Межвидовое моделирование геномов растений на уровне отдельных нуклеотидов с использованием предварительно обученной языковой модели ДНК

Интерпретация функциональных эффектов и влияния на приспособленность в разнообразных геномах растений требует моделей, способных переносить знания между видами. Языковые модели (LM), предварительно обученные на крупномасштабных биологических последовательностях, способны выявлять эволюционно консервативные закономерности и обеспечивать более точное межвидовое прогнозирование, чем модели с контролируемым обучением, при дообучении на ограниченном объёме размеченных данных. Мы представляем PlantCaduceus — языковую модель ДНК растений, которая выявляет закономерности эволюционной консервативности в геномах 16 покрытосеменных, одновременно моделируя обе цепи ДНК. После дообучения на небольшом наборе размеченных данных Arabidopsis для таких задач, как предсказание сайтов инициации и терминации трансляции, а также донорных и акцепторных сайтов сплайсинга, PlantCaduceus продемонстрировала высокую переносимость на кукурузу, разошедшуюся с Arabidopsis 160 млн лет назад. Модель превзошла лучшую из существующих языковых моделей ДНК в 1,45 раза при предсказании донорных сайтов сплайсинга кукурузы и в 7,23 раза при предсказании сайтов инициации трансляции кукурузы. При предсказании эффектов вариантов PlantCaduceus показала результаты, сопоставимые с современными языковыми моделями белков. Мутации, предсказанные PlantCaduceus как вредные, характеризовались в среднем в три раза меньшей частотой минорного аллеля по сравнению с мутациями, выявленными методами на основе множественного выравнивания последовательностей. Кроме того, PlantCaduceus успешно выявляла хорошо известные причинные варианты как у Arabidopsis, так и у кукурузы. В целом PlantCaduceus представляет собой универсальную языковую модель ДНК, способную ускорить развитие геномики растений и применение геномных подходов в селекции сельскохозяйственных культур.