深度学习序列模型在转录调控解码中的突破与应用

这篇综述系统阐述了深度学习（DL）在解析转录调控机制中的前沿进展，重点介绍了基于卷积神经网络（CNN）和Transformer的序列模型如何预测表观遗传标记（如ChIP-seq、ATAC-seq）、基因表达（如CAGE、RNA-seq）和3D基因组结构（如Hi-C）。文章强调模型可解释性方法（如in silico mutagenesis、saliency map）对揭示调控密码的贡献，并探讨了跨组织/细胞类型特异性预测、非编码变异功能注释的临床应用，为精准医学提供新范式。

1. 引言

基因表达的精准调控是维持细胞身份和功能的核心，但调控机制主要隐藏在非编码DNA中。全基因组关联研究（GWAS）显示，约90%疾病相关变异位于非编码区，其功能解析成为人类遗传学的关键挑战。近年来，高通量表观遗传检测技术（如ENCODE、Roadmap Epigenomics）产生了海量数据，为深度学习模型建立序列-功能映射奠定了基础。这些模型能预测任何非编码变异（包括罕见变异）对染色质状态、基因表达和三维结构的影响，弥补了传统实验和数量遗传学研究的局限性。

2. 深度学习序列建模基础

DNA序列通常被独热编码（one-hot encoding）为四维向量，通过染色体划分策略（如留出chr8-10）确保模型泛化性。当前主流架构包括：

• 卷积神经网络（CNN）：通过多层滤波器捕获序列motif及其空间层级关系，如DeepSEA、Basset等早期模型采用1D-CNN预测TF结合和染色质可及性。

• Transformer：利用自注意力机制建模长程相互作用（>200kb），如Enformer整合CNN局部特征提取与Transformer全局交互，显著提升增强子-启动子互作预测精度。

3. 表观遗传标记预测

从DeepSEA（919种表观标记）到Sei框架（21,907种标记），模型规模随数据增长而扩展。Sei通过残差CNN架构不仅预测变异对特定细胞类型中TF结合的扰动，还定义了"序列类别"——数据驱动的调控活动词典（如脑特异性增强子）。DNABERT等Transformer模型通过k-mer掩码预训练策略，在染色质特征预测中展现出与CNN相当的性能。跨细胞类型插补模型（如ChromDragoNN）进一步整合trans调控因子表达数据，实现未见细胞状态的预测。

4. 基因表达预测的三类策略

• 模块化框架：ExPecto先通过DeepSEA预测染色质状态，再用线性模型关联到GTEx组织表达数据；其单细胞版本ExPectoSC可解析原发性细胞类型的调控网络。

• 多任务学习：Basenji系列（131kb输入）和Enformer（200kb）同时预测CAGE峰和表观标记，后者因注意力机制捕获远端调控而表现更优。

• 纯序列模型：Xpresso仅用10.5kb启动子序列预测表达，但性能低于整合表观数据的模型，印证染色质状态的关键中介作用。

5. 3D基因组预测的尺度突破

早期方法（如PEP）仅分析短序列对，而Akita（1Mb输入）和Orca（全染色体尺度）通过多尺度架构实现TAD边界到染色质区室（compartment A/B）的跨层级预测。Orca采用"水平检查点"技术降低内存消耗，其预测的白血病结构变异（SV）效应与实验数据高度一致。虚拟筛选发现：compartment A形成依赖TSS短序列，而compartment B可由>10kb无特异模式的序列驱动。

6. 模型可解释性技术

• 扰动传播：DeepSEA通过单碱基突变（in silico mutagenesis）量化SNP对表观标记的影响。

• 卷积核分析：Basset将第一层滤波器转化为PWM，识别出DNase超敏感位点的核心motif。

• 梯度反向传播：Basenji的saliency map精确定位调控元件，集成梯度法（如DeepLIFT）改进对TF结合位点的敏感性。

• 注意力机制：TBiNet通过权重排序揭示TF结合偏好，但需注意训练随机性的干扰。

7. 未来展望

基础模型（foundation model）范式正在兴起，如DNABERT通过k-mer掩码预训练实现多任务迁移学习。跨物种训练（如Basenji2整合人类和小鼠数据）可增强进化保守位点识别。亟待建立的标准包括：基于单细胞多组学的个性化基因组预测基准、调控变异致病性数据库，以及整合转录后调控（如DeepBind预测RNA结合蛋白效应）的全基因组解读框架。随着实验技术进步和模型架构创新，深度学习将逐步实现从序列到调控机制的端到端解密，推动精准医学发展。