DeepBurst：基于染色质修饰谱预测基因转录突发频率与大小的深度学习模型

《Communications Biology》：Predicting transcriptional burst kinetics from histone modifications with deep learning

　　```

摘要

转录过程本质上具有突发性，而突发的频率和大小提供了具有机制意义的表型特征，这些特征并不能仅通过平均表达水平来唯一确定。然而，在基因组尺度上量化染色质修饰模式如何编码这些突发动态仍然具有挑战性。在这里，我们展示了一个深度学习模型DeepBurst，它能够根据转录起始位点周围的染色质修饰谱预测特定基因的突发频率和大小模式。DeepBurst利用自注意力机制学习组合性的、位置依赖的预测模式，并通过使用基于机制的突发模型从单细胞转录组数据中推断出训练标签。在三种人类细胞系和两种标签推断方法中，DeepBurst在不同染色体分割条件下均表现出一致的性能，并且具有很强的跨细胞类型泛化能力。模型解析表明，突发频率受益于更广泛的染色质环境，而突发大小则更受启动子附近信号的影响。在计算机模拟的环境下，通过对模型进行限制性的扰动实验，进一步识别出可能改变突发模式的染色质谱变化。因此，DeepBurst能够将易于测量的染色质修饰模式映射到难以直接检测的转录突发动态上，同时为未来的扰动研究提供了可验证的假设。

```