Cell子刊：同濟大學張勇團隊開發表征染色質轉錄調控網絡的AI基礎模型——ChromBERT

編輯丨王多魚

排版丨水成文

基因表達由轉錄調控因子、順式調控元件與靶基因之間的相互作用共同構成的轉錄調控網絡（Transcriptional Regulatory Network，TRN）塑造。長期以來，破譯特定情境的轉錄調控網絡（TRN）一直受到細胞類型特異性染色質免疫沉淀測序（ChIP-seq）數據嚴重稀缺的限制。

2026 年 1 月 26 日，同濟大學張勇教授團隊（余招偉、楊東旭、陳倩倩、張雨軒為論文共同第一作者）在Cell Genomics期刊發表了題為：ChromBERT: A foundation model for learning interpretable representations for context-specific transcriptional regulatory networks 的研究論文。

該研究構建并發布了首個解碼和可解釋性地表征染色質上轉錄調控網絡的基礎模型——ChromBERT。ChromBERT 通過在大量人類 ChIP-seq 數據上進行預訓練，學習到了全基因組位點特異性的調控因子互作語法，從而突破了依賴特定細胞類型數據的局限。通過輕量級微調，該模型能將這種通用的調控知識有效遷移至其它細胞語境。研究人員可利用 ChromBERT 模型高效地表征特定生物學場景下的轉錄調控網絡，同時獲得可解釋的關鍵調控因子的線索。

在這項新研究中，研究團隊提出了ChromBERT，這是一個基于覆蓋約 1000 種轉錄調控因子的大規模人類 ChIP-seq 數據集進行預訓練的基礎模型。

ChromBERT 能夠學習全基因組范圍內的調控協同語法，并生成可解釋的 TRN 表征。經過提示增強的微調后，其在推算未觀察到的順反組（cistrome）方面優于現有方法。此外，通過對細胞類型特異性下游任務進行輕量級微調，可以使 TRN 表征適應于捕捉任何給定細胞情境內的調控效應和動態變化。由此產生的特定情境表征可以被進一步解讀，以推斷導致這些細胞類型特異性調控結果的轉錄調節因子的調控角色，而無需進行額外的 ChIP-seq 實驗。

該研究的亮點：

• 預訓練基礎模型 ChromBERT 學習了約 1000 種轉錄調控因子的相互作用語法；

• ChromBERT 能夠在未知細胞類型和單細胞中推斷調控圖譜；

• 微調可捕捉特定情境下的調控效應和動態變化；

• ChromBERT 能夠在無需進行 ChIP-seq 實驗的情況下，解讀驅動細胞狀態轉變的關鍵調控因子。

總的來說，通過克服稀疏轉錄調控因子數據的局限性，ChromBERT 顯著增強了我們在廣泛生物學情境下建模和解讀轉錄調控的能力。

論文鏈接：

https://www.cell.com/cell-genomics/fulltext/S2666-979X(25)00386-6