IF50.5｜机器学习指导设计细胞类型特异性顺式调控元件

深度学习模型+序列优化算法，从头设计出比天然序列更特异的合成CRE，并在斑马鱼和小鼠体内验证。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

顺式调控元件（CRE）控制基因表达，决定组织身份、发育时序和应激反应。过去十年，大规模基因组学项目已鉴定出数百万个天然CRE，但进化产生的序列只占所有可能序列的极小一部分，未必能满足治疗或生物技术应用对组织特异性的需求。200 bp的DNA理论上可包含超过2.58×10^120种序列，远超可观测宇宙中的原子数。利用深度神经网络建模CRE活性、高效序列优化算法以及大规模并行报告基因分析（MPRA）技术，研究者开始尝试从头设计具有特定功能的合成CRE。此前在果蝇中已有成功案例，但在脊椎动物中尚未验证，且合成序列与天然序列相比是否更优仍不清楚。

科学问题

卡在哪里： 此前缺乏在脊椎动物中验证的合成CRE设计方法，且合成序列与天然序列在驱动细胞类型特异性表达方面的优劣缺乏系统比较。传统CRE鉴定依赖DNase I超敏位点（DHS）和H3K27ac等表观遗传标记，但这些标记与MPRA测得的细胞类型特异性活性相关性差，难以直接用于筛选高特异性CRE。

本文要回答： 建立一套从头设计合成CRE的平台，使其能在目标细胞类型中驱动特异性基因表达，并通过体外MPRA和体内动物模型验证其性能是否优于天然序列。

技术路线

作者主要用了：MPRA、深度卷积神经网络（Malinois）、序列优化算法（CODA）、TF-MoDISco、NMF、斑马鱼、小鼠转基因。

作者首先利用三个细胞系（K562、HepG2、SK-N-SH）的大规模MPRA数据训练深度学习模型Malinois，准确预测任意200 bp序列的细胞类型特异性转录活性。然后开发序列优化平台CODA，通过迭代更新序列最大化目标细胞类型与脱靶细胞类型之间的活性差距（MinGap）。设计出的合成序列与天然序列（基于DHS或Malinois预测筛选）一起构建MPRA文库进行体外验证。最后挑选表现优异的合成CRE，在斑马鱼和小鼠体内测试其组织特异性。

图 1　Fig. 1。图1展示了Malinois模型的构建与验证。a部分说明MPRA可定量测量数十万CRE在三种细胞系中的转录活性。b显示Malinois的CNN架构。c显示测试集上预测与实测高度相关。d和e表明模型预测与GATA1位点MPRA及表观遗传标记一致。

核心亮点

亮点 1｜Malinois准确预测CRE活性

Malinois在测试集上Pearson相关系数达0.88-0.89，Spearman相关系数0.81-0.83，且与GATA1位点的正交MPRA数据高度一致（Pearson r=0.91）。模型预测与DHS、H3K27ac、STARR-seq等表观遗传标记显著相关，表明其能准确反映CRE的转录活性。

图 2　Fig. 2。图2展示了CODA设计流程和体外验证结果。a为迭代优化示意图。b显示文库组成。c显示各组序列在三种细胞系中的log2[FC]分布，合成序列在目标细胞系活性高，脱靶细胞系活性低。d显示合成序列MinGap显著高于天然序列。e用螺旋桨图展示特异性分类，合成序列大多位于目标轴向外延伸。

亮点 2｜合成CRE在体外特异性显著优于天然序列

在包含77,157条序列的MPRA验证中，合成序列的MinGap中位数比Malinois-natural高1.70（K562）、0.65（HepG2）、2.28（SK-N-SH），均显著优于天然序列。94.1%的合成序列达到特异性标准，而Malinois-natural为73.6%，DHS-natural仅40.6%。合成序列的优势主要来自更强的脱靶抑制。

图 3　Fig. 3。图3揭示了合成序列的TF基序使用模式。a显示一个HepG2特异性合成CRE的贡献分数，HNF4A等基序在HepG2中贡献高。b展示36个核心基序在三种细胞系中的平均贡献，激活和抑制基序分明。c显示合成序列中特定基序对共现率更高。d和e通过NMF分解出12个功能程序，合成序列更多使用抑制程序。

亮点 3｜合成CRE使用独特的TF组合实现特异性

通过TF-MoDISco和贡献分数分析，发现合成序列富集了目标细胞类型的激活因子（如K562中的GATA、HepG2中的HNF4A）和脱靶细胞类型的抑制因子（如MEIS2、GFI1B）。合成序列中激活-抑制和抑制-抑制基序对的共现率显著高于天然序列，表明其通过组合激活和抑制程序实现高特异性。

图 4　Fig. 4。图4展示了体内验证结果。a为筛选流程。b显示斑马鱼肝脏特异性表达。c显示斑马鱼神经元特异性表达。d-g显示synN1在小鼠皮层第6层和底板神经元的表达。h为synN1的贡献分数和饱和突变结果，确认ETS和CREB基序的关键作用。

亮点 4｜合成CRE在斑马鱼和小鼠体内保持特异性

在斑马鱼中，2/3的肝靶向CRE在肝脏特异性表达，2/3的神经元靶向CRE在脑和脊髓神经元中表达。其中synN1在小鼠中驱动皮层第6层和底板神经元的特异性表达，且通过饱和突变MPRA验证了ETS和CREB基序的关键作用。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： MPRA、深度卷积神经网络（Malinois）、序列优化算法（CODA）、TF-MoDISco、NMF、斑马鱼、小鼠转基因
• 公开数据： PRJNA1075667
• 代码： 公开仓库 https://github.com/jmschrei/tfmodisco-lite、https://github.com/sjgosai/boda2；本地已克隆：tfmodisco-lite
• 谁该点开原文： 从事基因调控、合成生物学、基因治疗载体设计或深度学习在基因组学中应用的研究者。

带走一句

深度学习模型不仅能预测CRE活性，还能指导从头设计出比天然序列更特异的合成CRE，为基因治疗和组织特异性表达工具开发提供了新范式。