Metoda AI ujawnia, czego modele genomowe uczą się z DNA i odsłania ukryte uprzedzenia eksperymentalne

Naukowcy z Stowers Institute for Medical Research opracowali metodę interpretacji, która pokazuje, zasada po zasadzie, czego model głębokiego uczenia nauczył się z DNA, i wykorzystali ją do usunięcia ukrytego uprzedzenia eksperymentalnego z danych genomowych. Metoda, nazwana PISA, została opisana w artykule opublikowanym w Nature Communications w sierpniu 2026 roku oraz ogłoszonym przez instytut 25 sierpnia 2026.

Sieci neuronowe przekształcające sekwencję w funkcję przyjmują surowe DNA jako wejście i przewidują wyniki eksperymentów genomowych, od wiązania czynników transkrypcyjnych po organizację nukleosomów. Nie potrafią one zazwyczaj wyjaśnić, dlaczego dokonują danej prognozy. PISA, skrót od pairwise influence by sequence attribution, śledzi prognozę modelu w jednej dokładnej pozycji genomowej do każdej innej zasady, która na nią wpłynęła, tworząc dwuwymiarową mapę w rozdzielczości pojedynczej zasady, ukazującą, czego model się nauczył, a nie tylko co przewidział.

Badanie prowadziła Julia Zeitlinger w Stowers we współpracy z Anshul’em Kundaje z Uniwersytetu Stanforda, a pierwszym autorem jest Charles McAnany, stowerski stypendysta AI. PISA działa w ramach BPReveal, najnowszego rozszerzenia BPNet, platformy głębokiego uczenia opracowanej przez zespół w 2021 roku.

Jak PISA oddziela uprzedzenia eksperymentalne od biologii

Zespół zastosował PISA do MNase-seq, powszechnie używanego testu mapującego nukleosomy, struktury powstające, gdy DNA owija się wokół białek histonowych. Test działa dzięki enzymowi, który tnie odsłonięte DNA, pozostawiając nienaruszone DNA chronione przez nukleosomy, jednak enzym preferuje niektóre sekwencje nad innymi. W rezultacie dane zawierają dwa nakładające się sygnały, a model nauczył się obu.

Ponieważ wcześniejsze narzędzia interpretacyjne redukują wpływ każdej zasady do jednej wartości, efekty dodatnie i ujemne mogą się znosić i znikać. PISA zachowuje informacje w pełnej rozdzielczości, a przy tej rozdzielczości preferencje sekwencyjne enzymu pojawiły się jako charakterystyczny odcisk palca na mapach. Zespół wyodrębnił ten sygnał matematycznie, wytrenował osobny model wyłącznie na uprzedzeniu i odjął go, pozostawiając drugi model, który nauczył się wyłącznie biologii.

„To trochę jak mikroskopia superrozdzielcza,” powiedziała Zeitlinger w ogłoszeniu instytutu. „Nawet wcześniejsze metody interpretacji otworzyły czarną skrzynkę. Potem zdajesz sobie sprawę, że możesz zobaczyć jeszcze więcej. Dodajesz piksele i nagle widzisz rzeczy, których wcześniej nie widziałeś.”

Niespodzianka ukryta w czystych danych

W modelu skorygowanym pod kątem uprzedzeń, PISA ujawniła sekwencje DNA pomagające pozycjonować nukleosomy, a ich wpływ rozciąga się na setki par zasad w obie strony. Wiele z nich było asymetrycznych, wpływając na jedną stronę inaczej niż na drugą. Śledzenie tej asymetrii doprowadziło zespół do granic domen chromatyny, czyli granic określających, które sekwencje regulatorowe mogą dotrzeć do których genów. Granice te zwykle mapuje się metodami 3D chromatyny, które wymagają ogromnej głębokości sekwencjonowania; model wyłonił tysiące z nich wyłącznie z danych o nukleosomach, często precyzyjniej niż pozwalają dane 3D, według artykułu.

Zespół wykorzystał następnie modele skoncentrowane na biologii do zaprojektowania syntetycznych sekwencji DNA, które miałyby układać nukleosomy w określonych konfiguracjach, i przetestował podzbiór tych projektów eksperymentalnie. Prognozy się sprawdziły, co stanowi dowód, że reguły wyuczone przez model mogą generować testowalne hipotezy, a nie jedynie opisywać istniejące dane.

Praca wpisuje się w dziedzinę, która intensywnie inwestuje w coraz większe modele sekwencyjne. AlphaGenome firmy Google DeepMind, opublikowany wcześniej w 2026 roku i cytowany we wstępie artykułu o PISA, przewiduje skutki wariantów regulatorowych w całym genomie. PISA podejmuje komplementarny problem: po tym, jak model generuje takie prognozy, zrozumienie, które cechy sekwencji faktycznie wykorzystał. Metoda już rozprzestrzeniła się poza laboratorium Zeitlinger, została wdrożona w odrębnym pakiecie oprogramowania przez współpracownika i przyjęta przez neurobiolog Stowers, Neşet Özel, w innym pytaniu biologicznym.

PISA w liczbach

• 2021 – ramka głębokiego uczenia BPNet, podstawa PISA, opracowana po raz pierwszy przez zespół
• 8 kwietnia 2025 – preprint PISA po raz pierwszy opublikowany w bioRxiv
• sierpień 2026 – recenzowana publikacja w Nature Communications
• Setki par zasad – zasięg pojedynczych sekwencji pozycjonujących nukleosomy, które modele odkryły
• Tysiące – granice domen chromatyny zidentyfikowane wyłącznie na podstawie danych o nukleosomach

Ograniczenia wskazane przez autorów

To jest artykuł metodologiczny i genomowy, a jego znaczenie kliniczne jest kierunkiem, a nie wynikiem. Większość wariantów genetycznych związanych z chorobami znajduje się w DNA regulatorowym, a nie w genach, a Zeitlinger wyraźnie podkreśla, że umieszczenie wariantu w miejscu wiązania lub na granicy domeny proponuje mechanizm bez wytworzenia leku. Praca wymagała również laboratorium biegłego zarówno w głębokim uczeniu, jak i biologii eksperymentalnej, a Zeitlinger wskazuje tę podwójną kompetencję jako trwałą lukę w dziedzinie, a nie po prostu moc obliczeniową.

Zaprojektowane sekwencje DNA zweryfikowano jedynie dla podzbioru przetestowanego eksperymentalnie, a demonstracja korekcji uprzedzeń w artykule dotyczy konkretnie MNase-seq, choć autorzy pokazują zastosowanie PISA do kilku typów danych. Historia rewizji preprintu pokazuje, że analiza domen chromatyny została dodana w trakcie recenzji, po zrewidowanej wersji opublikowanej 5 stycznia 2026.

Co ta praca obecnie ustala, to sposób na audyt tego, co modele genomowe przyswajają z danych treningowych, korekcję elementów pochodzących z eksperymentu, a nie z biologii, oraz wyodrębnienie reguł sekwencyjnych wystarczająco precyzyjnych, aby projektować i testować je w systemach żywych.