IF36.1｜CREsted：跨组织物种建模与设计细胞类型特异性增强子

一个Python包，从scATAC-seq训练增强子模型，解析调控语法并设计合成增强子。

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

增强子是驱动细胞类型身份的主要顺式调控元件，其活性由转录因子结合位点的组合、强度、拷贝数和排列方式决定，即“增强子代码”。这种逻辑具有简并性，难以用简单规则描述。深度神经网络已成为建模这些复杂规则的有力工具，尤其是序列到功能模型，能够从DNA序列预测染色质可及性、转录因子结合和增强子活性。其中，单细胞ATAC-seq（scATAC-seq）数据因能提供细胞类型特异性的染色质可及性信息，成为解码增强子的理想数据源。已有软件包如Selene、EUGENe、ChromBPNet、scPrinter、Ledidi和gReLU等提供了部分功能，但缺乏针对跨细胞类型增强子代码建模和设计的完整流程，且未在大规模复杂scATAC-seq图谱上充分验证。

科学问题

卡在哪里： 现有工具要么专注于单一细胞类型的足迹分析，要么是通用框架，未针对多细胞类型增强子建模进行优化；缺乏从数据预处理、模型训练、增强子代码解析到合成增强子设计的端到端解决方案，且未在跨组织、跨物种的大规模scATAC-seq图谱上验证其有效性和可扩展性。

本文要回答： 开发一个用户友好的Python包CREsted，整合scATAC-seq数据预处理、序列到功能模型训练、细胞类型特异性增强子代码分析和合成增强子设计，并在多种生物系统中验证其性能。

技术路线

作者主要用了：scATAC-seq、深度学习、迁移学习、基序分析、in silico进化。

CREsted包含四个模块：数据预处理（主题建模或伪批量峰聚合）、模型训练（回归或分类，支持从头训练和基于Enformer/Borzoi的迁移学习）、增强子代码分析（梯度贡献、TF-MoDISco、模式聚类与TF匹配）和增强子设计（in silico进化或基序植入）。作者首先在小鼠运动皮层scATAC-seq数据上训练DeepBICCN2模型，验证预测性能并解析细胞类型特异性基序；随后在人类PBMC数据上训练DeepPBMC，通过ChIP-seq验证预测的TFBS；接着在癌细胞系和胶质瘤活检数据上比较MES样增强子代码；最后在斑马鱼发育图谱上训练DeepZebrafish，设计并体内验证细胞类型特异性增强子。

图 1　Fig. 1。图1展示CREsted软件包的整体流程：从预处理scATAC-seq数据获得细胞类型可及性值，训练序列基增强子模型（支持从头训练或迁移学习），进行多输出回归或多标签分类，然后通过核苷酸贡献分析解析细胞类型特异性增强子代码，并设计合成增强子序列。该图概括了工具的四个模块及其相互关系。

核心亮点

亮点 1｜DeepBICCN2准确预测小鼠皮层染色质可及性

在小鼠运动皮层scATAC-seq数据上，CREsted训练的DeepBICCN2模型在测试集上达到Spearman ρ=0.79和Pearson r=0.82（log转换后），显著优于gReLU框架训练的模型（P<0.001）。模型不仅能预测未见过的峰，还能以100bp滑动窗口准确预测基因座水平的可及性（如Chsy3基因，r=0.75），并跨物种预测鸡UACA基因座（r=0.62）。在171个体内验证的增强子上，模型分类平均精度0.77，召回率0.79。通过贡献分数和模式聚类，识别出TBR1、NFI、RFX3、EGR、SOX10、SPI1等细胞类型特异性TF，并发现SstChodl细胞特有的E-box基序（CAGGTG），突变该基序可改变细胞类型特异性预测。

图 2　Fig. 2。图2展示DeepBICCN2在小鼠运动皮层数据上的性能。a为scATAC-seq UMAP图；b为预测与真实峰高的散点图，显示高相关性；c为各细胞类型间的Pearson相关热图，对角线最高；d为与gReLU模型的性能比较，CREsted显著更优；e为Chsy3基因座的滑动窗口预测与真实可及性轨迹对比；f为三个验证增强子的贡献分数；g为模式聚类热图，揭示细胞类型特异性基序。

亮点 2｜DeepPBMC恢复验证的TFBS并解析IFNB1增强体

在人类PBMC数据上训练的DeepPBMC模型（r=0.71）成功恢复了CD79A增强子（B细胞）和TCRα增强子（T细胞）中所有实验验证的TFBS，并额外识别出IRF8、REL和ETS-like位点。对于树突细胞特异性的IFNB1增强体，模型识别出大部分复杂性，仅缺失p50、c-Jun和一个IRF位点。与Borzoi相比，DeepPBMC识别出多34%的重要核苷酸。通过ChIP-seq验证，模型预测的TFBS具有高精度（平均精度0.75），且在使用UniBind直接结合位点后召回率大幅提升。此外，模拟EBF1降解实验显示，模型预测的染色质可及性变化与实际数据高度相关（r=0.55和0.60）。

图 3　Fig. 3。图3展示DeepPBMC在人类PBMC数据上的分析。a为区域嵌入的t-SNE图，按细胞类型分离；b为CD79A和TCRα增强子的贡献分数，恢复已知TFBS；c为IFNB1增强体的贡献分数，解析复杂基序；d为模式聚类热图；e和f为ChIP-seq验证的精度-召回曲线；g为ChIP-seq信号在seqlets上的聚集；h和i为EBF1降解模拟与真实数据的比较。

亮点 3｜MES样增强子代码在癌细胞系与活检中部分共享

在癌细胞系上训练的DeepCCL模型将黑色素瘤和胶质母细胞瘤的MES样状态聚类在一起，共享AP-1、TEAD、RUNX、NFI和ATF/CREB等基序。在胶质瘤活检数据上训练的DeepGlioma主题分类模型识别出与MES样细胞系最相关的主题8，但贡献分数相关性低于细胞系之间的相似性。比较发现，AP-1和CREB/ATF基序在细胞系和活检中共享，而TEAD基序特异于细胞系，SOX和RFX基序特异于活检。这表明细胞系中的MES样增强子逻辑并未完全在肿瘤中重现。

图 4　Fig. 4。图4展示癌细胞系和胶质瘤活检中MES样增强子代码的比较。a为DeepCCL和DeepGlioma模型概述；b为DeepCCL预测的相关热图，MES样细胞系聚类；c为与ChromBPNet的性能比较；d为AXL增强子的贡献分数；e为共享基序；f为胶质瘤主题的UMAP；g为贡献分数相关性热图，显示主题8与MES样细胞系最相关；h和i为细胞系与活检中基序的差异。

亮点 4｜CREsted模型与微调Borzoi相当，优于基座模型

DeepBICCN2与微调后的Borzoi模型在细胞类型特异性染色质可及性预测上表现相当，但基座Borzoi模型在区分GABAergic和glutamatergic神经元亚类时表现较差，对171个验证增强子的分类平均精度远低于DeepBICCN2和微调Borzoi。此外，微调自监督基因组语言模型HyenaDNA和Nucleotide Transformer的性能不如从头训练的CREsted模型或微调Borzoi，尽管参数数量更大。这表明对于高分辨率细胞类型特异性预测，微调或从头训练是必要的。

图 5　Fig. 5。图5展示Borzoi迁移学习策略及与CREsted模型的比较。a为微调流程示意图；b为不同模型在测试集上的平均r比较；c为在外部数据集上的性能比较；d为对171个验证增强子的分类性能；e为不同模型识别的基序比较。结果显示DeepBICCN2与微调Borzoi相当，基座Borzoi在高分辨率细胞类型上表现不佳。

亮点 5｜DeepZebrafish设计体内验证的细胞类型特异性增强子

在斑马鱼发育scATAC-seq图谱上训练的DeepZebrafish模型（639个细胞类型-时间点组合）成功预测了54个验证增强子中74%的细胞类型特异性。利用in silico进化（ISE）和L2距离成本函数，设计了针对心肌、体肌和内皮细胞的增强子。体内报告基因实验显示，所有心肌和体肌增强子均特异性地在靶细胞类型中活跃，但心肌增强子效率较低；内皮增强子中仅一个具有强特异性活性。此外，设计了双特异性增强子（心肌/体肌），大多数实现了双活性，但表达强度控制仍具挑战。基序分析揭示心肌和体肌共享MEF、TEAD和E-box基序，而心肌还包含GATA和NKX基序。

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： scATAC-seq、深度学习、迁移学习、基序分析、in silico进化
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事单细胞表观基因组学、增强子生物学或深度学习在基因组学中应用的研究人员。

带走一句

CREsted为scATAC-seq增强子建模提供了端到端、可扩展的解决方案，其多类模型和优化流程能有效解析细胞类型特异性调控语法，并支持跨物种预测和合成增强子设计。