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

Resumo Técnico do DeepVRegulome

Definição do Problema
O sequenciamento de genoma completo (WGS) catalogou milhares de variantes somáticas não codificantes em câncer, mas a caracterização de seus impactos funcionais e clínicos permanece um gargalo significativo. Mutações não codificantes em regiões regulatórias — como sítios de splicing, promotores, enhancers e sítios de ligação de fatores de transcrição (TFBSs) — podem modular a expressão gênica e gerar isoformas proteicas disfuncionais sem alterar a estrutura da proteína. Os métodos de anotação atuais são frequentemente insuficientes para essas sequências complexas, e as ferramentas de aprendizado profundo existentes são frequentemente limitadas por conjuntos de dados pequenos, cobertura genômica estreita ou pela exigência de entradas de contexto grande e computacionalmente caras. Há uma necessidade crítica de um framework escalável e interpretável que utilize modelos de linguagem de grande escala (LLMs) para integrar sistematicamente informações regulatórias em todo o genoma e avaliar o impacto de variantes de nucleotídeos curtos através de diversos elementos não codificantes.

Metodologia
Os autores desenvolveram o DeepVRegulome, um framework de aprendizado profundo que integra 464 modelos DNABERT ajustados (fine-tuned) para prever as consequências funcionais de variantes genômicas curtas. A metodologia consiste em quatro módulos primários:

1. Predição de Regiões Regulatórias:

   • Arquitetura: O framework realiza o ajuste fino de modelos DNABERT pré-treinados em dois corpora específicos de tarefas:
     • Sítios de Splicing: Sequências de 90 nucleotídeos centradas em junções éxon-íntron da GENCODE (v40/v41), com modelos separados para sítios doadores e aceitadores.
     • Elementos Regulatórios: Sequências de 301 nucleotídeos centradas nos picos de summit de ChIP-seq de ENCODE para 458 fatores de transcrição (TFs), 4 marcas de histonas e 2 modelos de sítio de splicing.
   • Dados de Treinamento: As amostras positivas foram derivadas de picos de ChIP-seq de ENCODE e junções da GENCODE. As amostras negativas foram amostradas aleatoriamente do genoma humano mapeável, excluindo regiões positivas. A redundância foi reduzida via agrupamento MMseqs2, e os conjuntos de dados foram balanceados em uma proporção de 1:1.
   • Seleção: Apenas modelos que ultrapassaram 85% de acurácia foram retidos, resultando em um conjunto final de 421 modelos de TF, 37 modelos de proteína de ligação ao RNA (RBP) e 4 modelos de marca de histona.

2. Mutagênese In Silico e Pontuação:

   • O framework cruza chamadas de variantes de WGS (VCFs) de 190 pacientes com glioblastoma multiforme (GBM) (coortes TCGA e CPTAC-3) com as regiões regulatórias definidas.
   • Para cada variante, o sistema constrói pares de sequências de referência ($s$) e mutadas ($s'$).
   • Métricas de Pontuação: A interrupção funcional é quantificada usando:
     • Mudança de Pontuação ($\Delta p$): $p(s') - p(s)$, amplificada pela probabilidade máxima.
     • Razão de Log-Odds: $\log_2 \frac{p(s)}{1-p(s)} - \log_2 \frac{p(s')}{1-p(s')}$. Um valor positivo indica que a variante interrompe o elemento regulatório.
   • As variantes são classificadas como disruptivas se a probabilidade do tipo selvagem (wild-type) for $>0.5$ e a probabilidade mutada for $<0.5$.

3. Benchmarking:

   • O framework foi validado contra um conjunto de dados experimental independente: SNP-SELEX (GSE118725), que mede a ligação de TF alelo-específica in vitro para 270 TFs humanos.
   • O desempenho foi comparado com quatro preditores estabelecidos: DeepSEA, Enformer, Borzoi e AlphaGenome.
   • Para testar o impacto do tamanho da janela de entrada, os modelos também foram reajustados em uma janela de 512 bp.

4. Interpretação e Aplicação Clínica:

   • Análise de Motivos: O framework utiliza enriquecimento de k-mer e mapas de calor baseados em atenção para identificar padrões de sequência interrompidos, validando os motivos aprendidos contra o banco de dados JASPAR.
   • Análise de Sobrevivência: Variantes de alto impacto foram vinculadas aos desfechos dos pacientes usando curvas de Kaplan–Meier e modelos de riscos proporcionais de Cox para estratificar pacientes com base em assinaturas mutacionais não codificantes.

Principais Resultados

• Desempenho do Modelo: Os modelos ajustados demonstraram alta acurácia preditiva. Os principais modelos de TFBS alcançaram acurácias de até 0,98 (ex: CTCFL), com valores de ROC AUC $\ge 0,97$ para os 15 principais modelos.
• Benchmarking (SNP-SELEX):
  • O DeepVRegulome alcançou uma média de AUROC por fator de 0,611 em 65 TFs compartilhados.
  • Após a correção para múltiplos testes, 53 de 61 fatores avaliáveis mostraram uma correlação significativa entre as pontuações previstas e as preferências de ligação experimental.
  • Em um subconjunto rigoroso de 17 fatores pontuados por todos os métodos, o DeepVRegulome foi significativamente mais preciso que o DeepSEA e estatisticamente indistinguível do Enformer, Borzoi e AlphaGenome, apesar de usar uma janela de entrada (301–512 bp) 2 a 3 ordens de magnitude menor que os modelos concorrentes (que usam 197 kbp a 1 Mb).
  • O DeepVRegulome previu corretamente a direção dos efeitos alélicos para 8.067 de 10.513 eventos experimentalmente confirmados, superando todos os competidores.
• Recuperação de Motivos: 87% dos 462 modelos de alta confiança aprenderam motivos com similaridade significativa aos perfis conhecidos do JASPAR, incluindo 72% dos TFs compartilhados correspondendo aos seus exatos contrapartes do JASPAR.
• Aplicação em GBM:
  • Aplicado a 190 pacientes com GBM, o framework identificou milhares de variantes somáticas de alto impacto.
  • Priorização: Foram encontradas 572 mutações que interrompem o splicing e 9.837 mutações que alteram TFBS recorrentes em mais de 10% dos pacientes.
  • Relevância Clínica: A análise de sobrevivência vinculou 1.352 mutações e 563 regiões regulatórias interrompidas aos desfechos dos pacientes.
  • Novidade: A vasta maioria dessas variantes de alto impacto estava ausente de bancos de dados clínicos (ex: ClinVar), destacando um grande "gap de anotação". Exemplos específicos incluíram variantes em TFBSs para NR2F2, TLK2 e RELB associadas a uma sobrevivência significativamente pior, e variantes em PARPBP associadas a uma sobrevivência melhorada.

Significância e Alegações
O artigo afirma que o DeepVRegulome oferece uma solução escalável, interpretável e eficiente para decifrar a variação genômica não codificante. Sua principal significância reside em:

1. Eficiência vs. Desempenho: Demonstrar que a predição de efeito de variante de alta acurácia para a ligação de TF pode ser alcançada com janelas de entrada pequenas (301–512 bp), evitando o custo computacional de modelos de contexto massivo enquanto mantém um desempenho competitivo.
2. Interpretabilidade: Ir além das predições de "caixa preta" ao recuperar motivos biologicamente significativos e vincular pontuações de atenção a interrupções específicas na gramática regulatória.
3. Tradução Clínica: Atravessar com sucesso o gap entre dados brutos de WGS e insights clinicamente acionáveis, identificando mutações não codificantes recorrentes e associadas à sobrevivência no glioblastoma que atualmente não estão caracterizadas em bancos de dados médicos.
4. Generalização: Estabelecer um paradigma modular, impulsionado por IA, que pode ser adaptado para outros tipos de câncer e doenças complexas para priorizar variantes para oncologia de precisão.

Os autores enfatizam que o framework está disponível publicamente como um pacote Python de código aberto, com pesos treinados no Hugging Face e um dashboard interativo, destinado a impulsionar a descoberta na regulação funcional e na oncologia de precisão.