AI‑metode afslører, hvad genomiske modeller lærer af DNA, og afslører skjult eksperimentel bias

Forskere ved Stowers Institute for Medical Research har udviklet en fortolkningsmetode, der viser base for base, hvad en dyb‑læringsmodel har lært af DNA, og har brugt den til at fjerne en skjult eksperimentel bias fra genomisk data. Metoden, kaldet PISA, er beskrevet i en artikel offentliggjort i Nature Communications i august 2026 og annonceret af instituttet den 25. august 2026.

Sequens‑til‑funktion neurale netværk tager rå DNA som input og forudsiger resultatet af genomik‑eksperimenter, fra transkriptionsfaktorbinding til nukleosomorganisation. Hvad de normalt ikke kan fortælle, er hvorfor de laver en given forudsigelse. PISA, forkortelse for pairwise influence by sequence attribution, sporer en models forudsigelse på én specifik genomisk position tilbage til hver anden base, der påvirkede den, og producerer et todimensionelt kort med enkelt‑base opløsning af, hvad modellen har lært, snarere end blot hvad den har forudsagt.

Undersøgelsen blev ledet af Julia Zeitlinger ved Stowers i samarbejde med Anshul Kundaje fra Stanford University, med Charles McAnany, en Stowers AI Fellow, som første forfatter. PISA kører inden for BPReveal, laboratoriets seneste udvidelse af BPNet, en dyb‑læringsramme som teamet først udviklede i 2021.

Hvordan PISA adskiller eksperimentel bias fra biologi

Teamet anvendte PISA på MNase‑seq, en bredt anvendt assay, der kortlægger nukleosomer, de strukturer, der dannes, når DNA vikles omkring histonproteiner. Assayet fungerer ved at bruge et enzym, der klipper eksponeret DNA, mens DNA beskyttet af nukleosomer forbliver intakt, men enzymet foretrækker visse sekvenser frem for andre. Dataene indeholder derfor to overlappende signaler, og modellen lærte begge.

Fordi tidligere fortolkningsværktøjer komprimerer hver bases indflydelse til en enkelt værdi, kan positive og negative effekter ophæve hinanden og forsvinde. PISA bevarer informationen i fuld opløsning, og i den opløsning fremkom enzymets sekvenspræference som et karakteristisk fingeraftryk på kortene. Teamet udtrækker dette signatur matematisk, trænede en separat model kun på biasen og trak den fra, så der blev en anden model, der kun havde lært biologien.

„Det er lidt som super‑opløsningsmikroskopi,“ sagde Zeitlinger i instituttets meddelelse. „Selv de tidligere fortolkningsmetoder åbnede den sorte boks. Så indser du, at du kan se endnu mere. Du tilføjer pixels, og pludselig ser du ting, du ikke kunne se før.“

Overraskelsen gemt i rene data

Inden for den bias‑korigerede model afslørede PISA DNA‑sekvenser, der hjælper med at placere nukleosomer, med effekter, der strækker sig hundreder af basepar i begge retninger. Mange var asymmetriske og påvirkede den ene side forskelligt fra den anden. At følge denne asymmetri førte teamet til kromatin‑domænegrænser, de grænser, der bestemmer, hvilke regulatoriske sekvenser der kan nå hvilke gener. Disse grænser kortlægges normalt med 3D‑kromatinmetoder, som kræver enorm sekventeringsdybde; modellen frembragte tusinder af dem kun fra nukleosomdata, ofte mere præcist end de 3D‑data tillader, ifølge artiklen.

Teamet brugte derefter de biologisk‑fokuserede modeller til at designe syntetiske DNA‑sekvenser, der forudsiges at arrangere nukleosomer i specifikke konfigurationer, og testede et udvalg af disse designs eksperimentelt. Forudsigelserne holdt, hvilket beviser, at de regler, modellen har lært, kan generere testbare hypoteser i stedet for blot at beskrive eksisterende data.

Arbejdet falder inden for et felt, der har investeret kraftigt i stadig større sekvensmodeller. Google DeepMinds AlphaGenome, offentliggjort tidligere i 2026 og citeret i PISA‑papirets introduktion, forudsiger virkningerne af regulatoriske varianter i hele genomet. PISA tackler det komplementære problem: når en model har lavet sådanne forudsigelser, forstå hvilke sekvensfunktioner den faktisk brugte. Metoden er allerede spredt ud over Zeitlinger‑laboratoriet, implementeret i en separat softwarepakke af en samarbejdspartner og adopteret af Stowers neuroforsker Neşet Özel til et andet biologisk spørgsmål.

PISA i tal

• 2021 – BPNet‑dyb‑læringsrammen, PISA’s grundlag, første gang udviklet af teamet
• 8. april 2025 – PISA‑preprint først lagt op på bioRxiv
• august 2026 – fagfællebedømt publikation i Nature Communications
• Hundredvis af basepar – rækkevidden af individuelle nukleosom‑positionerende sekvenser, som modellerne afdækkede
• Tusinder – kromatin‑domænegrænser identificeret udelukkende fra nukleosomdata

De begrænsninger forfatterne angiver

Dette er et metode‑ og genomik‑paper, og dets sygdomsrelevans er en retning, ikke et resultat. De fleste sygdoms‑associerede genetiske variationer befinder sig i regulatorisk DNA snarere end i gener, og Zeitlinger gør tydeligt, at placering af en variant i et bindingssted eller ved en domænegrænse foreslår en mekanisme uden at producere et lægemiddel. Arbejdet krævede også et laboratorium, der behersker både dyb læring og eksperimentel biologi, og Zeitlinger peger på denne dobbelte ekspertise som feltets vedvarende hul snarere end beregningskraft.

De designede DNA‑sekvenser blev kun valideret for et udvalgt sæt, der blev testet eksperimentelt, og papirens bias‑korrektionsdemonstration er specifik for MNase‑seq, selvom forfatterne viser, at PISA anvendes på flere datatyper. Preprintens revisionshistorik viser, at kromatin‑domæneanalysen blev tilføjet under fagfællebedømmelse, efter en revideret version lagt op den 5. januar 2026.

Det, arbejdet nu fastslår, er en metode til at revidere, hvad genomiske modeller absorberer fra deres træningsdata, korrigere de dele, der stammer fra eksperimentet snarere end fra biologien, og udtrække sekvensregler, der er så præcise, at de kan bruges til at designe og teste på levende systemer.