基因组语言模型 Evo2 预测双向启动子活性并揭示植物保守调控机制

《Nature Communications》：Genomic language models decode bidirectional promoter activity and reveal conserved regulatory patterns across plant species

　　

摘要

双向启动子（BDPs）是能够协调相对定向基因转录的基因间区域，在真核生物的基因组中普遍存在，但其序列特征仍不明确。现有的BDP识别方法依赖于距离阈值，并且无法从DNA中推断其活性。在这里，我们使用Evo2这一基因组语言模型来预测BDP的活性，并揭示了四种植物（拟南芥、玉米、水稻和小麦）中序列编码的调控原理。我们根据共表达强度对BDPs进行分类，并将Evo2生成的嵌入特征与k-mer谱型、转录因子结合位点矩阵以及基于序列数据进行训练的卷积神经网络进行了比较。结果发现，Evo2生成的嵌入特征优于所有基线方法，证明了基因组语言模型能够捕获BDP活性背后的调控信息。在单一或多个物种上训练的模型能够迁移至未参与训练的物种；在互花米草（Spartina alterniflora）中的体内验证也证实了这些模型预测的BDP具有高活性。稀疏自编码器分析将Evo2生成的嵌入特征与核小体定位及物种特异性的转录因子分布联系起来，从而揭示了决定BDP活性的序列因素。这项工作展示了基因组语言模型如何从序列中提取双向启动子的调控逻辑，并识别出在多种植物中保守的调控规则。