AI‑metode avslører hva genomiske modeller lærer fra DNA og avdekker skjult eksperimentell bias

Forskere ved Stowers Institute for Medical Research har utviklet en tolkingsmetode som viser, base for base, hva en dyp‑læringsmodell har lært fra DNA, og har brukt den til å fjerne en skjult eksperimentell bias fra genomisk data. Metoden, kalt PISA, er beskrevet i en artikkel publisert i Nature Communications i august 2026 og kunngjort av instituttet 25. august 2026.

Sekvens‑til‑funksjon‑nevrale nettverk tar rå DNA som input og forutsier resultatet av genomikk‑eksperimenter, fra transkripsjonsfaktorbinding til nukleosomorganisering. Det de vanligvis ikke kan fortelle deg, er hvorfor de gir en bestemt forutsigelse. PISA, forkortelse for pairwise influence by sequence attribution, sporer en modells forutsigelse på én eksakt genomisk posisjon tilbake til hver annen base som påvirket den, og produserer et todimensjonalt kart med enkelt‑base‑oppløsning av hva modellen har lært, ikke bare hva den forutsier.

Studien ble ledet av Julia Zeitlinger ved Stowers i samarbeid med Anshul Kundaje ved Stanford University, med Charles McAnany, en Stowers AI Fellow, som første forfatter. PISA kjører inne i BPReveal, laboratoriets nyeste utvidelse av BPNet, et dyp‑læringsrammeverk teamet først utviklet i 2021.

Hvordan PISA skiller eksperimentell bias fra biologi

Teamet anvendte PISA på MNase-seq, en mye brukt assay som kartlegger nukleosomer, strukturer som dannes når DNA vikles rundt histonproteiner. Assayet fungerer ved å bruke et enzym som kutter eksponert DNA mens DNA beskyttet av nukleosomer forblir intakt, men enzymet foretrekker noen sekvenser fremfor andre. Dataene inneholder derfor to overlappende signaler, og modellen lærte begge.

Fordi tidligere tolkingsverktøy komprimerer hver bases innflytelse til en enkelt verdi, kan positive og negative effekter kansellere hverandre og forsvinne. PISA beholder informasjonen i full oppløsning, og i den oppløsningen viste enzymets sekvenspreferanse seg som et karakteristisk fingeravtrykk på kartene. Teamet ekstraherte dette signaturen matematisk, trente en separat modell kun på biasen, og trakk den fra, slik at en andre modell sto igjen som kun hadde lært biologien.

“Det er litt som super‑oppløsningsmikroskopi,” sa Zeitlinger i instituttets kunngjøring. “Selv de tidligere tolkingsmetodene åpnet den svarte boksen. Så innser du at du kan se enda mer. Du legger til piksler og plutselig ser du ting du ikke kunne se før.”

Overraskelsen som skjuler seg i rene data

I den bias‑korrigerte modellen avdekket PISA DNA‑sekvenser som hjelper med å plassere nukleosomer, med effekter som strekker seg hundrevis av basepar i begge retninger. Mange var asymmetriske og påvirket den ene siden annerledes enn den andre. Å følge denne asymmetrien førte teamet til kromatin‑domenegrenser, grensene som bestemmer hvilke regulatoriske sekvenser som kan nå hvilke gener. Disse grensene kartlegges vanligvis med 3D‑kromatinmetoder som krever enorm sekvenseringsdybde; modellen avdekket tusenvis av dem kun fra nukleosomdata, ofte mer presist enn 3D‑dataene tillater, ifølge artikkelen.

Teamet brukte deretter de biologifokuserte modellene til å designe syntetiske DNA‑sekvenser som var forutsagt å arrangere nukleosomer i spesifikke konfigurasjoner, og testet et utvalg av disse designene eksperimentelt. Forutsigelsene holdt, noe som viser at reglene modellen har lært kan generere testbare hypoteser i stedet for kun å beskrive eksisterende data.

Arbeidet befinner seg i et felt som har investert tungt i stadig større sekvensmodeller. Google DeepMinds AlphaGenome, publisert tidlig i 2026 og sitert i innledningen til PISA‑artikkelen, forutsier effektene av regulatoriske varianter i hele genomet. PISA tar for seg det komplementære problemet: når en modell har gjort slike forutsigelser, forstå hvilke sekvensfunksjoner den faktisk brukte. Metoden har allerede spredt seg utover Zeitlinger‑labben, implementert i en egen programvarepakke av en samarbeidspartner og tatt i bruk av Stowers‑nevrovitenskapsmann Neşet Özel for et annet biologisk spørsmål.

PISA i tall

• 2021 – BPNet‑dyp‑læringsrammeverket, grunnlaget for PISA, først utviklet av teamet
• 8. april 2025 – PISA‑preprint først lagt ut på bioRxiv
• august 2026 – fagfellevurdert publisering i Nature Communications
• Hundrevis av basepar – rekkevidden til individuelle nukleosom‑posisjoneringssekvenser som modellene avdekket
• Tusener – kromatin‑domenegrenser identifisert kun fra nukleosomdata

Begrensningene forfatterne påpeker

Dette er en metode‑ og genomikk‑artikkel, og dens sykdomsrelevans er en retning, ikke et resultat. De fleste sykdoms‑assosierte genetiske variasjoner ligger i regulatorisk DNA snarere enn i gener, og Zeitlinger er tydelig på at plassering av en variant i et bindingssted eller ved en domenegrense foreslår en mekanisme uten å gi et legemiddel. Arbeidet krevde også et laboratorium som behersker både dyp læring og eksperimentell biologi, og Zeitlinger peker på denne doble kompetansen som feltets vedvarende gap snarere enn beregningskraft.

De designede DNA‑sekvensene ble kun validert for et delsett som ble testet eksperimentelt, og artikkelens bias‑korreksjonsdemonstrasjon er spesifikk for MNase‑seq, selv om forfatterne viser at PISA er anvendt på flere datatyper. Preprintens revisjonshistorikk viser at kromatin‑domeneanalyse ble lagt til under fagfellevurderingen, etter en revidert versjon publisert 5. januar 2026.

Det arbeidet nå etablerer, er en metode for å revidere hva genomiske modeller absorberer fra treningsdataene sine, korrigere de delene som stammer fra eksperimentet snarere enn fra biologien, og ekstrahere sekvensregler som er presise nok til å designe og teste mot levende systemer.