Видоспецифичные языковые модели ДНК выявляют регуляторные элементы и их эволюцию

Предпосылки: Развитие крупномасштабных проектов по секвенированию геномов множества видов открывает новые возможности для понимания того, как геномы кодируют инструкции регуляции генов. Для этого необходимы новые алгоритмы, способные использовать консервативность для выявления регуляторных элементов с учетом их эволюции. Результаты: Здесь мы представляем видоспецифичные языковые модели ДНК, обученные на данных более чем 800 видов, охватывающих свыше 500 миллионов лет эволюции. Исследуя их способность предсказывать замаскированные нуклеотиды по контексту, мы показываем, что языковые модели ДНК отличают мотивы факторов транскрипции и РНК-связывающих белков от фоновой некодирующей последовательности. Благодаря своей гибкости языковые модели ДНК выявляют консервативные регуляторные элементы на значительно больших эволюционных расстояниях, чем это позволяет выравнивание последовательностей. Примечательно, что языковые модели ДНК лучше реконструируют in vivo связанные с мишенью экземпляры мотивов, чем несвязанные, а также учитывают эволюцию последовательностей мотивов и их позиционные ограничения, демонстрируя, что эти модели улавливают функциональный контекст последовательностей высокого порядка и эволюционный контекст. Кроме того, мы показываем, что видоспецифичное обучение обеспечивает улучшенные представления последовательностей для прогнозирования экспрессии генов на основе эндогенных данных и MPRA, а также для поиска мотивов. Выводы: В совокупности эти результаты демонстрируют, что видоспецифичные языковые модели ДНК представляют собой мощный, гибкий и масштабируемый инструмент для интеграции информации из крупных коллекций сильно дивергировавших геномов.