DNA突变对基因表达的效应预测

背景

DNA突变是导致遗传疾病和癌症的重要分子基础。单核苷酸多态性（SNP）和体细胞突变可能破坏转录因子结合位点、改变染色质开放状态，从而影响基因的转录调控过程。传统实验方法（如CRISPR筛选、ATAC-seq）通量有限且成本高昂，难以系统性评估海量变异位点的功能影响。

方法

本任务采用基于Transformer架构的深度学习模型，将DNA序列编码为离散token，利用多头自注意力机制捕捉序列中的长程依赖关系。模型在人类全基因组ATAC-seq和RNA-seq数据上进行预训练，学习基因调控的序列语法。通过对比学习框架，模型能够预测给定突变从野生型到突变型的表达量变化（ΔExpression）。

应用场景

该预测模型可应用于：（1）癌症Driver突变识别与功能注释；（2）遗传性疾病的致病变异筛选；（3）药物靶点有效性评估；（4）合成生物学基因元件的计算机辅助设计；（5）大规模GWAS关联研究的功能解读。