Transformer-GAN解码牙周炎表观遗传增强子-启动子互作网络：炎症基因调控与生物标志物发现的深度学习框架

本研究针对牙周炎中增强子-启动子（E-P）互作机制不明的科学问题，开发了整合DNA甲基化与RNA-seq数据的Transformer-GAN深度学习模型，成功预测262个高置信度E-P互作，揭示IL-1β、IL-6等炎症基因的协同调控网络。该模型（AUC-ROC=0.725）首次阐明牙周炎中增强子低甲基化通过NF-κB、TNF等通路驱动基因表达，其互作评分对治疗反应的预测效能（F1-score:0.82）超越传统指标，为精准诊疗提供新范式。

　　

牙周炎作为全球高发的慢性炎症性疾病，其组织破坏机制长期困扰着临床诊疗。传统研究多聚焦于微生物因素或基因表达变化，却忽视了更高维度的表观遗传调控网络——特别是增强子（enhancer）与启动子（promoter）间的远程对话。这种三维基因组层面的调控异常，可能是驱动IL-1β、TNF等炎症因子暴发的"隐形开关"。然而，由于染色质构象检测技术（如Hi-C）的高成本与低通量，以及传统计算方法对非线性关系的捕捉不足，牙周炎的特异性基因调控图谱始终未能破解。

为突破这一瓶颈，Prabhu Manickam Natarajan与Pradeep Kumar Yadalam团队创新性地将对抗生成网络（GAN）与Transformer架构结合，开发了专用于牙周炎的多组学分析框架。研究选取GEO数据库中36例匹配的牙周组织样本（健康/牙龈炎/牙周炎各12例），通过Illumina EPIC甲基化芯片（GSE173081）和RNA-seq（GSE173078）数据，构建包含甲基化差异（Δβ）、基因表达变化（log2FC）、相关性指标等特征的预测体系。

关键技术包括：1）使用minfi包处理850K甲基化数据，经FunNorm标准化后筛选8,142个差异甲基化位点（DMPs）；2）通过TMM方法标准化RNA-seq数据，鉴定733个差异表达基因（DEGs）；3）设计Transformer-GAN模型，其生成器采用双头注意力机制捕捉长程依赖，判别器通过对抗训练提升数据不平衡下的泛化能力；4）功能验证采用GO/KEGG富集分析和网络拓扑学方法。

主要研究结果

Differential methylation and expression

分析发现68%的DMPs呈现低甲基化，且显著富集于增强子区域（OR=2.3）。关键炎症基因IL-1β、IL-8表达量提升2.8-3.2倍，其上游增强子甲基化水平与表达量呈强负相关（r=-0.62）。

Transformer-GAN performance

模型在测试集表现优异（AUC-ROC=0.725），甲基化变化（35%贡献度）与表达量变化（28%）被识别为最关键特征。相较传统线性模型，其捕捉非线性互作的能力使预测精度提升21%。

Identified E–P interactions

发现的262对E-P互作中，IL-8以44个互作成为最大枢纽节点，其与远端增强子的平均距离为45.2kb。Circos图显示染色体6/8存在调控热点，与已知的炎症基因簇位置吻合。

Functional characterisation

KEGG分析揭示NF-κB（P=4.5×10^-11）、TNF（P=7.8×10^-10）通路显著激活。时序分析显示E-P互作评分在疾病进展中保持稳定，而基因表达仅短暂波动。

讨论与意义

该研究首次绘制了牙周炎特异的E-P互作图谱，揭示增强子低甲基化通过"表观遗传开关"机制持续激活炎症网络。临床转化方面，基于5个CpG位点的诊断模型准确率达85%-90%，且E-P评分对治疗响应的预测力（F1-score:0.82）超越传统临床指标。这为开发表观遗传疗法（如靶向DNA甲基转移酶抑制剂）提供了新靶点。

研究也存在局限性：缺乏单细胞分辨率可能掩盖细胞异质性，且需通过CRISPR实验验证关键增强子功能。未来可探索唾液样本的无创检测，或将框架拓展至糖尿病等共病研究。论文发表于《International Dental Journal》，标志着深度学习在口腔表观遗传学应用的重大突破。