《Frontiers in Systems Biology》：AI-based methods for the assessment of DNA damage and repair mechanisms
编辑推荐：
近年来，越来越多的人工智能（AI）驱动方法被开发出来，用于阐明与DNA损伤和氧化应激相关的化学-生物学相互作用。特别是基于深度学习的技术，已在分子生物学和毒理学领域展现出巨大潜力。因此，研究人员和临床医生都对AI赋能工具寄予厚望，期待其能很快对我们理解DNA损
近年来，越来越多的人工智能（AI）驱动方法被开发出来，用于阐明与DNA损伤和氧化应激相关的化学-生物学相互作用。特别是基于深度学习的技术，已在分子生物学和毒理学领域展现出巨大潜力。因此，研究人员和临床医生都对AI赋能工具寄予厚望，期待其能很快对我们理解DNA损伤与修复的分子和细胞机制做出有意义的贡献。本文就当代深度学习方法的计算学基础，进行了简要而全面的概述。我们考察了这些方法通过揭示损伤诱导和响应通路的机制性见解，以支持DNA损伤评估的能力。特别强调了旨在增强复杂生物学数据分析的深度学习技术，包括对彗星实验（comet assay）图像和基于显微镜平台的DNA损伤的自动化检测与定量。此外，我们批判性地评估了研究人员、生物学家和临床医生的期望，与当前AI技术在该领域的实际能力之间存在的差距程度。最后，我们展望了如何缩小这一差距，概述了为充分发挥AI在DNA损伤与修复研究中的潜力，而必须解决的关键方法学、数据驱动和转化挑战。
论文主体内容总结
1 引言
论文首先指出，DNA修复生物信息学中的计算挑战涉及处理DNA修复研究产生的大量复杂数据，整合包括基因组学、蛋白质组学、转录组学及其他组学模式在内的多种生物数据类型以阐明修复机制，并开发专门用于模拟复杂DNA修复过程和预测DNA损伤或修复缺陷后果的算法。尽管整合来自不同来源、实验平台和数据模式的数据的挑战是DNA修复机制研究中的热门话题，但这篇前瞻性文章更侧重于与通过计算建模方法检测和评估DNA损伤相关的问题。这些方法的主要目标是描述、解释和预测那些负责维持基因组完整性的精妙而必需机制的参与因子和过程。数据整合通常是DNA修复相互作用建模和计算模拟的准备步骤，已在文献中得到广泛讨论。
为实现DNA损伤评估及预测损伤结果，需要满足几个目标。首先，开发先进的计算模型和算法对于模拟DNA损伤与修复过程、预测修复基因突变的影响以及理解不同修复途径之间的相互作用至关重要。此类模型对于从描述性理解转向机制性和预测性理解至关重要。近年来（2020-2024年），计算毒理学和系统生物学研究已采用基于神经网络的模拟来分析双链断裂修复（DSBR）和碱基切除修复（BER）的动力学。特别值得注意的是那些将深度学习与基于主体的建模（agent-based modeling）相结合的混合框架，它们能够模拟多步骤DNA修复过程，并捕捉其动态和随机行为。
其次，在疾病背景下识别DNA修复失败的分子机制需要稳健的生物信息学工作流程。多种癌症和罕见疾病，如着色性干皮病、共济失调毛细血管扩张症和范可尼贫血，都源于DNA修复途径的缺陷。多组学整合、通路分析和蛋白质-蛋白质相互作用网络建模对于识别这些故障发生的位置和方式至关重要。AI驱动的模式识别方法可以进一步揭示将特定修复缺陷与不同临床表型联系起来的潜在分子特征。
第三，预测遗传变异和表观遗传修饰对DNA修复机制的影响，需要复杂的统计和机器学习方法。DNA修复途径受到遗传变异和表观遗传因素的严格调控。统计建模和机器学习技术，如回归模型、随机森林和贝叶斯网络，正越来越多地用于预测DNA修复基因中变异的功能后果及其致病相关性。
这些目标共同构成了一个统一的计算框架，其中基于AI的方法能够将异质生物数据与DNA修复动力学的预测和机制模型相结合。将AI整合到与DNA损伤和修复相关的研究和临床实践中正变得越来越普遍。尽管AI在DNA损伤与修复方面的基础应用出现在2018年至2020年间，但近期发展表明正在转向更深入的机制洞察。一个值得注意的例子是Pythia模型，它证明了CRISPR/Cas9诱导的双链断裂后的DNA修复结果强烈受局部DNA序列背景的影响，而非纯粹随机。通过并行学习序列依赖性插入和缺失模式，Pythia揭示了在特定位点倾向于微同源性介导的末端连接。这些预测已通过高通量测序得到实验验证。与此同时，基于大语言模型的工具，如CRISPR-GPT，已作为综合性研究助手出现。虽然此类工具不直接发现新的DNA修复机制，但它们显著增强了既定修复框架内的假设生成、实验规划和决策制定。
AI在DNA损伤研究中的快速演变和日益整合，使得向临床医生、生物学家和研究人员通报最新进展和近期前景变得至关重要，这也是本综述的主要动机。本文基于这样的观察：大多数数学和计算AI方法本身具有适应性，可应用于广泛的DNA损伤相关场景和数据类型。这些方法足够通用，可应用于多种修复机制。然而，这种灵活性并不意味着无需修改即可统一适用。为了提取有生物学意义的见解并实现高预测准确性，每种方法都必须针对特定的生物学问题和数据集进行适当调整。
2 DNA损伤与修复机制概述
2.1 DNA损伤与修复通路的生物学概述
DNA完整性不断受到内源性和外源性因素的挑战。为了保持基因组稳定性，细胞依赖一个整合的DNA损伤反应（DDR）。该反应检测DNA损伤，协调细胞周期检查点，并通过广泛的信号网络激活适当的修复途径。损伤感应和信号传导由ATM、ATR和PARP1等中心DDR调节因子协调。多种DNA修复途径已进化来解决不同类别的DNA损伤。尽管这些途径的核心酶促步骤已得到很好的表征，但它们的调控、协调和途径选择仍不完全清楚。重要的是，DNA修复途径并非孤立运作。修复机制、染色质重塑、转录调控和细胞周期控制之间存在广泛的相互作用。修复结果还受到随机效应、细胞核内的空间组织以及染色质结构动态变化的影响。这些特征对定量建模提出了重大挑战，并限制了仅从还原论实验方法中推导机制见解的程度。因此，人们对能够整合异质生物数据以推断不同条件下通路活性、修复结果和损伤严重程度的计算和基于AI的方法越来越感兴趣。
2.2 统计与机器学习方法
统计和经典机器学习方法长期以来一直是DNA损伤与修复计算分析的基础。这些模型因其在适度样本量情况下的鲁棒性、协变量的可解释性以及与既定验证框架的兼容性而保持吸引力。广泛使用的技术包括贝叶斯网络、逻辑回归、决策树、随机森林和支持向量机，每种方法在毒理基因组学、变异分类和氧化应激建模中都有其独特优势。贝叶斯网络捕获生物变量之间的条件依赖性，使得能够从转录组学或表观基因组学数据概率性地推断未观察到的过程，如通路激活。正则化逻辑回归模型，包括L1/L2和弹性网络变体，在二元分类任务中表现持续强劲，并提供适合风险分层的可解释效应估计。决策树算法提供直观的、基于规则的见解，但在小数据集中容易过拟合。随机森林通过聚合多棵树来缓解这一限制，并已成为识别与DNA损伤表型相关的有影响的基因、表观遗传特征和表达模式的标准工具。支持向量机，特别是具有径向基或多项式核的，非常适合在中等规模的数据集中分离复杂的表型类别。可解释性方法的最新进展，如SHAP分析，进一步提高了这些模型的透明度。
2.3 在DNA损伤与修复中的应用
在转录组学、蛋白质组学和高内涵成像数据集中，随机森林、支持向量机和惩罚逻辑回归模型已被用于对化合物遗传毒性进行分类并阐明其作用模式。特征重要性分数和贝叶斯网络边强度可以揭示通路水平的扰动，为有针对性的后续实验提供信息。稳健的分析流程通常包含批次校正、方差稳定化、嵌套交叉验证和概率校准，以最小化错误发现。对于DNA修复基因的变异分类，当整合序列水平特征、进化保守性、蛋白质结构域注释和表达数据时，预测性能会得到提高。逻辑回归和支持向量机在二元致病性预测方面仍具竞争力，而随机森林和贝叶斯网络在捕捉上位相互作用和上下文修饰因子方面具有优势。
尽管取得了实质性进展，但几种DNA修复机制，特别是关于定量动力学、跨通路相互作用以及时空调控方面，仍然不完全清楚。表1总结了关键的知识缺口。
2.3.1 AI驱动的DNA修复机制发现
DNA损伤研究中的一个核心挑战是理解细胞如何整合多种上下文信号来决定修复通路的参与。双链断裂修复，例如，涉及非同源末端连接和同源重组之间的竞争，通路选择受细胞周期阶段、染色质状态、损伤复杂性和信号动力学的影响。虽然单个通路组分已得到很好的表征，但它们的协调调控仍然难以仅用还原论方法解决。AI和机器学习方法通过整合异质数据集来推断调控依赖关系并在群体水平上表征修复动力学，从而应对这一挑战。贝叶斯网络模型已经重建了损伤信号标记、修复蛋白募集和细胞环境之间的概率关系，识别出染色质可及性和复制相关应激是同源重组参与的关键决定因素。这些方法产生的机制假设得到了实验验证的支持。除了通路选择，机器学习模型还捕捉了γH2AX病灶分辨和修复蛋白周转的时间模式，揭示了与高效修复与停滞修复相关的动力学特征。
3 用于DNA损伤与修复的人工智能建模范式
AI在DNA损伤与修复中的应用催生了多种建模范式，每种范式根据所研究的生物学问题提供不同的优势。本节重点讨论贝叶斯网络、人工神经网络及其相关的混合方法。贝叶斯网络特别适合对因果结构、条件依赖性和可解释性是核心的DNA修复过程进行建模。相比之下，人工神经网络擅长捕获高维数据中的非线性关系。最近的发展越来越多地探索混合和概率神经模型，包括贝叶斯神经网络，它试图将深度学习的表达能力与不确定性量化和生物学可解释性相结合。
3.1 用于分析DNA损伤与修复的人工神经网络
人工神经网络能够通过吸收复杂的生物学信息来检查DNA修复过程，以预测结果、评估遗传变异，并识别先前未认识的修复组分或通路。人工神经网络已广泛应用于高通量显微镜图像的分析，实现对DNA修复动力学的实时观察和DNA损伤反应中涉及蛋白质的自动化识别。其他应用包括预测遗传变异对DNA修复蛋白的功能影响、识别候选治疗化合物，以及对DNA修复与其他细胞过程（如自噬）之间的相互作用进行建模。一个最近的例子是GANDALF综合模拟框架，它将基于神经网络的回归与多尺度辐射损伤模拟相结合。GANDALF将微观辐射参数与纳米级DNA损伤结果联系起来，通过学习这种映射，该框架显著降低了纳米级模拟的计算成本。
3.2 贝叶斯网络与确定性神经网络
贝叶斯网络是可解释的AI模型，能够表示节点之间的因果关系。它们是概率图模型，其中边表示节点之间的因果关系。具体来说，贝叶斯网络是有向无环图，其结构类似于神经网络，对变量之间的依赖关系进行编码，并能够基于先验知识和新观察到的数据更新条件概率。贝叶斯网络的结构由与每个节点相关的定量变量、它们的边缘概率以及具有传入边的节点的条件概率分布定义。在生化或蛋白质-蛋白质相互作用网络的背景下，与节点相关的变量可能代表分子物种的浓度。贝叶斯网络与神经网络之间的关系尤其令人感兴趣。虽然神经网络在有向无环图设置中使用确定性函数，但贝叶斯网络利用从概率分布中有效抽取值的函数。
传统的贝叶斯网络假设概率分布是针对应用领域预先完全指定的。随着网络规模和复杂性的增长，这种假设变得越来越不切实际。特别是，随着与给定节点相关的父节点数量的增加，联合和条件概率分布变得越来越难以定义。当代机器学习方法超越了这种经典表述，使概率分布能够直接从数据中学习。当引入学习机制时，贝叶斯网络就演变成基于机器学习原理的一大类概率图模型。
贝叶斯网络也满足局部马尔可夫性。根据这个性质，给定节点的变量值仅取决于其直接父节点，而不依赖于不直接与之相连的更远的祖先。因此，在给定其直接父节点的值的情况下，一个节点条件独立于其非后代祖先。马尔可夫性质在机器学习的序列模型中广泛使用。贝叶斯网络为这些思想提供了一个自然的推广，允许不局限于线性或顺序结构的依赖关系，而是形成任意的有向无环图。
3.3 关于贝叶斯神经网络的应用与展望
贝叶斯网络在系统生物学中的有用性，特别是在DNA和基因生物学中，已被认识超过15年。现在人们普遍认识到，许多疾病具有遗传成分，但不遵循简单的显性或隐性孟德尔遗传模式。相反，这些情况可能是由多个基因与一个或多个环境风险因素共同作用引起的。使用传统的分析方法很难识别这种复杂表型性状背后的相互作用数量和性质。然而，揭示疾病的遗传基础并量化环境影响的相对贡献，是开发有效的个性化医疗框架的关键步骤。
人工神经网络被广泛认为是强大的函数逼近器。当有足够的数据可用时，神经网络擅长逼近复杂的输入-输出关系，使其在语音识别、图像分类和其他数据密集型AI应用中非常有效。然而，这种灵活性也带来了一个主要限制：神经网络特别容易过拟合。过拟合发生在学习算法使模型参数过于紧密地拟合训练数据时，导致在未见数据上的性能下降。现代深度神经网络通常包含数百万个参数，这大大增加了过拟合的风险。这种行为的一个关键后果是，标准的深度神经网络即使在面对其训练分布之外的数据时，也倾向于产生自信的预测，而在这种情况下，它们本应表达不确定性或承认知识不足。这个限制在医学和毒理学等高风险领域尤其成问题。
为了应对这个限制，可以通过随机神经网络将不确定性直接纳入学习过程。这些模型在网络权重或激活函数中引入随机性，从而能够表示多个合理的模型。不确定性是通过比较从不同采样参数化获得的预测或预报来量化的。贝叶斯神经网络因此被定义为一个使用贝叶斯推断训练的概率神经网络。当使用贝叶斯神经网络进行预测时，边际概率分布特别重要，它衡量了模型对其预测的不确定性。
总的来说，贝叶斯神经网络特别适合研究DNA修复机制和DNA损伤评估。这种适用性源于它们通过概率分布明确表示不确定性的能力，同时保持深度学习模型的可扩展性和表达能力。在许多情况下，贝叶斯神经网络可能优于经典贝叶斯网络，同时保持概率可解释性。
