Método de IA Revela o que Modelos Genômicos Aprendem a partir do DNA e Expondo o Viés Experimental Oculto

Pesquisadores do Stowers Institute for Medical Research desenvolveram um método de interpretação que mostra, base por base, o que um modelo de deep‑learning aprendeu a partir do DNA, e o usaram para remover um viés experimental oculto dos dados genômicos. O método, chamado PISA, é descrito em um artigo publicado em Nature Communications em agosto de 2026 e anunciado pelo instituto em 25 de agosto de 2026.

Redes neurais de sequência‑para‑função recebem DNA bruto como entrada e preveem o resultado de experimentos genômicos, desde a ligação de fatores de transcrição até a organização de nucleossomos. O que elas normalmente não podem dizer é por que fazem determinada previsão. PISA, abreviação de pairwise influence by sequence attribution, rastreia a previsão de um modelo em uma posição genômica exata de volta a cada outra base que a influenciou, produzindo um mapa bidimensional em resolução de base única do que o modelo aprendeu, e não apenas do que previu.

O estudo foi liderado por Julia Zeitlinger, do Stowers, em colaboração com Anshul Kundaje, da Universidade de Stanford, com Charles McAnany, bolsista de IA do Stowers, como autor principal. O PISA funciona dentro do BPReveal, a extensão mais recente do laboratório ao BPNet, uma estrutura de deep‑learning que a equipe desenvolveu inicialmente em 2021.

Como o PISA Separa o Viés Experimental da Biologia

A equipe aplicou o PISA ao MNase‑seq, um ensaio amplamente usado que mapeia nucleossomos, as estruturas formadas quando o DNA se enrola ao redor de proteínas histonais. O ensaio funciona usando uma enzima que corta o DNA exposto enquanto deixa intacto o DNA protegido pelos nucleossomos, porém a enzima prefere certas sequências em detrimento de outras. Portanto, os dados contêm dois sinais sobrepostos, e o modelo aprendeu ambos.

Como as ferramentas de interpretação anteriores condensam a influência de cada base em um único valor, efeitos positivos e negativos podem se cancelar e desaparecer. O PISA mantém a informação em resolução total e, nessa resolução, a preferência sequencial da enzima aparece como uma impressão digital distinta nos mapas. A equipe extraiu essa assinatura matematicamente, treinou um modelo separado apenas com o viés e o subtraiu, deixando um segundo modelo que aprendeu apenas a biologia.

“É um pouco como microscopia de super‑resolução”, disse Zeitlinger no anúncio do instituto. “Mesmo os métodos de interpretação anteriores abriram a caixa‑preta. Então você percebe que pode ver ainda mais. Você está adicionando pixels e, de repente, vê coisas que antes não podia ver”.

A Surpresa Oculta em Dados Limpos

Dentro do modelo corrigido pelo viés, o PISA revelou sequências de DNA que ajudam a posicionar nucleossomos, com efeitos que se estendem por centenas de pares de bases em ambas as direções. Muitas eram assimétricas, influenciando um lado de forma diferente do outro. Seguir essa assimetria conduziu a equipe às fronteiras de domínios de cromatina, os limites que determinam quais sequências regulatórias podem alcançar quais genes. Essas fronteiras normalmente são mapeadas com métodos de cromatina 3D que exigem enorme profundidade de sequenciamento; o modelo identificou milhares delas apenas a partir dos dados de nucleossomos, frequentemente com mais precisão do que os dados 3D permitem, segundo o artigo.

A equipe então utilizou os modelos focados na biologia para projetar sequências de DNA sintético previstas para organizar nucleossomos em configurações específicas, e testou experimentalmente um subconjunto desses projetos. As previsões se confirmaram, evidenciando que as regras aprendidas pelo modelo podem gerar hipóteses testáveis, e não apenas descrever dados existentes.

O trabalho se insere em um campo que tem investido fortemente em modelos de sequência cada vez maiores. O AlphaGenome da Google DeepMind, publicado no início de 2026 e citado na introdução do artigo sobre o PISA, prevê os efeitos de variantes regulatórias em todo o genoma. O PISA aborda o problema complementar: uma vez que um modelo faz tais previsões, entender quais características sequenciais ele realmente utilizou. O método já se espalhou além do laboratório de Zeitlinger, sendo implementado em um pacote de software separado por um colaborador e adotado pela neurocientista do Stowers Neşet Özel para outra questão biológica.

PISA em Números

• 2021 – a estrutura de deep‑learning BPNet, base do PISA, desenvolvida inicialmente pela equipe
• 8 de abril de 2025 – pré‑impressão do PISA publicada primeiro no bioRxiv
• agosto de 2026 – publicação revisada por pares em Nature Communications
• Centenas de pares de bases – o alcance das sequências individuais de posicionamento de nucleossomos descobertas pelos modelos
• Milhares – fronteiras de domínios de cromatina identificadas apenas a partir dos dados de nucleossomos

As Limitações Declaradas pelos Autores

Este é um artigo de métodos e genômica, e sua relevância para doenças é uma direção, não um resultado. A maior parte da variação genética associada a doenças está no DNA regulatório e não nos genes, e Zeitlinger deixa claro que colocar uma variante em um sítio de ligação ou em uma fronteira de domínio propõe um mecanismo sem gerar um fármaco. O trabalho também exigiu um laboratório fluente tanto em deep‑learning quanto em biologia experimental, e Zeitlinger aponta essa dupla expertise como a lacuna persistente no campo, mais do que o poder computacional.

As sequências de DNA projetadas foram validadas apenas para um subconjunto testado experimentalmente, e a demonstração de correção de viés do artigo é específica ao MNase‑seq, embora os autores mostrem o PISA aplicado a vários tipos de dados. O histórico de revisões da pré‑impressão indica que a análise de domínios de cromatina foi adicionada durante a revisão por pares, após uma versão revisada publicada em 5 de janeiro de 2026.

O que o trabalho estabelece agora é um método para auditar o que os modelos genômicos absorvem de seus dados de treinamento, corrigir as partes que provêm do experimento em vez da biologia e extrair regras de sequência precisas o suficiente para projetar e testar em sistemas vivos.