IF36.1｜scooby：从DNA序列预测单细胞多组学谱

用Borzoi加细胞解码器，scooby把单细胞ATAC和RNA预测推到新高度。

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

理解调控序列如何塑造单个细胞的基因表达是基因组学的核心挑战。单细胞多组学技术（如10x Multiome）能同时测量同一细胞的染色质可及性（scATAC-seq）和基因表达（scRNA-seq），为解析细胞状态特异的调控逻辑提供了数据基础。深度学习模型（如Enformer、Borzoi）已能从DNA序列预测bulk水平的组学谱，但bulk模型无法捕捉细胞异质性。已有单细胞序列模型（如scBasset、seq2cells）或只预测染色质可及性，或仅预测基因表达且扩展性差。因此，需要一种能联合建模单细胞多组学谱、可扩展且无需基因注释的框架。

科学问题

卡在哪里： 现有单细胞序列模型要么只建模染色质可及性，要么只建模基因表达，且seq2cells依赖TSS注释、每个细胞一个输出头导致计算不可扩展。bulk模型（Borzoi）虽能预测RNA-seq覆盖度，但无法区分细胞状态。

本文要回答： 本文旨在开发一个从DNA序列联合预测单细胞scATAC-seq插入和scRNA-seq覆盖度的模型，并验证其在基因表达预测、TF活性推断和变异效应解析上的能力。

技术路线

作者主要用了：scRNA-seq、scATAC-seq、Borzoi、LoRA微调、Poisson-MultiVI、TF motif effect score。

作者以预训练的bulk多组学模型Borzoi为基础，保留其序列编码器，加入低秩适应（LoRA）模块进行参数高效微调，使其适应单细胞数据特征（如3'端偏好）。同时设计了一个轻量级细胞状态解码器，利用Poisson-MultiVI生成的低维细胞嵌入动态生成卷积权重，将序列嵌入转换为细胞特异的RNA和ATAC谱。训练时采用与Borzoi相同的序列划分，并在10x Multiome骨髓数据集（63,683个细胞）上微调。该设计使模型参数不随细胞数增长，且能泛化到未见的相似细胞状态。

图 1　Fig. 1。图1展示了scooby的模型架构：Borzoi序列编码器经LoRA微调后输出32-bp分辨率的序列嵌入，细胞状态解码器利用Poisson-MultiVI嵌入动态生成卷积权重，预测单细胞ATAC插入和RNA覆盖。右图UMAP显示骨髓多组学数据的细胞类型分布，下方示例位点SLC25A37的预测谱与100近邻平均谱高度一致，且能区分MEP和红细胞母细胞的差异表达与可及性。

核心亮点

亮点 1｜单细胞谱预测优于伪bulk

scooby在测试序列上预测的单细胞RNA和ATAC谱与观测值的Pearson相关分别为0.15和0.11，高于伪bulk的0.09和0.08。与100近邻平均谱的相关性达0.63和0.70，表明模型有效捕捉了稀疏单细胞数据下的真实信号。模型还准确预测了scRNA-seq的3'端覆盖偏好，并在SLC25A37位点展示了细胞类型特异的差异调控。

图 2　Fig. 2。图2评估基因表达预测。a示意将预测覆盖度在exon上求和得到基因计数。b显示标记基因（ANK1、DIAPH3等）在测试细胞中的预测与观测表达模式一致。c-d展示伪bulk水平跨细胞类型相关性达0.86，去除均值后为0.54。e显示scooby优于seq2cells。f-g展示剔除normoblast后模型仍能准确预测其表达及HEMGN沿红细胞分化轨迹的动态。

亮点 2｜基因表达预测超越seq2cells

在伪bulk基因表达评估中，scooby跨细胞类型的平均Pearson相关为0.86，与Borzoi在bulk RNA-seq上的表现相当。去除基因和细胞类型均值后，相关性为0.54，表明模型捕获了细胞类型间的差异表达。与seq2cells相比，scooby在共享测试基因上的跨基因相关性从0.77提升至0.87，跨细胞类型相关性从0.43提升至0.55。

图 3　Fig. 3。图3展示TF motif效应分析。a示意in silico突变TF结合位点并计算效应分数。b-c显示scooby的TF motif效应评分与TF表达的相关性显著高于chromVAR和scBasset，且仅用RNA训练的模型也表现优异。d热图显示谱系特异性TF家族（GATA1、EBF1等）的效应模式。e显示GATA1 motif突变对可及性的影响早于对表达的影响。f-i展示在心脏类器官JCF群体中，scooby的TF效应评分与CellRank命运概率相关，识别出心肌和心外膜命运驱动因子。

亮点 3｜未见细胞状态的泛化能力

在训练时完全剔除normoblast细胞后，scooby对normoblast的基因表达预测Pearson相关仍达0.79（完整模型为0.81）。使用normoblast嵌入作为解码器输入时预测最佳，表明模型在嵌入空间中学习了有意义的细胞状态表示，可插值到相近但未见的细胞状态。在红细胞分化轨迹上，HEMGN基因的表达动态被准确重现（Pearson R=0.966）。

图 4　Fig. 4。图4评估变异效应预测。a-b显示scooby在OneK1K细胞类型上预测eQTL效应与观测值的Spearman相关显著高于Borzoi和seq2cells。c显示scooby对GTEx全血eQTL的预测效应分布，过滤掉小效应后相关性提升至0.78。d显示符号一致率随TSS距离下降，但非可忽略效应预测保持高一致率。e-f显示scooby在eQTL细胞类型反卷积中优于基于靶基因表达和ATAC可及性的基线。

亮点 4｜TF motif效应评分优于chromVAR

scooby的TF motif效应评分与TF表达的相关性显著高于chromVAR（P=5.4×10^-9）和scBasset（P=0.04）。仅用scRNA-seq训练的scooby也达到或超过基于scATAC-seq的chromVAR和scBasset，表明scooby无需匹配的染色质可及性数据即可推断TF活性。在造血谱系中，scooby正确识别了GATA1、EBF1、C/EBP、RUNX等谱系特异性TF。

图 5　Fig. 5。图5展示scooby对bulk eQTL的细胞类型特异性解析。a聚类热图显示eQTL效应在细胞类型间的变异，红系、单核和早期祖细胞呈现独特模式。b显示与GWAS性状匹配的细胞类型特异eQTL示例（如SLC14A1与网织红细胞未成熟分数）。c-e以TES基因的rs143664050为例，scooby预测该变异在单核细胞中破坏SPI1结合位点导致表达下降，而在红系细胞中无效应，与SPI1的细胞类型特异表达一致。

亮点 5｜细胞类型特异的eQTL效应预测

在OneK1K单细胞eQTL数据集上，scooby显著优于Borzoi（所有细胞类型）和seq2cells（P=5×10^-4）。对于预测效应非可忽略的GTEx eQTL，scooby与观测效应的Spearman相关从0.45提升至0.78，符号一致率达91.6%。在eQTL细胞类型反卷积任务中，scooby优于基于靶基因表达或ATAC可及性的基线方法。

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： scRNA-seq、scATAC-seq、Borzoi、LoRA微调、Poisson-MultiVI、TF motif effect score
• 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： 做单细胞多组学、调控基因组学或eQTL分析的生信研究者。

带走一句

scooby证明用细胞嵌入作为条件，可以让bulk序列模型泛化到单细胞水平，且无需匹配多组学数据也能推断TF活性。