AI metoda odhaluje, co se genomické modely učí z DNA, a odhaluje skrytý experimentální bias

Výzkumníci ze Stowers Institute for Medical Research vytvořili interpretační metodu, která ukazuje, báze po bázi, co se hluboký učící model naučil z DNA, a použili ji k odstranění skrytého experimentálního biasu z genomických dat. Metoda, nazvaná PISA, je popsána v článku publikovaném v Nature Communications v srpnu 2026 a oznámeném institutem 25. srpna 2026.

Neuronové sítě převádějící sekvenci na funkci přijímají surovou DNA jako vstup a předpovídají výsledek genomických experimentů, od vazby transkripčních faktorů po organizaci nukleozomů. Co vám běžně nedokážou říci, je, proč učinily konkrétní predikci. PISA, zkratka pro pairwise influence by sequence attribution, sleduje predikci modelu na jedné přesné genomové pozici zpět ke každé jiné bázi, která ji ovlivnila, a vytváří dvourozměrnou mapu s rozlišením jedné báze, zobrazující, co se model naučil, a ne jen to, co předpověděl.

Studii vedla Julia Zeitlinger ze Stowers ve spolupráci s Anshulem Kundajem ze Stanford University, s Charlesem McAnanym, Stowers AI Fellowem, jako prvním autorem. PISA běží v rámci BPReveal, nejnovějšího rozšíření BPNet, rámce pro hluboké učení, který tým poprvé vyvinul v roce 2021.

Jak PISA odděluje experimentální bias od biologie

Tým aplikoval PISA na MNase-seq, široce používaný test, který mapuje nukleozomy – struktury vznikající, když se DNA obtáčí kolem histonových proteinů. Test funguje tak, že enzym řezá exponovanou DNA a nechává nedotčenou DNA chráněnou nukleozomy, avšak enzym má preference pro některé sekvence před jinými. Data tedy obsahují dva překrývající se signály a model se naučil oba.

Protože dřívější interpretační nástroje sčítají vliv každé báze do jediné hodnoty, mohou se pozitivní a negativní efekty navzájem vyrušit a zmizet. PISA zachovává informace v plném rozlišení a právě v tomto rozlišení se preference enzymu pro sekvence projevila jako charakteristický otisk na mapách. Tým tuto signaturu matematicky extrahoval, vyškolil samostatný model zaměřený jen na bias a odečetl jej, čímž vznikl druhý model, který se naučil pouze biologii.

„Je to trochu jako superrozlišovací mikroskopie,“ řekla Zeitlinger ve zprávě institutu. „I dřívější interpretační metody otevřely černou skříňku. Pak si uvědomíte, že můžete vidět ještě víc. Přidáváte pixely a najednou vidíte věci, které předtím neviděli.“

Překvapení skryté v čistých datech

V bias-korigovaném modelu PISA odhalila DNA sekvence, které pomáhají umisťovat nukleozomy, s efekty sahajícími stovky bazí v obou směrech. Mnoho z nich bylo asymetrických, ovlivňujících jednu stranu odlišně od druhé. Následování této asymetrie vedlo tým k hranicím chromatinových domén, hranicím, které určují, které regulační sekvence mohou dosáhnout kterých genů. Tyto hranice se obvykle mapují metodami 3D chromatinové struktury, které vyžadují obrovskou hloubku sekvenování; model však z nukleozomových dat sám objevil tisíce takových hranic, často přesněji než umožňují 3D data, jak uvádí článek.

Tým poté použil modely zaměřené na biologii k navržení syntetických DNA sekvencí, u nichž se předpovídalo uspořádání nukleozomů do konkrétních konfigurací, a podmnožinu těchto návrhů otestoval experimentálně. Predikce se potvrdily, což dokazuje, že pravidla, která se model naučil, mohou generovat testovatelné hypotézy, nikoli jen popisovat existující data.

Práce spadá do oblasti, která silně investuje do stále větších sekvenčních modelů. Google DeepMind’s AlphaGenome, publikovaná dříve v roce 2026 a citovaná v úvodu článku o PISA, předpovídá účinky regulačních variant po celém genomu. PISA řeší doplňkový problém: jakmile model učiní takové předpovědi, pochopit, které sekvenční rysy skutečně použil. Metoda se již rozšířila mimo laboratoř Zeitlingerové, byla implementována v samostatném softwarovém balíčku spolupracovníkem a přijata neurovědcem Stowers, Neşetem Özelem, pro jinou biologickou otázku.

PISA v číslech

• 2021 – rámec pro hluboké učení BPNet, základna PISA, poprvé vyvinutý týmem
• 8. dubna 2025 – preprint PISA poprvé zveřejněn na bioRxiv
• srpen 2026 – recenzovaná publikace v Nature Communications
• Stovky bazí – dosah jednotlivých sekvencí určujících pozici nukleozomů, které modely odhalily
• Tisíce – hranice chromatinových domén identifikované pouze z dat o nukleozomech

Limity, které autoři uvádějí

Jedná se o metodický a genomický článek a jeho relevance pro onemocnění je spíše směr, než výsledek. Většina genetické variability spojené s nemocemi se nachází v regulační DNA spíše než v genech, a Zeitlinger explicitně uvádí, že umístění varianty do vazebního místa nebo na hranici domény navrhuje mechanismus, aniž by vedlo k léku. Práce také vyžadovala laboratoř obeznámenou jak s hlubokým učením, tak s experimentální biologií, a Zeitlinger označuje tuto dvojitou odbornost za trvalý nedostatek v oboru, nikoli za nedostatek výpočetního výkonu.

Navržené DNA sekvence byly ověřeny pouze pro podmnožinu testovanou experimentálně a demonstrace korekce biasu v článku je specifická pro MNase-seq, ačkoliv autoři ukazují, že PISA byla aplikována na několik typů dat. Historie revizí preprintu ukazuje, že analýza chromatinových domén byla přidána během recenzního řízení, po revidované verzi zveřejněné 5. ledna 2026.

Co tato práce nyní dokazuje, je způsob, jak auditovat, co genomické modely absorbují ze svých tréninkových dat, opravit části, které pocházejí z experimentu spíše než z biologie, a extrahovat sekvenční pravidla dostatečně přesná k navrhování a testování na živých systémech.