EpiBinder：一种用于细胞类型特异性转录因子结合预测与解释的多模态框架

转录因子（TF）在体内的占据不仅取决于底层DNA序列，还取决于局部表观遗传环境；该环境在不同细胞类型之间存在差异，并且强烈影响由序列编码的结合潜能是否能够转化为功能性结合。在此，我们提出了EpiBinder，这是一种用于细胞类型特异性预测TF结合的多模态深度学习框架。该框架联合建模DNA序列与碱基分辨率的表观遗传信息，包括来自全基因组重亚硫酸盐测序的胞嘧啶甲基化信息，以及来自DNase I超敏感性数据的染色质可及性信息。 在多种人类细胞系中，EpiBinder始终优于强有力的仅基于序列的基线模型，使TF结合预测的精确率-召回率曲线下面积最高提升达10%。除预测性能之外，EpiBinder还提供碱基层面的归因图谱，可用于对调控背景进行系统性解析，包括候选甲基化敏感位点、依赖于上下文的基序关系，以及推定的TF-TF相互作用。这些结果表明，EpiBinder是一个用于建模和探索细胞类型特异性TF占据背后局部调控语法的实用框架。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.06.736502v1?rss=1

🏷️ 转录因子结合预测 细胞类型特异性 表观遗传学 深度学习 染色质可及性 DNA甲基化