[论文解读] Signed iterative random forests to identify enhancer-associated transcription factor binding

Karl Kumbier, Sumanta Basu+5 more|arXiv (Cornell University)|Oct 16, 2018

Genomics and Chromatin Dynamics参考文献 29被引用 14

一句话总结

该论文提出了一种有监督的、可解释的机器学习方法——签名迭代随机森林（siRF），用于识别与果蝇（*Drosophila melanogaster*）增强子活化相关的组合型转录因子（TF）结合模式，特别是TF富集与耗竭的签名相互作用。通过在ChIP-seq数据和增强子活性评分上进行训练，siRF检测到684个高阶TF相互作用（其中505个在不同发育阶段具有唯一性），在预测功能性增强子方面表现出高精度（AUROC最高达0.94），并生成了全基因组的功能性峰预测，相比标准峰检测方法显著降低了假阳性率。

ABSTRACT

Standard ChIP-seq peak calling pipelines seek to differentiate biochemically reproducible signals of individual genomic elements from background noise. However, reproducibility alone does not imply functional regulation (e.g., enhancer activation, alternative splicing). Here we present a general-purpose, interpretable machine learning method: signed iterative random forests (siRF), which we use to infer regulatory interactions among transcription factors and functional binding signatures surrounding enhancer elements in Drosophila melanogaster.

研究动机与目标

• 为解决标准ChIP-seq峰检测方法的局限性，该方法虽能识别生物化学上可重复的信号，但未必反映功能相关的调控相互作用。
• 开发一种将TF结合模式整合到更高阶、可解释的增强子调控模型中的方法，以捕捉TF之间的协同与竞争作用。
• 预测与增强子活性具有统计关联的功能性结合事件（功能性峰），而非仅依赖于可重复性。
• 系统性地发现并排序与果蝇不同发育阶段增强子活化相关的签名相互作用（TF富集/耗竭模式）。
• 提供一种通用、可解释的框架，用于全基因组范围内发现增强子介导基因调控中的调控逻辑。

提出的方法

• siRF通过引入签名相互作用检测，扩展了迭代随机森林（iRF）方法，其中每个相互作用编码特定TF组合的富集或耗竭模式。
• 该方法利用随机森林模型，基于7,705个基因组片段在五个发育阶段的增强子强度评分，从原始ChIP-seq信号中预测增强子活性。
• 签名相互作用源自森林中稳定的决策规则，代表了其共现或互斥与增强子活性相关的TF组合。
• 通过将每个签名相互作用的决策规则应用于所有基因组片段，生成功能性峰评分，从而产生全基因组范围的潜在功能性结合事件图谱。
• 基于零模型重要性指标的过滤步骤可提升精度，去除虚假相互作用，提高阳性预测值。
• 该方法将峰检测视为有监督的特征选择问题，能够超越生物化学可重复性，区分功能性与非功能性结合。

实验结果

研究问题

• RQ1 有监督的机器学习方法能否检测到超越简单峰可重复性的、更高阶且可解释的转录因子相互作用，以预测增强子活性？
• RQ2 TF富集与耗竭的模式——尤其是协同与竞争性结合——在果蝇胚胎发育过程中与功能性增强子活性有何关联？
• RQ3 该方法能否识别出具有生物意义且富集于非热点区域的功能性结合峰，从而相比标准峰检测流程降低假阳性率？
• RQ4 siRF在多大程度上能恢复已知的调控相互作用（如eve条纹2增强子中的调控逻辑）并预测跨发育时间点的新相互作用？
• RQ5 预测的相互作用模式与功能性峰评分在多大程度上与时空特异性基因表达及已知的发育模式形成通路相关？

主要发现

• siRF在早期发育阶段的增强子预测中表现出高精度（AUROC = 0.94，对应阶段4–8的强增强子），但在后期阶段性能下降（阶段15–16的强增强子AUROC = 0.77）。
• 该方法识别出684个签名相互作用（其中505个在不同发育阶段具有唯一性），涉及最多四个TF，代表了与增强子活性相关的TF富集与耗竭模式，使可能的相互作用搜索空间减少超过99.9%。
• 超过85%的发现相互作用（457/684）出现在高精度的早期发育阶段（4–8），表明其在关键调控窗口期内具有强大的预测能力。
• siRF生成的功能性峰评分在非热点区域显著富集，并且与功能性增强子的相关性优于基于IDR的标准峰调用，表现为增强子与非增强子峰的比例更高。
• GO富集分析显示，与siRF预测的功能性峰相关的基因在间隙相关TF中显著富集于前后轴模式形成和体节分化通路，验证了其生物学相关性。
• 该方法成功恢复了eve条纹2增强子中的已知调控逻辑，包括Bcd、Hb、Kr和Gt的协同与竞争作用，并预测了具有独特时空动态的新相互作用簇。