Меня зовут Алексей Шмелев, я научный сотрудник группы геномики центра AIDD, AIRI. В нашей команде я занимаюсь разработкой различных моделей для анализа геномных последовательностей, и в этой статье я хочу рассказать про GENATATOR — наш проект по автоматической аннотации генома с помощью DNA language models.
Рассказ получился большим, потому что при автоматической аннотации возникает большое число нюансов, начиная от выбора и подготовки данных и заканчивая невидимыми на первый взгляд различиями в метриках — всё это хотелось раскрыть подробнее.
Приятного чтения!
Введение
За последние несколько лет большие языковые модели для ДНК (DNA‑LM) стали отдельным и активно развивающимся направлением вычислительной биологии. Появилось много разных моделей, например GENA‑LM, Nucleotide Transformer, Caduceus, Evo и другие. Работы про такие методы уже публикуются в Nature, Science и других крупных журналах, а сами DNA‑LM всё чаще используют как основу для решения самых разных задач в геномике.
Идея их обучения во многом похожа на то, что давно используется в обработке естественного языка. На первом этапе модель предобучают на большом количестве геномных последовательностей. Во время такого предобучения часть последовательности скрывают и просят модель восстановить её по окружающему контексту. За счёт этого модель постепенно учится распознавать характерные закономерности в ДНК и учитывать связи между разными участками генома. После этого её уже дообучают на конкретной биологической задаче, где есть размеченные данные и известен правильный ответ. Так DNA‑LM можно адаптировать, например, для поиска промоторов, сайтов сплайсинга, сайтов полиаденилирования, регуляторных элементов, предсказания экспрессии генов и других свойств геномной последовательности.
Именно большими языковыми моделями для ДНК в нашей группе занимаются уже несколько лет. Сначала мы разработали GENA‑LM, которую внутри группы часто просто называем Геной. Это семейство универсальных моделей, рассчитанных на работу с очень длинными последовательностями. Для геномики длина контекста особенно важна, потому что многие свойства гена определяются не только локальным сигналом рядом с конкретной позицией. На решение могут влиять участки, удалённые друг от друга на десятки и сотни тысяч нуклеотидов, поэтому модели полезно видеть как можно большую часть соответствующего геномного контекста.
Недавно мы опубликовали в открытом доступе ModernGENA — следующую версию Гены, построенную на архитектуре ModernBERT (базовая и большая версии). По результатам бенчмарков в сравнении с предыдущим поколением она работает быстрее, эффективнее использует оперативную память и при этом в среднем даёт более высокое качество на downstream‑задачах. Поэтому сейчас мы в основном используем ModernGENA, а не GENA‑LM в наших экспериментах, что также рекомендуем делать и нашим читателям.
В работе “GENATATORs: ab initio Gene Annotation With DNA Language Models”, которая побывала на ICLR 2026 и ECML PKDD 2026, мы исследовали способности различных DNA‑LM моделей к решению задачи ab initio аннотации генов. Но зачем вообще нужна такая аннотация, если последовательность генома уже известна? Давайте обо всем по порядку.
Аннотация генома
Допустим, мы секвенировали новый организм и получили его геном. С точки зрения модели это просто очень длинная непрерывная последовательность из четырёх букв: A, C, G и T. Но одной этой последовательности недостаточно для большинства биологических задач. Нужно понять, где в ней находятся гены, в каком направлении они считываются, где расположены экзоны и интроны, какие участки кодируют белок, где находятся нетранслируемые области и какие типы генов вообще присутствуют в этой последовательности. Именно это и даёт аннотация. Она делает геномную последовательность пригодной для дальнейшего биологического анализа: с ней уже можно проводить сравнения между видами, изучать белки, интерпретировать мутации, анализировать состав генома и понимать, какие гены есть у конкретного организма и как они устроены.
Настоящую качественную аннотацию можно получать с помощью экспериментальных данных, но это дорого и требует времени. Например, RNA‑seq позволяет увидеть, какие участки генома транскрибируются в РНК. При этом одного эксперимента часто недостаточно. Разные гены и разные изоформы могут экспрессироваться в разных тканях, на разных стадиях развития и в разных условиях. Поэтому для полной разметки приходится собирать данные из нескольких экспериментов и затем объединять их в единую аннотацию, что является долгим, сложным и трудоёмким процессом.
Есть и автоматизированные пайплайны для построения аннотации. Например, NCBI использует собственный Eukaryotic Genome Annotation Pipeline, который для своих предсказаний использует геномную последовательность с дополнительной информацией, такой как тот же RNA‑seq, известные транскрипты и белки. Конечно же существуют и ab initio методы, которым достаточно только самой ДНК, однако в среднем они заметно уступают подходам, использующим вспомогательные данные, и пока покрывают далеко не все аспекты полноценной аннотации генома. Все недостатки существующих ab initio подходов мы обязательно разберём, но чуть ниже.
В нашем исследовании мы решили сосредоточиться на млекопитающих. Во‑первых, человек сам относится к этой группе, а человеческий геном изучен и аннотирован особенно подробно. Кроме того, среди млекопитающих есть важные модельные организмы, прежде всего мышь, на которых проводится огромное количество фундаментальных и прикладных исследований, в том числе связанных с разработкой лекарств, поэтому на этой группе организмов очень удобно разрабатывать и проверять новые методы.
Для начала мы решили посмотреть, как в целом обстоят дела с аннотацией геномов млекопитающих, и для этого проанализировали все доступные геномы этой группы в базе данных NCBI (Рис.1). Оказалось, что между количеством уже отсеквенированных геномов и количеством геномов с качественной аннотацией есть очень большой разрыв. Для млекопитающих доступно почти пять тысяч геномных сборок, тогда как готовая аннотация есть примерно у двух сотен. Иными словами, новые геномные последовательности появляются значительно быстрее, чем подробная информация о том, где в них находятся гены и как они устроены.
Именно здесь особенно полезны ab initio методы. Они получают на вход только последовательность ДНК и должны по ней построить аннотацию генома без использования дополнительных данных. Если такие методы станут достаточно точными, они позволят существенно увеличить число геномов, с которыми можно полноценно работать, а биологи получат возможность анализировать гораздо больше видов, чем сейчас.
Что вообще должен уметь хороший аннотатор
Прежде всего нужно определить, где именно в последовательности ДНК расположены гены, где находятся их границы и на какой цепи они находятся. Но на этом задача не заканчивается, потому что один и тот же ген может иметь сразу несколько транскриптов. Такие альтернативные транскрипты называют изоформами. Они могут отличаться по длине, иметь разные точки начала и окончания транскрипции или разный набор внутренних экзонов. Бывает и так, что две изоформы имеют одинаковые внешние границы, но отличаются внутренней структурой, например один из экзонов присутствует в одном транскрипте и пропущен в другом. При этом все они являются биологически корректными и относятся к одному и тому же гену. Поэтому полноценный аннотатор должен уметь находить несколько возможных транскриптов и понимать, какие из них принадлежат одному гену, какие к другому и что делать в случае, если гены перекрываются.
Кроме того, сами гены бывают разных типов. В геноме человека два крупнейших класса — это белок‑кодирующие гены (mRNA) и длинные некодирующие РНК (lncRNA). Например, в используемой нами аннотации человека около 40,5% генов относятся к mRNA и около 35,2% — к lncRNA. Именно на этих двух классах мы и сосредоточились в нашей работе, поскольку вместе они составляют большую часть аннотированных генов и дают достаточно данных для обучения и оценки моделей.
При этом различия между mRNA и lncRNA не только в названии (см Рис.2). У них по‑разному устроена внутренняя структура. У mRNA есть экзоны и интроны, а внутри некоторых экзонов находится CDS, или coding sequence, — участок, который после транскрипции РНК используется при трансляции и определяет аминокислотную последовательность белка. Однако CDS — это только часть транскрипта. По краям mRNA находятся 5′ UTR и 3′ UTR, то есть нетранслируемые области. Они не кодируют основную последовательность белка, но влияют на стабильность РНК, эффективность трансляции и локализацию транскрипта, поэтому их тоже важно предсказывать точно.
У lncRNA структура другая. Такие транскрипты не содержат CDS и не служат матрицей для синтеза белка, однако сами длинные некодирующие РНК выполняют множество регуляторных функций в клетке. Поэтому полноценная аннотация не может ограничиваться только белок‑кодирующими генами.
В итоге хороший метод аннотации должен решать сразу несколько связанных задач: находить локализацию генов в геноме, учитывать существование нескольких биологически корректных изоформ одного гена, различать разные типы генов и правильно восстанавливать их внутреннюю структуру с учётом особенностей каждого класса.
В нашей группе мы решили исследовать проблему по частям. В работе GENATATOR мы сфокусировались на одной из важнейших частей — предсказании внутренней структуры уже найденного транскрипта. То есть координаты гена на этом этапе считаются известными, а модель должна определить для каждого нуклеотида, относится ли он к экзону, интрону, CDS, 5′ UTR или 3′ UTR (Рис.3).
Таким образом мы сможем отдельно понять, насколько хорошо современные DNA‑LM вообще способны выучить структуру генов, какие архитектуры для этого подходят лучше всего и какие изменения в обучении помогают улучшать аннотацию. А к полноценному поиску генов по всему геному я вернусь ближе к концу статьи, где покажу, как мы сейчас собираем все кусочки в единый пайплайн.
Правильно выбранные метрики — залог успешного метода аннотации
Когда мы начали сравнивать разные DNA‑LM модели на задаче сегментации генов, потребовалось выбрать метрику, которая наиболее точно и комплексно отражала бы способность моделей к качественной аннотации. Самый очевидный вариант — оценивать результаты в каждом нуклеотиде независимо. Мы знаем его истинный класс, сравниваем его с ответом модели и считаем привычные precision, recall, F1 или PR‑AUC. Такие метрики полезны, и мы их тоже используем, однако у них есть серьёзное биологическое ограничение.
Допустим, модель идеально разметила длинный транскрипт, но ошиблась всего на один нуклеотид в границе одного из экзонов. Для nucleotide‑level метрики такая ошибка практически незаметна, потому что один неверный нуклеотид теряется среди тысяч правильно классифицированных позиций.
Для protein‑coding транскрипта последствия такой ошибки будут катастрофическими. CDS читается тройками нуклеотидов, то есть кодонами. Если граница кодирующего участка сдвигается на один нуклеотид, после этой точки меняется разбиение последовательности на кодоны. В результате может измениться вся дальнейшая аминокислотная последовательность и может появиться преждевременный стоп кодон. Формально модель почти везде угадала класс, но биологически из предсказанных экзонов получится совершенно другой белок.
И это не пустые слова. В наших экспериментах ранг моделей действительно менялся в зависимости от выбранной метрики. У Caduceus PS с контекстом 32 kb средний PR‑AUC качества разметки экзонов составлял 0.7834, а у GENA‑LM с контекстом 1 Mb — 0.7815, то есть по этой метрике Caduceus выглядел немного лучше. При этом число генов, для которых модель без единой ошибки восстановила всю структуру, составляло 267 для Caduceus и 442 для GENA‑LM.
Поэтому мы оставили nucleotide‑level метрики для совместимости с предыдущими работами, но добавили ещё два более строгих метода оценки моделей.
Первый — interval F1. Здесь мы не пытаемся оценивать качество предсказания всего транскрипта целиком, а просто берём все интервалы нужного класса, например экзоны или CDS, и сравниваем их с эталонными интервалами из референсной разметки с учётом принадлежности к любой изоформе гена. Предсказанный интервал считается TP (true positive) только при точном совпадении обеих границ с одним из эталонных интервалов. Если истинный экзон идёт, например, от позиции 100 до 250, а модель предсказала диапазон 100–251, такой предсказанный интервал считается FP (false positive). После такого сопоставления всех интервалов считаем обычную F1 метрику.
Второй подход — gene‑level метрика. Здесь ген засчитывается только тогда, когда полностью восстановлен набор экзонов хотя бы одной его референсной изоформы. Если хотя бы одна граница или один интервал не совпали, соответствующая структура не засчитывается.
Какие модели и архитектуры мы тестировали
Основные эксперименты мы проводили на человеческом геноме версии T2T. Хромосомы 8, 20 и 21 полностью исключили из обучающей выборки и использовали для валидации в процессе обучения, чтобы выбирать лучший чекпоинт. Финальное сравнение всех моделей проводили только на 20-й хромосоме. Такой выбор был сделан не случайно. Мы проанализировали данные, на которых обучались другие методы, и постарались выбрать для оценки хромосомы, которые большинство сравниваемых моделей не видело во время обучения. Так мы старались сделать сравнение максимально честным и не давать сторонним моделям преимущество.
В качестве основных DNA‑LM мы выбрали представителей двух разных архитектурных семейств. GENA‑LM использовали как одну из популярных трансформерных моделей для ДНК, а Caduceus — как представителя state‑space моделей. Именно на этих двух архитектурах мы проводили большую часть экспериментов, чтобы посмотреть, насколько наблюдаемые эффекты зависят от конкретного типа модели.
С точки зрения машинного обучения наша задача формулируется как nucleotide‑level classification. Для каждого нуклеотида модель должна предсказать пять классов: exon, intron, CDS, 5′ UTR и 3′ UTR. Причём выход обязательно должен оставаться именно на нуклеотидном уровне независимо от того, как сама DNA‑LM представляет входную последовательность — через BPE или через нуклеотидные токены. Для аннотации это принципиально важно, потому что, как мы уже обсуждали выше, ошибка даже в один нуклеотид на границе экзона может сделать предсказанную структуру транскрипта биологически некорректной.
Дальше мы провели серию абляционных экспериментов и посмотрели, какие факторы сильнее всего влияют на качество такой сегментации. Один из наиболее заметных эффектов дал размер контекста. Чем большую часть последовательности видит модель, тем точнее она восстанавливает структуру транскрипта. Сам по себе этот результат не удивителен и согласуется с тем, что уже наблюдалось в других работах. Но для аннотации это интересно, так как плайс‑сайты представляют собой достаточно локальные сигналы, однако для корректного восстановления всего транскрипта модели всё равно полезно видеть большой контекст и, по возможности, весь ген целиком. В наших экспериментах увеличение контекста с 4 kb до 32 kb давало примерно 1,6–2-кратный прирост по gene‑level метрике, а в финальных моделях мы увеличили максимальный контекст до 250 kb.
Второй важный фактор — разнообразие обучающих данных. Помимо моделей, обученных только на человеке, мы подготовили многовидовой вариант, в котором использовали данные от 39 видов млекопитающих. Обучение на нём обучение давало примерно 1,2–1,5-кратный прирост. Здесь модель получает не только больше примеров, но и видит, как структура генов меняется между разными видами, одновременно сталкиваясь с консервативными элементами, которые сохранялись в ходе эволюции.
Ещё один важный результат связан с самими предобученными моделями. Можно было бы ожидать, что после предобучения на огромном количестве геномных последовательностей структура генов уже каким‑то образом содержится в скрытых представлениях модели и для новой задачи достаточно заморозить все слои основной модели (backbone) и обучить сверху небольшую классификационную голову, что является дешёвой и быстрой операцией. На практике этого оказалось категорически недостаточно. Нуклеотидные метрики при таком подходе могли выглядеть вполне неплохо, однако interval F1 и gene‑level метрики оказывались практически нулевыми. Главная проблема была именно в точности границ. Замороженная модель могла в общих чертах различать элементы транскрипта, но не умела достаточно точно определять, где заканчивается один элемент и начинается другой. Поэтому для нашей задачи полноценный fine‑tuning самой DNA‑LM оказался обязательным.
Отдельно мы проверили, стоит ли использовать при обучении сразу несколько изоформ одного гена. Интуитивно кажется, что чем больше корректных вариантов структуры показать модели, тем лучше. В нашем случае получилось наоборот. Одна и та же последовательность ДНК может соответствовать нескольким биологически корректным транскриптам, причём их внешние границы могут совпадать, а набор экзонов различаться. Тогда модель получает один и тот же вход, но разные правильные nucleotide‑level таргеты. Для обычной задачи классификации с использованием encoder only моделей это даёт противоречивый сигнал, и в результате качество немного снижалось. Поэтому для каждого гена мы оставляли одну репрезентативную изоформу — ту, у которой суммарная длина экзонов была максимальной.
Наконец, заметный прирост также дала простая test‑time аугментация. Во время инференса мы сначала подавали модели исходную последовательность ДНК, а затем делали для неё обратную комплементарную последовательность и прогоняли модель ещё раз. После этого предсказания для двух ориентаций приводили к одной системе координат и усредняли. Несмотря на простоту такого подхода, он заметно повышал точность. Например, для Caduceus PS gene‑level метрика увеличивалась примерно в полтора раза.
Результаты
После серии абляций на человеческом геноме мы объединили в финальных моделях те изменения, которые давали наиболее заметный прирост качества. Для обеих архитектур, GENA‑LM и Caduceus, мы увеличили контекст до 250 тысяч нуклеотидов, использовали данные 39 видов млекопитающих, оставляли по одному самому длинному транскрипту на ген и применяли test‑time аугментацию с использованием обратно комплементарной последовательности, в результате которой мы просто усредняли предсказания модели с прямой и обратной цепи во время инференса. Кроме того, мы добавили несколько простых биологических эвристик, которые помогают уточнять границы белок‑кодирующих участков. Здесь я не буду подробно останавливаться на них, все детали можно посмотреть в нашей статье.
Финальное сравнение проводили на 20-й хромосоме человека из T2T‑сборки (Рис.4). В референсной аннотации на ней было 980 генов из рассматриваемых нами классов: 546 mRNA и 434 lncRNA. Для всех методов мы считали gene‑level метрики, о которых говорили выше, то есть ген засчитывался только тогда, когда модель правильно восстанавливала всю соответствующую структуру одной из его изоформ.
Для mRNA мы отдельно считали два варианта такой метрики. В колонке exon mRNA проверяется вся экзонная структура транскрипта, причём CDS и UTR здесь не разделяются: всё это части экзонов, поэтому для правильного предсказания должны совпасть границы всех экзонов целиком, включая 5′ и 3′ UTR. Отдельно считалась метрика CDS mRNA, где нас интересовали только белок‑кодирующие участки только белок‑кодирующих генов. Наконец, для exon lncRNA мы оценивали только экзоны длинных некодирующих РНК, поскольку CDS у этих транскриптов нет. Последняя колонка в таблице представляет собой суммарный показатель по этим трём категориям, удобный для общего сравнения разных методов. При этом его не стоит интерпретировать как число уникальных найденных генов, потому что один и тот же mRNA‑ген может быть одновременно правильно восстановлен и по структуре экзонов, и по структуре CDS.
Лучший результат в этом сравнении показал GENATATOR на основе Caduceus. Он правильно предсказал все экзоны для 377 mRNA генов и 111 lncRNA генов, а CDS — для 392 mRNA‑генов. Версия на основе GENA‑LM заняла второе место.
Особенно важен здесь результат на lncRNA. Для большинства существующих ab initio методов основной целью исторически были белок‑кодирующие гены, а некоторые из них вообще не предназначены для работы с lncRNA. Между тем для полной аннотации генома некодирующие транскрипты нельзя просто игнорировать. Их предсказание заметно сложнее: у них нет CDS и связанной с ним выраженной кодирующей триплетной структуры, их последовательности в среднем менее консервативны между видами, а многие lncRNA имеют слабую экспрессию, что осложняет получение надёжной экспериментальной разметки.
Отдельно интересно сравнение с Tiberius, одним из наиболее сильных современных методов для аннотации CDS у белок‑кодирующих генов. Но даже на них наши модели оказались конкурентоспособны — GENATATOR на архитектуре Caduceus в нашем бенчмарке превзошёл его и по качеству предсказания экзонов, и по CDS. Конечно, Tiberius не рассчитан задачу поиска lncRNA и не восстанавливает UTR как отдельную часть полной структуры mRNA транскрипта, а у нас для GENATATOR эти элементы входят непосредственно в постановку задачи, но в этом и заключается наше преимущество.
Мы также включили в сравнение AlphaGenome. Да, это модель, не специализирующаяся на аннотации, но она умеет предсказывать сайты сплайсинга, и мы использовали его предсказания позиций доноров и акцепторов, чтобы реконструировать из них экзонные интервалы настолько аккуратно, насколько это возможно. При таком постпроцессинге по нашей gene‑level метрике качество предсказания структуры генов оказалось существенно ниже, чем у GENATATOR.
При этом важно помнить об ограничении именно этой работы. Разработанные нами модели здесь решают задачу сегментации генов, а не полную аннотацию генома. На вход им подаётся последовательность, про которую уже известно, что она содержит ген, а задача модели — восстановить его внутреннюю структуру. Самостоятельно искать позиции генов по всей хромосоме эта версия GENATATOR ещё не умеет.
Тем не менее для такой модели тоже есть применение. Одно из направлений — оценка патогенности вариантов (variant scoring). Можно вносить мутацию в последовательность ДНК и смотреть, меняется ли предсказанная структура транскрипта. Это потенциально позволяет оценивать, насколько конкретная мутация может быть функционально значимой.
Ещё одно интересное направление, над которым мы сейчас работаем, — поиск poison exons, или, как их ещё называют, ядовитых экзонов. Это альтернативные экзоны, включение которых может приводить, например, к появлению преждевременного стоп‑кодона и последующему разрушению транскрипта через механизмы контроля качества РНК. Такие транскрипты могут действительно образовываться в клетке, даже если в стандартной референсной аннотации соответствующая изоформа отсутствует. Поэтому предсказанный моделью дополнительный экзон не обязательно означает ошибку. Пока это направление ещё находится у нас в работе, но мы уже видим примеры, где модель предсказывает такие ядовитые экзоны, для которых существует экспериментальное подтверждение.
Также мы сделали интерактивный лидерборд на базе Hugging Face Spaces. В нём можно посмотреть те же метрики для всех сравниваемых моделей, включая BUSCO, скачать предсказания и подробнее проанализировать результаты. Туда также можно загрузить предсказания собственной модели, чтобы увидеть её положение относительно остальных методов. Сами метрики опубликованы в открытом доступе на Hugging Face и доступны через API.
GENATATOR 2.0: от сегментации к полной аннотации
На сегментации отдельных генов мы, конечно, не остановились. Как уже было отмечено выше, такая модель полезна, но сама по себе решает только часть задачи. Ей заранее нужно указать участок ДНК, в котором находится ген. Для полноценной аннотации этого недостаточно. По‑хорошему метод должен сам находить положения генов в геноме, учитывать, что одному гену может соответствовать несколько изоформ, определять тип найденного транскрипта и уже после этого восстанавливать его внутреннюю структуру.
Именно над такой системой мы сейчас работаем. Этот метод мы пока не опубликовали как отдельную статью, но уже выложили текущую версию кода и моделей в открытый доступ. Поэтому здесь я коротко расскажу, как сейчас устроен новый GENATATOR 2.0 и как мы собираем отдельные задачи, о которых говорили выше, в единый пайплайн для аннотации (Рис.5).
Мы сохранили модульный подход и разделили задачу на несколько последовательных этапов.
Первый и, пожалуй, самый важный этап — найти сами транскрипты на хромосоме. Для этого мы используем две модели на базе ModernGENA, о которой я рассказывал в начале статьи.
Первая имеет кодовое название edge model. Она проходит по последовательности хромосомы и ищет возможные границы транскриптов. TSS здесь обозначает первый нуклеотид транскрипта в направлении транскрипции, а PolyA — последний. Поскольку гены могут находиться на обеих цепях ДНК, модель для каждого нуклеотида предсказывает четыре класса: TSS+ и PolyA+ для прямой цепи, а также TSS− и PolyA− для обратной.
При обучении edge model мы уже используем все известные изоформы. Поэтому её задача не сводится к поиску одной «правильной» пары границ для каждого гена. Наоборот, модель должна найти все возможные начала и окончания транскриптов, которые присутствуют в референсной аннотации.
Сырые предсказания нейросети при этом довольно шумные. Чтобы получить из них устойчивые границы, мы дополнительно сглаживаем предсказанные треки с помощью быстрого преобразования Фурье (FFT), а затем ищем в получившемся сигнале пики. Каждый такой пик становится кандидатом на начало или конец транскрипта. После этого TSS и PolyA на одной цепи попарно соединяются, и мы получаем огромное количество интервалов потенциальных транскриптов.
Понятно, что простое комбинирование найденных границ создаёт много лишних вариантов. Мы пока не знаем, какие TSS и PolyA действительно принадлежат одному транскрипту, поэтому после этого этапа число кандидатов получается значительно больше необходимого.
Здесь вступает в работу вторая модель, тоже основанная на ModernGENA — region model. У неё другая задача. Для каждого нуклеотида она определяет, принадлежит ли он вообще какому‑либо транскрипту или находится в межгенном участке. Предсказания при этом также делаются отдельно для прямой и обратной цепи.
Здесь важно вспомнить про изоформы. У одного гена могут быть транскрипты разной длины, с разными точками начала и окончания. Для region model это не принципиально. Если конкретный нуклеотид входит хотя бы в один из транскриптов данного локуса на соответствующей цепи, он считается принадлежащим гену (intragenic region), в противном случае — находящимся в межгенном районе (intergenic region). В идеальном случае модель таким образом как бы «заливает» всю область, покрываемую возможными транскриптами гена.
Теперь предсказания двух моделей можно объединить. Edge model предлагает большое число интервалов с возможными границами транскриптов, а region model позволяет проверить, насколько хорошо каждый такой интервал покрывается intragenic‑сигналом. Хорошо покрытые интервалы мы оставляем, а варианты, внутри которых значительная часть последовательности выглядит как межгенный район, отбрасываем. При этом в нашем подходе несколько коротких и длинных вариантов одного локуса могут пройти фильтрацию одновременно, поэтому наш пайплайн способен сохранять несколько изоформ одного гена с различными границами.
После этого у нас остаётся набор уже достаточно правдоподобных интервалов, но мы всё ещё не знаем, к какому типу относится каждый из них. Для этого используется отдельная модель на основе Caduceus. Она решает обычную задачу sequence classification: получает последовательность найденного транскрипта и определяет, относится ли он к mRNA или lncRNA.
Ну а последний этап нам уже знаком. Каждый найденный транскрипт подаётся в модель для сегментации генов, разработанную в первой части этого проекта. Она восстанавливает его внутреннюю структуру. Для lncRNA нас интересуют только экзоны, а для mRNA дополнительно выделяются CDS и UTR. После этого результаты всех этапов объединяются и записываются в итоговый .gff файл.
Эта работа всё ещё находится в процессе, но текущую реализацию мы уже выложили в открытый доступ, чтобы с ней можно было экспериментировать всем желающим (пайплайн и коллекция моделей).
Сейчас мы активно дорабатываем наш подход, тестируем его на полных геномах, сравниваем с другими методами и продолжаем улучшать отдельные этапы. По результатам этой работы мы конечно же планируем подготовить отдельную публикацию. На этом на сегодня всё. Stay tuned!
Автор: alexeyshmelev
