EPInformer: predicción escalable e integradora de la expresión génica a partir de secuencias promotor-potenciador con perfiles epigenómicos multimodales

Por qué importa predecir la actividad génica

Cada célula de tu cuerpo contiene esencialmente el mismo ADN, sin embargo las células cerebrales, sanguíneas y hepáticas se comportan de forma muy distinta. Lo que las distingue es qué genes están activados o silenciados. Poder predecir esta actividad génica directamente a partir del ADN y de señales relacionadas ayudaría a los científicos a entender cómo se desarrollan las células, cómo responden al entorno y por qué en ocasiones fallan en enfermedades. Este artículo presenta EPInformer, una nueva herramienta computacional que utiliza avances recientes en inteligencia artificial para pronosticar la actividad génica con mayor precisión y eficiencia que los métodos anteriores.

Cómo interruptores de ADN distantes controlan los genes

Los genes no están controlados únicamente por el tramo corto de ADN donde comienza su lectura (el promotor). También los influyen fragmentos distantes de ADN llamados potenciadores que actúan como interruptores remotos. Estos interruptores pueden estar a decenas o incluso cientos de miles de bases de distancia de un gen, plegándose en el espacio tridimensional para contactar el promotor. Además de la secuencia de ADN en bruto, las marcas químicas y los indicadores proteicos a lo largo del ADN —conjuntamente denominados señales epigenómicas— señalan qué interruptores están activos en un tipo celular concreto. Los modelos informáticos tradicionales han tenido dificultades para combinar toda esta información, sobre todo el efecto de interruptores muy distantes, para predecir con qué intensidad se expresa un gen.

Un modelo de IA compacto que lee muchas señales a la vez

EPInformer se basa en una arquitectura moderna de IA conocida como transformador, adaptada de los modelos de lenguaje. En lugar de leer frases, lee segmentos de ADN alrededor de un gen y de sus posibles interruptores. El modelo convierte primero cada secuencia de promotor y potenciador cercano en una "incrustación" numérica que captura patrones importantes. También puede adjuntar canales adicionales que representan marcas químicas locales en el ADN, la apertura de la cromatina y medidas de la frecuencia con que las regiones de ADN se contactan en 3D. Un mecanismo de atención especial se concentra en cómo cada interruptor potencial interacciona con el promotor, mientras ignora deliberadamente las interacciones entre los propios interruptores. Un paso final de predicción combina esta representación aprendida con propiedades básicas del ARN del gen para producir el nivel de actividad esperado.

Mejores predicciones con menos recursos computacionales

Para evaluar EPInformer, los autores lo entrenaron y validaron en grandes conjuntos de datos públicos que perfilan la accesibilidad del ADN, marcas químicas, contactos 3D y actividad génica en varias líneas celulares humanas. Compararon diferentes versiones del modelo que usaban solo secuencia y distancia, añadían señales epigenómicas o incluían además mapas de contactos 3D. Tanto en secuenciación de ARN estándar como en un ensayo centrado en promotores llamado CAGE, EPInformer superó de forma constante a métodos líderes, incluidos grandes modelos basados solo en secuencia que analizan tramos muy largos de ADN. Notablemente, lo hizo con una fracción mínima de los parámetros —aproximadamente 0,4 millones frente a cientos de millones—, permitiendo el entrenamiento en un único procesador gráfico en alrededor de una hora. Esto hace que el modelado preciso de la actividad génica sea accesible para muchos laboratorios sin grandes clústeres de computación.

Encontrar interruptores clave y sus palabras de control

Debido a que el mecanismo de atención de EPInformer puntúa la intensidad con la que cada potenciador candidato influye en un gen, también puede ayudar a localizar los interruptores más importantes en un tipo celular dado. Los autores mostraron que estas puntuaciones de atención recuperaron con mayor precisión pares potenciador–gen confirmados experimentalmente que un método de puntuación ampliamente usado basado únicamente en actividad y contacto, especialmente para interruptores distantes. Además, utilizaron herramientas de interpretación para examinar las secuencias de ADN de los potenciadores con mayores puntuaciones e identificar patrones cortos recurrentes que coinciden con sitios de unión de factores de transcripción conocidos —proteínas que actúan como palabras de control en el genoma. En células relacionadas con la sangre, por ejemplo, EPInformer redescubrió motivos de reguladores maestros del desarrollo de los glóbulos rojos, lo que sugiere que ha aprendido reglas biológicamente significativas en lugar de limitarse a memorizar datos.

Qué significa esto para la biología y la medicina futuras

En términos sencillos, EPInformer ofrece a los investigadores una lente más precisa y asequible sobre cómo se encienden y apagan los genes en distintos tipos celulares al combinar secuencia de ADN, marcas químicas y el plegamiento 3D del genoma. Su capacidad para resaltar qué interruptores distantes importan para un gen particular y qué palabras de control contienen puede guiar experimentos que prueben cómo las mutaciones o ediciones dirigidas afectan la actividad génica. A medida que el enfoque se extienda a más tipos celulares y a diferentes variantes génicas, podría ayudar a explicar cómo los cambios no codificantes en el genoma contribuyen a rasgos complejos y enfermedades, e informar el diseño de terapias genéticas más precisas.

Cita: Lin, J., Li, Z., Zhao, Y. et al. EPInformer: scalable and integrative prediction of gene expression from promoter-enhancer sequences with multimodal epigenomic profiles. Nat Commun 17, 3975 (2026). https://doi.org/10.1038/s41467-026-70535-8

Palabras clave: predicción de expresión génica, interacciones potenciador-promotor, epigenómica, aprendizaje profundo en genómica, arquitectura de la cromatina