PolyA-GLM: Un marco integral para la predicción de sitios de poliadenilación de novo utilizando modelos de lenguaje...

Área de la Ciencia:

• Genómica
• Biología Computacional
• Biología Molecular

Sus antecedentes:

• Los sitios de poliadenilación (poli(A)) son vitales para la regulación génica post-transcripcional.
• La predicción precisa de sitios de poli(A) ayuda a identificar defectos en el procesamiento del ARN en enfermedades como el cáncer.
• Los métodos tradicionales enfrentan limitaciones en la generalización inter-especies y entre tipos de células.

Objetivo del estudio:

• Evaluar los modelos de lenguaje genómico (GLM) para la predicción precisa de sitios de poli(A).
• Aprovechar la capacidad de los GLM para capturar dependencias de secuencias genómicas de largo alcance.
• Desarrollar un pipeline de extremo a extremo para el descubrimiento de nuevos sitios de poli(A).

Principales métodos:

• Se evaluaron DNABERT-2, Nucleotide Transformer e HyenaDNA utilizando clasificación con pocos ejemplos y ajuste.
• Se evaluó el rendimiento del modelo en el reconocimiento de señales de poliadenilación canónicas (PAS) y su proximidad a los sitios de escisión.
• Se empleó la perturbación sistemática de señales para la validación de la interpretabilidad del modelo.

Principales resultados:

• Los GLM reconocieron eficazmente los PAS canónicos y sus relaciones espaciales con los sitios de escisión.
• HyenaDNA logró un AUC de 0.751 en el aprendizaje con pocos ejemplos, con mejoras de rendimiento después del ajuste.
• Un enfoque de clasificación a nivel de token permitió la identificación precisa y posición a posición de los sitios de poli(A).

Conclusiones:

• Los modelos de lenguaje genómico muestran una promesa significativa para avanzar en la predicción de sitios de poli(A).
• El pipeline PolyA-GLM facilita el descubrimiento de nuevos elementos reguladores.
• Los GLM ofrecen un enfoque potente para comprender el procesamiento del ARN y la regulación génica.