GeneZip: DNA-Kompression mit regionalem Fokus erreicht 137,6-fache Reduktion

Die neue Methode GeneZip löst ein zentrales Problem der Genomforschung: die Verarbeitung von Sequenzen, die Milliarden von Basenpaaren umfassen. Durch die gezielte Nutzung einer biologischen Erkenntnis – dass kodierende Regionen nur etwa 2 % der DNA ausmachen, aber extrem informationsreich sind – kann GeneZip die Repräsentationskapazität effizient verteilen.

GeneZip kombiniert HNet‑basierte dynamische Routenführung mit einem regionen‑sensiblen Kompressionsziel. Dadurch wird die Menge an Speicherplatz, die jeder Teil der Sequenz erhält, automatisch angepasst, sodass knifflige, informationsdichte Abschnitte besser abgebildet werden.

Das Ergebnis ist beeindruckend: GeneZip komprimiert DNA um 137,6‑fach, während die Perplexität – ein Maß für die Modellgenauigkeit – nur um 0,31 steigt. Auf praxisrelevanten Aufgaben wie der Vorhersage von Kontaktkarten, expression quantitative trait loci (eQTL) und Enhancer‑Ziel‑Genen liefert GeneZip Leistungen, die mit den besten bestehenden Modellen gleichwertig oder sogar überlegen sind.

Durch die Reduktion der effektiven Sequenzlänge ermöglicht GeneZip gleichzeitig eine erhebliche Skalierung von Kontext und Modellkapazität. Im Vergleich zum vorherigen Spitzenmodell JanusDNA kann GeneZip Modelle um 82,6‑fach größer trainieren, selbst bei einem Kontext von 1 Million Basenpaaren. Ein 636‑Millionen‑Parameter‑Modell ist damit möglich.

Alle Experimente wurden auf einem einzigen NVIDIA A100 80 GB GPU durchgeführt, was GeneZip zu einer besonders effizienten Lösung für die Forschung an großem Genomkontext macht.