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(fā)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(fā)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(guī)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(xié)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(yōu)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(tài)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(jié)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(tài)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(tài)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