用DNA镜像教授AI基因组学：Self-GenomeNet如何破解数据稀缺难题

深度学习已经彻底改变了基因组学，但它对昂贵且难以获取的标注数据有着巨大的需求。如果我们能够释放数据库中数PB未标注基因组序列的巨大潜力呢？新研究引入了一种巧妙且具有生物学意识的方法，正是做到了这一点，显著减少了对人工标注数据的需求。

关键发现

• 数据效率冠军： Self-GenomeNet 在仅使用约10倍更少标注样本的情况下，达到了标准监督模型的性能。这对于标注成本高昂或速度缓慢的任务来说，是一个改变游戏规则的方法。
• 受生物学启发的学习： 通过训练AI预测不同长度DNA序列的反向互补序列，该模型学习到了基因组数据中基础的、可迁移的模式，这是其他通用自监督方法所忽略的。
• 可泛化的知识： Self-GenomeNet 学习到的表征并不局限于单一任务。它们能有效地迁移到新的数据集和不同的基因组预测挑战中，证明它学会了DNA的底层"语言"。

重要意义

对于生物信息学家而言，这直接解决了一个主要瓶颈。为基因组区域进行功能、调控或疾病关联的注释是劳动密集型的。Self-GenomeNet 提供了一种强大的预训练策略，可以为广泛的下游任务（从变异效应预测到识别功能元件）引导模型，使得先进的深度学习对于标注资源有限的更多实验室和项目来说变得触手可及。

技术方法

其核心思想非常简洁优雅。DNA具有一个内在的、自然的属性：它的反向互补序列（序列被反转，并且每个碱基与其互补碱基配对，A↔T，C↔G）。Self-GenomeNet 在大量未标注的DNA上以自监督的方式进行训练。它接收一个序列片段，并尝试预测其反向互补序列，包括短片段和长片段。这迫使模型理解DNA中的局部模式（如转录因子结合基序）和长程依赖关系，从而在没有一个人工提供标签的情况下，建立起丰富的基础理解。然后，这个预训练的模型会用少量标注数据针对特定任务进行微调，并表现出色。

延伸阅读

探索发表在Communications Biology上的原始研究论文：
Gündüz等人（2023）发表的A self-supervised deep learning method for data-efficient training in genomics。