DeepVRegulome：基于 DNABERT 的人类调控组组学功能影响预测深度学习框架
基因组学
2025-11-13 v1 人工智能
机器学习
摘要
全基因组测序 (WGS) 揭示了大量非编码短变异，其功能影响仍知之�少。尽管近期深度学习基因组方法取得了进展，但准确预测和优先排序基因调控区域内临床相关突变仍是主要挑战。本文介绍 DeepVRegulome，一种用于预测人类调控组中功能失活变异的深度学习方法，其结合了 700 个在 ENCODE 基因调控区域上进行微调的 DNABERT 模型，以及变异评分、Motif 分析、注意力可视化和生存分析。我们展示了其在 TCGA 脑肿瘤 WGS 数据集上的应用，用于优先排序与生存相关的突变和调控区域。分析结果识别出 572 处剪接破坏和 9,837 处转录因子结合位点改变突变，发生在脑肿瘤样本中超过 10% 的情况。生存分析将 1352 个突变和 563 个被破坏的调控区域与患者结局相关，从而通过非编码突变签名实现分层。所有代码、微调模型以及交互式数据门户均公开可用。
引用
@article{arxiv.2511.09026,
title = {DeepVRegulome: DNABERT-based deep-learning framework for predicting the functional impact of short genomic variants on the human regulome},
author = {Pratik Dutta and Matthew Obusan and Rekha Sathian and Max Chao and Pallavi Surana and Nimisha Papineni and Yanrong Ji and Zhihan Zhou and Han Liu and Alisa Yurovsky and Ramana V Davuluri},
journal= {arXiv preprint arXiv:2511.09026},
year = {2025}
}