《Genome Biology》：Comparing machine learning methods predicting transcriptome from epigenome with applications to association studies
编辑推荐：
理解表观基因组（epigenome）变异如何在疾病和发育中影响基因表达是一项根本挑战。调控区域（regulatory regions）表现出细胞类型特异性的表观基因组活性，并在位置、大小及与目标基因的距离上存在差异，这增加了发现和分析的复杂性。近期提出的机器学
理解表观基因组（epigenome）变异如何在疾病和发育中影响基因表达是一项根本挑战。调控区域（regulatory regions）表现出细胞类型特异性的表观基因组活性，并在位置、大小及与目标基因的距离上存在差异，这增加了发现和分析的复杂性。近期提出的机器学习（machine learning）模型通过学习函数从表观基因组数据（epigenomic data）预测基因表达（gene expression）以解决这些问题。研究人员利用大规模IHEC EpiATLAS数据集对最先进的线性和非线性方法进行基准测试。研究人员针对超过28,000个人类基因对每种方法进行了优化，提供了推断出的基因模型调控目录。深入比较显示，基因特征和位点的表观基因组复杂性影响了预测表观基因组到转录组关联（epigenome-to-transcriptome association）的难度。研究人员进一步使用CRISPRi和eQTL验证数据评估了模型性能。基于这些模型，研究人员以系统方式进行了组蛋白乙酰化关联研究（histone-acetylation association studies），以探究表观遗传变异（epigenetic variation）如何影响基因表达。基于模型的分析揭示了与已知疾病功能相关的患者数据中与B细胞白血病（B-cell leukemia）相关的基因和调控区域。研究人员的工作通过在逐个基因基础上进行方法基准测试、展示其在疾病情境下的应用并向社区提供训练模型，为将表观基因组变异与人类细胞中的基因表达联系起来奠定了基础。
**论文解读：基于表观基因组预测转录组的机器学习方法比较及其在关联研究中的应用**
**研究背景与问题**
表观遗传调控在细胞过程如转录和转录后调控中至关重要，并影响人类发育和疾病。H3K27ac等组蛋白修饰常被用于定位细胞类型特异的顺式调控元件（cis-regulatory elements, CREs）。目前，组蛋白乙酰化全基因组关联研究（histone-acetylome-wide association studies, HAWAS）通常先寻找与疾病相关的H3K27ac峰，再通过整合分析将峰与基因关联，但缺乏直接针对此类关联的特异性方法。现有两种建模范式：基因不可知模型（gene-agnostic models）利用所有基因训练单个样本内的关联，但无法捕获基因特异的调控架构；基因特异性模型（gene-specific models）为每个基因训练独立模型，能捕获跨组织、细胞类型或个体的表观遗传活性调控，但需要大数据集且计算密集。此前研究多依赖简单线性模型，而非线性关联可能提供额外预测能力。为解决这些挑战，研究人员提出系统比较不同机器学习方法，并利用模型进行HAWAS。
**研究内容与意义**
研究人员利用国际人类表观基因组联盟（International Human Epigenome Consortium, IHEC）的EpiATLAS数据集（包含965个人类样本，源自51种细胞类型/组织，同时具有RNA-seq和H3K27ac ChIP-seq数据），对五种基因特异性机器学习方法进行了全面基准测试。通过优化超过28,000个人类基因的模型，推断出基因调控目录。结果表明，基因特征和表观基因组复杂性影响预测难度；基于模型的HAWAS可有效识别疾病相关基因和调控区域，并在慢性淋巴细胞白血病（chronic lymphocytic leukemia, CLL）和结肠腺癌数据中验证。该研究为将表观基因组变异与基因表达联系起来提供了基础，相关论文发表在《Genome Biology》。
**主要关键技术方法**
研究使用IHEC EpiATLAS数据集，样本来自51种细胞类型/组织。特征设置包括：基于ENCODE预定义候选CRE（cis-regulatory elements）的CRE策略，以及将基因组划分为10,000个连续100 bp非重叠箱的binned策略。采用的机器学习方法包括：随机森林（random forest, RF）结合CRE特征（CRE-RF）或binned特征（Binned-RF）、多层感知机（multilayer perceptron, MLP）结合CRE特征（CRE-MLP）、卷积神经网络（convolutional neural network, CNN）结合binned特征（Binned-CNN），以及分段线性回归方法STITCHIT。模型训练使用随机80:20样本级别分割进行参数优化，并采用留出细胞类型验证评估泛化能力。模型解释通过in silico perturbation (ISP)计算特征重要性，并使用CRISPRi和eQTL数据进行验证。HAWAS两步：首先利用预训练模型预测疾病和对照样本的基因表达，进行差异分析（HAWAS-gene）；然后对候选基因的ISP值进行组间差异检验（HAWAS-region），识别相关调控区域。
**研究结果**
**1. Benchmarking of state-of-the-art machine learning methods for expression prediction on unseen samples across known cell types**
对28,180个人类基因，在随机80:20样本分割下评估五种方法的测试集Pearson相关系数和均方误差（mean squared error, MSE）。CRE-RF和Binned-CNN表现最优，高达41%和40%的基因达到高相关（≥0.7）。CRE-RF的失败模型比例最低（1%），MSE中位数最低（3.8）。CRE-MLP误差最高（MSE中位数4.19）。STITCHIT因内部过滤导致11,547个基因无法建模。自注意力机制对CRE-MLP性能提升有限甚至变差。
**2. Comparison reveals gene-specific challenges for accurate prediction on unseen samples across known cell types**
系统评估基因描述符（结构、表达、基因组背景三类）与模型性能的偏相关分析。所有方法中，结构描述符（如基因长度、5'UTR长度）与性能正相关；测试样本中零表达比例高（组织特异性基因）更易预测，而表达广度（广泛表达）导致性能下降。基因组背景中，CRE数量与性能弱正相关（尤其≤300个CRE），H3K27ac信号稀疏性则弱负相关。蛋白编码基因预测精度高于非编码RNA和假基因。不同方法在特定描述符上各有优势：Binned-CNN在长5'UTR基因上更好，CRE-MLP在零表达比例高或CRE数量多的基因上最佳，RF方法在零表达样本少的基因上表现突出。
**3. Model interpretation via in silico perturbation**
对每个基因，通过ISP逐次将每个候选调控区域信号置零，计算预测表达变化的对数比。ISP可正可负，反映增强或抑制作用。以LMO2基因为例，五种方法的ISP轨迹与K562细胞H3K27ac信号、实验验证的CRE-LMO2相互作用及ChromHMM状态高度一致。系统分析显示，高ISP区域富集于活跃转录起始位点（TSS）和增强子相关的ChromHMM状态，而在转录延伸、抑制和静止区域中耗尽。
**4. Model comparison on CRISPRi and eQTL data**
使用K562细胞中CRISPRi验证的增强子-基因相互作用计算PR曲线。CRE-RF的AUPRC最高（0.38），STITCHIT次之（0.35），CRE-MLP最低（0.33）。基于GTEx eQTL数据的归一化富集得分（NES）显示，binned特征模型（尤其是Binned-RF）在大多数样本中富集最高。
**5. Performance on unseen cell types**
采用细胞类型特异性分割，将8个最远距离细胞类型的36个样本作为测试集。与随机分割相比，所有方法在细胞类型特异性基因上的MSE显著增加，而低方差基因（稳定表达）变化较小。表明模型对全新细胞类型的泛化能力有限，但仍能捕获部分有意义的表达变异。
**6. A novel concept for conducting histone-acetylome-wide association studies**
将CRE-RF和Binned-CNN模型应用于CLL患者数据（10健康，12疾病）。HAWAS-gene分别识别出16,626和13,473个显著基因，与RNA-seq差异表达重叠率高（CRE-RF识别97%的RNA-seq差异基因）。两种方法的预测倍数变化与实测高度相关（CRE-RF R=0.96，Binned-CNN R=0.90）。与最邻近基因法和广义活性-接触（generalized Activity-by-Contact, gABC）得分法相比，HAWAS基因更特异（87-91%与RNA-seq一致）。HAWAS-region分析从CRE-RF模型获得49,920个显著区域，其转录因子（transcription factor, TF）基序富集鉴定出30个TF（FDR 0.01），其中7个在文献中与白血病相关，7个在生存分析中显著。在结肠腺癌数据（8健康，4疾病）中，CRE-RF预测倍数变化与实测R=0.94，并识别出2个与结肠癌相关的TF。
**讨论与结论**
讨论强调特征设置在模型性能中的关键作用。CRE-RF利用生物预定义的CRE减少噪音，Binned-CNN通过卷积捕获空间组织，两者表现优异。CRE-MLP因缺少空间或生物约束性能较弱。STITCHIT对H3K27ac-表达耦合强的基因敏感但无法覆盖所有基因。模型性能受基因描述符影响，组织特异性基因更易预测。留出细胞类型测试表明模型泛化性有限。HAWAS方法提供了基于表观基因组直接识别疾病基因和调控区域的框架，与TWAS互补。结论：该研究表明基因特异性机器学习模型能够学习H3K27ac定义的表观遗传景观及其与基因表达的关系。通过系统比较不同的输入表示和模型架构，展示了特征设计和模型结构对预测性能、可解释性以及捕获调控机制的能力至关重要。生物信息特征和反映空间或调控约束的架构在建模中具有明显优势。重要的是，研究人员展示了这些模型在HAWAS框架中的应用，能够直接从表观基因组数据中识别疾病相关基因和调控元件，凸显了基于表观基因组建模在预测和调控推断方面的潜力，为现有关联方法提供了补充途径，支持未来疾病中基因调控的研究。
