深度学习在调控基因组学中的应用：模型演进、挑战与前景

《Bioinformatics Advances》：Deep Learning for Regulatory Genomics: A Survey of Models, Challenges, and Applications

本综述聚焦深度学习在调控基因组学中的前沿进展，系统梳理了从传统神经网络到Transformer、图神经网络等先进模型在解码非编码基因组区域复杂调控机制中的应用。研究涵盖转录因子结合、染色质可及性、RNA加工及RNA-蛋白相互作用等关键场景，强调可解释性模型开发对功能基因组注释的重要意义，为领域研究者提供跨组学整合与单细胞分析的技术路线图。

　　

在基因组学的广阔图景中，基因调控机制的解密一直是生命科学领域的核心挑战。随着高通量测序技术的爆发式发展，科研人员获得了海量的基因组、表观基因组和转录组数据，但如何从这些数据中提取有生物学意义的规律，却成为新的瓶颈。传统机器学习方法如逻辑回归、支持向量机等依赖人工特征工程，在面对复杂且先验知识有限的基因调控问题时往往力不从心。正是在这样的背景下，深度学习技术以其强大的特征自动提取能力，为解码基因调控的"语法规则"带来了革命性机遇。

这篇发表在《Bioinformatics Advances》上的综述文章系统梳理了深度学习在调控基因组学中的应用全景。研究人员发现，生物数据格式与自然语言处理模型具有天然兼容性——DNA、RNA序列的调控语法与语言结构高度相似，这使得卷积神经网络(CNN)、循环神经网络(RNN)等模型能有效识别调控元件的空间模式。而近年来Transformer模型的自注意力机制更突破了传统模型的序列长度限制，能捕捉长达100kb的远端调控元件相互作用。

为系统评估深度学习在基因调控中的应用效能，研究团队从模型架构演进、多组学整合、可解释性等维度展开分析。关键技术方法包括：基于ENCODE、Roadmap Epigenomics等公共数据库的跨组织验证策略；结合染色质构象捕获(Hi-C)数据的图注意力网络；利用大规模并行报告 assays(MPRA)生成的外源序列训练；以及集成梯度、SHAP等归因算法驱动的模型解释框架。

神经网络在基因调控案例研究中的应用

过去十年间，基因调控研究中的神经网络模型主要受自然语言处理(NLP)和计算机视觉领域启发。早期应用多使用多层感知机(MLP)处理表格化组学数据，而卷积神经网络(CNN)因其能保持序列空间结构的特点，在DNA、RNA和蛋白质原始序列分析中展现独特价值。更具突破性的是Transformer模型，其自注意力机制能有效建模序列内的成对关系，无需CNN或RNN的归纳偏置。例如基于Transformer的Enformer模型在预测基因表达时，能关注到远端调控元件（最远100kb），显著超越基于CNN的 predecessors。针对三维基因组结构的重要性，GraphReg等模型通过图注意力网络显式建模启动子-增强子相互作用，在需要三维上下文的任务中优于纯序列CNN模型。

基因组学在基因调控案例研究中的应用

本章节重点综述了深度学习在基因组层面基因调控的应用。DeepBind(Alipanahi等,2015)作为开创性工作，首次使用CNN预测核酸-蛋白质结合；DeepSEA(Zhou和Troyanskaya,2015b)则通过多任务CNN模型同时预测DNase I超敏性(DHS)、转录因子(TF)结合和组蛋白修饰。随后发展的Basenji(Andlauer等,2016)采用扩张卷积处理长基因组序列，而Expecto(Zhou等,2018a)进一步扩展输入尺寸并整合回归分析用于基因表达预测。在三维基因组建模方面，Akita(Fudenberg等)能预测基因组折叠，Orca(Zhou,2022)在此基础上实现多分辨率预测，GraphReg(Karbalayghareh等,2022)则通过整合3D基因组数据显著提升基因表达预测精度。

转录组学在基因调控案例研究中的应用

RNA剪接是真核生物转录组多样性的关键来源，通过使用多聚腺苷酸化位点(PAS)产生具有不同3'非翻译区(3' UTR)的mRNA。早期深度学习模型如CNNProm(Umarov和Solovyev,2017)使用1-2层CNN区分启动子/非启动子序列；DeeReCT-PromID(Umarov等,2019)将输入扩展至600bp并引入复杂负例选择策略降低假阳性。在RNA剪接方面，SpliceAI(Jaganathan等,2019)首次直接从原始pre-mRNA序列预测所有剪接类型，而Pangolin(Zeng和Li,2022)将其扩展为多任务框架。对于多聚腺苷化调控，DeeReCT-PolyA(Xia等,2019)和APARENT(Bogard等,2019)分别通过CNN模型预测PAS活性和优化调控序列。此外，RNATracker(Yan等,2019)基于序列和二级结构数据预测mRNA亚细胞定位，而DeepBind也适用于RNA-蛋白质相互作用预测。

现有深度学习应用在基因调控中的局限性

尽管取得显著进展，深度学习在基因调控中的应用仍面临通用机器学习挑战和领域特定问题。过拟合现象尤为突出——模型在基准数据集表现良好但泛化能力不足。这源于多种因素：生物研究中数据可用性有限，仅小部分基因组/转录组/蛋白质组与特定调控事件相关；生物和技术变异（如Basenji研究中生物学重复间Pearson相关性仅0.479）进一步制约模型泛化能力。多数模型（如DeepSEA、Basset、ExPecto）仅使用人类参考基因组内源序列训练，限制其对遵循不同调控语法的新变体的适用性。仅少数模型（如Cuperus等对5'UTR翻译效率研究、APARENT对多聚腺苷化研究）利用MPRA数据生成的外源序列测量值，凸显了训练数据集多样化的迫切需求。

模型可解释性是调控基因组学应用的关键阈值。归因技术（集成梯度、SHAP、DeepLIFT）能识别组织特异性转录因子 motifs并评估其贡献；Transformer模型（如DNABERT、Enformer）的注意力机制可揭示跨物种染色质可及性的长程依赖关系；扰动技术（如计算机突变生成）支持直接验证变异效应。这些框架将深度学习从黑箱预测器转变为假设生成工具，揭示不同细胞类型特异性调控逻辑及其跨组织/物种差异。

讨论与结论

深度学习模型在调控基因组学中的开发和评估日益依赖可重复、可扩展的计算环境。Nextflow、Snakemake等工作流编排框架和Mars(Ismail和Amarasoma,2025)等容器化解决方案通过封装依赖关系和标准化执行，确保预处理、模型训练和评估步骤的可重复性。将可解释性技术融入模型构建使研究人员能深入理解基因调控机制——BPNet不仅预测碱基分辨率转录因子结合，还揭示因子间的协同结合语法；DeepMEL的跨物种增强子研究揭示多组织中增强子逻辑的异同。这些案例凸显可解释模型在提供生物学意义发现方面的潜力。

展望未来，该领域正转向基础规模、多模态架构（如AlphaGenome(Avsec等,2025)），其将基因组、表观基因组和转录组数据统一在单一深度学习框架内，反映基因调控整体建模趋势。然而，克服过拟合、数据稀缺和生物变异性等限制仍需多管齐下：数据增强（序列移位、核苷酸替换）、高级正则化（对抗训练）和跨联盟验证（ENCODE与GTEx交叉测试）等策略将助力开发具有真实生物可解释性和跨语境泛化能力的模型。随着可解释性框架与多组学整合的持续深化，深度学习有望最终解码基因调控的语法规则，推动精准医学和功能基因组学进入新纪元。