调控DNA设计不再只追活性:GENECraft把序列先验拉进优化回路,三类位点联合成功率最高94.56%
核心概要
调控DNA设计长期分成两条路:基因组语言模型能生成像天然序列的DNA,却不保证目标活性;序列到功能预测器能给出活性梯度,却不管序列是否合理。GENECraft把冻结的Carbon先验与AlphaGenome功能梯度放进同一个免训练的离散动力学过程,在每一步同时更新连续核苷酸logits,并在全部访问状态中优先挑选满足硬性组成约束的序列。在2,185个人类调控位点上,启动子、增强子和18个转录因子的全联合成功率分别为62.70%、65.23%和94.56%,活性由留出的Enformer与Borzoi交叉验证。
深度剖析
调控DNA合成现在可以在一次推理过程中同时接受功能目标和序列合理性约束,而不必先生成再筛选。 此前基因组语言模型只做无条件采样,序列到功能预测器只提供活性梯度,两者各自缺少对方的能力。 在512个K562启动子位点上,GENECraft的全联合成功率为62.70%,高于Fast SeqProp的45.31%和Evo2的5.27%。
方法把连续logits上的更新与离散DNA序列的精确评估绑在一起,每一步都评估同一条真实序列。 固定Gumbel噪声的直通接口让前向解码走argmax、反向梯度走softmax,从而把离散搜索变成可微的迭代。 AlphaGenome的碱基级梯度与Carbon的6-mer梯度经无参数松弛桥接后,按RMS归一化合成一个更新方向,再按线性步长调度推进。
读出阶段先看约束是否满足,再在可行状态中取功能效用最高者。 离散轨迹在崎岖的多约束景观上并不单调,最后一步未必是最好的候选。 读出会汇集所有重启访问过的状态,过滤出满足生成可行性F=1的序列,再按AlphaGenome精确效用排序;若无可行状态则保留最高效用序列及其失败标记。
启示与展望
评估覆盖ATGC-Gen基准中的2,185个人类调控位点,包括512个K562启动子、512个黑素细胞增强子和18个转录因子上的1,161个GM12878结合位点;生成与读出只使用AlphaGenome和组成约束,Enformer与Borzoi仅用于生成后验证。
所有活性结论都来自预测器的交叉验证,而非报告中的湿实验测量;增强子风险阈值由50条参考序列的预测分位数标定,作者也报告了阈值敏感性分析。
