摘要：转录因子(TF)对顺式调控元件(cis-regulatory element, CRE)的序列特异性识别将基因型信息传递至表型。由于CRE互作的多样性和复杂性，目前对遗传变异如何影响基因调控的理解仍十分有限。本研究利用在拟南芥(Arabidopsis thaliana) DNA结合数据上训练的可解释多标签深度学习模型，捕捉CRE序列本身、其更广的序列背景及语法(syntax)如何影响TF占用(occupancy)。训练完成后，该模型可在全cistrome水平注释TF结合位点(TF-binding site, TFBS)，并揭示条件特异性的调控语法。通过整合拟南芥基因组与全基因组关联分析(genome-wide association study, GWAS)数据，该方法可预测差异TF结合，并鉴定数量性状位点(quantitative trait locus, QTL)内的调控基因变异。实验验证强调了顺式调控变异、基因表达与表型结果之间的联系。最后，将该模型应用于热胁迫条件下玉米(Zea mays)非靶向DNA结合检测，证明其具有表征亲缘较远作物中条件响应性TF结合的潜力。
论文解读：《Genome-wide modelling of plant transcription factor binding captures regulatory variants associated with phenotypic traits》
一、研究背景与意义
植物顺式调控元件(cis-regulatory element, CRE)控制转录丰度、剪接和RNA稳定性，驱动表型多样性。 deciphering植物基因调控网络受限于转录因子(transcription factor, TF)家族极度扩增及CRE模块组合的复杂性。作物（如玉米、甘蓝型油菜）GWAS关联的大部分SNP位于基因间区，暗示其为CRE相关的数量性状位点(quantitative trait locus, QTL)，但建立非编码变异与植物性状间的功能联系仍是重大挑战。传统深度学习方法多将TF-DNA结合建模为独立二分类问题，随TF数目增加计算成本剧增且难以捕捉TF家族间共享的调控语法(regulatory syntax)与序列背景影响。此外，无抗体依赖的全基因组染色质占据检测技术如MOA-seq(MNase-defined cistrome-occupancy analysis sequencing)缺乏峰(peak)的TF身份注释。为此，研究人员利用拟南芥公共DNA亲和纯化测序(DNA affinity purification sequencing, DAP-seq)数据集训练可解释多标签卷积神经网络(multi-label Convolutional Neural Network, CNN)，实现全基因组TF结合位点注释、条件特异性调控语法解析、调控变异效应预测及跨物种转移注释，相关工作发表于《Nature Communications》。
二、主要关键技术方法
研究人员收集拟南芥219套ampDAP-seq与349套DAP-seq数据(FRiP≥5%)，涵盖46个TF家族；将基因组切分为250 bp无重叠窗口并按TF家族重叠峰标注为多标签；采用4折染色体水平交叉验证训练四层卷积块+两层全连接的多标签CNN（输出层46单元Sigmoid激活），并通过重叠滑动窗口(步长75 bp)与类别加权损失函数缓解类别不平衡；利用SHAP与TF-MoDISco提取各TF家族交互预测基序(interaction predictive motif, IPM)；以MOA-seq（拟南芥叶片）和Zea mays热胁迫MOA-seq/DAP-seq/ChIP-seq验证跨物种注释能力；利用AraGWAS目录SNP与plant STARR-seq（本氏烟草暗条件）验证非编码变异对TF结合及启动子活性的影响；基于预测启动子/终止子区TF结合谱对拟南芥基因进行UMAP降维与HDBSCAN聚类并做功能富集分析。
三、研究结果
Modelling protein–DNA interactions in A. thaliana
研究人员将拟南芥基因组分为250 bp窗口并以46个TF家族DAP-seq峰标注，训练多标签CNN。染色体交叉验证显示模型全基因组auPR=0.53、auROC=0.89，启动子区相近，显著优于单/双核苷酸混排对照(p<0.01)，推断结合事件富集于近端启动子及转录终止位点(transcription termination site, TTS)下游，表明模型有效学习序列特征。
Analysing the effects of class distribution on model performance
类别频率与MCC呈正相关(r=0.43, p=0.002)，少数类敏感度低。引入重叠窗口(步长75/125 bp)与类别加权损失后，少数类性能提升（如RWPRK_tnt MCC=0.49），组合策略最优且打破性能与类频相关性。Top-k(10个最丰富)家族模型略优，bottom-k(10个最少)家族单独训练显著提升少数类预测，证实数据不平衡是主因但部分家族(如EIL_tnt)因其他原因难预测。
Model interpretation for de novo identification of TF family-specific binding motifs
应用SHAP与TF-MoDISco从正确预测序列提取IPM，经motifStack聚类，39个TF家族IPM与JASPAR数据库及已知DAP-seq基序显著相似——如WRKY核心5′-TTGAC-3′、bZIP/bHLH G-box(5′-CACGTG-3′)及其变体。优化模型额外恢复低丰度家族(EIL_tnt等)共识基序。基序相似家族(bZIP/BES1/bHLH共享G-box；AT-rich ARID/ZFHD/HB)存在较高共预测假阳性，反映真实结合位点冗余。
Sequence context and motif syntax contribute to predicting the binding specificity of different TF families
仅凭IPM出现预测结合FDR达0.819，模型应用将其平均降低0.314，说明模型整合了扩展序列背景。一个窗口含多个TFBS时MCC更高(r=0.846)，偏移独立性(offset independence)与MCC强相关(r=0.8)，共现(co-occurrence)加权均值中度相关(r=0.64)，IPM语境重要性(IPM context importance value, IPMciv)亦相关(r=0.58)。BZR虽仅靠IPM难预测(MCC=0.656)，但模型靠侧翼序列与协同IPM组合正确分类74% BZR结合，说明捕捉到超越核心基序的cis-regulatory module语法。AP2/EREBP与BBR/BPC具高MCC与低语境依赖性，HB则靠模型过滤大量匹配位点提高精度。
TF-binding potential classifies genes to 14 distinct regulatory clusters
基于基因上下游1.5 kb预测TF结合谱，UMAP+HDBSCAN将拟南芥基因分为14个调控簇(regulatory cluster)。各簇富集特定TF家族组合，功能富集分析(Fisher精确检验FDR≤0.05)显示c4-E2FDP-bZIP-ZFHD-WRKY富集细胞分裂与染色质组织基因，c7-ZFHD-BBRBPC-ND-bZIP富集器官发生(叶)及相关生物合成通路。同簇基因显著共表达(BH FDR<0.05)，表明相似TF结合潜势关联共调控。
Predicted TFBS dynamics explain gene expression changes
豌豆rbcS-E9增强子深度突变扫描中，单核苷酸置换致预测MYB-related/bHLH/bZIP/BZR TFBS丢失者增强子活性显著降低。玉米核心启动子变异致预测HSF或S1Fa-like TFBS丢失则启动子强度减弱，与已发表原生质体实验结果一致。组合TF变化（如并行获得bZIP+bHLH+AP2/EREBP并丢失HSF）伴随显著表达改变，说明模型捕捉组合调控效应。
Genetic variation affects TF-binding potential in loci associated with phenotypic traits
7364个拟南芥GWAS关联SNP（启动子/终止子±1.5 kb）中20.72%致预测TFBS获得/丢失，41.73%概率偏移>0.2。A-to-T突变于AT3G10572启动子破坏相邻G-box侧翼并影响SBP核心，致bZIP/BZR/NAC/LOBAS2/SBP结合改变。Plant STARR-seq验证：预测bHLH或bZIP结合丢失致报告基因表达上升，WRKY结合丢失致下降，MYB结合获得致上升(p<0.05)。开花时间关联SNP（如AT3G10572、AT3G09940、AT3G09925）中预测TF结合改变与实测转录水平变化相符，证明模型可将GWAS信号链接至顺式调控变异功能。
Model-based peak annotation enables genome-scale annotation from untargeted DNA binding assays
拟南芥叶片MOA-seq约60,000个显著峰，模型注释90%峰至少归属一TF家族，与DAP-seq重叠比对显示74%峰正确归属至少一家族，混排序列对照仅8.3%，未学家族(RAV/EIL/MADS/RWPRK)无注释。表明模型可为无靶向DNA结合检测提供TF身份注释。
A. thaliana-trained TF-binding model annotates stress-induced TF-binding in Z. mays
模型直接预测玉米DAP-seq峰，共有TF家族平均准确率r=0.797，跨物种可迁移；ChIP-seq因染色质环境依赖性能略降(r=0.423)。玉米热/对照MOA-seq峰按fold change分层，以拟南芥模型预测谱训练Logistic Regression二分类热响应，平均准确率~80%；置换重要性突出HSF、G2like、NAC、bZIP、LOBAS2、AP2/EREBP在热胁迫响应中作用，HSF重要性随热响应增强而升高。
四、讨论与结论
研究人员提出，相比传统单基序扫描与逐TF二分类，该可解释多标签深度学习CNN提供了可扩展的全基因组TF结合注释及跨物种转移学习框架。主要生物学发现包括：(1)模型捕捉调控语法与序列上下文（侧翼序列、TF共结合）对TF占有的贡献，能区分共享G-box的不同TF家族（如BZR vs bZIP/bHLH）基于协同基序与侧翼扰动响应；(2)基于TF结合谱相似性而非共表达将基因划分为14个功能与共调控簇，关联启动子序列—TF结合组合—基因功能—共表达；(3)将非编码SNP功能定义为预测TF结合改变，为GWAS提供顺式调控变异功能注释，实例验证开花时间等性状关联SNP通过改變BZR/NAC/WRKY/MYB等结合影响表达。模型局限为少数低丰度TF家族因数据稀缺未被学习及250 bp固定窗口可能掩盖密集TFBS内单一位点突变效应，可通过IPM注释与重要性评分辅助定位。该模型尤其适用于缺乏大规模DNA结合数据的物种，可与MOA-seq/ATAC-seq联用相互校正，并为作物非编码调控变异解析与分子设计育种提供工具。
打赏
