Decoding Nucleosome Positioning with Interpretable Deep Neural Networks. A Sequence-Based Approach to Chromatin Structure in Mouse Embryonic Stem Cells

Les nucléosomes, unités fondamentales de la chromatine, enroulent l'ADN et participent à la fois à l'architecture du génome et à la régulation génique. Si la séquence d'ADN influence leur positionnement in vitro, son impact in vivo reste limité (Valouev et al., 2011). Le modèle de barrière (Mavrich et al., 2008) propose une organisation autour d'un nucléosome bien positionné. Nous introduisons un modèle de « génome ponctué », dans lequel des régions de positionnement (Nucleosome Positioning Regions, NPRs) induisent la formation de nucléosomes phasés ou de régions dépourvues de nucléosomes (Nucleosome Depleted Regions, NDRs). Ces NPRs incluent facteurs de transcription, répétitions dispersées et microsatellites. En suivant l'approche développée chez la levure (Routhier et al., 2021), nous avons entraîné un modèle de deep learning interprétable sur le génome murin, afin d'extraire des règles prédictives adaptées aux génomes de grande taille. Les réseaux neuronaux convolutifs (CNN) sont bien adaptés pour capturer des caractéristiques multi-échelles, des k-mers aux motifs et à leurs combinaisons. Nous avons utilisé des cartes de positionnement nucléosomique en cellules souches embryonnaires murines (mESC), issues de deux méthodes complémentaires : (1) MNase-seq, basé sur la digestion de l'ADN linker mais limité par des biais enzymatiques (Festuccia et al., 2019) ; (2) Clivage chimique, qui modifie les histones pour cliver l'ADN via un système cuivre/H₂O₂, réduisant ces biais (Voong et al., 2016). L'apprentissage sur un génome riche en séquences répétées (60 %) impose d'éviter le sur-apprentissage tout en conservant leur information. Nous avons filtré les régions à faible couverture/cartographiabilité puis évalué les prédictions par mutagenèse in silico, générant une carte de scores à la paire de bases. Ces scores ont été analysés avec XSTREME (Grant et al., 2021) et complétés par des expériences de génomique synthétique pour tester directement l'effet des éléments identifiés. Le modèle retrouve des déterminants connus, comme CTCF, puissant inducteur de phasage nucléosomique (Festuccia et al., 2019; Lai et al., 2018). Sa capacité à phaser dépend de la conservation du motif et d'un pré-motif en amont, et notre approche distingue précisément les motifs effectivement liés, validés par ChIP-seq. De façon inattendue, nous identifions la famille SP/KLF comme nouveaux contributeurs au phasage. Nous montrons aussi que certains éléments répétitifs dispersés participent activement à l'organisation : certains SINEs, porteurs de motifs CTCF, agissent comme points de phasage (Schmidt et al., 2012), tandis que les LINEs et LTR contribuent également, suggérant un rôle structurel plus large des répétitions dans la chromatine des mammifères. Enfin, les microsatellites révèlent des signatures de positionnement dépendant de leur séquence, renforçant leur potentiel régulateur. Ainsi, notre approche de deep learning interprétable met en évidence une logique combinatoire où facteurs de transcription, répétitions dispersées et microsatellites structurent l'organisation nucléosomique dans les génomes complexes.