Нейросети учат ДНК восстанавливать структуру генов: проект GENATATOR
Исследователи из AIRI представили проект GENATATOR, демонстрирующий, как большие языковые модели для ДНК (DNA-LM) могут с высокой точностью восстанавливать внутреннюю структуру генов. Вместо дорогой экспериментальной аннотации такие алгоритмы позволяют анализировать геномы тысяч видов, интерпретируя последовательности A, C, G и T как текст для восстановления сложных биологических кодов.
# GENATATOR: как нейросети учат ДНК читать структуру генов
Развитие вычислительной биологии в последние годы пошло по пути адаптации технологий обработки естественного языка. Если ранее модели обучались предсказывать следующую букву текста, то теперь большие языковые модели для ДНК (DNA-LM) анализируют последовательности нуклеотидов. Проект GENATATOR, разработанный группой геномики центра AIDD (AIRI), ставит своей целью автоматическую аннотацию генома: определение границ генов, локализацию экзонов, интронов и кодирующих областей.
Проблема аннотации генома заключается в том, что секвенирование лишь дает длинную цепочку букв. Чтобы понять, как работает организм, необходимо знать, где заканчивается ген, как он сплавляется в мРНК и какие участки кодят белок. Традиционные методы требуют дорогостоящих экспериментов, таких как RNA-seq, которые невозможно масштабировать на тысячи новых видов. Ab initio методы, решающие эту задачу только по последовательности ДНК, долгое время уступали экспериментальным данным. Однако новые подходы с использованием глубокого обучения начинают сужать этот разрыв.
Аннотация: от букв к биологии
Для понимания задачи необходимо представить, как выглядит сырой геном. Это непрерывная последовательность четырех символов: аденин (A), цитозин (C), гуанин (G) и тимин (T). Сами по себе эти данные бесполезны для большинства биологических задач. Аннотация превращает их в карту: она указывает, где находятся гены, в каком направлении они считываются и какие участки несут функциональную нагрузку.
Полноценная аннотация должна учитывать сложные структуры. У большинства генов есть экзоны — участки, кодирующие белок (CDS), и интроны — некодирующие вставки, которые удаляются при создании мРНК. Кроме того, существуют альтернативные транскрипты (изоформы): один и тот же ген может кодировать несколько вариантов белка в зависимости от того, какие интроны были удалены. В проекте GENATATOR фокус сделан на предсказании именно внутренней структуры уже найденного транскрипта: классификации каждого нуклеотида на экзон, интрон, CDS или нетранслируемые области (5′ UTR и 3′ UTR).
Исследователи из AIRI сосредоточились на млекопитающих, включая человека и мышь. В базе данных NCBI хранится почти пять тысяч секвенированных геномов млекопитающих, но качественная аннотация есть лишь у двухсот. Ab initio методы обещают изменить это соотношение, позволяя анализировать тысячи новых видов, не дожидаясь длительных лабораторных испытаний.
Почему точность границ критична
Ключевым вызовом при обучении нейросетей на геномах является выбор метрик оценки. Ошибка в одном нуклеотиде при классификации «всего гена» кажется ничтожной, однако для биологии это катастрофа. Белок считывается тройками нуклеотидов — кодонами. Сдвиг рамки считывания на один символ (сбой рамочного сдвига) меняет всю последующую аминокислотную последовательность, что делает предсказанный белок нефункциональным.
Команда AIRI отказалась от простых метрик класса нуклеотида, оценивая модели через interval F1 и gene-level метрики. Интервал считается правильным только при точном совпадении границ с эталоном. Ген засчитывается, только если восстановлена структура хотя бы одной из его биологически корректных изоформ. Этот строгий подход выявил, что многие модели, хорошо работающие на общем фоне, полностью терпят неудачу при попытке точно определить границы.
Архитектуры и данные: что работает лучше?
В эксперименте сравнивались представители двух архитектурных семейств: трансформеры (например, GENA-LM) и модели состояния пространства (state-space models, например, Caduceus). Обучение проводилось на геноме человека версии T2T, с использованием хромосом 8, 20 и 21 для валидации, чтобы обеспечить честность сравнения.
Исследования выявили несколько важных факторов, влияющих на качество аннотации:
1. Размер контекста: Модели, видящие большие участки ДНК (до 250 kb), значительно превосходят модели с коротким контекстом (4 kb). Это необходимо, так как свойства гена определяются удаленными регуляторными элементами, находящимися далеко от самого гена. 2. Мультивидовые данные: Обучение на геномах 39 видов млекопитающих улучшило результат на 1,2–1,5 раза. Модель учится распознавать консервативные элементы, сохраняющиеся в эволюции, и адаптироваться к вариабельности структур. 3. Полное дообучение (Fine-tuning): Попытка просто «заморозить» слои предобученной модели и добавить классификатор сверху провалилась. Для точной работы с границами необходимо дообучать (fine-tune) саму архитектуру языковой модели, а не только выходные слои.
В отличие от простых классификаторов, GENATATOR и другие продвинутые модели должны учитывать перекрывающиеся гены и сложные изоформы. В работе опубликованной на конференциях ICLR 2026 и ECML PKDD 2026 исследователи показали, что современные DNA-LM способны решать задачу ab initio аннотации с точностью, приближающейся к экспериментальным данным, при условии правильного подбора метрик и архитектуры.
Перспективы внедрения
Проект GENATATOR демонстрирует, что геномика входит в эпоху прецизионных вычислений. Если модели смогут надежно предсказывать структуру генов, это откроет путь к расширению базы знаний о биоразнообразии, ускорению разработки лекарств и пониманию механизмов эволюции на беспрецедентном масштабе. Главный урок, который извлекла команда AIRI, заключается в том, что в биологии «почти верно» часто означает «совершенно неправильно», и нейросети должны обучаться не просто угадывать буквы, а понимать смысловые границы генетического кода.