使用AI模型从BigWig挖掘候选motif

拿到 ATAC-seq、ChIP-seq、CUT&RUN 或组蛋白修饰的 BigWig 后，我们常会继续追问：哪些 DNA 序列特征与这些信号有关？哪些转录因子家族值得优先验证？

DGS 提供了一条从 BigWig 连续信号到候选 motif 的路径。更重要的是，在已经启用 DGS Skill 的 Client 中，生物学家可以用一条自然语言指令发起完整分析，不必从几十条中间命令开始。

先强调最重要的边界：DGS 找到的是模型为预测 BigWig 信号所使用的序列证据，不是直接扫描 BigWig，也不等同于实验证实的 TF 结合、调控因果或临床功能结论。

DGS 实际在做什么？

DGS 的逻辑可以概括为四步：

1. 用 BED 定义要研究的固定长度序列窗口；
2. 从 FASTA 读取这些窗口的 DNA 序列，并从 BigWig 提取监督信号；
3. 训练序列模型，在独立测试染色体上判断 DNA 序列能否预测该信号；
4. 只有模型通过测试，才用 attribution 定位重要碱基，再由 TF-MoDISco 聚合候选 motif。

图 1. BigWig→motif 的教学示意。曲线、attribution 和 motif 不是真实实验结果。

这一步很关键：模型如果不能在未见区域上预测 BigWig，就不应继续解释 motif。 否则得到的 logo 可能只是过拟合、GC 偏差、重复序列或数据拆分泄漏的产物。

开始前准备五项内容

• 参考基因组 FASTA，并建立.fai索引；
• 与 FASTA 使用同一 genome build 的等宽 BED；
• 染色体命名一致、信号定义清楚的 BigWig；
• 能访问 DeepGeSeq 仓库且已注册$dgsSkill 的 Client；
• 预先写下窗口、信号聚合、数据拆分和 go/no-go 规则。

BED 不只是坐标文件，它决定模型可以学习什么。建议同时纳入有信号区域与预先定义的背景区域，并尽量匹配 GC、mappability 和距 TSS 等因素。只使用最强 peak，往往会缩窄信号范围并放大选区偏差。

一条可以直接改路径的 $dgs 指令

下面以 hg38 CD4 T 细胞 ATAC-seq 为例。使用前替换文件路径、分析名称和与你实验相符的生物学设定。

$dgs请在当前 DeepGeSeq 仓库中执行完整的 BigWig→motif 分析，不要只生成配置或打印命令。数据：- 分析名称：CD4_ATAC_rep1- 参考基因组：/project/reference/hg38.fa- 序列窗口：/project/regions/CD4_ATAC_summit_1000bp.bed- BigWig：/project/tracks/CD4_ATAC_rep1.normalized.bigWig- 输出目录：/project/results/CD4_ATAC_DGS_motif生物学设定：- BED 是以 peak summit 为中心的 1000 bp 等宽窗口；- 有信号区域与 GC/mappability 匹配背景各约一半；- BigWig 在窗口内取 mean，保留原始归一化尺度；- chr7 作验证集，chr8 作独立测试集；- go/no-go：测试集 Pearson 和 Spearman 均至少为 0.30，  且 MAE 优于恒定预测训练集均值的基线，否则停止 motif；- 仅解释测试集中信号最高的 10%，最多 5000 个窗口；- TF-MoDISco 分析 summit 中央 400 bp，  每个 metacluster 最多使用 2000 个 seqlet；- 这是单个 replicate 的发现性分析，不宣称 motif 已稳定复现。请按高级手册中的正式 TF-MoDISco 路径完成技术检查；不要静默降级。运行后汇报数据拆分、信号分布、测试指标、基线比较、主要 pattern/seqlet 数、报告路径、警告和失败项。

这是一条 Client 自然语言消息，不是新增的 shell 子命令。0.30、前10%、5000、中央400 bp和2000 seqlets都是示例中预先固定的参数，不是通用标准。

图 2. Client/Skill 应自动完成输入检查、训练、独立测试和 go/no-go 门控。测试不通过时停止 motif，而不是降低标准继续运行。

生物学家真正需要决定的参数

1. 窗口以什么为中心？

peak summit、TSS 与 enhancer center 代表不同生物学问题。窗口太短可能丢失协同元件；太长则可能混入多个调控元件和大量背景。

2. mean、max 还是 sum？

• mean：常用起点，描述窗口平均信号；
• max：突出局部尖峰，但对噪声更敏感；
• sum：受窗口长度和轨道尺度影响，跨设置比较时尤其谨慎。

3. 模型窗口和 motif 窗口是否相同？

不相同。模型可以读取 1,000 bp 序列，而 TF-MoDISco 只分析中央 400 bp。前者决定模型可利用的上下文，后者决定哪些位置参与 motif discovery。

图 3. 不同 assay 的信号宽度与常用窗口起点。图中范围为教学建议，不是普适最优值。

BigWig 中的“0”不一定是无信号

真实零信号、轨道无覆盖、NaN 与读取失败，进入模型后可能看起来都是 0，但生物学含义完全不同。DGS 当前版本会把 NaN 和部分读取失败区间转成 0，因此建模前必须统计覆盖比例，并在 genome browser 中抽查高信号、低信号和无覆盖窗口。

图 4. 输入质控的三个核心问题：背景是否可比、聚合方式是否符合问题、0 是否真的是零信号。

什么时候可以继续做 motif？

建议在分析前登记 go/no-go 条件，而不是看完结果再选指标。

输入至少应满足：

• FASTA、BED、BigWig 的 genome build 和染色体命名一致；
• 所有窗口等宽、不越界，训练、验证和测试集均非空；
• 0 值比例、信号分布和异常值符合 assay 预期；
• 高信号窗口与 genome browser 原始轨道一致。

模型至少应满足：

• 独立测试集优于恒定预测或其他预先定义的简单基线；
• Pearson、Spearman 与 MAE 指向一致，而不是被少数异常值主导；
• 性能不是主要由 GC、重复序列或某条染色体的批次效应驱动。

图 5. chr7 用于验证、chr8 用于独立测试只是一个可审计示例。散点和指标为教学模拟，阈值不是通用标准。

结果出来后看什么？

不要只看“运行成功”或一个 motif logo。最低交付应包括：

1. 输入版本、窗口定义、背景规则和三个数据集的信号分布；
2. 独立测试集 Pearson、Spearman、MAE 及基线比较；
3. 实际参与解释的区域坐标表；
4. contribution logo、sequence logo 与每个 pattern 的 seqlet 数；
5. 最佳模型、参数、TF-MoDISco 原始结果和 MEME motif 文件。

候选 motif 还需要与 JASPAR、HOCOMOCO 等数据库比较，结合研究细胞中的 TF 表达或活性证据，并在 replicate、seed、窗口长度和留出染色体中检查稳定性。最终仍需独立 ChIP/CUT&RUN、扰动或报告基因实验验证。

图 6. 数据库命中通常只能提示 TF family。只有加入细胞上下文、稳定性和独立功能证据，才能形成更具体的可验证假设。

最后一句话

DGS 的价值不是“自动给出一个 TF 名字”，而是把 BigWig 信号、序列预测、独立测试和 motif 解释连接为一条可追溯的证据链。对于生物学家，最值得关注的不是中间命令，而是输入如何定义、模型是否真正泛化，以及候选 motif 经得起多少独立证据的检验。

欢迎引用：https://doi.org/10.1093/bioinformatics/btag584

欢迎使用：https://github.com/JiaqiLi1024/DeepGeSeq