Модель Seal предсказывает регуляцию генов в мозге

Исследователи из Принстонского университета представили Seal — интерпретируемую систему на основе искусственного интеллекта, которая моделирует регуляцию генов и влияние генетических вариантов в развивающемся человеческом мозге с учётом пространства и времени. Работа опубликована в журнале Nature. Модель обучена на данных о 26 областях мозга, 30 типах клеток и 7 стадиях развития.

Seal использует подход трансферного обучения: сначала модель обучается на обширных данных о геноме и экспрессии генов, а затем адаптируется к конкретным пространственно-временным условиям. Это позволяет предсказывать эффекты вариантов даже в редких и переходных типах клеток, для которых экспериментальных данных мало. Предсказания модели сопровождаются механистической интерпретацией — она связывает варианты с конкретными транскрипционными регуляторами в определённом контексте.

Применив Seal к данным полногеномных ассоциативных исследований (GWAS), учёные выявили общие и уникальные регуляторные архитектуры для шести нейропсихиатрических заболеваний, включая аутизм и шизофрению. Эти архитектуры согласуются с клиническими траекториями болезней. В частности, анализ данных когорты Simons Simplex Collection (аутизм) показал значительное накопление de novo регуляторных вариантов в переходных фетальных возбуждающих нейронах, что указывает на специфические для типа клеток и стадии развития эффекты.

Модель Seal и её параметры находятся в открытом доступе: код опубликован на GitHub, а обученные веса — на платформе Zenodo. Для работы требуются Python версии 3.10 и выше, а также библиотека PyTorch версии 2.2 и выше. Все данные, использованные для обучения и оценки, также общедоступны, что соответствует принципам воспроизводимости исследований.

Разработка предлагает общий фреймворк для изучения механизмов развития мозга и связанных с ним заболеваний. По словам авторов, Seal позволяет соединить генетические вариации с пространственно-временными регуляторными программами, что может ускорить поиск терапевтических мишеней. В будущем подход может быть расширен на другие ткани и стадии развития.