[论文解读] Whole Genome Transformer for Gene Interaction Effects in Microbiome Habitat Specificity

Zhufeng Li, Sandeep Suresh Cranganore+2 more|arXiv (Cornell University)|May 9, 2024

CRISPR and Genetic EngineeringBiochemistry, Genetics and Molecular Biology被引用 3

一句话总结

本文提出了一种全基因组转换器框架，利用大规模预训练模型从完整的基因组序列中预测微生物栖息地特异性，通过基于注意力的归因方法识别关键基因互作网络。该方法表现出优异的预测性能，并揭示了具有生物学意义的基因关联，包括已知和新颖的候选基因，可用于在多种环境中进行实验验证。

ABSTRACT

Leveraging the vast genetic diversity within microbiomes offers unparalleled insights into complex phenotypes, yet the task of accurately predicting and understanding such traits from genomic data remains challenging. We propose a framework taking advantage of existing large models for gene vectorization to predict habitat specificity from entire microbial genome sequences. Based on our model, we develop attribution techniques to elucidate gene interaction effects that drive microbial adaptation to diverse environments. We train and validate our approach on a large dataset of high quality microbiome genomes from different habitats. We not only demonstrate solid predictive performance, but also how sequence-level information of entire genomes allows us to identify gene associations underlying complex phenotypes. Our attribution recovers known important interaction networks and proposes new candidates for experimental follow up.

研究动机与目标

• 解决从全基因组序列预测复杂微生物表型（特别是栖息地特异性）的挑战。
• 克服现有模型仅关注单个基因或短DNA序列的局限性，通过建模大规模基因组片段来实现改进。
• 识别并解释驱动微生物适应多样化环境的基因-基因互作。
• 开发归因技术，揭示复杂表型背后的功能性基因网络。
• 提供一个框架，既能恢复已知的生物网络，又能提出新颖的候选基因用于后续实验验证。

提出的方法

• 该框架采用在完整微生物基因组序列上微调的预训练变换器模型（ESM），生成上下文相关的基因嵌入。
• 利用序列级别的注意力机制，捕捉整个基因组范围内长距离的依赖关系和互作。
• 应用基于梯度的归因方法，识别对栖息地特异性预测贡献较高的基因。
• 从归因分数重建基因互作网络，其中枢纽基因代表具有多个显著互作的基因。
• 整合功能注释（例如KEGG正交性）以解释识别出的基因簇的生物学相关性。
• 该方法在来自多种栖息地（包括水生和土壤环境）的大规模高质量微生物组基因组数据集上进行了验证。

实验结果

研究问题

• RQ1 在整个微生物基因组范围内，哪些基因互作最能预测栖息地特异性？
• RQ2 在预测微生物表型方面，基于变换器的模型若在完整基因组上进行训练，是否能优于仅限于单个基因或短序列的模型？
• RQ3 归因方法在多大程度上能恢复与微生物适应相关的已知生物网络？
• RQ4 该模型识别出哪些新颖的基因互作候选，可能对实验验证具有相关性？
• RQ5 自由生活微生物（如聚球藻菌）与土壤栖居微生物（如酸微菌纲）的基因互作网络有何差异？

主要发现

• 全基因组转换器仅使用基因组序列即可在分类微生物栖息地特异性方面实现优异的预测性能。
• 该模型成功恢复了已知的功能基因网络，如参与能量代谢和应激反应的网络，证实了其生物学合理性。
• 通过归因识别出的枢纽基因在操纵子和共调控基因簇中富集，表明其具有功能一致性。
• 该方法在研究不足的类群（如海洋聚球藻菌和酸微菌纲）中识别出新颖的候选基因互作，这些互作可能驱动环境适应。
• 从归因分数重建的基因互作网络在不同栖息地中表现出独特的拓扑模式，反映了生态特化特征。
• 该方法表明，建模整个基因组能够检测到单基因模型所遗漏的复杂非局部互作。