AI驱动DNA甲基化分析的全面综述.
引言：为何AI是解锁DNA甲基化秘密的关键？
DNA甲基化是调控基因表达和维持基因组完整性的关键表观遗传修饰。其异常模式与癌症、神经退行性疾病等多种疾病密切相关。传统的分析方法（如亚硫酸氢盐测序）虽然贡献巨大，但通常耗时、昂贵且在规模和准确性上存在局限。随着高通量测序技术的发展，表观基因组数据呈指数级增长，迫切需要新的计算方法来高效分析和解读。
人工智能，特别是深度学习（DL）、机器学习（ML）、可解释性AI（XAI），以及新兴的信号处理、大型语言模型（LLMs）和自然语言处理（NLP）技术，为DNA甲基化分析的精度、可扩展性和深度带来了前所未有的机遇。
这篇综述回顾了超过30项相关研究，旨在阐明信号处理和图像处理等较少被探索的路径，强调将LLMs整合到DNA甲基化分析中的变革性潜力，评估现有AI模型的性能和计算效率，探讨特征选择和编码方案对性能的影响，突出XAI在DNA甲基化检测中的应用，揭示多组学数据整合对于全面理解DNA甲基化作用的重要性。
一、AI技术在DNA甲基化分析中的应用概览
1. 深度学习（DL）与机器学习（ML）方法
众多研究探索了使用DL/ML模型从DNA甲基化数据中提取有意义的信息。
- DeepCpG: 采用卷积神经网络（CNN）架构，能够处理缺失数据，通过插补技术实现精确预测，优于传统线性模型。
- MethylNet: 一个集成年预测、吸烟相关因素识别和泛癌分类等多任务的DL框架，使用变分自编码器（VAE）提取生物学特征。
- Deep6mA: 结合CNN和双向长短期记忆网络（Bi-LSTM），用于预测DNA 6mA甲基化位点，跨物种预测准确率超过90%。
- BiLSTM-5mC: 专为识别小细胞肺癌（SCLC）细胞系基因组启动子中的5mC位点而设计，结合了one-hot和核苷酸属性频率（NPF）编码。
- LA6mA & AL6mA: 利用LSTM网络和注意力机制识别DNA N6-甲基腺嘌呤（6mA）位点，AUROC值高达0.966，注意力层能突显关键核苷酸位置。
- DeepTorrent: 结合多种特征编码方案、多层CNN（含Inception模块）、BLSTM和注意力层来预测4mC位点，通过贝叶斯优化调整超参数。
- i4mC-w2vec: 使用word2vec和CNN识别4mC位点，证明word2vec在特征表示上优于one-hot编码。
- moSCminer: 基于注意力机制的框架，用于单细胞多组学数据的细胞亚型预测。
- 半监督学习（SSL）: 如SETRED-SVM模型，利用大量未标记数据改进中枢神经系统肿瘤等分类任务，尤其适用于罕见肿瘤类型。
- 混合回归模型（MRM）: 用于插补缺失的CpG甲基化值，整合了邻近CpG、跨样本和跨基因组区域的局部模式信息。
- StableDNAm: 采用Transformer编码器，融合特征融合、自适应特征校正和对比学习，提高了预测的准确性和鲁棒性。
- XGBoost/SVM: 通过多种序列特征（如OHB, PseDNC）和特征选择方案来预测4mC位点。
- ML工作流比较: 研究发现，多项式岭回归（MR）校准的线性核SVM（MR-calibrated SVM with LK）在DNA甲基化微阵列数据分类中表现最佳。
- BERT-5mC: 利用BERT模型提高5mC位点的检测效率和准确性。
- DeepMethylation: 结合GloVe词嵌入、扩张卷积和Transformer编码器来预测甲基化位点，在5mC和m1A数据集上准确率分别达到97.8%和95.8%。
2. 大型语言模型（LLMs）与自然语言处理（NLP）方法
受自然语言与生物序列相似性的启发，LLMs在解读表观遗传学机制方面展现出巨大潜力，将DNA序列视为生物文本。
- CpGPT: 基于Transformer++架构，专为年龄和死亡率预测任务设计。其自注意力机制能有效提取生物变异信息并处理缺失数据。
- iDNA-ABF: 一个多尺度的生物语言学习模型，通过在海量基因组序列上预训练来学习上下文语义，并结合对抗性训练和迁移学习提升性能。
- EMDLP: 用于识别RNA甲基化位点，结合了RNA词嵌入、one-hot等多种编码方式，并通过软投票集成，在m1A和m6A预测上表现优异。
- iDNA-OpenPrompt: 结合了DNA词汇库、BERT分词器和特定标签词来识别多种DNA甲基化修饰（4mC, 5hmC, 6mA）。
- MuLan-Methyl: 集成了五个基于Transformer的语言模型，通过集体预测实现对N6-腺嘌呤、N4-胞嘧啶和5-羟甲基胞嘧啶的稳健预测。
- 4mCNLP-Deep: 将DNA序列视为自然语言，使用CNN模型进行4mC位点预测。
- iDNA-ITLM: 一种创新策略，将DNA序列表示为类似图像的二维矩阵，并结合掩码语言模型（MML）和BERT进行多类型甲基化位点识别。
3. 信号处理方法
将DNA甲基化数据视为信号，利用信号处理技术进行去噪、特征提取和可视化。
- 基于短时傅里叶变换（STFT）的方法: 通过提取与CpG岛相关的周期性特征来检测CpG岛。
- DeepMod2: 结合BiLSTM和Transformer分析牛津纳米孔测序（Nanopore）的信号数据，用于5mC检测，甚至能分析未比对的读段。
- 多特征融合方法: 整合k-gram、多变量互信息（MMI）、离散小波变换（DWT）和伪氨基酸组成（PseAAC）等特征，使用稀疏贝叶斯学习模型进行分类。
- DeepSignal-plant: 专为植物设计的流水线，基于BRNN与LSTM模型，从Nanopore数据中检测并量化CpG、CHG和CHH背景下的DNA甲基化。
- DeepSignal: 一种基于DL信号处理的方法，使用CNN和BRNN从Nanopore读段中检测6mA和5mC甲基化状态。
- 小波筛选（Wavelet Screening, WS）: 一种为大规模表观基因组关联研究（EWAS）设计的高效方法，能以极低的计算资源准确检测差异甲基化区域（DMRs）。
4. 可解释性AI（XAI）方法
XAI旨在弥合AI模型预测与生物学理解之间的鸿沟，增强模型的可信度。
- RMSxAI: 使用机器学习算法（如随机森林）预测蛋白质精氨酸甲基化位点，并利用XAI技术解释模型决策，随机森林模型准确率达88.4%。
- XAI-AGE: 一个用于从DNA甲基化数据估算生物学年龄的可解释神经网络，能识别与衰老相关的关键生物通路（如DNA修复、染色质组织）。
- 用于疾病分类的XAI: 在帕金森病和精神分裂症的分类任务中，使用树集成模型并结合XAI方法，从群体和个体层面解释模型预测。
- PRMxAI: 基于序列特征和随机森林分类器预测精氨酸甲基化位点，无需复杂的进化或结构信息，在单/二甲基化精氨酸数据集上准确率分别达到87.17%和90.40%。
二、基准分析、挑战与未来展望
作者对2018年至2025年间发表的30种方法进行了基准分析，比较了它们的目标位点、技术、数据整合能力和性能。分析揭示了该领域丰富的技术多样性，也暴露出诸多挑战。
1. 不平衡和噪声数据集的鲁棒性能度量
在类别不平衡（如甲基化位点远少于非甲基化位点）和数据噪声的情况下，准确率（Accuracy）会产生误导。应采用更可靠的度量，如AUC（ROC曲线下面积）、AUPRC（精确率-召回率曲线下面积）、MCC（马修斯相关系数）、F-值、平衡准确率（BA）和G-mean。对于多类别不平衡问题，IMCP曲线等新指标更具优势。
2. 可解释性、可复现性与可说明性
理解模型内部工作机制至关重要。Transformer和LLMs的注意力机制（如CpGPT）提供了窗口，但其解释的可复现性是一大挑战。
可说明性（Explainability）对于理解模型为何做出特定预测同样关键。LLMs的黑箱特性使其难以说明。XAI是弥合这一差距的关键，但将其应用于复杂的LLMs本身就是新挑战。因果推断（Causality）是增强可解释性和可说明性的一个有前途的方向。
3. 研究间的差异性
- 方法学异质性: 数据预处理、缺失值插补、批次效应校正等步骤的差异导致结果难以比较。
- 样本量问题: 样本量不足或不理想是许多研究结论不一致的主要原因。
- 标准化缺失: 缺乏标准化的基准数据集和评估协议，阻碍了公平的比较评估。
4. 实践挑战
- 可扩展性: 处理大规模、多组学数据集需要高效的计算平台。云计算是解决方案，但存在资源可及性问题。
- 隐私问题: 联邦学习（Federated Learning）可在保护隐私的同时进行分布式数据分析，但本身也面临隐私挑战。
- 技术整合: Apache Spark等大数据工具在表观遗传学领域的应用仍然有限。
5. 模型的泛化能力
模型需在不同数据集、物种、组织和实验条件下表现良好。
- 迁移学习: 在数据稀缺场景下提升模型鲁棒性（如DeepSF-4mC）。
- 基础模型（Foundation Models）: 如CpGPT、MethylGPT，通过大规模预训练学习通用表征。
- 生成式AI: 模拟甲基化图谱，进行数据增强。
- 多特征融合: 整合序列、表观基因组和图衍生特征（如Methyl-GP）。
- 知识图谱: 将先验生物学知识（如基因互作、通路）融入模型（如MethPriorGCN）。
6. 数据整合的深度与广度
- 全基因组数据整合: 整合序列与其他基因组特征（如基因背景）能显著提高预测准确性，但某些基因组区域（如结构复杂区）的检测仍具挑战性。
- 多组学数据整合: 整合基因组、转录组、蛋白质组等数据，能提供对疾病机制更全面的理解。挑战在于处理高维度、小样本问题。
- 单细胞甲基化整合: 这是理解细胞异质性的关键。主要挑战是数据稀疏性（超过90%的值缺失）。新技术（如scWGBS）和新模型（如scWGBS-GPT）正在应对这一挑战。细胞内异质性是更前沿的研究方向。
三、对未来DNA甲基化建模的建议
基于全面的回顾分析，论文为推动DNA甲基化研究提出了以下关键建议：
- 拥抱新技术：构建基于DL的框架来训练纳米孔测序产生的信号，并利用信号处理技术捕获特征，这已成为研究热点。
- 追求多功能性：开发能够同时处理多种DNA甲基化修饰类型（如4mC, 5hmC, 6mA）的模型。LLMs在此方面已显示出优势。
- 强化可解释性：大力发展和整合XAI技术，打开AI模型的“黑箱”，确保预测结果不仅准确，而且在生物学上可信、可用。
- 深化数据整合：建立标准化的多组学数据整合框架。整合临床元数据（如患者人口统计学、影像学信息），以增强模型的临床预测能力。探索来自不同测序平台（如第三代测序的电信号数据）的输入，从多角度学习。
- 利用前沿AI范式：
- 大型语言模型（LLMs）：利用其处理长序列和复杂模式的强大能力。
- 生成式AI：用于甲基化数据的插补和数据增强，缓解数据稀疏和样本量不足的问题。
- 知识图谱：将先验生物学知识融入模型，提高预测的可靠性和可解释性。
- 解决实际障碍：通过联邦学习等框架，在保证数据隐私和安全的前提下，扩大可用训练数据规模。开发可扩展的计算解决方案，并努力实现其可及性，以支持大规模数据分析。
总结
人工智能正在深刻地改变DNA甲基化分析领域。从基础的机器学习模型到复杂的Transformer和大型语言模型，AI工具在预测精度、数据处理规模和生物学洞察力方面都取得了显著进步。然而，数据不平衡、模型可解释性、研究标准化和多维数据整合等挑战依然存在。
未来的突破将依赖于跨学科的合作，将AI专家的技术能力与生物学家、临床医生的领域知识相结合，共同开发更稳健、可信、可解释且具有临床转化潜力的下一代分析工具。正如本篇综述所揭示的，AI与DNA甲基化分析的融合之旅才刚刚开始，前方的道路充满机遇。
