利用细胞类型感知深度学习预测基因增强子活性：从序列到功能的跨细胞建模

核心研究内容

本文介绍了一项结合卷积神经网络（CNN）、注意力机制与细胞类型嵌入的深度学习研究，旨在从DNA序列直接预测基因增强子活性，并评估细胞类型信息对预测性能的增益。

研究来源

• 原作者: Wojciech Laskowski
• 来源平台: GitHub
• 项目链接: cell-type-aware-enhancer-prediction
• 发布时间: 2026年6月14日

在基因组学中，增强子是关键调控DNA序列，能提升特定基因转录活性。但预测其在不同细胞类型中的活性是计算生物学的核心挑战。

传统实验方法如大规模并行报告基因检测（MPRA）精度高，但成本高、通量有限。近年来，深度学习（尤其是CNN）为序列预测调控活性提供新思路，但仍存在两个关键问题：

1. 能否直接从DNA序列预测调控活性？
2. 引入细胞类型特异性信息是否提升预测准确度？

本研究数据来自ENCODE项目第四阶段MPRA实验，构建的联合文库包含候选增强子、部分启动子及对照序列。活性在三种人类细胞系中测量：

• HepG2: 肝癌细胞系（肝脏调控研究）
• K562: 慢性髓系白血病细胞系（血液调控模型）
• WTC11: 诱导多能干细胞衍生心肌细胞（发育心脏组织）

每个样本包含：独热编码DNA序列、细胞类型标识符、log2(RNA/DNA)活性值。数据集按调控元件ID划分为训练集（70%）、验证集（15%）、测试集（15%），避免同一序列跨子集。

研究设计四种CNN变体以评估细胞类型信息的影响：

1. 基线CNN: 仅用DNA序列输入，多层卷积池化提取特征，作为对照组。
2. 嵌入CNN: 基线基础上加入可学习的细胞类型嵌入向量，与序列特征拼接后输入回归层，捕捉细胞类型与序列的交互。
3. 注意力CNN: 序列专用模型，用注意力池化替代全局平均池化，识别序列中关键区域。
4. 完整CNN: 结合细胞类型嵌入与注意力池化的完整架构。

评估指标包括MSE、MAE、RMSE、Pearson相关系数、Spearman相关系数、R²。

整体性能: 嵌入模型表现最佳，综合测试集Pearson相关系数0.489，R²0.239；注意力模型未超越基线；完整模型与嵌入模型相近。

细胞类型特异性: WTC11细胞系表现最优（Pearson0.523，R²0.271），可能反映心肌细胞调控网络特性或数据质量差异。

关键发现

1. 细胞类型嵌入价值: 显式引入细胞类型信息可提升跨细胞预测性能，捕捉传统序列模型难以学习的调控模式。
2. 注意力机制局限: 单独使用未改善性能，可能因增强子活性由多个分散元件决定、当前注意力未捕捉长距离依赖、任务更适合全局聚合。
3. 高活性元件低估: 模型倾向低估高活性元件，可能源于训练数据极端值稀疏、损失函数惩罚异常值、模型容量不足。
4. 细胞类型性能差异: 不同细胞类型预测准确度不同，可能与调控因子多样性、样本分布、进化保守性相关。

项目采用Snakemake工作流确保可复现性：

• 执行完整流程：snakemake --cores 1（含数据预处理、模型训练、评估、可视化）
• 单独训练特定模型：python src/train.py --variant [模型变体] --epochs 30（变体包括baseline/embedding/attention/full）

完整代码与文档已开源，便于复现或扩展研究。

研究意义

本研究为基因组调控预测提供重要启示：

• 跨细胞调控预测需显式建模细胞特异性，而非混合数据训练通用模型。
• 深度学习组件需结合生物学特性设计，注意力机制在基因组学任务中的迁移并非直接。
• 数据质量与实验设计影响模型表现，需平衡跨细胞数据分布。
• 高活性元件预测是共性挑战，需专门损失函数或数据增强策略。

结语

细胞类型感知模型代表深度学习在基因组学的重要进展，验证了细胞类型嵌入的有效性，揭示了注意力机制的局限。研究成果为构建更准确的调控模型奠定基础，加速功能基因组学研究。

项目代码与资源可在GitHub获取。