Genomic language model for predicting enhancers and their allele-specific activity in the human genome.

Modèle de langage DNABERT fine-tuné sur les éléments cis-régulateurs candidats ENCODE, couplé à des modèles de facteurs de transcription pour prédire l'effet allélique

DNABERT-Enhancer applique le modèle de langage pré-entraîné DNABERT à la prédiction des enhancers du génome humain. Le jeu de référence a été construit à partir du registre ENCODE des éléments cis-régulateurs candidats : 21 926 enhancers de 201 pb et 46 159 enhancers de 350 pb comme instances positives. Le meilleur modèle fine-tuné atteint 88,05 % d'exactitude et un coefficient de corrélation de Matthews de 76 % sur un jeu indépendant ; appliqué au génome entier, il identifie 1 684 595 régions enhancers couvrant 26,65 % du génome humain. L'analyse intégrative avec des modèles DNABERT de facteurs de transcription met en évidence 2 681 variants à perte de fonction et 1 917 variants à gain de fonction altérant respectivement 1 623 et 1 247 enhancers ENCODE, ainsi que 4 057 enhancers de novo candidats créés par 5 464 variants à gain de fonction. Le code, les modèles entraînés et une application web interactive sont librement accessibles.

Synthèse rédigée par Geno'X. Pour l'abstract original complet, consulter la publication source.

Le non-codant reste le grand angle mort de l'interprétation en exome et surtout en génome, et disposer d'un catalogue d'enhancers annoté variant par variant est utile en soi. Mais l'évaluation est entièrement faite sur des données ENCODE, sans aucun patient : rien n'établit qu'un variant classé ici perte de fonction ait un effet phénotypique, et 26,65 % du génome annoté enhancer reste une couverture trop large pour filtrer un génome diagnostique. À utiliser comme ressource d'annotation, pas comme argument de classification.

Analyse par Dr Thibaut Benquey