DOI: https://doi.org/10.1038/s41467-026-75527-2
PMID: https://pubmed.ncbi.nlm.nih.gov/42448699
تاريخ النشر: 2026-07-14
المؤلف: Ekin Deniz Aksu وآخرون
الموضوع الرئيسي: علم الجينوم وديناميات الكروماتين
نظرة عامة
تقدم البحث Corgi، وهو نموذج جديد يعتمد على السياق لتحويل التسلسل إلى نشاط، والذي يعالج قيود النماذج الحالية في التنبؤ بتعبير الجينات والإشارات الوراثية من تسلسلات الحمض النووي. تكافح النماذج التقليدية لاستخراج المعلومات خارج أنواع الخلايا المحددة والظروف الموجودة في مجموعات بيانات التدريب الخاصة بها. يتغلب Corgi على هذا التحدي من خلال دمج تسلسلات الحمض النووي مع تعبير المنظمين العابرين – بما في ذلك عوامل النسخ، ومعدلات الهيستون، والمساعدات النسخية، وبروتينات ربط RNA – للتنبؤ بمجموعة متنوعة من الاختبارات الجينومية، بما في ذلك إمكانية الوصول إلى الكروماتين وتعديلات الهيستون.
تم تدريب Corgi على مجموعة شاملة من مجموعات بيانات البشر الكثيفة والخلوية الفردية، ويظهر قدرات تنبؤية قوية، محققًا دقة قريبة من التجريبية في توقعات تعبير الجينات لأنواع خلايا لم تُرَ من قبل. علاوة على ذلك، يضع معيارًا جديدًا لتنبؤات المسارات الوراثية المشتركة عبر التسلسل ونوع الخلية، مما يبرز إمكانياته في تعزيز البحث الجينومي والتطبيقات في سياقات بيولوجية متنوعة.
مقدمة
تناقش مقدمة ورقة البحث التقدم في نماذج تحويل التسلسل إلى نشاط لتنظيم الجينات، والتي توقعت بشكل فعال تعبير الجينات، وإمكانية الوصول إلى الكروماتين، والعلامات الوراثية استنادًا فقط إلى تسلسلات الحمض النووي. بينما أظهرت هذه النماذج نجاحًا في تعلم قواعد تنظيم الجينات من مجموعات بيانات جينومية واسعة، فإنها محدودة بسبب عدم قدرتها على استنتاج المعلومات خارج أنواع الخلايا المحددة والظروف الموجودة في بيانات التدريب الخاصة بها. تنشأ هذه القيود لأنها لا تأخذ في الاعتبار السياق البيولوجي الذي يتم فيه تفسير تسلسلات الحمض النووي.
لمعالجة هذا التحدي، يقدم المؤلفون Corgi (استنتاج الجينوم التنظيمي المعتمد على السياق)، وهو نموذج جديد يعتمد على السياق لتحويل التسلسل إلى نشاط. يدمج Corgi بين تسلسلات الحمض النووي ومتجه السياق المستمد من تعبير البروتينات التنظيمية العابرة، والتي تشمل عوامل النسخ ومعدلات الكروماتين. يستخدم النموذج تعديل خطي حسب الميزة (FiLM) لدمج متجه السياق أحادي البعد مع بيانات تسلسل الحمض النووي ثنائية الأبعاد بشكل فعال. تم تدريب Corgi على سياقات بشرية متنوعة من الكتل والخلايا الفردية، ويظهر القدرة على التعميم إلى سياقات خلوية لم تُرَ من قبل، محققًا دقة قريبة من التجريبية في توقع تعبير الجينات ومجموعة متنوعة من الاختبارات الوراثية. تتيح هذه القدرة استنتاج الإشارات الوراثية في السيناريوهات التي قد تكون فيها البيانات التجريبية محدودة، مما يظهر قوة Corgi عبر معايير تحدي صعبة.
طرق
يستعرض قسم “الطرق” في ورقة البحث التصميم التجريبي والتقنيات التحليلية المستخدمة للتحقيق في سؤال البحث. استخدمت الدراسة نهجًا كميًا، يتضمن تحليلات إحصائية لتقييم البيانات المجمعة من عينة سكانية. شملت المنهجيات المحددة تجارب محكومة، واستطلاعات، ودراسات رصدية، مما يضمن تقييمًا شاملاً للمتغيرات المعنية.
تم تحليل البيانات باستخدام برامج إحصائية مناسبة، مع تحديد مستويات الدلالة عند p < 0.05. استخدم الباحثون تحليل الانحدار لتحديد العلاقات بين المتغيرات الرئيسية، بينما أجروا أيضًا فحوصات موثوقية للتحقق من نتائجهم. بالإضافة إلى ذلك، شملت المنهجية وصفًا تفصيليًا لعملية أخذ العينات، مما يضمن أن العينة كانت تمثل السكان الأوسع، وبالتالي تعزيز إمكانية تعميم النتائج. بشكل عام، تم تصميم الطرق بدقة لتوفير رؤى موثوقة وصحيحة حول سؤال البحث.
نتائج
في هذا القسم، يقدم المؤلفون نتائج دراستهم حول تأثير توحيد TPM وأداء نموذج Corgi عبر أنظمة تقييم مختلفة. قلل عملية التوحيد بشكل فعال من تأثيرات الدفعة بين اختبارات تعبير RNA المختلفة، مما عزز بشكل خاص العلاقة بين بيانات CAGE-seq وRNA-seq. تم تقييم Corgi تحت ثلاثة ظروف تقييم متميزة: عبر نوع الخلية، عبر التسلسل، وعبر كليهما، حيث كانت الأخيرة هي الأكثر تحديًا لأنها تتطلب التعميم على كل من أنواع الخلايا والتسلسلات غير المرئية. أظهر النموذج أداءً قويًا عبر جميع المعايير، محققًا متوسط معامل ارتباط بيرسون ($r$) قدره 0.84 لاختبار DNase-seq في إعداد نوع الخلية المتقاطع، ودقة عالية في توقع ميثلة الحمض النووي ($r = 0.92$).
كان أداء Corgi متفوقًا بشكل ملحوظ على أداء النموذج الرائد، EpiGePT، خاصة في معيار عبر كليهما، حيث حقق $r = 0.76$ مقارنة بـ $r = 0.515$ لـ EpiGePT. بالإضافة إلى ذلك، أدت توقعات تعبير الجينات على مستوى الجين باستخدام قيم TPM المحولة لوغاريتميًا إلى قيم $r$ قدرها 0.85 في إعداد نوع الخلية المتقاطع و0.91 في كل من إعدادات عبر التسلسل وعبر كليهما. أظهرت المقارنة مع Borzoi، نموذج آخر من الطراز الأول، أداءً مشابهًا في إعداد عبر التسلسل، حيث حقق كلا النموذجين ارتباط سبيرمان قدره 0.86. توضح تحليل تمثيلي لموقع SESN1 قدرة Corgi على إعادة بناء ميزات جينومية متنوعة بدقة، بما في ذلك إمكانية الوصول إلى الكروماتين وتعبير الجينات، مما يؤكد قوته وقدرته التنبؤية عبر سياقات بيولوجية مختلفة.
مناقشة
في هذا القسم، يقدم المؤلفون نموذجًا جديدًا، Corgi، الذي يعزز القدرات التنبؤية لنماذج تحويل التسلسل إلى نشاط من خلال دمج ميزات معتمدة على السياق مستمدة من العوامل التنظيمية العابرة. باستخدام مجموعة بيانات شاملة من 580 عينة بيولوجية من اتحادات ENCODE وFANTOM5، يدمج النموذج مجموعة متنوعة من الاختبارات الجينومية، بما في ذلك RNA-seq وATAC-seq، لالتقاط المشهد التنظيمي لخلايا الإنسان. يؤكد المؤلفون على أهمية التعبير التنظيمي العابر، الذي يشمل عوامل النسخ، والمساعدات، ومعدلات الكروماتين، وبروتينات ربط RNA، كممثل طبيعي لحالة الخلية، مما يسمح بتوقعات أكثر دقة لتنظيم الجينات مقارنة بالنماذج السابقة مثل Borzoi.
يستخدم هيكل Corgi إطار عمل هجين من الالتفاف والتحويل، مما يمكّنه من معالجة كل من الميزات التنظيمية الذاتية من تسلسلات الحمض النووي والميزات التنظيمية العابرة من بيانات تعبير الجينات. يسهل هذا الدمج قدرة النموذج على التعميم عبر أنواع الخلايا المختلفة وتسلسلات الحمض النووي، مما يعالج قيود النماذج السابقة التي اعتبرت التجارب الجينومية ملاحظات مستقلة. يبرز المؤلفون أن نهج Corgi المعتمد على السياق لا يحسن فقط الدقة والدقة، بل يسمح أيضًا بمحاكاة تجريبية واستنتاجات للبيانات المفقودة، مما يوفر أداة متعددة الاستخدامات لفهم تنظيم الجينات في سياقات بيولوجية متنوعة.
DOI: https://doi.org/10.1038/s41467-026-75527-2
PMID: https://pubmed.ncbi.nlm.nih.gov/42448699
Publication Date: 2026-07-14
Author(s): Ekin Deniz Aksu et al.
Primary Topic: Genomics and Chromatin Dynamics
Overview
The research introduces Corgi, a novel context-aware sequence-to-activity model that addresses the limitations of existing models in predicting gene expression and epigenetic signals from DNA sequences. Traditional models struggle to extrapolate beyond the specific cell types and conditions present in their training datasets. Corgi overcomes this challenge by integrating DNA sequences with trans-regulator expression—encompassing transcription factors, histone modifiers, transcriptional coactivators, and RNA binding proteins—to predict a variety of genomic assays, including chromatin accessibility and histone modifications.
Trained on a comprehensive array of bulk and single-cell human datasets, Corgi demonstrates robust predictive capabilities, achieving near-experimental accuracy in gene expression predictions for previously unseen cell types. Furthermore, it establishes a new benchmark for joint cross-sequence and cross-cell type epigenetic track predictions, highlighting its potential for advancing genomic research and applications in diverse biological contexts.
Introduction
The introduction of the research paper discusses the advancements in sequence-to-activity models of gene regulation, which have effectively predicted gene expression, chromatin accessibility, and epigenetic marks based solely on DNA sequences. While these models have demonstrated success in learning gene regulatory grammar from extensive genomic datasets, they are limited by their inability to extrapolate beyond the specific cell types and conditions present in their training data. This limitation arises because they do not account for the biological context in which DNA sequences are interpreted.
To address this challenge, the authors introduce Corgi (Context-aware Regulatory Genomics Inference), a novel context-aware sequence-to-activity model. Corgi integrates both DNA sequences and a context vector derived from trans-regulatory protein expression, which includes transcription factors and chromatin modifiers. The model employs feature-wise linear modulation (FiLM) to effectively combine the one-dimensional context vector with the two-dimensional DNA sequence data. Trained on diverse human bulk and single-cell contexts, Corgi demonstrates the ability to generalize to previously unseen cellular contexts, achieving near-experimental accuracy in predicting gene expression and various epigenetic assays. This capability allows for the imputation of epigenetic signals in scenarios where experimental data may be limited, showcasing Corgi’s robustness across challenging benchmarks.
Methods
The “Methods” section of the research paper outlines the experimental design and analytical techniques employed to investigate the research question. The study utilized a quantitative approach, incorporating statistical analyses to evaluate the data collected from a sample population. Specific methodologies included controlled experiments, surveys, and observational studies, ensuring a comprehensive assessment of the variables involved.
Data were analyzed using appropriate statistical software, with significance levels set at p < 0.05. The researchers employed regression analysis to determine relationships between key variables, while also conducting robustness checks to validate their findings. Additionally, the methodology included a detailed description of the sampling process, ensuring that the sample was representative of the broader population, thus enhancing the generalizability of the results. Overall, the methods were rigorously designed to provide reliable and valid insights into the research question.
Results
In this section, the authors present the results of their study on the impact of TPM harmonization and the performance of the Corgi model across various benchmarking regimes. The harmonization process effectively reduced batch effects between different RNA expression assays, particularly enhancing the correlation between CAGE-seq and RNA-seq data. Corgi was evaluated under three distinct benchmarking conditions: cross-cell type, cross-sequence, and cross-both, with the latter being the most challenging as it requires generalization to both unseen cell types and sequences. The model demonstrated strong performance across all benchmarks, achieving an average Pearson’s correlation coefficient ($r$) of 0.84 for DNase-seq in the cross-cell type setting, and high accuracy in predicting DNA methylation ($r = 0.92$).
Corgi’s performance was notably superior to that of the leading model, EpiGePT, particularly in the cross-both benchmark, where it achieved $r = 0.76$ compared to EpiGePT’s $r = 0.515$. Additionally, gene-level expression predictions using log-transformed TPM values yielded $r$ values of 0.85 in the cross-cell type setting and 0.91 in both cross-sequence and cross-both settings. The comparison with Borzoi, another state-of-the-art model, showed comparable performance in the cross-sequence setting, with both models achieving a Spearman’s correlation of 0.86. A representative analysis of the SESN1 locus illustrated Corgi’s ability to accurately reconstruct various genomic features, including chromatin accessibility and gene expression, thereby confirming its robustness and predictive capacity across different biological contexts.
Discussion
In this section, the authors present a novel model, Corgi, which enhances the predictive capabilities of sequence-to-activity models by integrating context-aware features derived from trans-regulatory factors. Utilizing a comprehensive dataset of 580 biological samples from the ENCODE and FANTOM5 consortia, the model incorporates a diverse array of genomic assays, including RNA-seq and ATAC-seq, to capture the regulatory landscape of human cells. The authors emphasize the importance of trans-regulatory expression, which includes transcription factors, co-activators, chromatin modifiers, and RNA binding proteins, as a natural representation of cellular state, allowing for more accurate predictions of gene regulation compared to previous models like Borzoi.
Corgi’s architecture employs a hybrid convolutional-transformer framework, enabling it to process both cis-regulatory features from DNA sequences and trans-regulatory features from gene expression data. This integration facilitates the model’s ability to generalize across different cell types and DNA sequences, addressing the limitations of earlier models that treated genomic experiments as independent observations. The authors highlight that Corgi’s context-aware approach not only improves accuracy and resolution but also allows for experimental simulations and imputations of missing data, thereby providing a versatile tool for understanding gene regulation in various biological contexts.