rigoroso di 17 fattori analizzati da tutti i metodi, DeepVRegulome è stato significativamente più accurato di DeepSEA e statisticamente indistinguibile da Enformer, Borzoi e AlphaGenome, nonostante utilizzi una finestra di input (301–512 bp) di 2–3 ordini di grandezza più piccola rispetto ai modelli concorrenti (che utilizzano da 197 kbp a 1 Mb).
  • DeepVRegulome ha predetto correttamente la direzione degli effetti allelici per 8.067 su 10.513 eventi confermati sperimentalmente, superando tutti i competitor.
• Recupero dei Motivi: L'87% dei 462 modelli ad alta confidenza ha appreso motivi con una somiglianza significativa ai profili JASPAR noti, inclusi il 72% dei TF condivisi che corrispondono esattamente ai loro profili JASPAR.
• Applicazione GBM:
  • Applicato a 190 pazienti GBM, il framework ha identificato migliaia di varianti somatiche ad alto impatto.
  • Prioritizzazione: Sono state trovate 572 mutazioni che interrompono lo splicing e 9.837 mutazioni che alterano i TFBS come ricorrenti in oltre il 10% dei pazienti.
  • Rilevanza Clinica: L'analisi della sopravvivenza ha collegato 1.352 mutazioni e 563 regioni regolatorie interrotte agli esiti dei pazienti.
  • Novità: La stragrande maggioranza di queste varianti ad alto impatto era assente dai database clinici (es. ClinVar), evidenziando un grande "gap di annotazione". Esempi specifici includono varianti nei TFBS di NR2F2, TLK2 e RELB associate a una sopravvivenza significativamente peggiore, e varianti in PARPBP associate a una sopravvivenza migliorata.

Significato e Rivendicazioni
L'articolo sostiene che DeepVRegulome offra una soluzione scalabile, interpretabile ed efficiente per decifrare la variazione genomica non codificante. La sua importanza primaria risiede in:

1. Efficienza vs Prestazioni: Dimostrare che un'elevata accuratezza nella predizione dell'effetto delle varianti sul legame dei TF può essere ottenuta con piccole finestre di input (301–512 bp), evitando il costo computazionale dei modelli a contesto massivo pur mantenendo prestazioni competitive.
2. Interpretabilità: Andare oltre le predizioni "black box" recuperando motivi biologicamente significativi e collegando gli score di attenzione a specifiche interruzioni della grammatica regolatoria.
3. Traduzione Clinica: Collegare con successo i dati WGS grezzi a insight clinicamente azionabili, identificando mutazioni non codificanti ricorrenti e associate alla sopravvivenza nel glioblastoma che sono attualmente non caratterizzate nei database medici.
4. Generalizzabilità: Stabilire un paradigma modulare, guidato dall'IA, che può essere adattato ad altri tipi di cancro e malattie complesse per dare priorità alle varianti per l'oncologia di precisione.

Gli autori sottolineano che il framework è disponibile pubblicamente come pacchetto Python open-source, con pesi addestrati su Hugging Face e una dashboard interattiva, destinato a guidare la scoperta nella regolazione funzionale e nell'oncologia di precisione.