《SCIENCE ADVANCES》:Cross-species prediction reveals chromatin regions with increased accessibility in humans
编辑推荐:
人类特异性遗传变异通过影响基因表达塑造了独特的人类性状。开放染色质区域(Open Chromatin Regions, OCRs)是与基因表达相关的关键调控元件,因此研究染色质可及性的变化对于理解人类进化至关重要。由于大型猿类表观遗传数据的可用性有限,研究人员
人类特异性遗传变异通过影响基因表达塑造了独特的人类性状。开放染色质区域(Open Chromatin Regions, OCRs)是与基因表达相关的关键调控元件,因此研究染色质可及性的变化对于理解人类进化至关重要。由于大型猿类表观遗传数据的可用性有限,研究人员开发了一种基于卷积神经网络(Convolutional Neural Network, CNN)的跨物种预测方法,用于识别人类中染色质可及性增加的区域,并将其命名为“人类预测增加染色质可及性区域”(human predicted increased chromatin accessibility regions, hPICAs)。利用有限的转座酶可及染色质测序(assay for transposase-accessible chromatin sequencing, ATAC-seq)数据,研究人员证明,仅基于人类染色质可及性数据训练的模型可以在其他灵长类动物中实现准确的预测。研究人员基于来自111种人类细胞类型的染色质可及性数据构建了预测模型,并建立了一个系统识别hPICAs的框架。研究表明,位于hPICAs内的变异更有可能通过改变转录因子结合位点(Transcription Factor Binding Sites, TFBS)来影响染色质可及性。最后,hPICAs在人类特异性性状相关区域中富集,为研究人类进化提供了一个先前未开发的视角。
该研究针对人类进化中调控元件的非编码区变异机制这一核心科学问题展开。长期以来,尽管序列保守性和进化速率被广泛应用于非编码区的功能预测,但许多调控元件并不保守,且单纯依靠序列比对无法确定其在特定细胞类型或发育阶段的活性。此外,由于非人灵长类组织样本的稀缺,现有研究多局限于少数组织(如脑),难以在全基因组范围内系统解析人类特异性表观遗传特征。为此,研究人员旨在克服跨物种表观数据匮乏的限制,利用深度学习技术建立一种不依赖异源实验数据即可预测跨物种染色质可及性差异的新范式,从而揭示塑造人类特有性状的调控基础。
关键技术方法包括:构建基于卷积神经网络(CNN)的跨物种预测模型,利用111种人类细胞类型的单细胞ATAC-seq数据训练模型并推断人类-黑猩猩祖先(Human-Chimpanzee Ancestor, HCA)序列;采用集成梯度(Integrated Gradients)方法进行模型可解释性分析以识别转录因子(TF)基序;利用FIMO软件预测细胞类型特异性TF结合位点,并通过模拟序列进化评估预测差异的统计显著性;结合GREAT及GWAS Catalog进行功能富集分析。样本队列来源于已发表的人类、黑猩猩和猕猴的淋巴母细胞系、前额叶皮层神经元/胶质细胞及布罗德曼区的ATAC-seq数据集。
研究结果
CNN在灵长类动物中实现了稳健的跨物种预测
研究人员收集了人类、黑猩猩和猕猴的染色质可及性数据集,分别训练CNN模型并评估其性能。结果显示,仅在人类数据上训练的CNN模型在其他灵长类物种的测试集上表现优异,其受试者工作特征曲线下面积(AUROC)和精确召回曲线下面积(AUPRC)与物种内独立训练的模型相当。通过集成梯度法分析发现,跨物种预测的高性能归因于模型学习到了高度保守的TF基序。
直系同源序列的预测差异与可及性差异之间的关联
研究人员通过计算直系同源序列间的预测差异[ΔPr = Pr (human) ? Pr (ape)],发现人类特异性峰(human-specific peaks)的ΔPr值显著高于共有峰(common peaks)。随着ΔPr阈值的增加,预测区域在实验鉴定的“人类增加可及性区域”中表现出显著的富集。这表明分类模型的预测差异可作为识别人类相对于其他灵长类染色质可及性增加区域的可靠指标。
跨物种预测准确性在单细胞ATAC-seq数据中持续存在
为了验证模型在单细胞数据上的适用性,研究人员收集了三种灵长类大脑布罗德曼区六种细胞类型的单细胞ATAC-seq数据。结果显示,基于伪批量(pseudo-bulk)数据训练的CNN在跨物种预测中仍保持高准确度,且预测差异与实验测量的可及性差异显著相关,证明了该方法在不同测序策略下的鲁棒性。
基于人类单细胞ATAC-seq图谱鉴定hPICAs
利用111种成人细胞类型的单细胞ATAC-seq数据,研究人员构建了个体化的CNN模型,并通过模拟祖先序列进化建立了零分布(null distribution)以评估显著性。最终鉴定出23,414个hPICAs,这些区域表现出高度的细胞类型特异性,并在启动子(promoters)、近端增强子(proximal enhancers)和远端增强子(distal enhancers)中显著富集。选择性清除分析显示,hPICAs的单核苷酸多态性(SNP)替代与多态性比率(S/P ratio)显著高于非hPICAs,表明其受到了正选择作用。
人类特异性变异主要改变hPICAs中的潜在TF结合位点
通过对祖先至人类的变异进行分类,并与潜在TF结合位点重叠分析,发现与非hPICAs相比,hPICAs中的单核苷酸变异(SNVs)和插入(insertions)显著富集于TF结合位点内,而缺失(deletions)无此现象。相比之下,传统定义的人类加速区域(HARs)虽然序列保守性更高,但其变异影响TF结合的能力弱于hPICAs。通过计算机诱变(in silico mutagenesis)进一步筛选出优先变异(prioritized variants),发现这些变异显著影响了参与细胞增殖、免疫调节和胚胎发育等过程的TF(如FOS、BACH1、FOXF2等)。
hPICAs在人类进化中的功能和表型关联
利用GREAT和GWAS Catalog进行富集分析,发现hPICAs显著富集于已知在人类进化中发生显著变化的表型相关基因,如骨量和体脂增加。具体案例研究表明,位于肾上腺皮质和食管上皮细胞中hPICAs的人类特异性SNV可通过创建新的TF结合位点(如FOSL2和BACH1),分别调控GSK3B和LEP基因的表达,进而影响葡萄糖调节和脂肪代谢。
结论与讨论
该研究成功开发了一种基于CNN的跨物种预测框架,克服了非人灵长类表观数据稀缺的瓶颈,系统鉴定了111种人类细胞类型中23,414个hPICAs。研究发现hPICAs具有高度的细胞类型特异性和正选择信号,其内部的人类特异性变异主要通过改变TF结合位点来调节染色质可及性,且这些区域与人类特异性性状(如骨骼形态和体脂分布)密切相关。相较于依赖序列保守性的传统方法(如HARs),该深度学习策略在捕捉功能性非编码变异方面具有显著优势,为阐明人类特异性表型的遗传调控机制提供了全新的研究范式。尽管该方法在远缘物种中的应用及变异组合效应的复杂性仍需进一步探索,且预测结果有待湿实验验证,但该工作无疑为比较表观基因组学和人类进化研究开辟了重要的新途径。该研究成果发表于《SCIENCE ADVANCES》。