Modelo de lenguaje genómico de preentrenamiento con variantes para un mejor modelado de la genómica funcional

Área de la Ciencia:

• La genómica
• Biología computacional
• La bioinformática

Sus antecedentes:

• Los modelos de lenguaje genómico (GLM) aprenden de las secuencias de ADN para representar el contexto genómico.
• Los modelos de secuencia a función (S2F) vinculan la información genética con la expresión génica y los fenotipos.
• El puente entre los modelos GLM y S2F para la predicción de la expresión génica individualizada sigue siendo un desafío.

Objetivo del estudio:

• Desarrollar un nuevo modelo de lenguaje de ADN, UKBioBERT, utilizando datos genéticos del Reino Unido BioBank.
• Integrar UKBioBERT con los modelos S2F existentes (Enformer, Borzoi) para crear modelos predictivos mejorados.
• Mejorar la predicción de los niveles de expresión génica y comprender el impacto de las variantes genéticas.

Principales métodos:

• Formación previa de un modelo de lenguaje de ADN (UKBioBERT) sobre las variantes genéticas del BioBank del Reino Unido.
• La generación de secuencias informativas desde UKBioBERT.
• La combinación de las incorporaciones de UKBioBERT con las arquitecturas S2F (Enformer, Borzoi) para formar UKBioFormer y UKBioZoi.
• Evaluación del rendimiento del modelo en la predicción de la expresión génica en diferentes cohortes.

Principales resultados:

• Las incorporaciones de UKBioBERT identifican eficazmente las funciones genéticas y mejoran la predicción de la expresión génica en las líneas celulares.
• UKBioFormer y UKBioZoi demuestran un rendimiento superior en la predicción de niveles de expresión génica altamente predecibles.
• Los modelos integrados se generalizan bien en diversas cohortes.
• UKBioFormer captura con precisión las relaciones genotipo-fenotipo, lo que permite el análisis de mutaciones in silico.

Conclusiones:

• La integración de modelos de lenguaje genómico con enfoques de secuencia a función avanza significativamente en la genómica funcional.
• UKBioBERT proporciona información valiosa para comprender la función genética y la previsibilidad de la expresión.
• Los modelos desarrollados UKBioFormer y UKBioZoi ofrecen herramientas mejoradas para predecir la expresión génica y analizar los efectos de las variantes genéticas.