AI-menetelmä paljastaa, mitä genomimallit oppivat DNA:sta ja paljastaa piilotetun kokeellisen harhan

Stowers Institute for Medical Researchin tutkijat ovat kehittäneet tulkintamenetelmän, joka näyttää perä perältä, mitä syväoppimismalli on oppinut DNA:sta, ja ovat käyttäneet sitä poistamaan piilotetun kokeellisen harhan genomidatasta. Menetelmä, nimeltään PISA, on kuvattu artikkelissa, joka julkaistiin Nature Communications elokuussa 2026 ja instituutin ilmoituksessa 25. elokuuta 2026.

Sekvenssi‑to‑funktion neuroverkot ottavat raakan DNA:n syötteenä ja ennustavat genomieksperimenttien tulokset, aina transkriptiotekijöiden sitoutumisesta nukleosomijärjestelyyn. Ne eivät tavallisesti kerro, miksi ne tekevät tietyn ennusteen. PISA, lyhenteenä pairwise influence by sequence attribution, jäljittää mallin ennusteen yhdellä tarkalla genomipaikalla takaisin kaikkiin muihin pohjiin, jotka siihen vaikuttivat, ja tuottaa kaksidimensionaalisen kartan yksittäisen pohjan tarkkuudella siitä, mitä malli oppi, eikä vain siitä, mitä se ennusti.

Tutkimusta johti Julia Zeitlinger Stowersissa yhteistyössä Stanfordin yliopiston Anshul Kundajen kanssa, ja Charles McAnany, Stowersin AI-fellow, on ensimmäinen tekijä. PISA toimii BPRevealissä, laboratorion viimeisimmässä BPNetin laajennoksessa, syväoppimiskehyksessä, jonka tiimi kehitti ensimmäisen kerran vuonna 2021.

Kuinka PISA erottaa kokeellisen harhan biologiasta

Tiimi sovelsi PISAa MNase-seq‑menetelmään, laajasti käytettyyn testiin, joka kartoittaa nukleosomeja, rakenteita, jotka muodostuvat, kun DNA kietoutuu histoniproteiinien ympärille. Menetelmä toimii käyttämällä entsyymiä, joka leikkaa paljastuneen DNA:n jättäen nukleosomien suojaaman DNA:n koskemattomaksi, mutta entsyymi suosii joitakin sekvenssejä toisiin nähden. Tämän seurauksena data sisältää kaksi päällekkäistä signaalia, ja malli oppi molemmat.

Koska aikaisemmat tulkintatyökalut tiivistävät jokaisen pohjan vaikutuksen yhdeksi arvoksi, positiiviset ja negatiiviset vaikutukset voivat kumoutua ja kadota. PISA säilyttää tiedon täysresoluutiolla, ja siinä resoluutiossa entsyymin sekvenssisuosimus ilmestyi karttoihin erottuvana sormenjälkenä. Tiimi eritti tämän tunnisteen matemaattisesti, koulutti erillisen mallin pelkästään harhaan, ja vähensi sen, jolloin jäljelle jäi toinen malli, joka oli oppinut vain biologian.

“Se on vähän kuin superresoluutio-mikroskopia,” Zeitlinger sanoi instituteutin ilmoituksessa. “Jopa aikaisemmat tulkintamenetelmät avasivat mustan laatikon. Sitten tajuaa, että voi nähdä vielä enemmän. Lisäämällä pikseleitä näet yhtäkkiä asioita, joita et aiemmin nähnyt.”

Yllätys, joka piiloutuu puhtaaseen dataan

Harhaan korjatun mallin sisällä PISA paljasti DNA‑sekvenssejä, jotka auttavat sijoittamaan nukleosomeja, ja niiden vaikutus ulottuu satoihin pohjiin kumpaankin suuntaan. Monet olivat asymmetrisiä, vaikuttaen toiseen puoleen eri tavalla kuin toiseen. Tämä asymmetria ohjasi tiimin kromatiinidomainin rajoihin, rajoihin, jotka määrittävät, mitkä säätelevät sekvenssit voivat tavoittaa mitkä geenit. Nämä rajat kartoitetaan tavallisesti 3D‑kromatiinimenetelmillä, jotka vaativat valtavan sekvensointisyvyyden; mallin mukaan ne löytyivät tuhansia pelkästään nukleosomidatasta, usein tarkemmin kuin 3D‑data sallivat.

Tiimi käytti sitten biologialähtöisiä malleja suunnitellakseen synteettisiä DNA‑sekvenssejä, joiden ennustettiin järjestävän nukleosomeja tietyissä kokoonpanoissa, ja testasi osan näistä suunnitelmista kokeellisesti. Ennusteet pitivät paikkansa, mikä osoittaa, että mallin oppimat säännöt voivat tuottaa testattavia hypoteeseja sen sijaan, että ne vain kuvaisivat olemassa olevaa dataa.

Työ sijoittuu alalle, joka on investoinut voimakkaasti yhä suurempiin sekvenssimalleihin. Google DeepMindin AlphaGenome, julkaistu aikaisemmin vuonna 2026 ja PISA‑artikkelin johdannossa mainittu, ennustaa säätelevien varianttien vaikutuksia koko genomissa. PISA käsittelee täydentävää ongelmaa: kun malli tekee tällaisia ennusteita, ymmärtää, mitkä sekvenssipiirteet se todellisuudessa käytti. Menetelmä on jo levinnyt Zeitlinger‑laboratorion ulkopuolelle, toteutettu erillisessä ohjelmistopaketissa yhteistyökumppanin toimesta ja otettu käyttöön Stowersin neurotieteilijä Neşet Özelin toimesta eri biologiseen kysymykseen.

PISA numeroina

• 2021 – BPNet‑syväoppimiskehys, PISA:n perusta, jonka tiimi kehitti ensimmäisen kerran
• 8. huhtikuuta 2025 – PISA‑esijulkaisu julkaistiin ensimmäisen kerran bioRxivissä
• Elokuu 2026 – vertaisarvioitu julkaisu Nature Communications -lehdessä
• Satoja pohjia – yksittäisten nukleosomien sijoittamissekvenssien ulottuvuus, jonka mallit löysivät
• Tuhansia – kromatiinidomainin rajoja, jotka tunnistettiin pelkästään nukleosomidatasta

Kirjoittajien ilmoittamat rajoitukset

Tämä on menetelmä- ja genomikäsitteinen artikkeli, eikä sen sairausmerkitys ole tulos vaan suunta. Suurin osa tautiin liittyvästä geneettisestä variaatiosta sijaitsee säätelevässä DNA:ssa eikä geeneissä, ja Zeitlinger korostaa, että variantin sijoittaminen sitoutumiskohteeseen tai domainin rajaan ehdottaa mekanismia ilman lääkkeen tuottamista. Työ vaati myös laboratoriota, joka hallitsee sekä syväoppimisen että kokeellisen biologian, ja Zeitlinger nimeää tämän kaksinkertaisen asiantuntemuksen alansa pysyväksi aukoksi eikä pelkästään laskentatehoksi.

Suunnitellut DNA‑sekvenssit vahvistettiin vain osalle kokeellisesti testatuista, ja artikkelin harhankorjausdemostraatio on spesifinen MNase-seq:lle, vaikka kirjoittajat osoittavat PISA:n soveltuvan useisiin datatyyppeihin. Esijulkaisun revisiohistoria osoittaa, että kromatiinidomainin analyysi lisättiin vertaisarvioinnin aikana, sen jälkeen kun tarkistettu versio julkaistiin 5. tammikuuta 2026.

Mitä työ nyt osoittaa, on tapa tarkastaa, mitä genomimallit omaksuvat harjoitusdatastaan, korjata ne osat, jotka ovat peräisin kokeesta eikä biologiasta, ja poimia sekvenssisääntöjä, jotka ovat riittävän tarkkoja suunnittelemaan ja testaamaan elävissä järjestelmissä.