浸大創新 TRAFICA 模型革新轉錄因子結合分析

Innovative TRAFICA model from HKBU transforms transcription factor binding analysis

轉錄因子是基因調控的核心，負責通過結合特定的 DNA 序列來主導各種生物過程。雖然計算預測工具長期以來致力於解析這些相互作用的圖譜，但現有模型主要依賴體外結合數據，往往忽略了體內環境的一項根本約束：轉錄因子通常只能結合開放染色質區域內的序列。

由副校長（研究及拓展）兼研究院院長呂愛平教授，以及計算機科學系副教授張璐教授帶領的跨學科研究團隊，推出了一款專為克服此限制而設計的開放染色質語言模型。該模型名為「TRAFICA」，通過將開放染色質區域的序列特徵與高通量體外結合數據相結合，在預測轉錄因子與 DNA 結合親和力方面，實現了領先的預測性能。

染色質可及性的生物學實態

在活細胞中，核小體的物理定位限制了基因組的可及性，這意味著轉錄因子只能與結構上具可及性的 DNA 相互作用。因此，體內結合親和力是一個極為複雜的機制，受到協同結合動力學（cooperative binding dynamics）及內在序列偏好的共同影響。傳統的機器學習和深度學習工具，包括 DeepBind 和 DNAshapeR，通常只評估核苷酸序列本身，不會考量將這些序列是否處於可及區域。

本研究提出的 TRAFICA 架構通過全面的預訓練階段直接解決了這一盲區。研究人員採用由逾 280 萬條可及基因組序列組成的龐大數據集來訓練該模型，這些數據源自涵蓋 115 種獨特人類細胞株的 197 項 ATAC-seq 實驗。通過遮罩語言模型訓練，系統成功掌握了自然的體內結合規律。對該數據集的驗證顯示，其中93.23% 的序列與已知的增強子重合，37.64% 與啟動子重合，證實了它們至關重要的基因調控功能。

雙階段訓練架構

這款預測工具的核心是採用旋轉位置嵌入（Rotary Position Embedding, RoPE）進行優化的 Transformer 編碼器（Transformer-encoder）結構，使其能夠處理不同長度的序列。在完成開放染色質數據的預訓練後，模型會進入高度針對性的微調階段。在此階段，研究人員採用了「低秩適應」（Low-Rank Adaptation, LoRA）技術，僅更新多頭自注意力（multi-head self-attention）模組中特定的投影層。這種凍結部分參數的策略，能確保模型在學習特定轉錄因子的內在結合偏好時，仍完整保留預訓練中獲得的開放染色質底層特徵。微調過程則採用了來自蛋白質結合微陣列（Protein Binding Microarrays, PBM）及指數富集配體系統進化技術（HT-SELEX）實驗的大型數據集。

預測優勢與基準評估

系統性的基準測試表明，引入染色質可及性特徵能顯著提高預測的準確度。當使用 DREAM5 挑戰賽數據集進行評估時，TRAFICA 的表現一致優於現有的分析工具以及 DNABERT2 等先進的 DNA 語言模型。具體而言，採用 5-mer 序列標記化（sequence tokenisation）的 TRAFICA 版本展現出極強的穩健性，平均皮爾森相關係數達到 0.647，顯著超越其他競爭方法。

研究團隊進行的消融實驗進一步證實了該方法的有效性。結果顯示，若不進行初始的 ATAC-seq 預訓練而直接從頭訓練模型，其預測能力會出現大幅下降。這證實了將自然染色質狀態作為先驗知識引入模型是不可或缺的。此外，在涵蓋 18 種不同細胞系中 141 個轉錄因子的體內 ChIP-seq 數據集上進行測試時，TRAFICA 依然保持其技術優勢，超越了僅在整個人類參考基因組上進行預訓練的模型。

生物學關聯與未來應用潛力

除了出色的性能指標外，注意力權重（attention-score）分析亦表明，TRAFICA 確實捕捉到了具備生物學意義的結合模式。直接從模型的自注意力機制中提取的序列基序，與權威數據庫 JASPAR 中記錄並經實驗證實的基序高度吻合。詳細分析還發現，網絡中各個獨立的注意力頭（attention heads）能夠成功識別不同的序列特徵，範圍涵蓋特定基序片段以至更廣泛的核苷酸組成。

TRAFICA 採用相對精簡的架構，有約 2,600 萬個參數，與其他超大型模型相比，所需的運算資源大幅減少。雖然在面對含有大量噪聲的極大型微調數據集時，其泛化能力（generalisability）可能會有所下降，但本研究構建的框架已為未來的計算生物學奠定了強大的基礎。團隊下一步將致力於把該模型與單細胞多組學相結合，以預測具備高度細胞類型特異性（cell-type-dependent）的轉錄結合親和力。

論文發表於《Bioinformatics》：https://academic.oup.com/bioinformatics/article/41/11/btaf469/8240329