IF36.1｜25种染色质接触图谱比较方法系统评测

没有万能指标，选对比较方法才能挖出3D基因组的真实差异。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

染色质三维构象在不同细胞、物种和疾病状态下存在差异，影响基因调控、细胞身份和复制时序。Hi-C、Micro-C等染色体构象捕获技术能够解析基因组的多尺度折叠模式，包括染色体疆域、拓扑关联结构域（TAD）、增强子-启动子环和结构条纹。随着单细胞和深度学习技术的进步，染色质构象数据的规模迅速增长，相应的分析工具也大量涌现。然而，目前缺乏对接触图谱比较方法的系统性评估，研究者面对众多方法时难以抉择。不同方法可能对同一对图谱给出截然不同的差异评分，这直接影响后续生物学结论的可靠性。

科学问题

卡在哪里： 此前没有研究对多种接触图谱比较方法进行大规模基准测试，方法之间的相似性、互补性以及对不同生物学和技术变异的敏感性尚不清楚。

本文要回答： 系统评估25种接触图谱比较方法，揭示它们在不同场景下的表现、优缺点和适用条件，为研究者提供选择指南。

技术路线

作者主要用了：Micro-C、Hi-C、Akita预测、模拟扰动、ROC/PR分析。

作者首先收集了HFF和ESC两种细胞系的Micro-C和Hi-C数据，并利用Akita模型从DNA序列预测接触图谱，同时通过模拟生成具有特定结构变化的图谱。然后，将25种比较方法应用于这些数据，包括全局方法（如MSE、Spearman相关）和接触图谱方法（如Insulation、Loops、TADs）。通过聚类、相关分析和主成分分析评估方法间的一致性，并利用模拟数据定量测量每种方法对不同类型扰动的敏感性。最后，通过ROC和PR曲线评估方法区分生物学相关变化和技术噪声的能力，从而形成方法选择的指导原则。

图 1　Fig. 1。图1展示了3D基因组比较的应用场景、图谱差异类型以及评估的方法分类。a部分说明比较可揭示突变、细胞类型、物种差异或技术偏差的影响；b部分列举了全局折叠模式、接触强度和局部焦点变化等功能性差异；c部分将方法分为全局方法和接触图谱方法，后者针对特定生物学特征。

核心亮点

亮点 1｜MSE与相关方法分歧巨大

在HFF与ESC的7,840个1Mb窗口上，MSE与Spearman相关的排名几乎不相关（r²=0.0002）。MSE对接触强度变化敏感，而相关方法对强度不敏感，导致它们优先识别不同的图谱对。例如，MSE可能将结构相似但强度范围不同的图谱评为差异大，而相关方法则可能忽略这种差异。这一发现提示，选择方法前必须明确关注的差异类型。

图 2　Fig. 2。图2对比了MSE和Spearman相关在HFF与ESC实验接触图谱上的评分分布。散点图显示两者几乎不相关（r²=0.0002）。示例表明，MSE可能因强度差异而给结构相似的图谱打高分，而相关方法则能识别结构重排但强度变化小的图谱。直方图显示MSE分布偏斜，相关分数分布较均匀。

亮点 2｜方法聚类揭示冗余与互补

对25种方法在DEG周围区域的评分进行聚类和PCA分析，发现基于MSE的方法（如MSE、Insulation (mse)、Triangle (mse)）与基于相关的方法（如Correlation、Insulation (corr)）明显分离。TADcompare、Selfish和HiC1Dmetrics ISC与其他方法相关性低，提供独特信息。新提出的四种方法（Eigenvector、Contact Directionality、Distance Enrichment、Triangle）与现有方法表现相当，且能识别其他方法遗漏的差异图谱。

图 3　Fig. 3。图3展示了25种方法在256个DEG周围1Mb窗口上的评分聚类、相关性和PCA结果。热图显示基于MSE的方法与基于相关的方法明显分离。相关性矩阵表明TADcompare、Selfish和HiC1Dmetrics ISC与其他方法相关性低。PCA图显示MSE类方法沿第一主成分分离，HiC1Dmetrics deltaDLR、SSC和CIC沿第二主成分聚集。

亮点 3｜模拟揭示方法敏感性差异

通过模拟单一类型的图谱变化，发现全局方法（MSE、SSIM）对噪声和分辨率降低等技术变异高度敏感，而接触图谱方法更稳健。相关方法不受对比度和强度变化影响，但MSE方法对此极为敏感。Insulation和Triangle对边界变化敏感，Contact Directionality擅长识别新边界但对已有边界变化不敏感。Eigenvector和Distance Enrichment对技术变异最不敏感。

图 4　Fig. 4。图4显示了模拟接触图谱在六种扰动（噪声、分辨率、对比度、强度、TAD大小、子结构）下，不同方法的标准化差异评分曲线。全局方法（MSE、SSIM）对噪声和分辨率降低更敏感，曲线更陡；相关方法对对比度和强度变化无响应；Insulation和Triangle对边界变化敏感；Eigenvector和Distance Enrichment对技术变异最不敏感。

亮点 4｜性能评估支持新方法

利用模拟的阳性（结构变化）和阴性（技术噪声）图谱对，计算ROC和PR曲线下面积。MSE、Triangle (mse和corr)、Contact Directionality (corr)和Insulation (corr)表现优异，能有效区分生物学相关变化和技术伪影。SSIM表现较差。这些结果验证了新适应的方法在性能上具有竞争力，甚至优于一些传统方法。

图 5　Fig. 5。图5展示了方法性能评估。a部分给出阳性和阴性图谱对的示例：阳性为去除中间CTCF位点导致结构变化，阴性为添加高斯噪声但结构不变。b部分显示不同方法对阳性和阴性图谱的评分分布，部分方法能明显区分。c和d部分为ROC和PR曲线及AUC值，MSE、Triangle、Contact Directionality和Insulation表现最佳，SSIM较差。

亮点 5｜方法选择指南

作者建议先用全局方法（如MSE和Correlation）进行初步筛选，识别差异最大的图谱对；然后对高评分图谱对应用接触图谱方法，以了解具体的变化类型。对于需要可视化和机制假设的场景，推荐使用能生成中间轨迹的方法（如Eigenvector、Insulation、Directionality index）。没有单一方法适用于所有情况，应结合多种方法以获得全面认识。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： Micro-C、Hi-C、Akita预测、模拟扰动、ROC/PR分析
• 公开数据： 原文未给出公开组学登录号
• 代码： 原文未给出公开 GitHub/GitLab 仓库
• 谁该点开原文： 从事3D基因组数据分析、方法开发或应用比较的生物信息学研究者。

带走一句

比较染色质接触图谱时，先用MSE和相关方法初筛，再用接触图谱方法解析具体变化，结合多种方法才能避免单一指标的盲区。