Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
LocoGen научился генерировать новые регуляторные последовательности ДНК, не разрушая участки, от которых зависит работа гена. В работе Wellcome Sanger Institute метод лучше глобального управления совместил прогнозируемую активность, новизну и правдоподобную структуру мотивов, хотя препринт не рецензирован и числа получили сами авторы. Для команд это способ менять поведение готовой диффузионной модели при генерации, не переобучая её основу.
Почему одной награды недостаточно
Обычная схема направляет генератор к последовательностям, которым внешний предиктор активности ставит высокий балл. Модель быстро находит способы увеличить этот балл, но высокий прогноз ещё не означает, что последовательность сохранит естественную регуляторную грамматику.
Работа выделяет два варианта такой подгонки под награду. В одном модель концентрирует несколько мотивов, которые особенно нравятся конкретному предиктору. В другом меняет общий состав последовательности настолько, что результат отдаляется от естественной ДНК.
Поэтому авторы разделили оценку на три оси. Свойство показывает ожидаемую активность, новизна — насколько результат отличается от обучающих данных, а правдоподобие — сохраняет ли он естественные плотность и разнообразие регуляторных мотивов. Кандидат имеет смысл передавать в лабораторию, только если не проваливает две последние оси ради первой.
Причина проблемы скрыта в неоднородности последовательности. Мотивы чувствительны к заменам, тогда как промежутки между ними допускают больше вариантов. Глобальный коэффициент управления действует на все позиции одинаково и не различает эти роли.
Как маска отделяет мотивы от фона
LocoGen добавляет к генератору обучаемый разделитель. Он строит мягкую маску: позиции, важные для активности, относит к инвариантной части, а остальные — к фону, где можно искать новые варианты.
Маску не получают из обычной карты значимости одного предиктора. Выбранные фрагменты должны сами предсказывать активность и делать это одинаково хорошо в автоматически найденных группах последовательностей. Если качество сильно зависит от группы, функция потерь штрафует маску: значит, она захватила случайный признак среды, а не устойчивую регуляторную закономерность.
Дополнительные ограничения делают маску разреженной и собирают выбранные позиции в непрерывные участки. В проверках эти участки чаще содержали связанные с активностью мотивы JASPAR, а их удаление сильнее влияло на прогноз, чем удаление случайных фрагментов того же размера.
Во время обратной диффузии LocoGen оценивает ещё не полностью восстановленную последовательность и ослабляет влияние базовой модели только на фоновых позициях. Это управление выходом за обучающее распределение (out-of-distribution, OOD) выравнивает вероятности нуклеотидов и добавляет разнообразие. На позициях мотивов исходное распределение остаётся без такого ослабления; при этом градиент целевой активности продолжает направлять генерацию.
Масштаб этого градиента пересчитывается на каждом шаге относительно сигнала базовой модели. Так целевое свойство не подавляет естественную статистику последовательностей и не исчезает на этапах, где градиент становится слабым.
Что результат меняет в планах разработки
На HepG2 локальное управление дало прогноз активности 4,679 против 4,608 у глобального варианта. Прогноз доступности хроматина ATAC вырос с 0,691 до 0,716. Разрыв невелик, но он согласуется с проверкой маски: если намеренно нарушать найденные инвариантные позиции, свойства последовательностей ухудшаются.
Простого сохранения мотивов недостаточно. Контрольный вариант, который оставлял найденные участки на месте и перемешивал фон, заметно уступил полной генеративной схеме. Эффект даёт сочетание маски, направленного поиска свойства и управляемого разнообразия, а не одна сегментация последовательности.
Метод проверяли вычислительно на человеческих энхансерах длиной 200 пар оснований из набора примерно на 700 тысяч последовательностей для клеточных линий HepG2, K562 и SK-N-SH. Результаты оценивали независимыми предикторами, которые не участвовали в управлении генерацией; замена предикторов и перебор настроек в основном сохранили расстановку методов. Масштаб работы пока задаёт именно этот контур: короткие регуляторные последовательности и прогнозы свойств, а не лабораторная проверка синтезированных кандидатов.
Если команда уже использует дискретную диффузионную модель, LocoGen не требует переобучать её под новую схему управления. Понадобятся отдельный предиктор свойства, данные с измеренной активностью для обучения разделителя и изменённый алгоритм выборки.
Практический вывод шире конкретной архитектуры: для структур, где разные позиции несут разные функции, одного коэффициента силы управления мало. Стоит сначала определить участки, которые нельзя свободно менять, и только затем направлять поиск в оставшемся пространстве.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
