La arquitectura Borzoi es un modelo avanzado de aprendizaje profundo diseñado para predecir perfiles de cobertura de secuenciación de ARN (RNA-seq) directamente a partir de secuencias de ADN, utilizando una combinación de redes neuronales convolucionales, mecanismos de autoatención Transformer y una arquitectura de reconstrucción multiescala inspirada en U-Net.
Su principal innovación consiste en ampliar la predicción funcional del genoma desde señales asociadas con la actividad transcripcional hasta perfiles detallados de ARN que permiten estudiar no solamente cuánto se expresa un gen, sino también cómo se distribuye su señal a lo largo de exones, intrones y regiones de procesamiento del ARN.
Borzoi fue desarrollada por Johannes Linder, Divyanshi Srivastava, Han Yuan, Vikram Agarwal y David R. Kelley, con participación de investigadores vinculados a Calico Life Sciences y Sanofi.
La investigación apareció inicialmente como prepublicación en agosto de 2023. Su artículo definitivo, Predicting RNA-seq coverage from DNA sequence as a unifying model of gene regulation, se publicó en línea el 8 de enero de 2025 en la revista Nature Genetics, volumen 57, páginas 949–961.
La arquitectura continúa la línea de investigación de Enformer, estudiada en la Entrada 122, pero incorpora modificaciones importantes.
Mientras Enformer utiliza una ventana de aproximadamente 197 kilobases y predice señales a una resolución de 128 pares de bases, Borzoi procesa 524.288 nucleótidos y genera perfiles de cobertura a una resolución de 32 pares de bases.
La arquitectura emplea convoluciones para extraer características locales, Transformers para integrar información de regiones distantes y un mecanismo U-Net para recuperar parte de la resolución espacial perdida durante el procesamiento.
El modelo original predice 7.611 señales genómicas humanas y 2.608 señales de ratón. Estas incluyen RNA-seq, CAGE, ChIP-seq, DNase-seq y ATAC-seq.
Además, Borzoi fue diseñada para estudiar varias dimensiones de la regulación génica:
- La cantidad de ARN producido.
- La distribución de la cobertura a lo largo de los transcritos.
- Las diferencias de empalme o splicing.
- El procesamiento del extremo 3′ y la poliadenilación.
- Los efectos potenciales de variantes genéticas reguladoras.
En las evaluaciones originales, los investigadores observaron correlaciones elevadas entre determinadas predicciones de cobertura y mediciones experimentales, además de resultados competitivos al priorizar variantes asociadas con expresión y procesamiento del ARN.
Sin embargo, una predicción computacional de cobertura RNA-seq no constituye una medición experimental ni demuestra por sí sola que una variante cause un determinado efecto biológico.
En esta guía exploraremos la arquitectura Borzoi, su relación con Enformer, el funcionamiento de RNA-seq, el mecanismo U-Net, la predicción de perfiles funcionales, el análisis de variantes y sus aplicaciones en bioinformática.
También incluiremos ejemplos prácticos de Python, comparaciones técnicas, limitaciones, preguntas frecuentes, referencias científicas y metadatos SEO para WordPress.
¿Qué es la arquitectura Borzoi?
Borzoi es una arquitectura neuronal supervisada de tipo sequence-to-function, es decir, un modelo que transforma una secuencia de ADN en predicciones sobre propiedades funcionales del genoma.
Su objetivo principal consiste en estimar la cobertura experimental observada en ensayos de secuenciación de ARN y otras modalidades de genómica funcional.
Podemos representar conceptualmente su funcionamiento como:
\hat{Y}_{\mathrm{genómica}}
]
Donde:
- (X_{\mathrm{ADN}}) es una secuencia genómica.
- (f_\theta) representa la red neuronal.
- (\theta) contiene los parámetros aprendidos.
- (\hat{Y}_{\mathrm{genómica}}) representa los perfiles de cobertura predichos.
La arquitectura no recibe directamente una secuencia de ARN como entrada.
Recibe ADN.
A partir de esa información, intenta anticipar qué perfiles de ARN y otras señales funcionales aparecerían en los contextos experimentales representados por sus datos de entrenamiento.
Esta diferencia es importante.
Borzoi no realiza alineamiento de lecturas RNA-seq ni sustituye un experimento de secuenciación. Aprende una correspondencia estadística entre secuencia genómica y perfiles funcionales.
Origen y desarrollo de Borzoi
La aparición de Borzoi está relacionada con la evolución de los modelos de aprendizaje profundo para genómica funcional.
Los primeros sistemas basados en redes convolucionales aprendían patrones locales del ADN.
Posteriormente, arquitecturas como Basenji y Basenji2 ampliaron la capacidad de procesar regiones genómicas extensas mediante convoluciones especializadas.
En 2021 apareció Enformer, que incorporó bloques Transformer para modelar relaciones entre regiones distantes.
Su arquitectura combinaba convoluciones, autoatención y predicción multisalida de señales experimentales.
Sin embargo, Enformer se concentraba principalmente en señales como CAGE, cromatina accesible y unión de proteínas al ADN.
Estas señales son útiles para estudiar regulación transcripcional, pero no describen directamente toda la distribución de ARN maduro a lo largo de genes.
Los datos RNA-seq permiten observar patrones adicionales.
Por ejemplo, una señal RNA-seq puede reflejar diferencias entre exones, intrones y regiones de procesamiento de transcritos.
Los investigadores de Borzoi propusieron ampliar la arquitectura de Enformer para predecir directamente estos perfiles.
La nueva arquitectura necesitaba resolver dos problemas.
El primero era incorporar una ventana genómica suficientemente larga para abarcar genes extensos y sus regiones reguladoras.
El segundo consistía en producir predicciones con una resolución espacial mayor que la utilizada por Enformer.
La solución fue combinar un contexto de 524 kb con una arquitectura U-Net que incrementa la resolución después de los bloques Transformer.
¿Qué es RNA-seq?
RNA-seq (RNA Sequencing) es una técnica experimental utilizada para estudiar moléculas de ARN presentes en una muestra biológica mediante secuenciación.
En términos generales, el procedimiento permite generar lecturas relacionadas con transcritos de ARN.
Después de procesar y alinear esas lecturas, pueden obtenerse perfiles de cobertura sobre el genoma.
Estos perfiles indican cuántas lecturas cubren determinadas regiones.
Por ejemplo, un gen puede presentar cobertura elevada en algunos exones.
También pueden observarse regiones con cobertura baja o ausente.
La distribución depende de diferentes factores, incluidos:
- La expresión del gen.
- La estructura de sus transcritos.
- El empalme alternativo.
- El procesamiento del ARN.
- El tipo de muestra.
- El protocolo experimental.
Borzoi intenta predecir estas señales a partir del ADN.
RNA-seq no es lo mismo que expresión génica total
La expresión total de un gen puede resumirse mediante una única cantidad.
Sin embargo, la cobertura RNA-seq contiene información distribuida a lo largo de múltiples posiciones.
Esto significa que un modelo de cobertura puede aprender patrones relacionados tanto con la abundancia como con la estructura de los transcritos.
Esa es una de las motivaciones principales de Borzoi.
¿Qué significa RNA-seq Coverage?
RNA-seq Coverage, o cobertura RNA-seq, representa la cantidad de lecturas de secuenciación que cubren una posición o intervalo.
Consideremos una región dividida en segmentos:
| Región | Cobertura experimental ilustrativa |
|---|---|
| Exón 1 | 42 |
| Intrón 1 | 3 |
| Exón 2 | 61 |
| Intrón 2 | 5 |
| Exón 3 | 38 |
Los valores son ficticios.
El ejemplo muestra que las regiones exónicas pueden presentar coberturas diferentes de las regiones intrónicas, según el tipo de RNA-seq y el procesamiento de la muestra.
El perfil también puede contener información sobre cambios de uso de exones.
Borzoi aprende a producir perfiles de este tipo.
Sin embargo, sus predicciones están agregadas en bins de 32 pares de bases y dependen de transformaciones y normalizaciones utilizadas durante el entrenamiento.
No equivalen directamente a un recuento bruto universal de lecturas en una muestra nueva.
¿Por qué Borzoi necesita secuencias tan largas?
Muchos genes de mamíferos se extienden a lo largo de decenas o cientos de miles de nucleótidos.
Además, sus elementos reguladores pueden encontrarse a distancias considerables.
Un modelo limitado a una ventana pequeña podría observar únicamente una parte del gen.
Por ejemplo, podría recibir el promotor, pero no los exones posteriores.
También podría recibir algunos exones sin incluir elementos reguladores relevantes.
Borzoi utiliza una ventana de:
[
L=524,288
]
nucleótidos.
Esto equivale aproximadamente a:
[
524.3\ \text{kilobases}
]
La ventana permite incorporar una región genómica mucho más extensa que la utilizada por Enformer.
Sin embargo, incluso 524 kb pueden resultar insuficientes para abarcar completamente algunos genes o sus reguladores distantes.
Por tanto, la arquitectura amplía considerablemente el contexto, pero no proporciona una representación ilimitada del genoma.
¿Cómo funciona Borzoi paso a paso?
El procesamiento puede dividirse en ocho etapas.
Paso 1. Obtener la secuencia de ADN
El modelo recibe una ventana de 524.288 nucleótidos procedente de un genoma de referencia o una secuencia alternativa.
Paso 2. Codificación one-hot
Cada nucleótido se convierte en un vector de cuatro componentes.
Paso 3. Extracción convolucional
Las primeras capas identifican patrones locales y reducen progresivamente la resolución.
Paso 4. Integración de contexto con Transformers
Ocho bloques Transformer permiten intercambiar información entre regiones genómicas distantes.
Paso 5. Recuperación de resolución con U-Net
Dos etapas de upsampling combinan representaciones profundas con características de capas convolucionales anteriores.
Paso 6. Predicción multisalida
Las cabezas específicas para humano y ratón producen múltiples tracks funcionales.
Paso 7. Selección de la región central
Las predicciones utilizadas para la evaluación se concentran en la región central de la ventana.
Paso 8. Interpretación biológica
Los perfiles pueden analizarse para estudiar expresión, procesamiento del ARN y posibles efectos de variantes.
Arquitectura interna de Borzoi
La arquitectura original contiene tres componentes fundamentales.
1. Torre convolucional
Borzoi utiliza bloques convolucionales que procesan la secuencia original y reducen su resolución.
Las convoluciones extraen patrones locales.
Entre ellos pueden encontrarse motivos asociados con proteínas reguladoras, señales de procesamiento y otras regularidades.
2. Torre Transformer
Después de la reducción de resolución, las representaciones atraviesan ocho bloques Transformer.
Los mecanismos de autoatención permiten integrar información de regiones distantes.
3. Decodificador U-Net
El modelo utiliza conexiones entre representaciones de distintas escalas para recuperar resolución.
Esta característica permite pasar de una representación interna de 128 bases por posición a una predicción de 32 bases por posición.
Las tres etapas se complementan.
Las convoluciones aprenden patrones locales.
Los Transformers integran dependencias largas.
U-Net recupera información espacial necesaria para producir perfiles más detallados.
¿Qué es U-Net?
U-Net es una familia de arquitecturas neuronales que combina reducción y recuperación de resolución mediante conexiones entre diferentes niveles.
Fue desarrollada originalmente para segmentación de imágenes biomédicas.
Una U-Net convencional tiene dos trayectorias.
La primera reduce la resolución.
La segunda recupera la resolución utilizando operaciones de upsampling.
Durante este proceso, las conexiones de salto o skip connections transmiten información procedente de etapas anteriores.
Esto permite combinar información global y detalles locales.
Borzoi adapta este principio a secuencias genómicas unidimensionales.
En lugar de trabajar con imágenes de dos dimensiones, procesa representaciones distribuidas a lo largo de una secuencia de ADN.
¿Por qué Borzoi utiliza U-Net?
Durante el procesamiento convolucional inicial, Borzoi reduce la resolución de la secuencia.
Esto permite aplicar autoatención sobre una cantidad más manejable de posiciones.
Sin embargo, la reducción elimina parte de la granularidad espacial.
Para predecir RNA-seq resulta importante disponer de una resolución relativamente fina.
Por ejemplo, los cambios de cobertura asociados con regiones exónicas pueden producirse en intervalos cortos.
Borzoi recupera resolución mediante dos etapas de upsampling.
La primera aumenta la resolución de 128 a 64 bases por posición.
La segunda pasa de 64 a 32 bases por posición.
Las conexiones de salto incorporan características de las etapas convolucionales correspondientes.
Esta combinación ayuda a recuperar información local sin abandonar el contexto largo aprendido por los Transformers.
La resolución de 32 pares de bases
Borzoi predice señales en bins de:
[
32\ \text{bp}
]
Esto significa que cada posición de salida representa un intervalo de 32 nucleótidos.
Para una ventana completa de 524.288 bases:
[
\frac{524288}{32}=16384
]
Por tanto, la representación de cobertura anterior al recorte central puede contener 16.384 bins.
Sin embargo, la salida habitual del checkpoint utilizado para inferencia y evaluación se recorta a la región central de:
[
196608\ \text{bp}
]
El número de bins centrales es:
[
\frac{196608}{32}=6144
]
Esta distinción es importante.
Borzoi procesa 524.288 bases, pero su salida central habitual contiene 6.144 bins de 32 bases.
El artículo científico también utiliza representaciones de 16.384 bins al describir las predicciones de la ventana completa antes del recorte.
Ambas cifras son correctas dentro de sus respectivos contextos.
¿Por qué solamente se predice sobre la región central?
Las posiciones situadas cerca de los extremos de una ventana tienen menos contexto disponible hacia uno de sus lados.
Por ejemplo, una posición próxima al extremo izquierdo no dispone de la misma cantidad de información aguas arriba que una posición central.
Esto puede introducir efectos de borde.
Borzoi utiliza una región central para evitar que estos efectos afecten excesivamente las predicciones utilizadas durante entrenamiento y evaluación.
El tamaño de la región central es:
[
196608\ \text{bp}
]
La diferencia entre entrada y región central es:
[
524288-196608=327680
]
Si la ventana está centrada, se excluyen:
[
163840\ \text{bp}
]
a cada lado.
De este modo, los 196.608 nucleótidos centrales disponen de contexto flanqueante considerable.
Este diseño es similar en concepto al recorte central utilizado por Enformer, aunque las dimensiones y la resolución son diferentes.
¿Cuántos tracks predice Borzoi?
El modelo original utiliza diferentes cabezas de salida para humano y ratón.
| Organismo | Tracks |
|---|---|
| Humano | 7.611 |
| Ratón | 2.608 |
Los tracks incluyen varias modalidades experimentales.
Entre ellas:
- RNA-seq.
- CAGE.
- ChIP-seq.
- DNase-seq.
- ATAC-seq.
Los datos RNA-seq proceden de recursos como ENCODE y GTEx.
Los demás tracks amplían la información funcional disponible durante el entrenamiento.
La combinación permite aprender representaciones compartidas entre diferentes tipos de mediciones genómicas.
Dimensiones de entrada y salida
La entrada del modelo puede expresarse como:
[
X\in\mathbb{R}^{B\times524288\times4}
]
Donde (B) representa el tamaño del lote.
Para la región central, la salida humana habitual tiene dimensiones:
[
Y_{\mathrm{human}}
\in
\mathbb{R}^{B\times6144\times7611}
]
La salida de ratón es:
[
Y_{\mathrm{mouse}}
\in
\mathbb{R}^{B\times6144\times2608}
]
Cada dimensión tiene un significado específico.
La primera representa las secuencias del lote.
La segunda corresponde a posiciones genómicas de 32 pares de bases.
La tercera identifica los tracks funcionales.
Estos tensores son grandes.
Para un lote de tamaño uno, solamente la salida humana central contiene:
[
6144\times7611=46,761,984
]
valores.
En precisión float32, ese tensor ocupa aproximadamente 187 MB en unidades decimales, sin contar memoria de pesos ni activaciones internas.
Por ello, la inferencia completa requiere recursos considerables.
¿Cómo funciona la autoatención de Borzoi?
Borzoi utiliza ocho bloques Transformer después de la reducción convolucional.
Los bloques operan a una resolución interna de 128 bases.
Por tanto, la ventana completa de 524.288 bases corresponde a:
[
\frac{524288}{128}=4096
]
posiciones internas.
La atención puede expresarse mediante:
\operatorname{softmax}
\left(
\frac{QK^\top}{\sqrt{d_k}}
+B_{\mathrm{rel}}
\right)V
]
Donde (B_{\mathrm{rel}}) representa información posicional relativa.
En la arquitectura original, los bloques utilizan representaciones posicionales relativas inspiradas en mecanismos tipo Transformer-XL.
Esto permite incorporar información sobre distancias entre regiones.
La autoatención se aplica a 4.096 posiciones internas y no directamente a los 524.288 nucleótidos.
La reducción previa es esencial para mantener un coste computacional manejable.
¿Qué diferencia existe entre Borzoi y Enformer?
Borzoi mantiene una relación arquitectónica directa con Enformer.
Sin embargo, incorpora modificaciones relevantes.
| Característica | Enformer | Borzoi |
|---|---|---|
| Año del artículo principal | 2021 | 2025 |
| Entrada | 196.608 bases | 524.288 bases |
| Resolución interna Transformer | 128 bp | 128 bp |
| Bloques Transformer | 11 | 8 |
| Resolución de salida | 128 bp | 32 bp |
| Región central predicha | 114.688 bp | 196.608 bp |
| Bins centrales | 896 | 6.144 |
| Tracks humanos | 5.313 | 7.611 |
| Tracks de ratón | 1.643 | 2.608 |
| Decodificador U-Net | No como componente principal | Sí |
| Modalidad destacada | CAGE y señales de cromatina | RNA-seq y otras señales |
La diferencia más importante no consiste solamente en aumentar la longitud de entrada.
Borzoi también modifica la resolución y el objetivo de predicción.
Esto permite estudiar perfiles relacionados con la estructura y procesamiento de transcritos.
¿Qué es una señal de expresión génica?
Una medida de expresión génica intenta cuantificar la actividad de un gen.
En RNA-seq puede utilizarse el número de lecturas asignadas al gen o diferentes medidas normalizadas de abundancia.
Sin embargo, Borzoi predice perfiles de cobertura espacial.
Para construir una predicción de abundancia de un gen puede resultar necesario agregar la señal sobre las regiones exónicas correspondientes.
Una representación simplificada es:
[
E_g=
\sum_{b\in\mathcal{E}_g}
Y_b
]
Donde:
- (E_g) es una puntuación agregada del gen.
- (\mathcal{E}_g) contiene los bins asociados con sus exones.
- (Y_b) es la cobertura predicha en el bin correspondiente.
Esta suma es ilustrativa.
La publicación original utiliza procedimientos de normalización y agregación específicos para comparar predicciones con mediciones experimentales.
La elección del método importa, especialmente cuando existen múltiples transcritos y regiones exónicas compartidas.
Predicción de splicing con Borzoi
El splicing o empalme es el proceso mediante el cual los transcritos de ARN pueden eliminar intrones y combinar exones.
Un gen puede producir diferentes isoformas de ARN mediante empalme alternativo.
Estas isoformas pueden presentar estructuras distintas.
Por ejemplo, una isoforma puede incluir un exón determinado.
Otra puede omitirlo.
En perfiles RNA-seq, estas diferencias pueden modificar la distribución de cobertura.
Borzoi aprende a predecir perfiles que contienen información relacionada con el uso de regiones exónicas.
Por ello, puede utilizarse para investigar cambios potenciales de splicing.
Sin embargo, predecir cobertura agregada en bins no equivale necesariamente a reconstruir todos los transcritos completos ni a medir directamente todas las uniones exón-exón.
La interpretación requiere métodos adecuados y anotaciones genómicas.
Predicción de poliadenilación
La poliadenilación es un proceso relacionado con la maduración del extremo 3′ de numerosos ARN mensajeros eucariotas.
Muchas moléculas de ARN reciben una cola poli(A) después del corte y procesamiento del transcrito.
Un gen puede utilizar diferentes sitios de poliadenilación.
Este fenómeno se denomina Alternative Polyadenylation.
La selección de distintos sitios puede modificar la longitud de la región 3′ no traducida y otros aspectos del transcrito.
Borzoi permite estudiar patrones relacionados con estos procesos mediante las señales predichas de RNA-seq.
Los investigadores desarrollaron métodos de atribución que permiten diferenciar contribuciones asociadas con expresión, splicing y poliadenilación.
Sin embargo, las predicciones deben validarse frente a datos experimentales adecuados.
¿Qué son eQTL, sQTL y paQTL?
Los investigadores de Borzoi evaluaron variantes asociadas con distintos aspectos de la expresión y el procesamiento del ARN.
eQTL — Expression Quantitative Trait Locus
Es una región o variante genética asociada estadísticamente con diferencias de expresión de un gen.
sQTL — Splicing Quantitative Trait Locus
Es una variante asociada con cambios en medidas relacionadas con splicing.
paQTL — Polyadenylation Quantitative Trait Locus
Es una variante asociada con diferencias en el uso de sitios de poliadenilación.
ipaQTL — Intronic Polyadenylation Quantitative Trait Locus
Es una variante asociada con fenómenos de poliadenilación dentro de regiones intrónicas.
Estos conceptos son importantes porque permiten estudiar diferentes mecanismos reguladores.
Una variante puede modificar la cantidad total de ARN.
Otra puede afectar principalmente a su procesamiento.
En determinados casos puede influir en varios mecanismos simultáneamente.
¿Cómo evalúa Borzoi los efectos de variantes?
Borzoi permite comparar predicciones sobre una secuencia de referencia y una secuencia alternativa.
Consideremos:
[
X_{\mathrm{REF}}
]
y:
[
X_{\mathrm{ALT}}
]
El modelo produce:
[
Y_{\mathrm{REF}}=f_\theta(X_{\mathrm{REF}})
]
[
Y_{\mathrm{ALT}}=f_\theta(X_{\mathrm{ALT}})
]
Después, podemos calcular:
[
\Delta Y=
Y_{\mathrm{ALT}}-
Y_{\mathrm{REF}}
]
Esta diferencia representa el cambio predicho en los perfiles funcionales.
Sin embargo, la salida es multidimensional.
Por ello, necesitamos definir una puntuación adaptada al mecanismo que queremos estudiar.
Para expresión puede utilizarse una agregación de cobertura sobre exones.
Para splicing pueden compararse patrones relativos asociados con regiones alternativas.
Para poliadenilación pueden utilizarse estadísticas relacionadas con extremos de transcritos.
Los autores publicaron notebooks especializados para estas tareas.
No sería correcto utilizar una única suma arbitraria sobre todos los tracks como medida universal del efecto de una variante.
¿Qué es In Silico Mutagenesis?
In Silico Mutagenesis es una técnica que permite estudiar cómo cambian las predicciones de un modelo al modificar posiciones de una secuencia.
Por ejemplo, podemos tomar una secuencia de referencia y sustituir una A por C, G o T.
Después, ejecutamos el modelo para cada secuencia alternativa.
Las diferencias permiten construir una puntuación de sensibilidad por posición.
En términos generales:
s(f_\theta(X_{i\rightarrow b}))
s(f_\theta(X))
]
Donde:
- (i) representa la posición modificada.
- (b) representa la base alternativa.
- (s) es una estadística seleccionada del perfil predicho.
Este procedimiento puede utilizarse para explorar motivos relevantes.
Sin embargo, es computacionalmente costoso cuando la entrada contiene más de medio millón de bases.
Además, una diferencia de predicción no demuestra causalidad biológica.
Las puntuaciones deben interpretarse como hipótesis computacionales.
¿Qué son Attribution Maps y Saliency Scores?
Los métodos de atribución intentan identificar qué posiciones de entrada contribuyen más a una predicción.
En Borzoi pueden utilizarse técnicas basadas en gradientes o mutagénesis computacional.
Los gradientes permiten calcular sensibilidad local respecto a cambios de la entrada.
Por ejemplo:
\frac{\partial s(Y)}
{\partial X_{i,b}}
]
Donde (s(Y)) representa una estadística específica de la salida.
El resultado puede tener dimensiones:
[
524288\times4
]
Esto representa una puntuación para cada posición y posible canal de nucleótido.
Los investigadores utilizaron distintos objetivos para estudiar señales asociadas con expresión, splicing y poliadenilación.
Sin embargo, las atribuciones basadas en gradientes pueden ser ruidosas.
Además, los valores obtenidos no constituyen por sí solos una explicación causal.
Los resultados deben contrastarse con ensayos funcionales y otros métodos de interpretación.
Resultados experimentales de Borzoi
La publicación de Nature Genetics presentó diferentes evaluaciones.
Predicción de cobertura RNA-seq
Los investigadores estudiaron la correlación entre perfiles predichos y observados.
Los resultados mostraron que Borzoi podía reproducir numerosos patrones de cobertura a lo largo de regiones genómicas.
Predicción de expresión a nivel de gen
Al agregar cobertura sobre regiones exónicas, el conjunto de cuatro modelos alcanzó una correlación media de Pearson de aproximadamente:
[
r=0.87
]
en la evaluación de genes retenidos para prueba.
Diferencias entre contextos experimentales
Después de aplicar una normalización que eliminaba parte de la variación media de expresión por gen, la correlación media fue aproximadamente:
[
r=0.58
]
Esta evaluación intentaba estudiar cuánto de la variación entre tracks o contextos podía explicar el modelo.
Estructura de transcritos
Los investigadores también observaron que Borzoi podía reproducir patrones relacionados con la distribución de cobertura entre regiones exónicas e intrónicas.
En una evaluación sobre genes con variación marcada a lo largo de sus transcritos, la correlación media reportada fue aproximadamente 0,88.
Análisis de variantes
El artículo presentó resultados competitivos de priorización y puntuación de variantes asociadas con expresión, splicing y poliadenilación.
Estas evaluaciones utilizaron conjuntos y métricas específicos.
Por ello, no existe una única cifra que resuma universalmente la precisión de Borzoi para cualquier variante.
¿Es Borzoi superior a Enformer?
Borzoi ofrece ventajas arquitectónicas relevantes.
Utiliza una ventana de entrada mayor.
Produce predicciones con una resolución espacial más fina.
Incluye datos RNA-seq y un conjunto más amplio de tracks.
Además, proporciona salidas útiles para estudiar varios mecanismos de regulación del ARN.
Sin embargo, estas propiedades no significan que sea superior a Enformer en todas las tareas.
Los investigadores observaron que las comparaciones directas son difíciles porque los procedimientos de procesamiento de datos y entrenamiento no fueron idénticos.
En algunos ensayos, Borzoi obtuvo mejores resultados.
En otros, Enformer conservó ventajas.
Por ejemplo, las evaluaciones originales mostraron diferencias entre rendimiento en CAGE y DNase-seq.
La conclusión es que debe seleccionarse el modelo según el objetivo experimental.
Para estudiar cobertura RNA-seq y patrones de transcritos, Borzoi ofrece una salida más directamente relacionada con la tarea.
Para otros ensayos, resulta conveniente comparar el rendimiento específico de ambos modelos.
¿Qué datos utiliza Borzoi?
Borzoi fue entrenada utilizando datos experimentales procedentes de diferentes recursos.
Entre ellos se encuentran:
ENCODE: señales funcionales genómicas, incluidos datos RNA-seq y otros ensayos.
GTEx: información relacionada con expresión de genes en tejidos humanos.
FANTOM5: datos CAGE asociados con actividad transcripcional.
CATlas: datos de accesibilidad cromatínica.
GENCODE: anotaciones genómicas utilizadas en distintos análisis.
El modelo utiliza genomas de referencia humano y de ratón.
Los ejemplos de entrenamiento se extraen mediante ventanas genómicas de 524 kb.
Posteriormente, se alinean con señales experimentales correspondientes.
La calidad de las predicciones depende de la calidad y diversidad de estos datos.
No todos los tipos celulares, tejidos y condiciones ambientales están representados por igual.
¿Cómo se entrena Borzoi?
Borzoi utiliza entrenamiento supervisado multisalida.
El modelo recibe una secuencia de ADN.
Después, produce predicciones sobre múltiples tracks.
Las predicciones se comparan con perfiles experimentales procesados.
Los investigadores utilizaron una función de pérdida basada en Poisson y multinomial.
La idea consiste en separar dos aspectos del problema.
Magnitud total
El modelo debe predecir aproximadamente cuánta cobertura existe.
Forma del perfil
También debe predecir cómo se distribuye esa cobertura a lo largo de la secuencia.
Una formulación conceptual es:
\mathcal{L}{\mathrm{magnitud}}
+
\lambda
\mathcal{L}{\mathrm{forma}}
]
En el trabajo original, el componente relacionado con la forma recibió un peso mayor.
Los investigadores utilizaron un factor de cinco para la contribución multinomial.
Esta estrategia permitió equilibrar la predicción de cantidad y distribución espacial.
¿Qué recursos computacionales requiere Borzoi?
Borzoi es un modelo relativamente exigente.
La entrada contiene más de medio millón de nucleótidos.
La representación intermedia incluye miles de posiciones y múltiples canales.
Además, la salida contiene miles de tracks.
En el entrenamiento original, los investigadores utilizaron GPU NVIDIA A100 de 40 GB.
Cada réplica fue entrenada durante aproximadamente 25 días utilizando dos GPU.
También publicaron cuatro réplicas con inicializaciones diferentes.
El conjunto de estas réplicas permite construir un ensemble.
La ejecución de inferencia puede requerir recursos importantes, especialmente si se necesitan todos los tracks o múltiples secuencias.
Para experimentación inicial, es recomendable comenzar con ejemplos pequeños de preparación de datos y utilizar los notebooks oficiales antes de ejecutar el modelo completo.
Ejemplo práctico 1: codificar ADN para Borzoi
Borzoi utiliza una representación one-hot del ADN.
Podemos crear una función con NumPy.
import numpy as npDNA_MAP = { "A": [1, 0, 0, 0], "C": [0, 1, 0, 0], "G": [0, 0, 1, 0], "T": [0, 0, 0, 1], "N": [0, 0, 0, 0],}def encode_dna(sequence): sequence = sequence.upper().strip() invalid = set(sequence) - set(DNA_MAP) if invalid: raise ValueError( f"Unsupported bases: {invalid}" ) return np.asarray( [DNA_MAP[base] for base in sequence], dtype=np.float32 )dna = "ACGTACGTNNACGT"encoded = encode_dna(dna)print("DNA:", dna)print("Encoded shape:", encoded.shape)
El ejemplo produce una matriz con cuatro columnas.
Cada fila representa un nucleótido.
El símbolo N se representa mediante ceros.
Para una entrada real de Borzoi, la longitud esperada es 524.288 bases.
Ejemplo práctico 2: construir una ventana de 524.288 bases
Podemos definir una función que extrae una ventana centrada en una coordenada.
def extract_window( chromosome, center, length=524_288): start = center - length // 2 end = start + length left_pad = max(0, -start) right_pad = max( 0, end - len(chromosome) ) valid_start = max(start, 0) valid_end = min(end, len(chromosome)) sequence = ( "N" * left_pad + chromosome[valid_start:valid_end] + "N" * right_pad ) if len(sequence) != length: raise ValueError( "Incorrect window length" ) return sequence# Secuencia sintética para demostrar el formatochromosome = "ACGT" * 150_000window = extract_window( chromosome, center=300_000)print("Window length:", len(window))
El ejemplo extrae una ventana de longitud fija.
En una aplicación científica real, la secuencia debe obtenerse del ensamblaje genómico correcto.
También deben respetarse las convenciones de coordenadas.
Por ejemplo, las coordenadas BED suelen ser de base cero y extremo final exclusivo, mientras que VCF utiliza posiciones de base uno.
Una diferencia de una base puede modificar la interpretación de una variante.
Ejemplo práctico 3: calcular los bins de salida
Podemos verificar las dimensiones del modelo.
INPUT_LENGTH = 524_288OUTPUT_RESOLUTION = 32CENTRAL_LENGTH = 196_608full_bins = ( INPUT_LENGTH // OUTPUT_RESOLUTION)central_bins = ( CENTRAL_LENGTH // OUTPUT_RESOLUTION)print("Input bases:", INPUT_LENGTH)print("Full-resolution bins:", full_bins)print("Central output bins:", central_bins)
La salida será:
Input bases: 524288Full-resolution bins: 16384Central output bins: 6144
Este resultado ilustra la diferencia entre la representación de la ventana completa y la región central utilizada habitualmente para predicción.
Ejemplo práctico 4: visualizar un perfil RNA-seq
Podemos crear un perfil ficticio para demostrar cómo se representan las señales de cobertura.
import numpy as npimport matplotlib.pyplot as pltbins = 400coverage = np.zeros(bins)# Tres regiones exónicas ficticiascoverage[50:100] = 20coverage[150:210] = 45coverage[280:330] = 30rng = np.random.default_rng(42)coverage += rng.normal( 0, 1.5, bins)coverage = np.maximum(coverage, 0)positions = np.arange(bins) * 32plt.figure(figsize=(12, 4))plt.plot( positions, coverage)plt.xlabel("Posición relativa (bp)")plt.ylabel("Cobertura")plt.title("Perfil RNA-seq ilustrativo")plt.tight_layout()plt.show()
El programa genera una señal ficticia con tres regiones de cobertura elevada.
Sirve para explicar cómo podrían visualizarse los perfiles de Borzoi.
No representa datos experimentales ni predicciones reales del modelo.
Ejemplo práctico 5: calcular expresión agregada sobre exones
Supongamos que disponemos de un perfil de cobertura y de una lista de intervalos exónicos.
Podemos agregar la señal correspondiente.
import numpy as npcoverage = np.arange( 100, dtype=np.float64)# Intervalos de bins: inicio incluido,# final excluido.exons = [ (10, 20), (35, 45), (70, 80)]expression_score = sum( coverage[start:end].sum() for start, end in exons)print( "Aggregated exon coverage:", expression_score)
Este ejemplo demuestra el principio de agregación sobre regiones exónicas.
En una aplicación real, las coordenadas deben convertirse correctamente a bins de 32 bases.
Además, pueden existir exones compartidos entre isoformas.
La selección de regiones también debe considerar orientación, anotaciones y posibles solapamientos.
Ejemplo práctico 6: comparar referencia y variante
Podemos construir dos secuencias que difieren en un nucleótido.
def introduce_snp( sequence, position, expected_reference, alternative): sequence = sequence.upper() if sequence[position] != expected_reference: raise ValueError( "Reference allele mismatch" ) return ( sequence[:position] + alternative + sequence[position + 1:] )reference = "ACGTACGTACGT"alternative = introduce_snp( reference, position=4, expected_reference="A", alternative="G")print("Reference:", reference)print("Alternative:", alternative)
Después, ambas secuencias pueden procesarse mediante el mismo modelo.
Una comparación sencilla de perfiles predichos sería:
Y_{\mathrm{REF}}
]
Sin embargo, para obtener una puntuación biológicamente interpretable es necesario seleccionar tracks y regiones relevantes.
Los notebooks oficiales contienen procedimientos específicos para diferentes clases de QTL.
Ejemplo práctico 7: calcular una puntuación de diferencia de expresión
Consideremos dos perfiles de cobertura sobre las mismas posiciones.
Podemos agregar las diferencias sobre una región de interés.
import numpy as npreference_profile = np.array([ 2, 5, 10, 12, 9, 3], dtype=float)alternative_profile = np.array([ 2, 6, 14, 15, 10, 3], dtype=float)reference_total = reference_profile.sum()alternative_total = alternative_profile.sum()difference = ( alternative_total - reference_total)log2_fold_change = np.log2( (alternative_total + 1.0) / (reference_total + 1.0))print("Coverage difference:", difference)print("Log2 fold change:", log2_fold_change)
El programa muestra dos formas de resumir diferencias.
La primera utiliza la diferencia absoluta.
La segunda utiliza un cambio logarítmico de proporciones con un pseudoconteo.
Esta es una demostración matemática.
No reproduce automáticamente la puntuación oficial de eQTL utilizada por los investigadores.
Ejemplo práctico 8: explorar el código oficial de Borzoi
El repositorio oficial se encuentra en:
Podemos obtenerlo mediante:
git clone https://github.com/calico/borzoi.gitcd borzoi
El proyecto contiene scripts, configuraciones y notebooks para diferentes tareas.
Entre los materiales disponibles se encuentran ejemplos de interpretación de:
- eQTL.
- paQTL.
- sQTL.
- ipaQTL.
También existen tutoriales relacionados con variantes estructurales e inserciones o deleciones.
Las instrucciones de instalación y descarga de pesos deben seguirse desde el repositorio correspondiente.
La implementación original utiliza componentes especializados de Baskerville y TensorFlow, por lo que es recomendable reproducir primero el entorno documentado.
No debe suponerse que basta con ejecutar pip install transformers para cargar los pesos originales.
Ejemplo práctico 9: seleccionar tracks y regiones
Los tensores de Borzoi pueden ser grandes.
Por ello, es útil seleccionar solamente las posiciones y los tracks necesarios para un análisis.
El siguiente programa muestra cómo hacerlo utilizando un array ficticio.
import numpy as nprng = np.random.default_rng(7)# Tensor ficticio pequeño:# 100 posiciones y 20 tracks.predictions = rng.random( (100, 20))selected_tracks = [2, 5, 8]start_bin = 30end_bin = 60subset = predictions[ start_bin:end_bin, selected_tracks]print("Subset shape:", subset.shape)
En un modelo real, los identificadores de tracks deben obtenerse de la tabla de metadatos correspondiente.
No debe asumirse que un índice fijo identifica el mismo ensayo en cualquier checkpoint o conversión.
La selección correcta es especialmente importante al comparar resultados entre tejidos.
Borzoi y el procesamiento del ARN
Una de las aportaciones más interesantes de Borzoi es que permite estudiar diferentes mecanismos que influyen en el ARN.
Estos mecanismos pueden producir cambios distintos en los perfiles.
Cambios en transcripción
Un gen puede producir una cantidad mayor o menor de ARN.
Esto puede modificar la cobertura global.
Cambios en splicing
Una isoforma puede incluir o excluir determinadas regiones.
Esto puede modificar la distribución relativa de cobertura.
Cambios en poliadenilación
El uso de diferentes sitios de procesamiento del extremo 3′ puede modificar la cobertura de determinadas regiones.
Borzoi intenta aprender señales relacionadas con estos procesos.
La ventaja de utilizar perfiles es que contienen más información estructural que una única predicción global de expresión.
Sin embargo, la capacidad de distinguir mecanismos depende del procedimiento de interpretación y de los datos.
Borzoi y los modelos fundacionales de ADN
Es importante distinguir Borzoi de otros modelos genómicos.
DNABERT y Nucleotide Transformer se preentrenan principalmente mediante tareas de reconstrucción de tokens.
HyenaDNA utiliza predicción autorregresiva de nucleótidos.
Borzoi aprende directamente a predecir señales experimentales.
Esta diferencia afecta a las representaciones que aprende.
Los modelos fundacionales generales pueden proporcionar embeddings reutilizables.
Borzoi produce representaciones especializadas en señales funcionales.
Ambos enfoques pueden ser complementarios.
Por ejemplo, un investigador podría comparar embeddings de Nucleotide Transformer con predicciones funcionales de Borzoi dentro de un sistema de análisis.
Sin embargo, no existe garantía de que combinar modelos produzca mejores resultados sin evaluación.
Borzoi frente a DNABERT-2
| Característica | DNABERT-2 | Borzoi |
|---|---|---|
| Arquitectura | Encoder Transformer | CNN + Transformer + U-Net |
| Entrada | Tokens BPE | ADN one-hot |
| Preentrenamiento | MLM | Predicción supervisada de tracks |
| Datos | Genomas multiespecie | Ensayos humanos y de ratón |
| Contexto | Según tokenizador y configuración | 524.288 bases |
| Salida principal | Embeddings contextualizados | Perfiles funcionales |
| Resolución de salida | Por token | 32 bp |
| Uso destacado | Clasificación y transferencia | Expresión y procesamiento de ARN |
La diferencia principal consiste en el objetivo de entrenamiento.
DNABERT-2 aprende representaciones generales de secuencias.
Borzoi aprende a relacionar ADN con perfiles experimentales.
Borzoi frente a Nucleotide Transformer
Nucleotide Transformer utiliza principalmente 6-mers no superpuestos en sus primeras generaciones.
Borzoi utiliza nucleótidos codificados individualmente.
Nucleotide Transformer aprende mediante Masked Language Modeling.
Borzoi aprende mediante regresión sobre señales experimentales.
Por tanto, ambas arquitecturas representan estrategias diferentes para extraer información del ADN.
Nucleotide Transformer resulta útil para estudiar transferencia de representaciones.
Borzoi proporciona un sistema especializado de predicción funcional.
Borzoi frente a HyenaDNA
| Característica | HyenaDNA | Borzoi |
|---|---|---|
| Mecanismo temporal | Convoluciones Hyena | CNN + Transformer |
| Contexto máximo destacado | Hasta 1 millón de bases | 524.288 bases |
| Representación | Nucleótidos individuales | One-hot |
| Objetivo | Predicción de siguiente nucleótido | Cobertura de ensayos |
| Salidas | Embeddings o predicciones de secuencia | Perfiles multitrack |
| Resolución funcional | Depende de tarea posterior | 32 bp |
| Aplicación principal | Modelado fundacional largo | Regulación y RNA-seq |
Aunque HyenaDNA puede procesar ventanas más largas, Borzoi está entrenada específicamente para predecir señales RNA-seq.
Por ello, no sería correcto asumir que una arquitectura con mayor contexto es automáticamente mejor para predicción funcional.
Ventajas de Borzoi
Contexto genómico amplio
Puede procesar 524.288 nucleótidos dentro de una ventana.
Resolución mejorada
Predice señales con bins de 32 bases, frente a los 128 de Enformer.
Predicción de RNA-seq
Incorpora directamente perfiles de cobertura de ARN durante el entrenamiento.
Información de transcritos
Las salidas pueden reflejar patrones relacionados con exones, intrones y procesamiento del ARN.
Arquitectura híbrida
Combina extracción local mediante convoluciones con integración global mediante Transformers.
Decodificador U-Net
Recupera resolución espacial utilizando conexiones entre diferentes escalas.
Predicción multitrack
Permite estudiar miles de señales funcionales en humano y ratón.
Recursos públicos
Los autores publicaron código, checkpoints y notebooks de análisis.
Limitaciones de Borzoi
Borzoi también presenta limitaciones importantes.
Dependencia de la secuencia
El modelo utiliza ADN y no recibe automáticamente todas las condiciones celulares y ambientales.
Predicción indirecta
Sus resultados son estimaciones de cobertura, no mediciones experimentales.
Coste computacional
La entrada y las salidas son grandes, lo que puede requerir GPU de alta memoria.
Contexto finito
La ventana de 524 kb no contiene necesariamente todos los elementos reguladores de un gen.
Dependencia de los ensayos
La arquitectura solamente predice los tracks representados en su entrenamiento.
Generalización entre individuos
Las predicciones de efectos individuales de variantes pueden ser menos precisas que las predicciones medias sobre regiones.
Resolución limitada
Aunque 32 bases representan una mejora considerable, los resultados no constituyen mediciones independientes de cada nucleótido.
Interpretabilidad
Los métodos de atribución proporcionan hipótesis, pero no explicaciones causales definitivas.
Dependencia de anotaciones
El análisis de expresión y splicing puede requerir información fiable sobre exones, transcritos y orientación de genes.
Borzoi y las aplicaciones clínicas
Borzoi puede aportar información útil para investigación de variantes reguladoras.
Sin embargo, no está validada como sistema clínico autónomo para diagnóstico o clasificación de patogenicidad.
La predicción de una reducción de cobertura no demuestra necesariamente una enfermedad.
Del mismo modo, una variante que modifica una predicción de splicing no siempre provoca un cambio clínicamente relevante.
En genética clínica, las decisiones requieren integrar evidencia experimental, datos poblacionales, anotaciones, estudios familiares y criterios profesionales.
Por ello, Borzoi debe utilizarse como herramienta de investigación y generación de hipótesis.
Importancia de Borzoi en la evolución de la IA genómica
La principal contribución de Borzoi consiste en ampliar el enfoque sequence-to-function hacia perfiles detallados de RNA-seq.
Enformer demostró que las arquitecturas híbridas podían utilizar contexto amplio para predecir señales genómicas.
Borzoi incrementó la ventana de entrada y recuperó resolución mediante un decodificador U-Net.
La arquitectura también incorporó datos RNA-seq para aprender patrones relacionados con el procesamiento de transcritos.
Esto permitió estudiar expresión, splicing y poliadenilación dentro de un marco de predicción común.
La investigación es importante porque conecta diferentes aspectos de la regulación génica.
En lugar de entrenar un modelo completamente independiente para cada fenómeno, Borzoi aprende representaciones compartidas a partir de múltiples señales.
Sin embargo, el objetivo no consiste en reemplazar los experimentos.
La utilidad de Borzoi depende de su capacidad para formular predicciones que puedan comprobarse con datos independientes.
Preguntas frecuentes sobre Borzoi
¿Qué es Borzoi en inteligencia artificial?
Borzoi es una arquitectura de aprendizaje profundo que combina convoluciones, Transformers y U-Net para predecir perfiles RNA-seq y otras señales funcionales directamente desde ADN.
¿Quién desarrolló Borzoi?
Fue desarrollada por Johannes Linder, Divyanshi Srivastava, Han Yuan, Vikram Agarwal y David R. Kelley.
¿Cuándo apareció Borzoi?
La prepublicación apareció en agosto de 2023. El artículo definitivo se publicó en línea en enero de 2025 y apareció en Nature Genetics.
¿Qué significa Predicting RNA-seq from DNA Sequence?
Describe el objetivo principal del modelo: predecir perfiles de cobertura RNA-seq utilizando la secuencia de ADN.
¿Borzoi utiliza Transformers?
Sí. La arquitectura original incorpora ocho bloques Transformer.
¿Borzoi utiliza convoluciones?
Sí. Utiliza una torre convolucional para extraer características locales y reducir resolución.
¿Qué es U-Net en Borzoi?
Es un mecanismo de decodificación que recupera resolución espacial utilizando upsampling y conexiones entre diferentes niveles.
¿Cuántos nucleótidos procesa Borzoi?
La entrada original contiene 524.288 nucleótidos.
¿Cuál es la resolución de salida?
32 pares de bases por bin.
¿Cuántos bins centrales produce?
6.144 bins de 32 bases.
¿Por qué también aparecen 16.384 bins en el artículo?
Porque 16.384 corresponde a la representación de la ventana completa antes del recorte central habitual.
¿Cuántos tracks humanos predice?
7.611 tracks.
¿Cuántos tracks de ratón predice?
2.608 tracks.
¿Qué es RNA-seq?
Es una técnica experimental de secuenciación de ARN utilizada para estudiar transcritos y su abundancia.
¿Qué significa RNA-seq Coverage?
Es la cantidad de lecturas que cubren determinadas posiciones o intervalos de una referencia.
¿Borzoi puede predecir expresión génica?
Puede producir perfiles de RNA-seq a partir de los cuales se calculan puntuaciones relacionadas con expresión.
¿Borzoi puede estudiar splicing?
Sí. Sus perfiles contienen información relacionada con diferencias de cobertura asociadas con splicing.
¿Qué es un sQTL?
Es una variante genética asociada estadísticamente con diferencias en medidas de empalme del ARN.
¿Qué es un paQTL?
Es una variante asociada con cambios en la utilización de sitios de poliadenilación.
¿Qué es In Silico Mutagenesis?
Es una técnica que evalúa cómo cambian las predicciones de un modelo al modificar bases de una secuencia.
¿Borzoi es mejor que Enformer?
Ofrece mayor contexto y mejor resolución para RNA-seq, pero no es necesariamente superior en todos los ensayos y tareas.
¿Borzoi puede analizar variantes genéticas?
Sí. Permite comparar perfiles predichos para secuencias de referencia y alternativas.
¿Borzoi puede diagnosticar enfermedades?
No por sí sola. Sus resultados requieren validación independiente y no constituyen un diagnóstico clínico.
¿Borzoi puede utilizarse con Python?
Sí. El repositorio oficial contiene código, configuraciones, checkpoints y notebooks de análisis.
¿Borzoi está disponible en Hugging Face?
Existen conversiones comunitarias, como MultiMolecule, además de los recursos publicados por los autores.
¿Por qué es importante estudiar Borzoi?
Porque demuestra cómo combinar contexto genómico largo, Transformers y predicción multisalida para analizar diferentes procesos relacionados con la expresión y el procesamiento del ARN.
Conclusión
La arquitectura Borzoi representa una contribución importante a la inteligencia artificial aplicada a genómica funcional.
Su principal innovación consiste en predecir perfiles RNA-seq directamente desde secuencias extensas de ADN, utilizando una arquitectura híbrida que combina convoluciones, autoatención y recuperación de resolución mediante U-Net.
El modelo procesa ventanas de 524.288 nucleótidos y produce predicciones centrales con una resolución de 32 pares de bases.
Sus cabezas de salida permiten estudiar miles de señales experimentales de humano y ratón.
La incorporación de perfiles RNA-seq amplía las posibilidades de análisis respecto a arquitecturas centradas principalmente en actividad transcripcional y cromatina.
Borzoi puede producir señales relacionadas con expresión génica, estructura de transcritos, splicing y poliadenilación.
Además, permite comparar secuencias de referencia y variantes para investigar posibles efectos reguladores.
Sin embargo, la calidad de las predicciones depende del entrenamiento, de los ensayos disponibles y de la interpretación biológica.
Una diferencia computacional no constituye automáticamente evidencia causal o clínica.
Para estudiantes, investigadores y desarrolladores de inteligencia artificial, Borzoi ofrece una lección fundamental:
Predecir la función del ADN requiere no solamente observar regiones reguladoras distantes, sino también conservar suficiente resolución espacial para modelar cómo se distribuyen las señales de ARN a lo largo de los transcritos.
Comprender Borzoi permite profundizar en los fundamentos de Transformers genómicos, arquitecturas U-Net, RNA-seq, modelos sequence-to-function, predicción de expresión y análisis computacional de variantes reguladoras.
Referencias y fuentes oficiales
- Linder, J., Srivastava, D., Yuan, H., Agarwal, V. y Kelley, D. R. (2025). Predicting RNA-seq coverage from DNA sequence as a unifying model of gene regulation. Nature Genetics, 57, 949–961. https://doi.org/10.1038/s41588-024-02053-6
- PubMed Central. Predicting RNA-seq coverage from DNA sequence as a unifying model of gene regulation — Texto completo. https://pmc.ncbi.nlm.nih.gov/articles/PMC11985352/
- Calico Life Sciences. Borzoi — Repositorio oficial. https://github.com/calico/borzoi
- Calico Life Sciences. Borzoi Paper — Código de reproducción científica. https://github.com/calico/borzoi-paper
- BioRxiv. Predicting RNA-seq coverage from DNA sequence as a unifying model of gene regulation — Prepublicación. https://www.biorxiv.org/content/10.1101/2023.08.30.555582v1
- MultiMolecule. Borzoi Human — Conversión comunitaria y checkpoint. https://huggingface.co/multimolecule/borzoi-human
- MultiMolecule. Borzoi Mouse — Conversión comunitaria. https://huggingface.co/multimolecule/borzoi-mouse
- Avsec, Ž. et al. (2021). Effective gene expression prediction from sequence by integrating long-range interactions. Nature Methods. https://doi.org/10.1038/s41592-021-01252-x
- Kelley, D. R. (2020). Cross-species regulatory sequence activity prediction. Nature Genetics. https://doi.org/10.1038/s41588-019-0552-6
- ENCODE Project Consortium. ENCODE: Encyclopedia of DNA Elements. https://www.encodeproject.org/
- GTEx Consortium. Genotype-Tissue Expression Project. https://gtexportal.org/
- GENCODE. Gene annotation resources. https://www.gencodegenes.org/
