Cross-task benchmarking reveals variable transferability of deep learning models across molecular quantitative trait loci

Transférabilité des représentations régulatrices de six modèles d'apprentissage profond vers neuf classes de QTL moléculaires

La plupart des variants associés aux traits complexes sont non codants, et les modèles d'apprentissage profond prédisent bien les eQTL sans que l'on sache s'ils se généralisent à d'autres phénotypes moléculaires. Les auteurs évaluent les représentations régulatrices pré-entraînées de six modèles, fondés sur la séquence ou sur l'annotation, sur neuf classes de QTL moléculaires (xQTL). Tous les modèles prédisent bien les eQTL, mais leurs performances varient fortement ailleurs : les QTL d'accessibilité de la chromatine, de fixation des facteurs de transcription et d'histones sont bien prédits, contrairement aux QTL de boucles chromatiniennes et d'expression des microARN. Les modèles de fondation, en particulier AlphaGenome et Borzoi, dominent de façon constante, et des classifieurs d'ensemble à base d'arbres améliorent encore les performances. Appliqués aux loci GWAS de la maladie coronarienne, AlphaGenome et Borzoi identifient 337 QTL d'accessibilité candidats de haute confiance, dont 11 déjà rapportés et 326 nouveaux candidats.

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

Travail de recherche sur les traits complexes, sans application directe au diagnostic mendélien. Le message transférable est méthodologique : un score d'effet régulateur performant sur les eQTL ne l'est pas forcément pour d'autres mécanismes, et les modèles à longue portée comme AlphaGenome et Borzoi sont les plus robustes. Les 326 nouveaux candidats restent des prédictions, sans validation expérimentale dans l'abstract.

Analyse par Dr Thibaut Benquey