Predicción de la abundancia de ARNm directamente a partir de la secuencia genómica utilizando redes neuronales convolucionales profundas

Los algoritmos que predicen con precisión la estructura del gen a partir de la secuencia primaria han sido transformadores para la anotación del genoma humano. ¿Podemos también predecir los niveles de expresión de los genes basándonos únicamente en la secuencia del genoma? Aquí, buscamos aplicar redes neuronales convolucionales profundas para ese objetivo. Sorprendentemente, un modelo que incluye solo secuencias de promotores y características asociadas con la estabilidad del ARNm explica el 59% y el 71% de la variación en los niveles de ARNm en estado estacionario en humano y ratón, respectivamente. Este modelo, denominado Xpresso, más que duplica la precisión de modelos alternativos basados en secuencias e aísla reglas tan predictivas como modelos que dependen de datos de secuenciación por inmunoprecipitación cromática (ChIP-seq). Xpresso recapitula patrones de actividad transcripcional en todo el genoma, y sus residuos pueden usarse para cuantificar la influencia de potenciadores, dominios heterocromáticos y microARNs. La interpretación del modelo revela que los dinucleótidos CpG cercanos al promotor predicen fuertemente la actividad transcripcional. Mirando hacia adelante, proponemos predicciones de expresión génica específicas del tipo celular basadas únicamente en secuencias primarias como un gran desafío para el campo.