跳到主要内容
返回时间线
bioRxiv来源发表:

人工SNV也学不会:LAMP显示微调后的序列到功能模型仍低估远端变异效应

核心概要

LAMP把人工设计、强而一致的转录因子基序扰动SNV注入个人基因组数据集,用来检验序列到功能模型在微调中能否学会变异效应。即便训练集扩到12111个基因、12011个这样的理想化因果SNV,微调后的Enformer在留出基因和个体上仍不及只用该SNV基因型的弹性网基线。分析指向两个障碍:预训练先验压低远端调控元件,使增强子到基因的连接难以加强;同一基序在不同位点的序列背景差异又掩盖了本应易学的扰动模式。

Source-provided article image: LAMP sheds light on how sequence to function models learn variant effects during post-training
Figure 1 · bioRxiv · 第 25 页

深度剖析

序列到功能模型在微调后仍学不会一类被刻意设计得极易学习的因果变异效应,问题不在自然遗传变异的复杂性。 此前用个人基因组与配对表达数据做后训练,在留出基因和个体上的预测没有实质改善,原因不明。 在GTEx全血670名个体的个人基因组中注入STAT1基序人工SNV,训练集扩到12111个基因、12011个训练SNV后,微调Enformer在88个测试基因的留出个体上仍低于仅用该SNV基因型的弹性网基线。

模型在卷积层能识别人工SNV,但这份基因型信息没有完整传递到基因转录起始位点,远端基序尤其如此。 把SNV放在转录起始位点附近时模型学得更好,放在窗口远端时明显吃力,扩大数据只能部分缓解。 对微调后Enformer的嵌入做回归,重叠SNV位置的嵌入预测个体表达明显优于完整前向传播,而转录起始位点处Transformer嵌入的信息量明显更低;45个转录因子基序的模型都出现这一落差。

同一基序在不同位点的序列背景差异会掩盖变异引起的基序扰动模式,使学习效率下降。 在45个基序上分别微调后,各基序的留出基因和个体准确率差异很大,而基序本身是主要变量。 给所有候选STAT1基序两侧加上固定侧翼序列后,仅用179个SNV训练的模型与约12000个SNV的模型表现相当,留出基因和个体上的跨个体相关中位数为0.648对0.643;45个基序的回文性与长度校正信息量对准确率有显著正效应,二者解释了61%的方差。

启示与展望

这套诊断针对以转录因子基序扰动方式起作用的变异,在GTEx全血表达数据上以Enformer为主要对象,并在部分实验中用Borzoi复核;作者明确说明未用LAMP检验AlphaGenome。作者提出把含扰动基序在序列中滑动以打破距离先验的数据增强,并建议最后用未改动数据再微调一步。

作者指出,用个人基因组加配对表达做微调计算开销很大;LAMP模拟的是单一转录因子基序扰动,不覆盖通过其他机制起作用的变异,也不覆盖多个基序共享调控逻辑的情形;由于是模拟变异效应,从真实遗传变异学习未必表现一致。作者还表示,Borzoi和AlphaGenome据报在个人基因组任务上仍低于预期并保留偏向近端的先验,因此预期结论对它们也成立,但只对Borzoi做了部分实验。