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

Technische Samenvatting van DeepVRegulome

Probleemstelling
Whole-genome sequencing (WGS) heeft duizenden niet-coderende somatische varianten in kanker in kaart gebracht, maar het karakteriseren van hun functionele en klinische impact blijft een significante bottleneck. Niet-coderende mutaties in regulatoire regio's—zoals splice sites, promotors, enhancers en transcription factor-binding sites (TFBS'en)—kunnen genexpressie moduleren en disfunctionele eişvormen genereren zonder de eiwitstructuur te veranderen. Huidige annotatiemethoden zijn vaak onvoldoende voor deze complexe sequenties, en bestaande deep learning-tools zijn frequent beperkt tot kleine datasets, een smalle genomische dekking, of vereisen computationeel dure, context-rijke inputs. Er is een kritieke behoefte aan een schaalbaar, interpreteerbaar framework dat large language models (LLMs) kan inzetten om genomische regulatoire informatie systematisch te integreren en de impact van korte nucleotidevarianten over diverse niet-coderende elementen te beoordelen.

Methodologie
De auteurs ontwikkelden DeepVRegulome, een deep learning-framework dat 464 gefinetunede DNABERT-modellen integreert om de functionele gevolgen van korte genomische varianten te voorspellen. De methodologie bestaat uit vier primaire modules:

1. Voorspelling van Regulatoire Regio's:

   • Architectuur: Het framework finetunet het pre-trained DNABERT-model op twee specifieke taakgerichte corpora:
     • Splice Sites: 90-nucleotide sequenties gecentreerd op exon–intron juncties van GENCODE (v40/v41), met afzonderlijke modellen voor donor- en acceptorplaatsen.
     • Regulatoire Elementen: 301-nucleotide sequenties gecentreerd op ENCODE ChIP-seq peak summits voor 458 transcription factors (TF's), 4 histonmerken en 2 splice site modellen.
   • Trainingsdata: Positieve monsters werden afgeleid van ENCODE ChIP-seq peaks en GENCODE juncties. Negatieve monsters werden willekeurig gesampled uit het mappbare menselijke genoom, waarbij positieve regio's werden uitgesloten. Redundantie werd verminderd via MMseqs2 clustering, en datasets werden gebalanceerd met een 1:1 ratio.
   • Selectie: Alleen modellen die een nauwkeurigheid van meer dan 85% overschreden, werden behouden, wat resulteerde in een definitieve set van 421 TF-modellen, 421 TF-modellen, 37 RNA-bindende proteïne (RBP) modellen en 4 histonmerk modellen.

2. In Silico Mutagenese en Scoring:

   • Het framework kruist WGS variant calls (VCF's) van 190 glioblastoom multiforme (GBM) patiënten (TCGA en CPTAC-3 cohorten) met de gedefinieerde regulatoire regio's.
   • Voor elke variant construeert het systeem referentie ($s$) en gemuteerde ($s'$) sequentieparen.
   • Scoring Metrieken: Functionele disruptie wordt gekwantificeerd met behulp van:
     • Score Change ($\Delta p$): $p(s') - p(s)$, geamplificeerd door de maximale waarschijnlijkheid.
     • Log-Odds Ratio: $\log_2 \frac{p(s)}{1-p(s)} - \log_2 \frac{p(s')}{1-p(s')}$. Een positieve waarde geeft aan dat de variant het regulatoire element verstoort.
   • Varianten worden geclassificeerd als disruptief als de wild-type waarschijnlijkheid $>0,5$ is en de gemuteerde waarschijnlijkheid $<0,5$.

3. Benchmarking:

   • Het framework werd gevalideerd tegen een onafhankelijke experimentele dataset: SNP-SELEX (GSE118725), die in vitro de allel-specifieke TF-binding meet voor 270 menselijke TF's.
   • Prestaties werden vergeleken met vier gevestigde voorspellers: DeepSEA, Enformer, Borzoi en AlphaGenome.
   • Om de impact van de input window grootte te testen, werden modellen ook opnieuw gefinetuned op een venster van 512 bp.

4. Interpretatie en Klinische Toepassing:

   • Motif Analyse: Het framework gebruikt k-mer verrijking en attention-gebaseerde heatmaps om verstoorde sequentiepatronen te identificeren, waarbij geleerde motieven worden gevalideerd tegen de JASPAR-database.
   • Overlevingsanalyse: High-impact varianten werden gekoppeld aan patiëntuitkomsten met behulp van Kaplan–Meier curves en Cox proportional hazards modellen om patiënten te stratificeren op basis van niet-coderende mutatiesignaturen.

Belangrijkste Resultaten

• Modelprestaties: De gefinetunede modellen vertoonden een hoge voorspellende nauwkeurigheid. Top TFBS-modellen bereikten nauwkeurigheden tot 0,98 (bijv. CTCFL), met ROC AUC-waarden $\ge 0,97$ voor de top 15 modellen.
• Benchmarking (SNP-SELEX):
  • DeepVRegulome bereikte een gemiddelde per-factor AUROC van 0,611 over 65 gedeelde TF's.
  • Na correctie voor meervoudig testen vertoonden 53 van de 61 evalueerbare factoren een significante correlatie tussen voorspelde scores en experimentele bindingsvoorkeuren.
  • Op een strikte subset van 17 factoren die door alle methoden werden gescoord, was DeepVRegulome significant nauwkeuriger dan DeepSEA en statistisch ononderscheidbaar van Enformer, Borzoi en AlphaGenome, ondanks het gebruik van een input window (301–512 bp) dat 2 tot 3 ordes van grootte kleiner is dan die van de concurrerende modellen (die 197 kbp tot 1 Mb gebruiken).
  • DeepVRegulome voorspelde correct de richting van allelische effecten voor 8.067 van de 10.513 experimenteel bevestigde gebeurtenissen, waarmee het alle concurrenten versloeg.
• Motif Recovery: 87% van de 462 high-confidence modellen leerde motieven met een significante gelijkenis met bekende JASPAR-profielen, inclus\t 72% van de gedeelde TF's die exact overeenkwamen met hun JASPAR-tegenhangers.
• GBM Toepassing:
  • Toegepast op 190 GBM-patiënten, identificeerde het framework duizenden high-impact somatische varianten.
  • Prioritering: 572 splice-verstorende en 9.837 TFBS-veranderende mutaties bleken recurrent te zijn in meer dan 10% van de patiënten.
  • Klinische Relevantie: Overlevingsanalyse koppelde 1.352 mutaties en 563 verstoorde regulatoire regio's aan patiëntuitkomsten.
  • Nieuwigheid: De overgrote meerderheid van deze high-impact varianten was afwezig in klinische databases (bijv. ClinVar), wat wijst op een grote "annotatiekloof". Specifieke voorbeelden omvatten varianten in TFBS'en voor NR2F2, TLK2 en RELB geassocieerd met aanzienlijk slechtere overleving, en varianten in PARPBP geassocieerd met verbeterde overleving.

Betekenis en Claims
Het artikel beweert dat DeepVRegulome een schaalbare, interpreteerbare en efficiënte oplossing biedt voor het ontcijferen van niet-coderende genomische variatie. De primaire betekenis ligt in:

1. Efficiëntie vs. Prestatie: Het aantonen dat een hoge nauwkeurigheid in de voorspelling van variant effecten voor TF-binding kan worden bereikt met kleine input windows (301–512 bp), waardoor de computationele kosten van enorme context-modellen worden vermeden terwijl concurrerende prestaties worden behouden.
2. Interpreteerbaarheid: Verder gaan dan "black box" voorspellingen door biologisch betekenisvolle motieven te herstellen en attention scores te koppelen aan specifieke verstoringen in de regulatoire grammatica.
3. Klinische Translatie: Het succesvol overbruggen van de kloof tussen ruwe WGS-data en klinisch inzetbare inzichten door recurrente, overlevingsgeassocieerde niet-coderende mutaties in glioblastoom te identificeren die momenteel onkarakteristiek zijn in medische databases.
4. Generaliseerbaarheid: Het vestigen van een modulair, AI-gestuurd paradigma dat kan worden aangepast aan andere kankertypes en complexe ziekten om varianten te prioriteren voor precisie-oncologie.

De auteurs benadrukken dat het framework publiekelijk beschikbaar is als een open-source Python-package, met getrainde gewichten op Hugging Face en een interactief dashboard, bedoeld om ontdekkingen in functionele regulatie en precisie-oncologie te stimuleren.