EPInformer: previsão integrativa e escalável da expressão gênica a partir de sequências promotor‑enhancer com perfis epigenômicos multimodais

Por que prever a atividade gênica é importante

Cada célula do seu corpo carrega essencialmente o mesmo DNA, ainda que neurônios, células sanguíneas e células do fígado se comportem de maneira muito diferente. O que as distingue é quais genes estão ligados ou desligados. Ser capaz de prever essa atividade gênica diretamente a partir do DNA e de sinais relacionados ajudaria os cientistas a entender como as células se desenvolvem, respondem ao ambiente e, por vezes, adoecem. Este artigo apresenta o EPInformer, uma nova ferramenta computacional que usa avanços recentes em inteligência artificial para prever a atividade gênica com mais precisão e eficiência do que métodos anteriores.

Como interruptores distantes do DNA controlam genes

Os genes não são controlados apenas pelo curto trecho de DNA onde sua leitura começa (o promotor). Eles também são influenciados por pedaços distantes de DNA chamados enhancers, que funcionam como interruptores remotos. Esses interruptores podem estar a dezenas ou até centenas de milhares de bases de distância de um gene, aproximando‑se do promotor por meio de dobras tridimensionais. Além da sequência bruta do DNA, marcas químicas e proteínas ao longo do DNA — coletivamente chamadas de sinais epigenômicos — indicam quais interruptores estão ativos em um tipo celular específico. Modelos computacionais tradicionais tiveram dificuldade para combinar todas essas informações, especialmente o efeito de interruptores muito distantes, para prever quão fortemente um gene é expresso.

Um modelo de IA compacto que lê muitos sinais ao mesmo tempo

O EPInformer é construído sobre uma arquitetura moderna de IA conhecida como transformer, adaptada de modelos de linguagem. Em vez de ler frases, ele lê segmentos de DNA ao redor de um gene e de seus candidatos a interruptores. O modelo primeiro converte cada sequência de promotor e enhancer próximo em um "embedding" numérico que captura padrões importantes. Ele pode também agregar canais extras que representam marcas químicas locais no DNA, abertura da cromatina e medidas de com que frequência regiões do DNA se contactam em 3D. Um mecanismo de atenção especial então foca em como cada possível interruptor interage com o promotor, enquanto propositalmente ignora interações entre os próprios interruptores. Uma etapa final de predição combina essa representação aprendida com propriedades básicas do RNA do gene para gerar o nível de atividade esperado.

Melhores previsões com menos recursos computacionais

Para avaliar o EPInformer, os autores o treinaram e testaram em grandes conjuntos de dados públicos que perfilam acessibilidade do DNA, marcas químicas, contatos 3D e atividade gênica em várias linhagens celulares humanas. Eles compararam diferentes versões do modelo que usavam apenas sequência e distância, adicionavam sinais epigenômicos ou incluíam também mapas de contato 3D. Tanto em dados padrão de RNA‑seq quanto em um ensaio focado em promotores chamado CAGE, o EPInformer superou consistentemente métodos de ponta, incluindo grandes modelos que usam apenas sequência e verificam trechos muito longos de DNA. Notavelmente, fez isso com uma fração ínfima dos parâmetros — cerca de 0,4 milhão contra centenas de milhões — permitindo treino em uma única placa gráfica em cerca de uma hora. Isso torna o modelamento preciso da atividade gênica acessível a muitos laboratórios sem a necessidade de clusters massivos de computação.

Identificando interruptores-chave e suas "palavras" de controle

Como o mecanismo de atenção do EPInformer atribui uma pontuação à força com que cada enhancer candidato influencia um gene, ele também ajuda a apontar os interruptores mais importantes em um dado tipo celular. Os autores mostraram que essas pontuações de atenção recuperaram com mais precisão pares enhancer–gene confirmados experimentalmente do que um método amplamente usado baseado apenas em atividade e contato, especialmente para interruptores distantes. Eles ainda utilizaram ferramentas de interpretação para examinar as sequências de DNA dos enhancers com maior pontuação e identificar padrões curtos recorrentes que correspondem a sítios de ligação conhecidos de fatores de transcrição — proteínas que atuam como "palavras de controle" no genoma. Em células relacionadas ao sangue, por exemplo, o EPInformer redescobriu motivos de reguladores mestres do desenvolvimento de glóbulos vermelhos, sugerindo que aprendeu regras biologicamente significativas em vez de apenas memorizar os dados.

O que isso significa para a biologia e a medicina futuras

Em termos simples, o EPInformer oferece aos pesquisadores uma lente mais nítida e mais acessível sobre como genes são ligados e desligados em diferentes tipos celulares, combinando sequência de DNA, marcas químicas e dobramento 3D do genoma. Sua capacidade de destacar quais interruptores distantes importam para um gene específico, e quais "palavras" de controle eles contêm, pode orientar experimentos que testem como mutações ou edições direcionadas afetam a atividade gênica. À medida que a abordagem for estendida a mais tipos celulares e a variantes gênicas diferentes, ela poderá ajudar a explicar como mudanças não codificantes no genoma contribuem para traços complexos e doenças, além de informar o desenho de terapias genéticas mais precisas.

Citação: 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

Palavras-chave: previsão de expressão gênica, interações enhancer‑promotor, epigenômica, aprendizado profundo em genômica, arquitetura da cromatina