基于图神经网络的细胞类型特异性三维基因组结构预测模型GRAChIP研究进展

作者及机构
本研究由Dartmouth College分子与系统生物学系的Ruoyun Wang、Xiaofeng Wang团队与计算机科学系的Weicheng Ma、Aryan Soltani Mohammadi、Saba Shahsavari及Soroush Vosoughi团队合作完成，以预印本形式发布于bioRxiv（2024年5月21日）。两位通讯作者（Soroush Vosoughi与Xiaofeng Wang）共同指导了这项跨学科研究。

学术背景
哺乳动物基因组通过复杂的三维空间结构调控基因表达与细胞分化，其中染色质调控元件间的相互作用（chromatin interactions）是关键机制。传统检测技术如Hi-C和Micro-C虽能捕获这些相互作用，但存在成本高、通量低的局限性。尽管已有机器学习模型（如Akita、ORCA）尝试预测基因组相互作用，但其泛化能力受限于训练数据的细胞类型相似性。本研究提出GRAChIP（Graph-based Chromatin Interaction Prediction），首次将染色质相互作用强度信息作为先验知识整合至图神经网络（Graph Neural Network, GNN）框架，旨在突破现有模型在跨细胞类型预测中的瓶颈。

研究流程与方法
1. 数据准备与处理
- 数据来源：从ENCODE和4DN数据库获取5种细胞系（H1、HFF、GM12878、K562、IMR90）的Hi-C/Micro-C、ATAC-seq、CUT&RUN等数据，涵盖染色质可及性（ATAC）、CTCF结合位点及组蛋白修饰（H3K4me3/H3K27ac等）特征。
- 预处理：基因组划分为10 kb区间，过滤ENCODE黑名单区域后，构建2 Mb窗口的交互矩阵，采用ICE法标准化并计算绝缘分数（insulation score）。

1. 模型架构设计

   • 多模态编码：
     
     • DNA序列通过预训练DNABert编码为768维向量；
       
     • 基因组特征（如CTCF信号）与序列编码拼接后，通过位置编码（positional encoding）增强空间信息。
       
   • 图卷积网络（GCN）模块：以H1细胞系20%的染色质交互数据作为边属性，通过3层GCN更新基因组区域表征，公式为：
     [ h^{(l+1)} = \sigma\left(\hat{D}^{-¹⁄₂}\hat{A}\hat{D}^{-¹⁄₂}h^{(l)}W^{(l)}\right) ] 其中(\hat{A})为邻接矩阵，(\hat{D})为度矩阵。
     
   • Transformer与CNN模块：12层Transformer捕捉长程依赖，6层二维CNN（核尺寸3×3）细化局部交互模式，通过最大池化抑制噪声。

2. 训练与评估策略

   • 损失函数：联合均方误差（MSE）损失与基于CNN编码器的嵌入损失（embedding loss），动态调整权重以平衡全局模式与局部精度。
     
   • 零样本泛化测试：在训练集（H1/HFF）外的GM12878、K562等细胞系上直接评估，避免数据泄露。

主要结果
1. 预测准确性
- 在H1和HFF细胞系中，GRAChIP的绝缘分数Pearson相关系数均超过0.90，显著优于C.Origami（H1: 0.62 vs 0.84；HFF: 0.59 vs 0.89）。
- 跨细胞系测试中，GM12878和K562的预测性能提升尤为显著（绝缘分数相关性分别提高0.08和0.13），证明其强泛化能力（图2g）。

1. 输入交互信息的双刃剑效应

   • 当预测目标与输入细胞系一致时，60%的交互数据可优化性能；若目标为异源细胞系，仅需5%-20%的交互数据即可避免过拟合（图4）。这一发现为模型设计提供了“少即是多”的经验阈值。

2. 特征重要性分析

   • ATAC-seq（染色质可及性）为最关键特征，其次为H3K4me（单甲基化）。CTCF单独作用有限，但与其他特征协同时可提升预测精度（图5g）。
     
   • 组蛋白标记H3K27ac因与其他特征重叠而贡献最低，而H3K27me3作为抑制性标记在组合分析中展现不可替代性。

结论与价值
GRAChIP首次将染色质交互先验知识融入深度学习框架，通过GNN实现了细胞类型特异性的三维基因组预测。其科学价值体现在：
1. 方法学创新：提出交互信息作为“提示”（hint）的范式，解决了现有模型依赖同源数据的局限；
2. 应用潜力：仅需少量ATAC-seq和表观信号即可预测交互图谱，大幅降低实验成本；
3. 理论启示：验证了增强子-启动子协同作用（enhancer hubs）可通过图结构建模，为调控机制研究提供新工具。

研究亮点
1. 跨学科技术整合：结合GNN的拓扑建模能力与Transformer的序列分析优势，开发多模态编码架构。
2. 零样本泛化突破：在未训练细胞系中保持高精度，支持罕见细胞类型研究。
3. 开源共享：代码公开于GitHub（https://github.com/ruoyun-w/grachip），推动领域复现与拓展。

补充发现
- 预训练阶段通过下采样H1/HFF的冗余数据强制模型学习细胞类型差异，显著提升泛化性；
- 6层CNN与最大池化的组合有效抑制了虚假线性信号，优化了预测图谱的视觉保真度（图1a）。

本研究为三维基因组学提供了高效的计算模拟工具，未来可延伸至疾病相关非编码突变的功能解析。