KI‑Methode enthüllt, was genomische Modelle aus DNA lernen, und deckt verborgene experimentelle Verzerrungen auf

Forscher am Stowers Institute for Medical Research haben eine Interpretationsmethode entwickelt, die Base für Base zeigt, was ein Deep‑Learning‑Modell aus DNA gelernt hat, und damit eine verborgene experimentelle Verzerrung aus genomischen Daten entfernt. Die Methode, genannt PISA, wird in einem Paper veröffentlicht in Nature Communications im August 2026 beschrieben und vom Institut angekündigt am 25. August 2026.

Sequenz‑zu‑Funktion‑Neuronale Netze nehmen rohe DNA als Eingabe und sagen die Auslese von Genomik‑Experimenten voraus, von Transkriptionsfaktor‑Bindungen bis zur Nukleosomen‑Organisation. Was sie normalerweise nicht liefern, ist, warum sie eine bestimmte Vorhersage treffen. PISA, kurz für „pairwise influence by sequence attribution“, verfolgt die Vorhersage eines Modells an einer genauen genomischen Position zurück zu jeder anderen Base, die sie beeinflusst hat, und erzeugt so eine zweidimensionale Karte mit Einzel‑Base‑Auflösung dessen, was das Modell gelernt hat, nicht nur dessen, was es vorhergesagt hat.

Die Studie wurde von Julia Zeitlinger am Stowers in Zusammenarbeit mit Anshul Kundaje an der Stanford University geleitet, wobei Charles McAnany, ein Stowers‑AI‑Fellow, als Erstautor fungierte. PISA läuft innerhalb von BPReveal, der neuesten Erweiterung von BPNet, einem Deep‑Learning‑Framework, das das Team erstmals 2021 entwickelte.

Wie PISA experimentelle Verzerrungen von der Biologie trennt

Das Team wendete PISA auf MNase‑seq an, ein weit verbreiteter Assay, der Nukleosomen kartiert – die Strukturen, die entstehen, wenn DNA um Histon‑Proteine gewickelt wird. Der Assay funktioniert, indem ein Enzym die exponierte DNA schneidet, während nukleosomen‑geschützte DNA intakt bleibt, doch das Enzym bevorzugt bestimmte Sequenzen gegenüber anderen. Die Daten enthalten daher zwei überlappende Signale, und das Modell lernte beide.

Da frühere Interpretationswerkzeuge den Einfluss jeder Base zu einem einzelnen Wert zusammenfassen, können positive und negative Effekte sich gegenseitig aufheben und verschwinden. PISA behält die Information in voller Auflösung bei, und in dieser Auflösung zeigte die Sequenzpräferenz des Enzyms ein charakteristisches Fingerabdruckmuster auf den Karten. Das Team extrahierte diese Signatur mathematisch, trainierte ein separates Modell nur auf die Verzerrung und subtrahierte es, sodass ein zweites Modell übrig blieb, das ausschließlich die Biologie gelernt hatte.

„Es ist ein bisschen wie Super‑Resolution‑Mikroskopie“, sagte Zeitlinger in der Ankündigung des Instituts. „Selbst die früheren Interpretationsmethoden haben die Black‑Box geöffnet. Dann erkennt man, dass man noch mehr sehen kann. Man fügt Pixel hinzu und plötzlich sieht man Dinge, die man vorher nicht sehen konnte.“

Die Überraschung, die in sauberen Daten verborgen ist

Im bias‑korrigierten Modell zeigte PISA DNA‑Sequenzen, die die Positionierung von Nukleosomen unterstützen, mit Effekten, die sich über Hunderte von Basenpaaren in beide Richtungen erstrecken. Viele waren asymmetrisch und beeinflussten eine Seite anders als die andere. Diese Asymmetrie führte das Team zu Chromatin‑Domänengrenzen, den Grenzen, die bestimmen, welche regulatorischen Sequenzen welche Gene erreichen können. Diese Grenzen werden normalerweise mit 3‑D‑Chromatin‑Methoden kartiert, die enorme Sequenzierungstiefe erfordern; das Modell brachte Tausende davon allein aus Nukleosom‑Daten hervor, oft präziser als die 3‑D‑Daten es zulassen, so das Paper.

Das Team nutzte anschließend die biologisch fokussierten Modelle, um synthetische DNA‑Sequenzen zu entwerfen, die Nukleosomen in spezifischen Konfigurationen anordnen sollten, und testete einen Teil dieser Entwürfe experimentell. Die Vorhersagen hielten, ein Beweis dafür, dass die vom Modell gelernten Regeln testbare Hypothesen generieren können, statt lediglich vorhandene Daten zu beschreiben.

Die Arbeit erscheint in einem Feld, das stark in immer größere Sequenz‑Modelle investiert. Google DeepMinds AlphaGenome, das Anfang 2026 veröffentlicht und im Einführungskapitel des PISA‑Papers zitiert wurde, sagt die Auswirkungen regulatorischer Varianten im gesamten Genom voraus. PISA adressiert das komplementäre Problem: Sobald ein Modell solche Vorhersagen liefert, muss verstanden werden, welche Sequenzmerkmale es tatsächlich genutzt hat. Die Methode hat bereits über das Labor von Zeitlinger hinaus Verbreitung gefunden, wurde in einem separaten Software‑Paket von einem Kooperationspartner implementiert und von der Stowers‑Neurowissenschaftlerin Neşet Özel für eine andere biologische Fragestellung übernommen.

PISA in Zahlen

• 2021 – das BPNet‑Deep‑Learning‑Framework, die Grundlage von PISA, erstmals vom Team entwickelt
• 8. April 2025 – erste Veröffentlichung des PISA‑Preprints auf bioRxiv
• August 2026 – peer‑reviewte Publikation in Nature Communications
• Hunderte von Basenpaaren – Reichweite einzelner Nukleosomen‑Positions‑Sequenzen, die die Modelle aufdeckten
• Tausende – Chromatin‑Domänengrenzen, die allein aus Nukleosom‑Daten identifiziert wurden

Die vom Autor genannten Grenzen

Dies ist ein Methoden‑ und Genomik‑Paper, und seine Krankheitsrelevanz ist eine Richtung, kein Ergebnis. Die meisten krankheitsassoziierten genetischen Variationen liegen in regulatorischer DNA statt in Genen, und Zeitlinger betont ausdrücklich, dass das Platzieren einer Variante in einer Bindungsstelle oder an einer Domänengrenze einen Mechanismus vorschlägt, ohne ein Medikament zu erzeugen. Die Arbeit erforderte zudem ein Labor, das sowohl in Deep Learning als auch in experimenteller Biologie versiert ist, und Zeitlinger bezeichnet diese duale Expertise als die anhaltende Lücke im Feld, nicht die Rechenleistung.

Die entworfenen DNA‑Sequenzen wurden nur für einen experimentell getesteten Teil validiert, und die Demonstration der Bias‑Korrektur im Paper ist spezifisch für MNase‑seq, obwohl die Autoren zeigen, dass PISA auf mehrere Datentypen angewendet wurde. Die Überarbeitungsgeschichte des Preprints zeigt, dass die Analyse der Chromatin‑Domänen während des Peer‑Reviews hinzugefügt wurde, nach einer revidierten Version, die am 5. Januar 2026 veröffentlicht wurde.

Was die Arbeit jetzt etabliert, ist ein Verfahren, um zu prüfen, welche genomischen Modelle aus ihren Trainingsdaten aufnehmen, die Teile zu korrigieren, die aus dem Experiment statt aus der Biologie stammen, und Sequenzregeln zu extrahieren, die präzise genug sind, um sie zu entwerfen und gegen lebende Systeme zu testen.