Evolutionary transfer learning enables organism-wide inference of mammalian enhancer landscapes

Dit onderzoek introduceert STEAM, een evolutionair transfer learning-model dat door het combineren van een omvangrijk muismuizen-atlas met data van 241 zoogdiersoorten, het mogelijk maakt om celtype-specifieke enhancer-landschappen voor het hele organisme te voorspellen in mens en andere zoogdieren.

De kern

Stel je voor dat het menselijk lichaam een enorme, ingewikkelde stad is. In deze stad wonen miljarden mensen (cellen), maar elke wijk (zoals de hersenen, het hart of de huid) heeft zijn eigen unieke regels voor hoe het licht aan gaat, hoe de deuren openen en hoe de buren met elkaar praten. Deze regels staan niet in de hoofdtekst van het boek (onze DNA-erfelijkheid), maar in de marges: kleine aantekeningen die zeggen wanneer en waar een bepaald stukje instructie gebruikt moet worden. Deze aantekeningen noemen wetenschappers versterkers (enhancers).

Het probleem is: we kunnen niet zomaar naar de marges kijken van een ongeboren baby of een klein kindje om te zien hoe hun stad wordt opgebouwd. Die momenten zijn te kwetsbaar en onbereikbaar voor onderzoek.

De auteurs van dit paper hebben een slimme oplossing bedacht, vergelijkbaar met het leren van een taal door te kijken naar familieleden. Hier is hoe het werkt, vertaald naar alledaagse beelden:

1. Het idee: De "Oude Opa" en de "Snelle Kleinkind"

Stel je voor dat de instructies voor de stad (het trans-regulerende programma) erg traag veranderen, net als de taal die je oma spreekt. Die blijft eeuwenlang hetzelfde. Maar de specifieke aantekeningen in de marges (de cis-versterkers) veranderen razendsnel, net als de nieuwe sleng die jongeren bedenken.

De onderzoekers dachten: "Als we weten hoe de 'oude taal' (de basisregels) werkt in een muis, kunnen we die kennis gebruiken om de 'nieuwe sleng' van de mens te begrijpen, omdat de basisregels hetzelfde blijven." Dit noemen ze evolutionaire overdrachtslearning. Het is alsof je een meesterkok bent die de basisrecepten kent; als je een nieuw gerecht van een andere cultuur ziet, kun je het toch maken omdat je de basisprincipes van koken al snapt.

2. De Grote Inventarisatie (De Muizen-Stad)

Om dit te testen, hebben ze eerst een enorme kaart gemaakt van een muisstad, van het allereerste begin (een embryo) tot de geboorte. Ze hebben 3,9 miljoen cellen onder de loep genomen.

• De techniek: Ze gebruikten een slimme methode (combinatorische indexing) om tegelijkertijd naar duizenden cellen te kijken, alsof ze een duizendpoot in één keer in beeld hebben in plaats van één pootje per keer.
• Het resultaat: Ze hebben voor 140 verschillende soorten cellen precies in kaart gebracht welke marges (versterkers) actief zijn.

3. De Drie Generaties van AI-Detectives

Ze bouwden drie verschillende computerprogramma's (AI-modellen) om deze marges te voorspellen:

• De Eerste Detective (Evolutie-onwetend): Deze AI was slim, maar had twee grote blinde vlekken.
  • Fout 1: Hij dacht dat elke plek in het boek een belangrijke aantekening was, zelfs op plekken waar alleen maar herhalingen stonden (zoals "de kat de kat de kat"). Hij zag te veel.
  • Fout 2: Hij verwarde de instructies op de voorpagina (promotors) met die in de marges (versterkers). Alsof hij dacht dat de titel van een hoofdstuk hetzelfde was als de samenvatting aan het einde.
• De Tweede Detective (Evolutie-bewust): Deze probeerde de fouten te fixen door te kijken naar verwante boeken (syntensie). Hij groepeerde de aantekeningen op basis van logica. Maar hij faalde bij het voorspellen van andere soorten, omdat hij te weinig variatie had gezien tijdens zijn training. Hij was te specifiek geworden.
• De Derde Detective (STEAM - De Superheld): Dit is de winnaar. Deze AI kreeg een gigantisch trainingsboek. In plaats van alleen naar één muis te kijken, keek hij naar 241 verschillende zoogdieren (van mensen tot koeien en zelfs zeldzame dieren).
  • De truc: Hij leerde niet alleen van de tekst, maar keek ook naar de structuur van de boeken (syntensie). Door zo veel verschillende boeken te vergelijken, leerde hij de echte, universele regels van de stad, ongeacht of het nu een muis- of een menselijke stad was.
  • Het resultaat: Hoewel het lezen van 241 boeken veel "ruis" (verkeerde informatie) bevatte, werd de AI hierdoor juist slimmer en generaliseerde hij veel beter.

4. Het Grote Erfenis

Met deze super-AI (STEAM) hebben ze nu een complete kaart kunnen maken voor:

• De mens
• De muis
• En 239 andere zoogdieren.

In totaal hebben ze 7.712 kaarten gemaakt (32 soorten cellen x 241 soorten dieren). Dit is als een encyclopedie die voor elke wijk in elke stad in het dierenrijk precies aangeeft welke regels gelden.

Waarom is dit belangrijk?

Dit werk laat zien dat we niet alleen hoeven te kijken naar wat we direct kunnen meten (zoals menselijke embryo's). Door slim gebruik te maken van de evolutie en de diversiteit van het dierenrijk, kunnen we met AI de geheimen van de menselijke biologie ontrafelen. Het bewijst dat onze "naaste buren" in het dierenrijk (zoals muizen) en zelfs verre verwanten onmisbare hulpmiddelen zijn om de toekomst van de menselijke geneeskunde te begrijpen.

Kortom: Ze hebben een brug gebouwd tussen de evolutie en kunstmatige intelligentie, zodat we eindelijk kunnen lezen wat er in de marges van het leven staat, zelfs voor momenten die we nooit direct kunnen zien.

Technische samenvatting

Probleemstelling

Een centrale uitdaging in de genomica en machine learning is het begrijpen en modelleren van hoe het menselijk genoom gen-regulerende programma's codeert voor duizenden celtypen. Het grootste obstakel hierbij is dat de meeste menselijke celtypen ontstaan tijdens embryonale, foetale en pediatrische ontwikkeling. Deze ontwikkelingsstadia zijn echter ontoegankelijk voor uitgebreide moleculaire profilering bij mensen. Bestaande modellen missen vaak de data om deze kritieke tijdstippen en celtypen nauwkeurig te voorspellen.

Methodologie

De auteurs stellen een nieuwe aanpak voor: evolutionaire transfer learning. De kernhypothese is dat er een mismatch bestaat in de evolutionaire snelheid tussen cis-werkende enhancers (die snel evolueren) en de trans-werkende regulerende programma's die ze interpreteren (die traag evolueren). Dit creëert een kans om modellen die zijn getraind op het voorspellen van celtype-specifieke enhancers in één soort, te generaliseren naar orthologe celtypen en enhancers in verwante soorten.

De onderzoeksmethodiek omvat drie hoofdfasen:

1. Generatie van een Single-Cell Atlas:

   • Er is een omvangrijke atlas van chromatinetoegankelijkheid gegenereerd voor muizen, variërend van embryonale dag 10 (E10) tot de geboorte (P0).
   • Met behulp van combinatorische indexing zijn 3,9 miljoen kernen geprofileerd van 36 gestageerde embryo's.
   • Dit resulteerde in een resolutie van genoomwijde toegankelijkheid voor 36 celklassen en 140 specifieke celtypen.

2. Ontwikkeling van Deep Learning-modellen:
   De auteurs trainden een reeks multi-output deep learning-modellen (op basis van het CREsted-architectuur) om distale enhancers te identificeren:

   • Evolutie-onwetend model: Bereikte sterke prestaties op vastgehouden pieken, maar faalde bij genoomwijde inferentie door twee fouten: overvoorspelling bij tandemherhalingen en het verwarren van promotor- en distale enhancer-gramma's.
   • Evolutie-bewust model: Loste de bovenstaande fouten op door toegankelijke gebieden te groeperen op basis van functionele coherentie over syntenische orthologen. Dit model faalde echter bij generalisatie over soorten, wat suggereerde dat er onvoldoende sequentiediversiteit in de trainingsdata zat.
   • STEAM (Synteny-aware Transfer learning for Enhancer Activity Modeling): Dit is het uiteindelijke, "evolutie-verrijkte" model. Het breidt het trainingscorpus uit tot enhancer-orthologen van maximaal 241 zoogdiergenomen (gebaseerd op de Zoonomia-dataset). Dit gebeurt op een syntenie-gesuperviseerde manier, waardoor de effectieve dataschaal met tot 195 keer toeneemt, ondanks de aanwezigheid van meer labelruis.

3. Genoomwijde Inferentie:
   Het STEAM-model werd toegepast om enhancers te voorspellen voor alle belangrijke ontwikkelingslijnen in het menselijk genoom, het muizengenoom en 239 andere zoogdiergenomen. Dit resulteerde in 7.712 genoomwijde enhancer-sporen (32 celklassen × 241 genomen).

Belangrijkste Bijdragen

• Het HumMus en BabaGanoush-projecten: De publicatie van een interactieve atlas en voorspellingen voor het mens-muizenpaar (HumMus) en een uitgebreide dataset van 241 zoogdieren (BabaGanoush).
• Het STEAM-framework: Een nieuw model dat evolutionaire transfer learning succesvol toepast op niet-coderende regulerende grammatica's, waardoor generalisatie over soorten mogelijk wordt.
• Data-uitbreiding: Een drastische verhoging van de trainingsdata door het integreren van evolutionaire diversiteit, wat de prestaties van AI-modellen in de biologie verbetert.
• Open Science: Beschikbaarstelling van alle count-matrices, modellen, voorspellingssporen, code en reproduceerbare figuren via een interactieve preprint.

Resultaten

• Het evolutionaire model (STEAM) loste de generalisatieproblemen van eerdere modellen op.
• Door de training op orthologen uit 241 soorten kon het model enhancers nauwkeurig voorspellen in soorten waarvoor geen experimentele data beschikbaar was.
• De aanpak toonde aan dat het combineren van single-cell profilering, deep learning en vergelijkende genomica leidt tot een robuustere voorspelling van regulerende elementen, zelfs bij grotere evolutionaire afstand.

Betekenis en Impact

Dit werk verenigt de vooruitgang in single-cell profilering, deep learning en vergelijkende genomica in een nieuw kader voor het bestuderen van genregulatie. Het ondersteunt het fundamentele inzicht dat modelorganismen en evolutionair diverse genomen onmisbare bronnen zijn om de door AI mogelijk gemaakte verkenning van de menselijke biologie te versnellen. Het biedt een oplossing voor het ontbreken van menselijke ontwikkelingsdata door slim gebruik te maken van evolutionaire informatie, waardoor het mogelijk wordt om het "donkere materie" van het genoom (enhancers) in duizenden celtypen te decoderen.