AI‑metod avslöjar vad genomiska modeller lär sig från DNA och blottlägger dold experimentell bias

Forskare vid Stowers Institute for Medical Research har utvecklat en tolkningsmetod som visar, bas för bas, vad en djupinlärningsmodell har lärt sig från DNA, och har använt den för att ta bort en dold experimentell bias från genomisk data. Metoden, som heter PISA, beskrivs i en artikel publicerad i Nature Communications i augusti 2026 och annonserades av institutet den 25 augusti 2026.

Sekvens‑till‑funktion‑neuronät tar rå DNA som indata och förutsäger resultatet av genomikexperiment, från transkriptionsfaktorbindning till nukleosomorganisation. Vad de vanligtvis inte kan berätta är varför de gör en viss förutsägelse. PISA, förkortning för pairwise influence by sequence attribution, spårar en modells förutsägelse på en exakt genomisk position tillbaka till varje annan bas som påverkade den, och producerar en tvådimensionell karta med enkelbasupplösning av vad modellen har lärt sig snarare än bara vad den förutsäger.

Studien leddes av Julia Zeitlinger vid Stowers i samarbete med Anshul Kundaje vid Stanford University, med Charles McAnany, en Stowers AI Fellow, som försteförfattare. PISA körs i BPReveal, laboratoriets senaste utvidgning av BPNet, ett djupinlärningsramverk som teamet först utvecklade 2021.

Hur PISA skiljer experimentell bias från biologi

Teamet tillämpade PISA på MNase-seq, ett allmänt använt test som kartlägger nukleosomer, strukturerna som bildas när DNA lindas runt histonproteiner. Testet fungerar genom att ett enzym skär i exponerad DNA samtidigt som DNA som skyddas av nukleosomer förblir intakt, men enzymet föredrar vissa sekvenser framför andra. Därför innehåller data två överlappande signaler, och modellen lärde sig båda.

Eftersom tidigare tolkningsverktyg samlar varje basens påverkan till ett enda värde, kan positiva och negativa effekter släcka ut varandra. PISA behåller informationen i full upplösning, och i den upplösningen framträder enzymets sekvenspreferens som ett distinkt fingeravtryck på kartorna. Teamet extraherade detta signatur matematiskt, tränade en separat modell enbart på biasen och subtraherade den, vilket lämnade en andra modell som bara hade lärt sig biologi.

“Det är lite som superupplösningsmikroskopi,” sade Zeitlinger i institutets tillkännagivande. “Till och med de tidigare tolkningsmetoderna öppnade den svarta lådan. Sedan inser du att du kan se ännu mer. Du lägger till pixlar och plötsligt ser du saker du tidigare inte kunde se.”

Överraskningen som gömmer sig i ren data

I den bias‑korrigerade modellen avslöjade PISA DNA‑sekvenser som hjälper till att placera nukleosomer, med effekter som sträcker sig hundratals baspar i båda riktningarna. Många var asymmetriska och påverkade den ena sidan annorlunda än den andra. Att följa denna asymmetri ledde teamet till kromatin‑domängränser, de gränser som bestämmer vilka regulatoriska sekvenser som kan nå vilka gener. Dessa gränser kartläggs normalt med 3D‑kromatinmetoder som kräver enorm sekvenseringsdjup; modellen identifierade tusentals av dem enbart från nukleosomdata, ofta mer exakt än vad 3D‑data tillåter, enligt artikeln.

Teamet använde sedan de biologifokuserade modellerna för att designa syntetiska DNA‑sekvenser som förutsägs arrangera nukleosomer i specifika konfigurationer, och testade ett urval av dessa designer experimentellt. Förutsägelserna höll, vilket visar att de regler som modellen har lärt sig kan generera testbara hypoteser snarare än bara beskriva befintliga data.

Arbetet hamnar i ett område som har investerat kraftigt i allt större sekvensmodeller. Google DeepMinds AlphaGenome, publicerad tidigare 2026 och citerad i PISA‑artikelns introduktion, förutsäger effekterna av regulatoriska varianter i hela genomet. PISA tar itu med det komplementära problemet: när en modell gör sådana förutsägelser, att förstå vilka sekvensfunktioner den faktiskt använde. Metoden har redan spridits utanför Zeitlinger‑labbet, implementerad i ett separat mjukvarupaket av en samarbetspartner och antagen av Stowers neuroforskare Neşet Özel för en annan biologisk fråga.

PISA i siffror

• 2021 – BPNet‑djupinlärningsramverket, PISA:s grund, först utvecklat av teamet
• 8 april 2025 – PISA‑preprint först publicerad på bioRxiv
• augusti 2026 – peer‑review‑granskad publikation i Nature Communications
• Hundratals baspar – räckvidden för enskilda nukleosom‑positioneringssekvenser som modellerna upptäckte
• Tusentals – kromatin‑domängränser identifierade enbart från nukleosomdata

De begränsningar som författarna anger

Detta är ett metod‑ och genomikpapper, och dess sjukdomsrelevans är en inriktning, inte ett resultat. De flesta sjukdomsassocierade genetiska variationer sitter i regulatorisk DNA snarare än i gener, och Zeitlinger är tydlig med att placera en variant i en bindningsplats eller vid en domängräns föreslår en mekanism utan att producera ett läkemedel. Arbetet krävde också ett laboratorium som behärskar både djupinlärning och experimentell biologi, och Zeitlinger pekar på den dubbla kompetensen som fältets bestående gap snarare än beräkningskraft.

De designade DNA‑sekvenserna validerades endast för ett urval som testades experimentellt, och papirets bias‑korrektionsdemonstration är specifik för MNase‑seq, även om författarna visar att PISA tillämpas på flera datatyper. Preprintens revisionshistorik visar att kromatin‑domänanalysen lades till under peer‑review, efter en reviderad version publicerad den 5 januari 2026.

Vad arbetet nu etablerar är ett sätt att granska vad genomiska modeller absorberar från sina träningsdata, korrigera de delar som kom från experimentet snarare än från biologin, och extrahera sekvensregler som är tillräckligt precisa för att designa och testa mot levande system.