Biological Reasoning-Informed Regression for Interpretable Regulatory DNA Activity Prediction
Gaoling School of Artificial Intelligence(甘岭人工智能学院);Renmin University of China(中国人民大学);Zhongguancun Academy(中关村学院)
提出R3LM框架,通过结构化生物学知识教LLM进行推理引导回归,在增强子预测上达到最优性能并提供可解释机制。
2026-06-06 cs.LG q-bio.GN
DnaA and the timing of chromosome replication in Escherichia coli as a function of growth rate
背景资料:在大肠杆菌中,DNA复制的重叠轮使细菌能够以比复制基因组所需的时间更快的速度加倍。DNA复制起始的精确时间是由一个调节回路决定的,该回路依赖于复制起点处ATP结合的DnaA蛋白的临界数量的结合。细胞中DnaA的合成受复制起点附近的生长速率依赖性负自调节基因控制。DnaA的调节和起始活性都取决于其核苷酸结合状态和可用性。结果如下:为了调查的贡献不同的监管过程的DNA复制的起始时间在不同的增长率,我们制定了一个最小的定量模型的起始电路,包括已知的关键成分来调节的DnaA蛋白的活性。该模型描述了细胞周期中DnaA-ATP/DNA在不同生长速率下的平均细胞振荡。我们评估的条件下,该比率达到相同的阈值在启动时,独立的增长率。结论:我们发现,由DnaA的复制启动的定量描述必须依赖于生长速率的基本参数的依赖性,以占在不同的细胞倍增时间的DNA复制启动的时间。我们为此分离出两种主要的可能情况。一种可能性是ATP水解的基础调节失活速率必须随生长速率而变化。或者,定义启动子活性的一些参数需要是生长速率的函数。在任一种情况下,基因表达的基础速率都需要根据dnaA启动子的已知特性随生长速率而增加。
2012-01-04 q-bio.GN
DART-Eval: A Comprehensive DNA Language Model Evaluation Benchmark on Regulatory DNA
Department of Computer Science, School of Engineering, Stanford University(计算机科学系,工程学院,斯坦福大学);Department of Genetics, School of Medicine, Stanford University(遗传学系,医学院,斯坦福大学);Department of Pathology, School of Medicine, Stanford University(病理学系,医学院,斯坦福大学)
本文提出DART-Eval基准,用于评估DNALM在零样本、 probing和微调场景下的性能,针对调控DNA的关键下游任务,发现现有模型表现不一致且计算资源消耗大。
2026-03-23 cs.LG q-bio.GN
TREEOME: A framework for epigenetic and transcriptomic data integration to explore regulatory interactions controlling transcription
动机:基因表达的预测建模是通过整合高通量组学数据进行转录调控相互作用的计算机探索的有力框架。以前的方法的一个主要限制是他们无法处理条件和协同作用时出现的集体分析基因受到不同的监管机制。这种限制降低了整体预测能力,从而降低了下游生物推断的可靠性。结果如下:我们引入了一个分析建模框架(TREEOME:表达模型树),它通过将基因分离成假定的调控类来整合表观遗传和转录组数据。目前的预测建模方法已经发现DNA甲基化和组蛋白修饰表观遗传数据在预测转录本丰度的准确性方面提供很少或没有改善,尽管例如mRNA水平和启动子定位的DNA甲基化之间存在明显的反相关性。为了改善这一点,在TREEOME中,我们评估了四种可能的方法来制定基因水平的DNA甲基化指标,这为识别基因水平的甲基化事件和随后的差异分析提供了基础,而大多数以前的技术都是在单个CpG二核苷酸的水平上操作的。我们通过整合基因水平的DNA甲基化(亚硫酸氢盐-seq)和组蛋白修饰(ChIP-seq)数据来准确预测H1-hESC和GM 12878细胞系的全基因组mRNA转录丰度(RNA-seq),从而证明了TREEOME。可用性:TREEOME使用开源软件实现,并作为预配置的可引导参考环境提供。本研究中提供的所有脚本和数据均可在http://sourceforge.net/projects/budden2015treeome/上获得。
2015-02-05 q-bio.GN
Locality-Controlled Out-of-Distribution Guidance for Robust Regulatory DNA Sequence Design
Wellcome Sanger Institute(惠康桑格研究所)
针对调控DNA序列设计中现有方法的奖励黑客问题,提出LOCOGEN模型,通过局部性控制引导实现属性、新颖性与合理性的平衡,在三种细胞系上取得良好效果。
2026-11-02 cs.LG q-bio.GN
Graph-based data integration predicts long-range regulatory interactions across the human genome
基因表达的转录调控是影响细胞从单组基因多样化的主要过程之一。调控蛋白通常与位于基因转录起始位点(TSS)远端的DNA区域相互作用。我们开发了一种计算方法,结合开放的染色质和基因表达信息的大量细胞类型,以确定这些远端调控元件。我们的方法为公开可用的DNase-seq和外显子阵列数据集与匹配样本构建相关图,并使用基于图的方法来过滤多个数据集支持的结果并去除间接相互作用。由此产生的一组相互作用进行了验证与轶事信息的已知的远程相互作用和无偏的实验数据推导出Hi-C和CAGE实验。我们的研究结果提供了一组新的高置信度的候选开放染色质区域参与基因调控,往往位于几个Mb远离其靶基因的TSS。
2014-04-29 q-bio.GN
Toward Interpretable and Generalizable AI in Regulatory Genomics
Simons Center for Quantitative Biology, Cold Spring Harbor Laboratory(冷泉港实验室西蒙定量生物学中心)
本文探讨了seq2func模型在可解释性和泛化能力上的挑战,提出通过AI-实验反馈回路实现持续改进,以提升调控理解的可靠性。
2026-02-01 q-bio.GN
mLS-GKM: Efficient Multi-class Regulatory Sequence Classification with Gapped k-mer SVMs
mLS-GKM是LS-GKM的扩展,新增多分类等功能,在322个ENCODE ChIP-seq数据集上速度大幅提升、内存降低,可准确区分调控序列并识别相关基序,提升了gkm-SVMs的可扩展性。
2026-08-24 q-bio.GN
Learning to Discover Regulatory Elements for Gene Expression Prediction
Texas A&M University(德克萨斯农工大学);The University of Texas Health Science Center at Houston(休斯顿德克萨斯大学健康科学中心)
本文提出 Seq2Exp 网络,通过因果调控元件分解表观基因组信号与 DNA 序列,并结合 Beta 信息瓶颈提升基因表达预测和调控区域发现性能。
2025-02-19 cs.AI q-bio.GN
MotifMark: Finding Regulatory Motifs in DNA Sequences
Georgia Institute of Technology(佐治亚理工学院);Emory University(埃默里大学)
蛋白质和DNA之间的相互作用是许多生物过程中的关键驱动力,如转录调控、修复、重组、剪接和DNA修饰。DNA-结合位点的鉴定和靶蛋白与这些区域结合的特异性是理解这些生物活性机制的两个重要步骤。最近出现了一些高通量技术,试图量化蛋白质和DNA基序之间的亲和力。尽管这些技术取得了成功,但它们也有自己的局限性,无法精确表征基序,因此需要进一步的下游分析,以从大量嘈杂和不准确的数据中提取有用和可解释的信息。在这里,我们提出了MotifMark,一种新的算法,基于图论和机器学习,可以找到候选探针的结合位点,并根据潜在的转录因子对其特异性进行排名。我们开发了一个管道来分析来自紧凑的通用蛋白质结合微阵列的实验数据,并将其与两种最准确的基序搜索方法进行基准测试。我们的研究结果表明,基序标记可以是一个可行的替代技术预测基序的蛋白质结合微阵列和可能的其他相关的高通量技术。
2017-05-04 cs.LG q-bio.GN q-bio.QM
Regulatory DNA sequence Design with Reinforcement Learning
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);Microsoft Research AI4Science(微软研究院AI4Science部门)
本文提出利用强化学习微调预训练自回归模型的生成式方法,通过模拟激活子和抑制子TFBSs变化的生物学先验奖励来设计高适应度顺式调控元件,在酵母启动子和人类增强子设计任务中验证了有效性。
2025-03-11 cs.LG q-bio.GN
DNA-MATRIX a tool for DNA motif discovery and weight matrix construction
在计算分子生物学中,全基因组的基因调控结合位点预测一直是研究者面临的一个挑战。目前,全基因组调控结合位点预测工具需要直接模式序列或权重矩阵。虽然已知有可用于全基因组预测的转录因子结合位点数据库,但是没有可用于根据用户的需要构建不同权重矩阵的工具,或者没有可用于大数据集扫描的工具,其通过首先比对输入上游或启动子序列,然后构建不同水平和文件格式的矩阵。考虑到这一点,我们开发了一个DNA MATRIX工具,用于搜索基因上游序列中推定的调控结合位点。该工具使用基于简单生物学规则的启发式算法构建权重矩阵,在基序比对后可以转换为不同的格式,因此提供了识别受调控基因中最潜在的保守结合位点的可能性。用户可以基于基于用户选择的6至20个碱基对范围内的短序列的保守比对块和权重评分前的先前核苷酸频率,以不同的形式和文件格式构建和保存特定的权重或频率矩阵。
2010-02-06 cs.CE q-bio.GN
Highly conserved sequence-specific double-stranded DNA binding networks contributing to divergent genomic evolution of human and chimpanzee brain development
Institute of Engineering in Medicine University of California, San Diego(加州大学圣地亚哥分校工程医学院)
本研究发现人类和黑猩猩大脑发育的分歧基因组进化与高度保守的序列特异性双链DNA结合网络有关,这些网络通过转座子提供的基因组调控种子模板起关键作用。
2024-09-12 q-bio.GN q-bio.MN q-bio.PE
Continuous Diffusion Transformers for Designing Synthetic Regulatory Elements
本文提出连续扩散变换器生成细胞类型特异性调控DNA序列,通过改进模型结构和微调方法,显著提升调控活性预测性能。
2026-03-11 cs.AI cs.LG q-bio.GN
D3LM: A Discrete DNA Diffusion Language Model for Bidirectional DNA Understanding and Generation
Gaoling School of Artificial Intelligence(人工智能学院)
D3LM通过掩码扩散统一双向DNA理解和生成,实现优于现有模型的性能。
2026-03-02 cs.LG q-bio.GN
Generating and designing DNA with deep generative models
University of Toronto(多伦多大学)
我们提出了生成神经网络方法来生成DNA序列,并调整它们具有所需的属性。我们提出三种方法:使用生成对抗网络创建合成DNA序列;基于DNA的激活最大化(“深梦”)设计方法的变体;以及将这两种方法结合在一起的联合程序。我们发现,这些工具捕捉到的数据的重要结构,当应用于设计探针的蛋白质结合微阵列,使我们能够产生新的序列,其属性估计是优于那些发现在训练数据。我们相信,这些结果为应用深度生成模型推进基因组学研究打开了大门。
2017-12-17 cs.LG q-bio.GN stat.ML
Pervasive variation of transcription factor orthologs contributes to regulatory network evolution
转录调控网络的差异是在生物体中观察到的许多表型变异的基础。顺式调控元件的改变被广泛认为是调控网络进化的主要方式,然而也观察到了由于转录因子(TF)变异而导致调控网络趋异的例子。为了系统地确定转录因子在多大程度上有助于调控分歧,我们分析了最大的一类后生动物转录因子,Cys 2-His 2锌指(C2 H2-ZF)转录因子的进化,跨越12个果蝇物种跨越约4500万年的进化。值得注意的是,我们发现果蝇中所有C2 H2-ZF 1对1直系同源物中有很大一部分表现出可能影响其DNA结合特异性的变异。除了C2 H2-ZF结构域的丢失和募集,我们发现在D.黑腹果蝇和其他种类的苍蝇。这些不同的DNA接触残基,发现在约66%的D。黑腹果蝇C2 H2-ZF基因在我们的分析中,对应于所有注释的D.黑腹TF,显示出功能限制的证据:它们倾向于在系统发育分支中保守,并且比其他分歧残基进化得更慢。这些相同的变异很少被发现的多态性在人口的D。黑腹果蝇,表明它们的快速固定。这些动态域的预测特异性在系统发育距离上逐渐变化,表明TF分歧的逐步进化轨迹。此外,尽管具有保守的C2 H2-ZF结构域的蛋白质在发育功能中富集,但具有不同结构域的那些蛋白质没有表现出功能富集。我们的工作表明,一个子集的高度动态的,很大程度上未经研究的TF是一个可能的来源,在果蝇和其他后生动物的监管变化。
2014-07-01 q-bio.GN q-bio.PE
Probing 3D Chromatin Structure Awareness in Evo2 DNA Language Model
Weill Cornell Graduate School of Medical Sciences(韦康奈尔医学研究生学院)
研究探讨Evo2模型是否能识别三维染色质结构,发现其仅能学习局部CTCF规则,但无法可靠生成收敛CTCF环和恢复TAD边界,提示需双向模型架构整合细胞类型和三维接触以开发更高级的DNA语言模型。
2026-04-08 q-bio.GN
MUSS: A Multi-scale and Sequence-based Model for Single-cell Gene Regulation
Wellcome Sanger Institute(惠康桑格研究所);Cambridge Centre for AI in Medicine, University of Cambridge(剑桥大学剑桥医学人工智能中心);Cambridge University Hospitals Foundation Trust, Addenbrooke’s Hospital(剑桥大学医院基金会信托基金阿登布鲁克医院);Cambridge Stem Cell Institute, University of Cambridge(剑桥大学剑桥干细胞研究所);Stanford University School of Medicine(斯坦福大学医学院);Department of Computer Science, Stanford University(斯坦福大学计算机科学系);Department of Medicine, University of Cambridge(剑桥大学医学系)
本研究提出MUSS模型,通过序列编码器和注意力机制整合DNA与细胞水平信息,在多项单细胞基因调控任务中优于基线模型,还能预测未见过的基因和峰的表达。
2026-11-06 cs.AI q-bio.GN
A mechanistically interpretable neural network for regulatory genomics
Genentech(基因泰克);Biology Research(生物学研究);AI Development(人工智能开发)
针对调控基因组学领域传统基序提取方法信息分散难解释、重要性得分法不稳定的问题,提出一种机制可解释的神经网络架构,基序及语法可直接从权重和激活中读取,兼具完全表达能力与高可解释性,在基序发现等任务上表现优异且支持可解释的功能序列生成。
2024-10-08 cs.LG q-bio.GN
Dilated Convolutions for Modeling Long-Distance Genomic Dependencies
我们考虑的任务是直接从原始DNA中检测人类基因组中的调控元件。过去的工作主要集中在DNA的小片段上,这使得很难对DNA的三维构象产生的长距离依赖性进行建模。为了研究长距离依赖关系,我们开发并发布了一个新的数据集,用于更大的上下文建模任务。使用这个新的数据集,我们使用扩张卷积神经网络来模拟长距离交互,并将其与标准卷积和递归神经网络进行比较。我们表明,扩张卷积是有效的,在人类基因组中的调控标记,如转录因子结合位点,组蛋白修饰和DNA酶超敏位点的位置建模。
2017-10-03 q-bio.GN q-bio.QM stat.ML
Sublinear Growth of Information in DNA Sequences
我们介绍了一种新的方法来分析完整的基因组和识别一些独特的功能,通过自适应压缩算法,这不是DNA导向的。我们研究的信息内容作为一个函数的符号编码的算法的数量。关于具有次线性类型的信息增长的区域,这是严格连接到高度重复的子区域,可能被认为是在基因组内具有调节功能的存在下,显示了crossar结果。
2004-02-27 cond-mat.stat-mech physics.data-an q-bio.GN
inMOTIFin: a lightweight end-to-end simulation software for regulatory sequences
提出轻量级Python软件inMOTIFin,通过提供灵活高效的DNA调控序列模拟与修改功能,支持基序生成、插入及真实序列修改,用于评估从头基序发现、转录因子协同作用及深度学习可解释性,填补了现有模拟器缺乏端到端灵活性的空白。
2025-06-25 q-bio.GN
Multi-modal single-cell foundation models via dynamic token adaptation
针对现有DNA语言和单细胞基础模型仅处理单一数据类型的问题,本文提出动态令牌适配方法,通过训练适配器结合两类模型,可在不同遗传背景下预测单细胞基因调控,还通过突变GATA4转录起始位点验证了DNA序列变化对基因调控网络的影响。
2025-04-17 q-bio.GN
Structurally specific thermal fluctuations identify functional sites for DNA transcription
我们报告的结果表明,热诱导的双链DNA的开口与功能相关的转录位点的位置相一致。研究病毒和细菌DNA基因启动子片段,我们发现最可能的开放发生在转录起始位点。较小的开口似乎与其他监管场所有关。我们的研究结果表明,相干的热波动在转录的启动中起着重要的作用。动力学的基本要素,除了序列特异性,是非线性和熵,由本地碱基对的约束。
2003-09-09 cond-mat.soft physics.bio-ph q-bio.GN
Integrating diverse datasets improves developmental enhancer prediction
基因调控增强子已被许多证据所证实,包括进化保守性、调控蛋白结合、染色质修饰和DNA序列基序。为了整合这些不同的方法,我们开发了增强子,一种预测发育增强子及其组织特异性的新方法。增强子使用两步多核学习方法来整合DNA序列基序、进化模式和来自各种细胞类型和发育阶段的数千个不同功能基因组学数据集。我们在VISTA增强子浏览器中的数百个实验验证的人类发育增强子上训练增强子,与常用的组蛋白标记或基于序列的增强子定义相反。我们全面评估了增强子,发现我们的综合方法比以前考虑单一类型数据的方法提高了增强子预测的准确性。我们的评估强调了在预测特定类型的增强子时考虑来自许多组织的信息的重要性。我们发现,由于VISTA增强子独特的高GC含量,其在胚胎心脏中的活性比在其他几种组织中的活性更容易预测。我们将增强子应用于整个人类基因组,并预测了84,301个发育增强子及其组织特异性。这些预测为大量人类非编码DNA提供了特定的功能注释,并且在其预测组织中具有注释作用的基因附近显著富集,并且来自全基因组关联研究。我们证明了我们的增强子预测的实用性,通过识别和验证一种新的颅神经增强子在ZEB2基因座。我们的全基因组发育增强子预测将作为UCSC基因组浏览器轨道免费提供。
2013-09-27 q-bio.GN
A chromatin structure based model accurately predicts DNA replication timing in human cells
后生动物的基因组复制在精确的细胞谱系特定的时间顺序。然而,控制这一精心策划的过程的机制知之甚少,因为没有分子机制已被确定,积极调节基因组复制的发射序列。在这里,我们开发了一个机制模型的基因组复制能够预测,准确性媲美实验重复,在人类中观察到的经验复制定时程序。在我们的模型中,复制启动在一个不协调的(时间随机)的方式在定义明确的网站。该模型包含,除了选择的基因组的地标,本地化启动,只有一个单一的可调参数的直接生物相关性:复制叉的数量。我们发现,DNase超敏感位点是DNA复制起始的最佳和独立的决定因素。我们证明,在人类细胞中的DNA复制定时程序是一个强大的紧急现象,就其本质而言,不需要一个调节机制来确定一个适当的复制起始发射序列。
2014-03-11 q-bio.GN q-bio.SC
DNA sequence correlations shape nonspecific transcription factor-DNA binding affinity
转录因子(TF)是在基因组的启动子区域结合DNA并且促进或抑制基因表达的调节蛋白。在这里,我们预测分析,增强同源寡核苷酸序列的相关性,如聚(dA:dT)和聚(dC:dG)束,统计学上增强非特异性TF-DNA结合亲和力。这种预测是通用的和定性的模型的微观参数无关。我们发现,非特异性TF结合亲和力普遍控制的强度和对称性的DNA序列相关性。我们进行相关性分析的酵母基因组,并表明,DNA区域高度占据TF表现出更强的同源寡核苷酸序列的相关性,从而更高的非特异性结合的倾向,相比,占用区域。我们认为,这种效应起到了一个有效的本地化潜力的作用,提高准一维扩散的TF在DNA附近,加快随机搜索过程中的特定TF结合位点。预测的效果也强加了TF-DNA结合基序的大小上界。
2011-11-13 q-bio.BM q-bio.GN q-bio.MN
Identifying DNA Sequence Motifs Using Deep Learning
University of Oxford(牛津大学);Earlham Institute(厄勒姆研究所)
提出基于注意力的深度学习模型DeepDeCode预测DNA剪接位点,结合可视化技术识别序列基序,提升了准确性与可解释性,可应用于医疗保健及基因组元件发现。
2023-11-20 cs.LG q-bio.GN q-bio.QM
Identification of DNA-binding protein target sequences by physical effective energy functions. Free energy analysis of lambda repressor-DNA complexes
蛋白质与DNA的特异性结合是控制基因表达的最常见方式之一。虽然可以推导出DNA-蛋白质识别的一般规则,但这种机制的模糊性和复杂性排除了简单的识别代码,因此DNA靶序列的预测并不简单。DNA-蛋白质相互作用的研究可以使用计算方法,可以补充目前的实验方法,并提供一些优势。在目前的工作中,我们使用物理有效势来评估的λ阻遏物-DNA复合物的结构和热力学实验数据的DNA-蛋白质的结合亲和力。通过分子动力学模拟计算的结合能上的构象采样的效果进行评估,结果表明,这种效果一般是负面的,实验值的再现性随着模拟时间的增加而降低。非特异性复合物的结合自由能与早期的理论建议一致。此外,作为这些分析的结果,我们提出了一个用于预测DNA结合靶序列的协议。探讨了使用该协议在噬菌体λ基因组内搜索调控元件的可能性。我们的分析显示出良好的预测能力,即使在没有任何热力学数据和自然识别序列的信息。这项研究支持的结论是,基于物理的方法可以提供一个完全互补的方法,以序列为基础的DNA结合蛋白靶序列的鉴定方法。
2007-12-14 q-bio.BM q-bio.GN
Analysis of evolutionary origins of genomic loci harboring 59,732 candidate human-specific regulatory sequences identifies genetic divergence patterns during evolution of Great Apes
研究分析了承载59732个候选人类特异性调控序列的基因组位点的进化起源,发现人类通过继承和新创造调控序列实现了物种分化。
2018-10-02 q-bio.GN
TrinityDNA: A Bio-Inspired Foundational Model for Efficient Long-Sequence DNA Modeling
BioMap Research, Beijing, China(北京生物图谱研究);AI Lab, Research Center for Industries of the Future, Westlake University, China(西湖大学未来产业研究中心人工智能实验室)
TrinityDNA通过生物启发的结构和多尺度注意力机制,实现了对长序列DNA的高效建模,提升了基因组分析的准确性与实用性。
2026-03-06 cs.CE q-bio.GN
WTKO-CNN: Deep Learning Reveals Sequence Motifs Distinguishing Wild-Type and Knockout ATAC-seq Peaks
Lopamudra Dey 1(洛帕穆德拉·迪 1)
提出带注意力机制的卷积神经网络WTKO-CNN,通过分类DNA序列并利用显著性图提取k-mer基序,发现区分野生型与敲除状态的转录因子结合序列特征。
2026-10-01 cs.AI q-bio.GN
BEND: Benchmarking DNA Language Models on biologically meaningful tasks
Novozymes A/S(诺维信公司);University of Copenhagen(哥本哈根大学);Novo Nordisk A/S(诺和诺德公司);Helmholtz Center Munich(慕尼黑亥姆霍兹中心);Technical University of Denmark(丹麦技术大学)
本文提出 BEND 基准,通过人类基因组上多项现实且具生物学意义的下游任务评估 DNA 语言模型,发现其可接近专家方法但长程特征建模仍有限。
2024-04-09 cs.LG q-bio.GN
Integrative modeling of eQTLs and cis-regulatory elements suggest mechanisms underlying cell type specificity of eQTLs
顺式调控元件或反式调控元件的遗传变异通常会影响基因转录的数量和时空分布。近年来,人们对表达数量性状基因座(eQTL)定位的兴趣促使人们采用全基因组关联研究(GWAS)来分析人类的复杂性状和疾病。在许多GWAS关联标记非编码SNP的小的影响,这些SNP通过修饰基因表达发挥表型控制的假设下,它已成为共同使用eQTL数据解释GWAS关联。为了利用eQTL-GWAS比较的机制解释性,需要对eQTL的遗传结构和细胞类型特异性有更好的理解。我们通过四个部分进行eQTL分析来满足这一需求:首先,我们从7种细胞类型的11项研究中确定了eQTL;其次,我们量化了这些研究中细胞类型特异性的eQTL;然后,我们将eQTL数据与ENCODE项目的顺式调控元件(CRE)数据集整合在一起;最后,我们建立了一个分类器来预测细胞类型特异性的eQTL。与先前的研究一致,我们证明了等位基因异质性在顺式eQTL中是普遍存在的,并且顺式eQTL通常是细胞类型特异的。在细胞类型内和细胞类型之间,eQTL复制与eQTL SNP重叠相关,eQTL SNP与数百种细胞类型特异性CRE元件类别重叠,包括增强子、启动子和抑制性染色质标记、开放染色质区域和许多类别的DNA结合蛋白。使用包括526个CRE数据集作为特征的随机森林分类器,我们成功地预测了eQTL SNP的细胞类型特异性,在缺乏来自感兴趣的细胞类型的基因表达数据的情况下。我…
2012-10-11 q-bio.GN
EvoLen: Evolution-Guided Tokenization for DNA Language Model
University of California, San Diego(加州大学圣地亚哥分校);Washington University in St. Louis(圣路易斯华盛顿大学)
EvoLen通过整合进化信息优化DNA标记化,优先保留功能序列模式,提升基因组上下文区分和进化约束对齐,优于标准BPE。
2026-09-29 cs.LG q-bio.GN
LPDP: Inference-Time Reward Control for Variable-Length DNA Generation with Edit Flows
KAIST AI(韩国釜山科学技术院人工智能实验室)
本文提出LPDP,一种无需训练的局部重解算子,用于可变长度DNA编辑动作生成。通过局部离散程序聚焦于连贯的替换、插入和删除子图,并利用硬Max或软LSE备份聚合局部延续,用于增强子优化和外显子内含子外显子修复。
2026-05-12 cs.AI cs.LG q-bio.GN
Robust Machine Learning for Regulatory Sequence Modeling under Biological and Technical Distribution Shifts
Columbia University(哥伦比亚大学)
本研究提出了一种鲁棒性框架,通过结合模拟和真实数据分析,评估机器学习模型在生物和技术分布偏移下的性能,发现传统i.i.d.评估无法察觉的鲁棒性缺口,并通过引入生物先验特征和不确定性感知预测提升模型的鲁棒性。
2026-11-10 q-bio.GN stat.ML
Discovery and optimization of cell-type-specific DNA methylation markers for in silico deconvolution
本文利用44种健康细胞类型的全基因组亚硫酸氢盐测序数据,发现细胞类型特异性UMRs,并提出基于集合覆盖算法的methylcover软件,使反卷积误差较现有方法降低3倍。
2023-04-12 q-bio.GN q-bio.QM
From DNA Design to DNA Slimming: Auditable Agentic Discovery of a Deletion-Only Designer
Allen Institute(艾伦研究所);Move37 Labs(Move37 实验室)
该研究提出序列精简任务,即从现有功能DNA中删除碱基以保持活性,并构建了首个仅删除基准,通过编码智能体ERA改进设计器生成GRADASLIM,在多数实验设置中优于随机和贪心方法。
2026-10-01 cs.LG cs.NE q-bio.GN
GeneBreaker: Jailbreak Attacks against DNA Language Models with Pathogenicity Guidance
本文提出首个系统评估DNA基础模型越狱漏洞的框架GeneBreaker,利用LLM智能体、PathoLM引导的束搜索及BLAST评估流程生成并检测类病原体序列,在Evo系列模型上实现高达60%的攻击成功率,揭示了模型规模扩大带来的生物安全双重用途风险。
2025-05-28 cs.CR q-bio.GN
A computational model for histone mark propagation reproduces the distribution of heterochromatin in different human cell types
染色质是由DNA和相关蛋白质组成的高度紧凑和动态的核结构。核小体是核小体的主要组织单位,由组蛋白八聚体和DNA包裹而成,组蛋白参与真核生物基因的调控,并携带许多可逆的翻译后修饰,控制DNA-蛋白质相互作用和染色质结合蛋白的募集。异染色质是基因组中转录不活跃的部分,它是密集堆积的,并且含有在Lys 9处甲基化的组蛋白H3(H3 K9 me)。H3 K9 me在核小体中沿着染色质中的DNA的传播被H3赖氨酸4(H3 K4 me)的甲基化和几个赖氨酸的乙酰化所拮抗,这与常染色质和活性基因有关。我们发现,相关的组蛋白修饰形式拮抗域上的粗尺度。这些组蛋白标记被认为是在DNA中不同的成核位点内起始的,并且双向传播。我们提出了一个简单的计算机模型,模拟异染色质在人类染色体中的分布。模拟结果与先前报道的两种不同人类细胞系的实验观察结果一致。我们复制了异染色质和常染色质之间不同类型的屏障,为它们的功能提供了一个统一的模型。研究了成核位置分布和传播速率变化的影响。前者主要发生在单个基因或基因组的(去)激活的目的,后者具有控制整个染色体的转录程序的能力。一般来说,基因转录的调控程序是由成核位点沿DNA串的分布控制的。
2013-09-27 q-bio.GN q-bio.MN
Merging 1D and 3D genomic information: Challenges in modelling and validation
间期期间真核生物中的基因组组织源于DNA多核苷酸线性序列中存在的非随机相关性与连续塑造细胞核内DNA和染色质的形式和结构的物理/化学反应之间的微妙平衡。现在很清楚,这些机制在基因调控等重要过程中起着关键作用,但它们同时作用的详细方式,以及最终相互影响的方式,即使在非常不同的长度尺度上,仍然在很大程度上未被探索。在本文中,我们概括了一些主要的结果,基因调控和物理机制,在有关的信息编码的1D序列和3D折叠结构的DNA。特别是,我们强调1D和3D模型之间的相互交叉喂养如何提供这些复杂过程如何工作和相互影响的原始见解。
2020-05-14 physics.bio-ph q-bio.GN
Identifying OCRs in cfDNA WGS Data by Correlation Clustering
近十年来,液体活检的出现显著改善了癌症监测和检测。垂死的细胞,包括那些来自肿瘤的细胞,将它们的DNA脱落到血液中,并形成一个称为无细胞DNA(cfDNA)的循环片段池。从表观遗传特征中识别这些DNA片段的组织来源在各种临床背景下具有意义。开放染色质区(OCR)是DNA的重要表观遗传特征,反映了细胞的起源类型。通过DNase-seq、ATAC-seq和组蛋白ChIP-seq分析这些特征,可以深入了解组织特异性和疾病特异性的调控机制。先前已经报道了用于通过液体活检进行癌症检测的基因组和表观基因组特征的整合。然而,许多多模式分析需要大量的cfDNA输入和/或多种类型的实验以覆盖单个样品的基因组和表观基因组方面,这是成本和时间过高的。因此,在单一实验类型中以低输入要求捕获基因组和表观基因组谱的方法是重要的。从全基因组测序(WGS)数据预测OCR就是这样一种方法。在这里,我们应用相关聚类算法来预测OCR。我们使用局部测序深度作为算法的输入。然后应用如下的多个处理步骤:计数归一化、离散傅立叶变换转换、图形构建、通过线性规划的图形切割优化和聚类。为了验证所提出的方法,我们将我们的预测结果(OCR与非OCR)与先前验证的与ATAC-db的人类血液样本相关的开放染色质区域进行了比较。它们之间的重叠百分比大于67%。
2022-12-24 q-bio.GN q-bio.MN