Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

精准预测RNA可变剪接,浙大多模态深度学习模型SpTransformer登Nature子刊

图片

组织特异性可变剪接分析算法 SpTransformer 的概念图。(来源:浙大)

作者 | 浙江大学良渚实验室沈宁/刘志红课题组

编辑 | ScienceAI

RNA 可变剪接(Alternative splicing)是基因转录后一种重要的调控机制,也是生物体多样性和蛋白质多功能性的重要来源之一。人类约 90% 以上的基因存在可变剪接,不同组织与细胞类型中可变剪接的多元性促进了细胞表型的多样性。同时,引起 RNA 可变剪接的变异也与人类多种遗传疾病相关。

值得注意的是,RNA 可变剪接具有组织特异性,相同的 pre-mRNA 序列能以组织特异性的形式发生可变剪接,从而产生多样性的转录组和蛋白质组表达。然而,现有算法无法预测组织特异性的可变剪接,因此亟需开发能够精准预测组织特异性可变剪接的算法工具,加深我们对于遗传变异的解读及后续研究。

近日,浙江大学良渚实验室沈宁/刘志红课题组开发了基于 Transformer 架构的多模态深度学习模型 SpliceTransformer(简称 SpTransformer),用于预测 pre-mRNA 序列中的组织特异性可变剪接位点。SpTransformer 可以用于解析组织特异性剪接变异相关的疾病,为疾病相关遗传变异提供基于可变剪接机制的全新见解。

相关研究以《SpliceTransformer predicts tissue-specific splicing linked to human diseases》为题,于 2024 年 10 月 23 日发表在《Nature Communications》上。

图片

论文链接:https://www.nature.com/articles/s41467-024-53088-6

SpTransformer:基于 Transformer 的计算架构

SpTransformer 在训练数据和算法架构上均有所创新。

图片

图 1:SpTransformer 模型仅以序列为输入,预测 15 种人体组织中的组织特异性剪接。该模型可用于评估遗传变异并预测组织特异性的剪接变化,其性能明显优于其他已有算法。(来源:论文)

SpTransformer 基于 GTEx 人体组织 RNA-seq 数据和额外的哺乳动物(恒河猴、小鼠、大鼠)组织的 RNA-seq 数据训练,从多个数据集中学习可变剪接相关的序列特征。模型使用 one-hot 编码的 pre-mRNA 序列作为输入。序列经过卷积编码器处理后,通过一个 8 层包含自注意力模块的 Transformer 网络,输出多标签分类结果。

该方法基于 9000nt~15000nt 的长序列上下文信息,对输入序列中央的 1000nt 长度序列同时做预测,既能预测出序列中存在的可变剪接位点,也能为每个位点进行多标签分类,预测位点在 15 个主要人体组织中是否会被使用到。

为了考虑尽可能长的序列上下文信息,模型结合了卷积编码和 Sparse Sinkhorn Attention 稀疏注意力算法,鼓励模型考虑远端序列之间以片段为单位的互作效果,而避免逐一计算碱基和碱基之间的长距离互作关系,这样的做法允许模型以线性复杂度处理大量数据,从而规避了传统 Transformer 模型处理超长序列时无法承受显存开销的问题。最终,该模型对可变剪接的预测结果明显优于已有算法,且创新地实现了对组织特异性剪接的预测(图 1)。

之后,研究者针对模型的可解释性进行了探索。研究者通过可视化分析模型考虑不同序列元件的权重,发现 SpTransformer 模型可以成功发现 1000 bp 以外的远端序列调控元件对可变剪接的影响。同时,模型在预测不同组织的可变剪接时,会考虑不同的序列 motif,其中既有已知的经典序列调控元件,也包含未被研究过的 de novo motif。

预测疾病相关的组织特异性可变剪接

随后,研究者应用 SpTransformer 预测单核苷酸突变(single nucleotide variant,SNV)对组织特异性剪接的影响。通过分别预测突变前序列和突变后序列的剪接情况,并计算它们预测分数的差异,模型以数学方法将突变对目标区域可变剪接的影响量化为 ΔSplice 分数(图 2)。

图片

图 2:SpTransformer 模型可用于评估突变对剪接的影响。(来源:论文)

研究者批量预测了大型数据库 ClinVar 中收录的 1,273,053 个 SNV,发现突变的致病性和影响可变剪接的情况有较强的关联。在非编码区域突变中,通过 SpTransformer 给出的 ΔSplice 分数,能以超过 0.98 的 ROC-AUC 区分致病(Pathogenic)和良性(Benign)突变。同时,模型将大量原本标注为效果未知(Uncertain significance)的突变注释为影响可变剪接,一定程度上填补了突变效应注释的空白。

图片

图 3:SpTransformer 模型可用于评估突变对组织特异性剪接的影响,并从大规模数据分析中识别可能影响组织特异性剪接的突变及其富集的基因。(来源:论文)

尽管可变剪接的组织特异性早已为人所知,但突变如何影响这种特异性剪接仍然是个未充分探索的领域。为评估单核苷酸变异(SNV)对组织特异性剪接的影响,研究者开发了 Tissue z-score 分数,用以衡量突变对特定组织中剪接模式的影响是否显著高于其他组织。

通过分析 GTEx RNA-seq 数据中的非组织特异性剪接位点,并模拟这些位点附近发生随机突变,研究者建立了用于参考的统计学分布。当待预测 SNV 的 Tissue z-score 明显大于参考分布中的值时,就认为该 SNV 具有组织特异性。利用这种方法,研究者从 ClinVar 数据库中识别出可能影响组织特异性剪接的突变及其富集的基因(图 3)。研究结果显示,这些基因多与相关组织的遗传疾病有关,但不一定表现出组织特异性的表达模式。

图片

图 4:算法针对三种精神疾病数据展开分析,从组织特异性剪接改变角度解读精神疾病发生的潜在机制。(来源:论文)

为了深入探讨 SpTransformer 在疾病诊断和治疗中的应用潜力,研究团队利用该算法分析了与自闭症(Autism),精神分裂症(Schizophrenia)和双相精神障碍(Bipolar disorder)相关的超过 17 万个样本的全外显子组测序结果。这些样本涵盖了患者、患者家庭成员和健康对照组。从超过千万的未知突变中,SpTransformer 筛选出大量可能影响可变剪接的突变。

研究者深入分析了这些影响剪接的突变,发现脑组织特异性的剪接改变在三种类型的精神疾病中均有显著富集。进一步的基因表达量分析揭示,这些突变所在的基因,不仅包括在大脑中特异性表达的,也包含在多数组织中广泛表达的基因,表现出双峰分布的特点。

GO 富集分析(Gene Ontology enrichment analysis)显示,由模型筛选出的基因与脑组织功能存在紧密联系(图 4),在脑组织中特异性表达的基因通常与突触信号传导通路相关,而非组织特异性表达的基因则富集在细胞骨架相关通路。这一发现进一步揭示了脑组织中特异性剪接和特异性表达之间存在相对独立性,即使是在多种组织中普遍表达的基因,也可能通过剪接变异对脑组织产生重要影响,进而可能引发相关疾病。

同时,虽然从这三种精神疾病中筛选出的基因富集到了某些相同的通路,但每种疾病有其独特的致病基因及突变。大规模文献搜索结果显示,由 SpTransformer 识别的许多基因已有相关文献支持其与特定疾病的关联,证明了该工作预测的准确性。此外,还有较多新发现的基因,目前尚未有相关研究报道,这些基因可能为未来的精神疾病研究提供新的线索和方向。

此外,研究者也针对肾脏特异性剪接进行了进一步的数据分析。模型在糖尿病肾病相关数据上进行实战,经由 RNA-seq 方法进行验证,以 83% 的准确率预测出了影响肾脏中可变剪接的突变。

具有临床价值,且开源

以上结果表明,SpTransformer 从组织特异性可变剪接的角度出发,有潜力发现传统基因表达量分析无法找到的疾病成因。这为理解疾病背后的遗传因素提供了除基因表达水平以外的重要视角。进一步地,基于组织特异性的可变剪接分析,有望成为解析复杂疾病遗传机制的关键方法之一。

综上,该研究开发了一个精准地预测具有组织特异性的可变剪接的算法工具 SpTransformer,并通过大量真实突变数据,验证了其在遗传诊断中预测组织特异性影响 RNA 可变剪接的致病突变的能力,具有重要临床价值和研究意义。

文章相关代码已开源,发布在 GitHub 平台(https://github.com/ShenLab-Genomics/SpliceTransformer)。

此外,研究者还提供了一个便捷的在线服务平台(http://tools.shenlab-genomics.org/tools/SpTransformer),使用户能利用 SpTransformer 快速预测突变对组织特异性剪接的影响。

团队介绍及招聘

浙江大学良渚实验室沈宁研究员和刘志红院士为该论文的共同通讯作者,交叉培养博士生游宁远为本文的第一作者。浙江大学管敏鑫研究员、裴善赡研究员、南京大学蒋松博士、施劲松博士、复旦大学孙思琦研究员协助监督指导了本项工作,良渚实验室多位研究员及沈宁课题组多名成员对该工作作出了重要贡献。

良渚实验室沈宁课题组围绕「组学与精准医学分析算法开发与应用」开展临床转化密切相关的研究,运用生物信息学数据整合分析与人工智能算法,并结合实验筛选平台进行药物研发与精准治疗。

课题组目前有多项具有重要应用价值的课题正在推进,与著名医学专家主导的实验室有合作关系,诚招具有实验生物、计算生物背景的博士后和研究助理。

详细招聘信息见:https://person.zju.edu.cn/shenning

简历投递(有意者请将个人简历等材料发送至):shenningzju@zju.edu.cn

产业
相关数据
复旦大学机构

复旦大学(Fudan University),简称“复旦”,位于中国上海,由中华人民共和国教育部直属,中央直管副部级建制,国家双一流(A类)、985工程、211工程建设高校,入选珠峰计划、111计划、2011计划、卓越医生教育培养计划、卓越法律人才教育培养计划、国家建设高水平大学公派研究生项目,九校联盟(C9)、中国大学校长联谊会、东亚研究型大学协会、环太平洋大学协会的重要成员,是一所世界知名、国内顶尖的全国重点大学。

相关技术
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

权重技术

线性模型中特征的系数,或深度网络中的边。训练线性模型的目标是确定每个特征的理想权重。如果权重为 0,则相应的特征对模型来说没有任何贡献。

自注意力技术

自注意力(Self-attention),有时也称为内部注意力,它是一种涉及单序列不同位置的注意力机制,并能计算序列的表征。自注意力在多种任务中都有非常成功的应用,例如阅读理解、摘要概括、文字蕴含和语句表征等。自注意力这种在序列内部执行 Attention 的方法可以视为搜索序列内部的隐藏关系,这种内部关系对于翻译以及序列任务的性能非常重要。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

概念图技术

概念图(CGs)是知识表示的形式主义。 在第一篇关于CG的论文中,John F. Sowa用它们来表示数据库系统中使用的概念模式。 关于CGs的第一本书(Sowa 1984)将它们应用于人工智能、计算机科学和认知科学等广泛的主题。

量化技术

深度学习中的量化是指,用低位宽数字的神经网络近似使用了浮点数的神经网络的过程。

推荐文章
暂无评论
暂无评论~