GenoME：基于MoE架构的多模态基因组预测与扰动分析模型

GenoME是由JWei2015在GitHub发布的基于混合专家（MoE）架构的生成式模型，核心是整合DNA序列和细胞类型特异性染色质可及性数据，实现跨尺度（碱基对到千碱基）和跨模态的统一基因组预测，并支持计算扰动分析。

来源：GitHub（https://github.com/JWei2015/GenoME），发布时间：2026-05-24T04:11:04Z

基因组学研究面临核心难题：如何整合不同实验技术、不同生物学尺度的海量数据，构建统一预测框架。传统方法局限于单一模态（如仅关注基因表达或染色质结构），难以捕捉基因组调控的复杂网络。

GenoME应运而生，采用MoE架构结合DNA序列与细胞类型特异性染色质可及性数据（ATAC-seq/DNase-seq），实现多尺度、多模态基因组预测。

混合专家（MoE）架构通过任务路由给不同专家子网络，平衡计算效率与模型容量。GenoME将其创新性应用于基因组学：

• DNA序列专家：处理原始基因组序列
• 染色质可及性专家：解析ATAC-seq/DNase-seq数据
• 多模态融合专家：整合序列与表观遗传信息
• 跨尺度预测专家：输出从碱基对到染色体结构的多层次结果

此设计保证预测精度，避免单一巨型网络的计算冗余。

多模态预测能力

• 表观基因组学：碱基对分辨率预测染色质修饰状态、转录因子结合位点等，助力理解基因调控机制与功能性非编码区域识别。
• 转录组学：预测基因表达水平（mRNA丰度、异构体模式），通过染色质可及性信息捕捉转录调控逻辑。
• 三维染色质结构：千碱基分辨率预测拓扑关联结构域（TADs）、染色质环等，理解长程相互作用。

跨细胞类型泛化

通过细胞类型嵌入、条件生成、元学习策略，实现对未见细胞类型的调控图景预测，支持个性化医疗与罕见细胞类型研究。

GenoME支持in silico（计算模拟）扰动分析，可模拟：

• 遗传变异：插入、删除、替换等DNA序列变化
• 表观遗传扰动：改变特定区域染色质可及性
• 组合扰动：同时模拟多种变化的影响

通过比较扰动前后预测结果，识别功能性调控连接，推断因果关系，为实验设计提供指导。

技术实现

基于PyTorch 2.0+和PyTorch Lightning构建，支持CUDA加速。依赖包括：

• 序列处理：kipoiseq
• 基因组数据：pyBigWig（BigWig文件）、cooler/cooltools（Hi-C数据）
• 训练管理：PyTorch Lightning（分布式训练、实验管理）

输入数据格式

数据类型	格式	说明
DNA序列	FASTA	hg38参考基因组
染色质可及性	BigWig	碱基对分辨率
表达数据	BigWig	RNA-seq信号
三维结构	cooler	Hi-C接触矩阵

GenoME为计算生物学和精准医学开辟新可能：

• 疾病机制研究：模拟疾病相关遗传变异与表观改变，探索分子机制。
• 药物靶点发现：识别关键调控元件和转录因子，提供候选靶点。
• 个性化基因组学：基于个体基因组数据预测特异性调控图景，支持精准医疗。
• 罕见细胞类型研究：预测难以获取的稀有细胞类型调控特征，指导实验设计。

GenoME代表AI与基因组学交叉领域的重要进展，将MoE架构创新与多模态学习理念引入基因组预测，为解决复杂生物学预测问题提供新范式。随着单细胞测序技术普及和计算能力提升，这类多模态模型将在生命科学研究中发挥更重要作用。