Прочитать последовательность ДНК сегодня нередко проще, чем понять её содержание. Секвенатор выдаёт длинную последовательность из A, T, G и C, но исследователям ещё нужно найти в ней гены, определить их границы, отделить экзоны от интронов и понять, какие участки кодируют белки.
Для человека, мыши и нескольких других модельных организмов такие карты собирали десятилетиями. У большинства видов известна только сама последовательность. На момент анализа хотя бы какая-то аннотация существовала лишь для 166 из 4582 геномных сборок млекопитающих.
Для ускорения этой работы Институт AIRI сказал нам «Гена, на» и опубликовал GENATATOR — набор нейросетевых моделей для автоматической аннотации геномов. Система получает последовательность ДНК, ищет в ней границы генов, определяет тип транскрипта и восстанавливает внутреннюю структуру: экзоны, интроны и кодирующие участки.
GENATATOR работает как конвейер. Сначала одна модель ищет возможные начала и окончания транскриптов на обеих цепях ДНК. Другая проверяет, действительно ли участок между ними похож на ген. Затем система определяет тип транскрипта, восстанавливает его устройство, а биоинформатические алгоритмы отсеивают сомнительные предсказания.
В отличие от классических инструментов, система опирается не только на заранее заданные признаки вроде старт- и стоп-кодонов. Она обучается находить закономерности непосредственно в последовательностях ДНК, поэтому может работать в том числе с длинными некодирующими РНК, которые традиционные методы размечают хуже.
Модели обучали на генах человека и ещё 38 видов млекопитающих, включая слонов и моржей. При этом они показали хорошие результаты и на организмах, которых не видели при обучении: дрозофиле, резуховидке Таля и дрожжах. Система также обнаружила несколько редких «ядовитых» экзонов, включение которых может привести к разрушению всей молекулы РНК.
Практическая задача GENATATOR — быстрее дать исследователю рабочую карту нового генома. Она пригодится при изучении малоисследованных видов. В сельском хозяйстве такая разметка станет начальным этапом поиска генов, связанных с урожайностью, устойчивостью к засухе или заболеваниям. В исследованиях человека — при анализе редких мутаций и неизвестных вариантов строения генов.
Сбор датасетов для обучения был проведён учеными Научно-технологического университета «Сириус» и ИЦиГ СО РАН. Модели доступны на Hugging Face, а запустить анализ без локальной установки можно через веб-сервис GENA LM. После прочтения — не сжечь, а расшифровать!
@anti_agi
