Сверточная модель с механизмом внимания классифицирует варианты числа копий по данным полного секвенирования экзома

Поиск скрытых подсказок в нашей ДНК

Врачи всё чаще используют секвенирование ДНК, чтобы найти генетические изменения, объясняющие болезни, но некоторые из важнейших подсказок — это не одиночные «опечатки», а фрагменты ДНК, которые отсутствуют или продублированы. Такие изменения, называемые вариантами числа копий, трудно заметить в данных, которые уже генерируются во многих клиниках. В этом исследовании предложена новая компьютерная модель, которая читает шумные профили покрытий и точнее и стабильнее обнаруживает отсутствующие или избыточные участки на разных платформах секвенирования, что потенциально улучшает инструмент, уже широко применяемый в медицинской генетике.

Почему лишняя или отсутствующая ДНК важна

Варианты числа копий — это участки ДНК, которые встречаются в меньшем или большем количестве копий, чем обычно. Сегмент может полностью удаляться или многократно копироваться. Такие изменения формируют повседневные признаки, влияют на риск таких состояний, как рак или нарушения нейроразвития, и вносят вклад в эволюцию человеческих популяций. В клинике обнаружение этих вариантов критично и для диагностики редких заболеваний, и для характеристики опухолей. Многие пациенты уже проходят полное секвенирование экзома, ориентированное на участки генома, кодирующие белки. Использование имеющихся экзомных тестов для одновременного выявления вариантов числа копий могло бы сделать генетические обследования более информативными без необходимости дополнительных и более дорогих анализов.

Почему текущие инструменты испытывают трудности

Выявление вариантов числа копий по данным экзома технически сложно. Процесс захвата экзома даёт неоднородную выборку генома, в результате чего профиль глубины чтений — число ридов, покрывающих каждый регион — получается рваным и шумным. Традиционные программы сглаживают этот шум с помощью статистических приёмов и правил, разработанных вручную, а затем применяют пороги, чтобы решить, нормален ли регион, удалён или дублирован. Хотя такие методы полезны, они часто дают сбои при низком покрытии, при секвенировании на разных машинах или химиях, либо когда важны тонкие паттерны в соседних регионах и хромосомах. В результате чувствительность может снижаться, особенно для небольших или шумных событий, и производительность может плохо переноситься между лабораториями и платформами.

Новый способ чтения шумных сигналов

Авторы разработали модель глубокого обучения под названием CNN‑Att, которая обучается непосредственно на сырых профилях покрытия, вместо того чтобы в основном полагаться на фиксированные правила. Для каждого кодирующего белки сегмента (экзона) модель получает стандартизированный снимок глубины чтений по экзону и его окрестностям, а также информацию о геномных позициях начала и конца. Кроме того, подаётся закодированная метка, указывающая хромосому, от которой взят экзон. Сверточные слои — изначально популярные для анализа изображений — сканируют этот одномерный сигнал, захватывая локальные формы в профиле покрытия, такие как впадины, указывающие на делеции, или слабые выступы, намекающие на дупликации. Механизм внимания затем выделяет наиболее информативные признаки, в частности тонкие сигналы, соответствующие мелким или шумным событиям, после чего модель принимает трёхклассовое решение: нормальный, делеция или дупликация.

Насколько хорошо работает модель

Чтобы оценить CNN‑Att, исследователи обучили её на большом эталонном наборе, построенном на данных проекта 1000 Genomes, где экзомные данные сопоставлены с метками, выведенными из более полного секвенирования всего генома. На отдельном наборе из 50 экзомных образцов для тестирования модель правильно классифицировала примерно 83 процента окон экзонов в целом и показала высокую способность различать три класса, с хорошими результатами на кривых приёмника-оператора и точность‑полнота. Делеции оказались несколько легче для обнаружения, чем дупликации, что отражает тот факт, что делеции обычно оставляют более заметный след в покрытии. Модель превзошла более простой базовый метод, знавший только геномные координаты, что указывает на то, что она действительно учится на паттернах глубины, а не запоминает «горячие» локусы, где варианты часто встречаются.

Надёжна на разных секвенсерах

Поскольку клиники и исследовательские центры используют различные приборы для секвенирования, практический инструмент должен корректно работать на разных платформах. Авторы протестировали CNN‑Att на экзомных данных того же референсного образца, секвенированных на четырёх основных технологиях: HiSeq 4000, NovaSeq 6000, MGISEQ 2000 и BGISEQ 500. На этих разнообразных инструментах общий F1‑скор модели — баланс точности и полноты — варьировал от 0.89 до 0.96 и был стабильно выше, чем у нескольких широко используемых традиционных инструментов. В дополнительном эксперименте команда дообучала только финальные слои принятия решения модели на небольшой выборке из семи образцов, тщательно размеченных экспертами. Даже при таких ограниченных кураторских данных дообучение заметно повысило полноту по истинным делениям и дупликациям на отложенных образцах, ценой некоторых дополнительных ложных срабатываний — компромисс, часто приемлемый, когда сомнительные вызовы можно проверить дальнейшими тестами.

Что это значит для пациентов и исследований

Эта работа показывает, что целенаправленный подход глубокого обучения может превратить шумное, неоднородное покрытие рутинного экзомного секвенирования в более надёжный детектор отсутствующих и избыточных сегментов ДНК. CNN‑Att достигает высокой чувствительности при управляемом уровне ошибок и остаётся устойчивой на разных приборах секвенирования, что делает её полезной для многосайтовых исследований и крупных популяционных проектов. Хотя модель ещё нуждается в валидации на больших экспертно размеченных когортах и в настоящее время зависит от конкретного референсного генома, эта структура указывает путь к экзомным тестам, которые будут пропускать меньше важных вариантов. На практике это может означать, что больше пациентов получат своевременные и применимые генетические ответы по результатам тех же самых анализов, которые они уже проходят.

Цитирование: Ouhmouk, M., Abik, M. A convolutional attention model classifies copy number variants from whole exome sequencing. Sci Rep 16, 14310 (2026). https://doi.org/10.1038/s41598-026-44691-2

Ключевые слова: варианты числа копий, полное секвенирование экзома, глубокое обучение в геномике, сверточная нейронная сеть, клиническая генетика