News Medical 7月20日报道，弗吉尼亚大学医学院研究人员发现，一种常用基因组研究方法存在广泛误差来源，并开发机器学习工具进行校正。相关论文发表于《Nature Communications》。该免费工具名为PATTY，旨在提高常规和单细胞CUT&Tag数据的可靠性。
人体多数细胞含有相同DNA序列，但不同细胞会使用不同基因组合维持身份和功能。这种调控很大程度上来自表观基因组，即不改变DNA序列本身，却影响基因开关状态的化学修饰和染色体结构特征。CUT&Tag方法可从很少样本甚至单个细胞中高效绘制这些表观基因组特征，因此近年被广泛采用。
研究团队发现，CUT&Tag依赖的Tn5转座酶天然偏好开放、易接近的基因组区域。这种偏好会产生看似真实生物信号的技术伪影，尤其在真实信号本来就稀疏的单细胞数据中，更容易误导研究者判断。团队检查近300个已发表数据集后，将该问题描述为严重且范围超出预期。
为解决这一偏倚，研究人员开发Propensity Analyzer for Tn5 Transposase Yielded bias，简称PATTY。该工具不是简单扣除背景，而是利用机器学习识别真实信号与技术伪影之间的差异，在尽量保留真实信号的同时降低偏倚影响。研究者报告称，PATTY可用于多细胞常规数据，也可用于更稀疏的单细胞数据。
项目负责人Chongzhi Zang表示，当技术伪影看起来像真实信号时，研究可能被引向错误机制。团队已在GitHub和Zenodo开放PATTY软件包，并认为偏倚校正应成为CUT&Tag分析的常规环节。更干净的数据可减少研究资源浪费，也让真实生物差异更容易被识别。
该研究属于基因组技术方法改进，意义在于为健康和疾病研究、未来诊断和药物开发提供更可靠的数据基础。它并不是直接诊断工具，也不会单独给出临床结论。后续价值取决于不同实验室、不同样本类型和具体研究问题中的独立验证与实际采用情况。
原文链接：http://www.news-medical.net/news/20260720/Machine-learning-tool-improves-accuracy-of-genome-mapping-studies.aspx
免责声明：本文仅供医学资讯参考，不构成诊疗建议。
