AI-methode onthult wat genomische modellen leren van DNA en onthult verborgen experimentele bias

Onderzoekers van het Stowers Institute for Medical Research hebben een interpretatiemethode ontwikkeld die, base voor base, laat zien wat een deep‑learning‑model van DNA heeft geleerd, en die hebben gebruikt om een verborgen experimentele bias uit genomische data te verwijderen. De methode, genaamd PISA, wordt beschreven in een paper gepubliceerd in Nature Communications in augustus 2026 en aangekondigd door het instituut op 25 augustus 2026.

Sequentie‑naar‑functie‑neurale netwerken nemen ruwe DNA als invoer en voorspellen de uitkomst van genomische experimenten, van transcriptiefactorbinding tot nucleosoomorganisatie. Wat ze normaal gesproken niet kunnen vertellen, is waarom ze een bepaalde voorspelling doen. PISA, een afkorting voor pairwise influence by sequence attribution, volgt de voorspelling van een model op één exacte genomische positie terug naar elke andere base die er invloed op had, en produceert een tweedimensionale kaart met enkel‑base resolutie van wat het model heeft geleerd in plaats van alleen wat het voorspelt.

De studie werd geleid door Julia Zeitlinger bij Stowers in samenwerking met Anshul Kundaje van Stanford University, met Charles McAnany, een Stowers AI Fellow, als eerste auteur. PISA draait binnen BPReveal, de nieuwste uitbreiding van BPNet van het lab, een deep‑learning‑framework dat het team voor het eerst ontwikkelde in 2021.

Hoe PISA experimentele bias scheidt van biologie

Het team paste PISA toe op MNase-seq, een veelgebruikte assay die nucleosomen in kaart brengt, de structuren die ontstaan wanneer DNA rond histone‑eiwitten wikkelt. De assay werkt door een enzym te gebruiken dat blootgesteld DNA knipt terwijl DNA dat door nucleosomen wordt beschermd intact blijft, maar het enzym heeft een voorkeur voor sommige sequenties boven andere. De data bevatten daardoor twee overlappende signalen, en het model leerde beide.

Omdat eerdere interpretatietools de invloed van elke base samenvatten tot één waarde, kunnen positieve en negatieve effecten elkaar opheffen en verdwijnen. PISA behoudt de informatie op volledige resolutie, en op die resolutie kwam de sequentievoorkeur van het enzym naar voren als een kenmerkende vingerafdruk op de kaarten. Het team haalde die signatuur wiskundig uit, trainde een apart model uitsluitend op de bias, en trok deze af, waardoor een tweede model overbleef dat alleen de biologie had geleerd.

“Het is een beetje als superresolutie‑microscopie,” zei Zeitlinger in de aankondiging van het instituut. “Zelfs de eerdere interpretatiemethoden openden de zwarte doos. Dan besef je dat je nog meer kunt zien. Je voegt pixels toe en ineens zie je dingen die je voorheen niet kon zien.”

De verrassing verborgen in schone data

Binnen het bias‑gecorrigeerde model onthulde PISA DNA‑sequenties die helpen nucleosomen te positioneren, met effecten die zich over honderden baseparen in beide richtingen uitstrekken. Veel ervan waren asymmetrisch, waarbij één kant anders werd beïnvloed dan de andere. Het volgen van die asymmetrie leidde het team naar chromatinedomeingrenzen, de grenzen die bepalen welke regulerende sequenties welke genen kunnen bereiken. Die grenzen worden normaal gemapt met 3D‑chromatine‑methoden die enorme sequencing‑diepte vereisen; volgens het artikel bracht het model duizenden ervan naar voren uitsluitend uit nucleosoomdata, vaak nauwkeuriger dan de 3D‑data toelaten.

Het team gebruikte vervolgens de op biologie gerichte modellen om synthetische DNA‑sequenties te ontwerpen die naar verwachting nucleosomen in specifieke configuraties rangschikken, en testte een deel van die ontwerpen experimenteel. De voorspellingen bleven standhouden, wat aantoont dat de regels die het model heeft geleerd testbare hypothesen kunnen genereren in plaats van alleen bestaande data te beschrijven.

Dit werk valt binnen een vakgebied dat zwaar investeert in steeds grotere sequentiemodellen. Google DeepMind’s AlphaGenome, gepubliceerd eerder in 2026 en geciteerd in de inleiding van het PISA‑paper, voorspelt de effecten van regulerende varianten over het hele genoom. PISA behandelt het complementaire probleem: zodra een model zulke voorspellingen maakt, moet men begrijpen welke sequentiekenmerken het daadwerkelijk heeft gebruikt. De methode is al buiten het Zeitlinger‑lab verspreid, geïmplementeerd in een apart softwarepakket door een medewerker en overgenomen door Stowers‑neurowetenschapper Neşet Özel voor een andere biologische vraag.

PISA in cijfers

• 2021 – het BPNet deep‑learning framework, de basis van PISA, voor het eerst ontwikkeld door het team
• 8 april 2025 – PISA preprint voor het eerst geplaatst op bioRxiv
• augustus 2026 – peer‑reviewed publicatie in Nature Communications
• Honderden baseparen – het bereik van individuele nucleosoom‑positionerende sequenties die de modellen ontdekten
• Duizenden – chromatinedomeingrenzen geïdentificeerd uitsluitend uit nucleosoomdata

De beperkingen die de auteurs aangeven

Dit is een methoden‑ en genomica‑paper, en de relevantie voor ziekten is een richting, geen resultaat. De meeste ziekte‑gerelateerde genetische variatie bevindt zich in regulerende DNA in plaats van in genen, en Zeitlinger maakt expliciet duidelijk dat het plaatsen van een variant in een bindingsplaats of op een domeingrens een mechanisme voorstelt zonder een geneesmiddel te produceren. Het werk vereiste bovendien een laboratorium dat zowel in deep learning als experimentele biologie thuis is, en Zeitlinger beschouwt die dubbele expertise als de blijvende kloof in het vakgebied, eerder dan rekenkracht.

De ontworpen DNA‑sequenties werden slechts gevalideerd voor een subset die experimenteel werd getest, en de bias‑correctie‑demonstratie in het artikel is specifiek voor MNase-seq, hoewel de auteurs laten zien dat PISA op verschillende datatypes is toegepast. De revisiegeschiedenis van de preprint toont aan dat de chromatinedomeinanalyse werd toegevoegd tijdens peer review, na een gereviseerde versie geplaatst op 5 januari 2026.

Wat het werk nu wel aantoont, is een manier om te auditen wat genomische modellen opnemen uit hun trainingsdata, de delen die afkomstig zijn van het experiment in plaats van de biologie te corrigeren, en sequentieregels te extraheren die precies genoeg zijn om te ontwerpen en te testen tegen levende systemen.