IF50.5｜AlphaGenome：1 Mb序列统一预测多模态调控变异效应

一个模型同时预测表达、剪接、染色质等多模态，变异效应预测在25/26项基准中达最优。

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

非编码变异占人类遗传变异的98%以上，但其分子后果多样，包括改变染色质可及性、表观修饰、三维构象、mRNA表达与剪接等，且具有细胞类型特异性。序列到功能深度学习模型通过学习DNA序列与功能基因组实验数据的映射，能够预测基因组轨道并推断变异效应。然而，现有模型面临两个核心权衡：一是输入序列长度与预测分辨率之间的权衡，长序列模型（如Enformer、Borzoi）分辨率低，短序列模型（如SpliceAI、BPNet）无法捕获远端调控；二是多模态覆盖与单模态专精之间的权衡，通用模型在特定任务上常落后于专用模型。因此，如何在一个模型中同时实现长序列上下文、碱基分辨率预测和多模态覆盖，是领域亟待解决的问题。

科学问题

卡在哪里： 现有模型要么牺牲分辨率换取长程上下文，要么专注于单一模态而无法全面刻画变异的多效性。例如，Enformer和Borzoi的输出分辨率为128 bp或32 bp，模糊了剪接位点等精细特征；而SpliceAI、ChromBPNet等专用模型虽分辨率高，但输入序列短，且无法同时预测多种分子表型。此外，尚无模型能够直接预测剪接点（splice junction）的定量使用，这限制了对剪接变异效应的全面评估。

本文要回答： 开发一个统一的序列到功能模型，以1 Mb DNA序列为输入，同时预测多种功能基因组轨道至单碱基分辨率，并在变异效应预测上超越现有最优模型。

技术路线

作者主要用了：深度学习、U-Net架构、Transformer、序列并行、蒸馏、多模态训练。

AlphaGenome采用U-Net启发的编码器-解码器架构，输入1 Mb DNA序列，通过卷积层捕获局部序列模式，Transformer块建模长程依赖，并利用序列并行在8个TPU上实现碱基分辨率训练。模型输出两类表示：一维嵌入用于线性基因组轨道预测（1 bp和128 bp分辨率），二维嵌入用于染色质接触图预测（2,048 bp分辨率）。训练分两阶段：先进行4折交叉验证预训练，再用全部数据训练教师模型，最后通过蒸馏得到单一学生模型，该学生模型在输入序列随机突变增强下训练，以提高变异效应预测的鲁棒性。蒸馏后的模型可在单个GPU上快速进行变异效应预测。

图 1　Fig. 1。图1展示AlphaGenome整体框架：输入1 Mb DNA序列和物种身份，输出5,930个人类或1,128个小鼠基因组轨道，涵盖11种输出类型。模型采用U-Net架构，编码器下采样，Transformer块跨设备通信，解码器上采样，最后接任务特定输出头。训练分预训练和蒸馏两阶段。性能总览显示AlphaGenome在22/24轨道预测和25/26变异效应预测基准上超越外部模型。

核心亮点

亮点 1｜基因组轨道预测全面领先

在涵盖11种模态的24项基因组轨道预测基准中，AlphaGenome在22项上超越最强外部模型。例如，与多模态模型Borzoi相比，细胞类型特异性基因表达log-fold change预测相对提升14.7%；与专用模型Orca相比，接触图Pearson r提升6.3%；与ProCapNet相比，转录起始轨道总计数Pearson r提升15%；与ChromBPNet相比，ATAC和DNase谱Jensen-Shannon散度分别提升1.6%和9.5%。在人类和小鼠基因组上，预测与观测信号均呈现高Pearson相关性。这些结果表明AlphaGenome在基础轨道预测上已具备高保真度，为变异效应预测奠定了坚实基础。

图 2　Fig. 2。图2展示AlphaGenome在人类chr19一个1 Mb留出区域上的预测与观测轨道对比（HepG2细胞系）。预测的RNA-seq、ATAC-seq、DNase-seq等轨道与实验数据高度一致，包括链特异性和碱基分辨率细节。定量评估显示人类和小鼠基因组上预测与观测信号Pearson相关性高，但细胞类型特异性表达偏差的预测仍具挑战性。

亮点 2｜剪接变异预测达到新水平

AlphaGenome同时预测剪接位点、剪接位点使用和剪接点，并开发了统一剪接变异评分器。在7项剪接相关基准中，6项达到最优。例如，在GTEx sQTL分类中，AlphaGenome优于Pangolin等专用模型；在ClinVar致病性区分中，深内含子和同义变异auPRC为0.66（对比Pangolin 0.64），剪接区域auPRC为0.57（对比Pangolin 0.55），错义变异auPRC为0.18（对比DeltaSplice和Pangolin 0.16）。在MFASS大规模平行剪接报告实验中，AlphaGenome auPRC为0.51，略低于Pangolin的0.54，但超过SpliceAI和DeltaSplice。值得注意的是，仅使用剪接点评分器就在多数基准上超越以往方法，凸显了直接建模剪接点的重要性。

图 3　Fig. 3。图3聚焦剪接变异预测。a比较不同深度学习模型的输出类型和分辨率；b展示DLG1基因外显子跳跃变异，AlphaGenome预测的剪接位点使用、剪接点和RNA-seq覆盖与GTEx观测一致；c展示COL6A2新剪接点变异；d展示U2SURP外显子9的ISM分析，揭示剪接相关基序；e-i展示统一剪接评分器在sQTL、剪接异常值、ClinVar和MFASS基准上的性能，AlphaGenome在多数任务上达到最优。

亮点 3｜eQTL效应预测大幅提升

在GTEx精细定位eQTL上，AlphaGenome的效应大小预测Spearman ρ从Borzoi的0.39提升至0.49，方向预测auROC从0.75提升至0.80。在90%方向预测准确率阈值下，AlphaGenome能恢复41%的eQTL，而Borzoi仅恢复19%。在GWAS可信集分析中，AlphaGenome为49%的可信集分配了至少一个变异的方向预测（使用80%准确率阈值），与共定位方法COLOC互补，尤其在低频变异中，AlphaGenome解析的可信集数量约为COLOC的4倍。此外，利用AlphaGenome多模态评分训练随机森林，eQTL因果性auROC从0.68提升至0.75，超过Borzoi的0.71。

图 4　Fig. 4。图4展示基因表达变异效应预测。a为eQTL变异评分策略；b展示rs9610445变异，AlphaGenome预测APOL4表达下降，ISM显示剪接供体基序破坏；c-g显示AlphaGenome在eQTL效应大小和方向预测上超越Borzoi，并在高置信度阈值下恢复更多eQTL；h显示AlphaGenome与COLOC在GWAS可信集方向预测上互补；i显示多模态特征提升eQTL因果性预测；j显示AlphaGenome在增强子-基因连接预测上零样本性能接近ENCODE-rE2G扩展模型；k显示AlphaGenome在paQTL预测上优于Borzoi。

亮点 4｜染色质QTL预测超越专用模型

在多种族caQTL、dsQTL和bQTL基准上，AlphaGenome在因果性（平均精度）和效应大小（Pearson r）方面均优于Borzoi和专用模型ChromBPNet。例如，在非洲裔caQTL中，GM12878 DNase预测与观测效应大小的Pearson r达到0.74；在SPI1 bQTL中，Pearson r为0.55。ISM分析显示，高影响变异附近的预测变化与NF-κB等转录因子基序的改变相对应。在CAGI5 MPRA饱和诱变挑战中，整合多模态和多细胞类型特征的LASSO模型Pearson r达到0.65，超越所有对比模型。

图 5　Fig. 5。图5展示染色质可及性和结合QTL预测。a为中心掩码变异评分策略；b-c显示AlphaGenome在QTL因果性和效应大小预测上优于Borzoi和ChromBPNet；d-g展示具体QTL示例的预测与观测效应大小相关性；h-i显示ISM揭示SPI1基序改变；j显示AlphaGenome在CAGI5 MPRA挑战中通过多模态特征整合达到Pearson r=0.65的最优性能。

亮点 5｜多模态视角解析TAL1致癌变异

AlphaGenome在CD34+ CMP细胞中预测TAL1致癌变异chr.1:47239296 C>ACG导致H3K27ac和H3K4me1增加、H3K9me3和H3K27me3减少、H3K36me3升高以及TAL1 mRNA表达上调，与实验观察一致。ISM揭示该变异引入MYB基序，并发现一个未知功能的ETS样基序。与打乱对照相比，致癌变异在TAL1表达上预测增加更显著，且多模态效应模式在无监督聚类中与对照明显分离。这些效应在胸腺、CMP等T-ALL相关组织中最为突出。

亮点 6｜消融实验揭示关键设计选择

消融研究表明：1 bp分辨率训练对剪接（PSI5/PSI3）和可及性（ATAC）任务至关重要，而接触图和组蛋白ChIP-seq相关性对分辨率不敏感；训练和推理使用1 Mb全长序列均优于较短序列，且1 Mb训练的模型在短上下文推理时仍具竞争力；蒸馏能获得与4模型集成相当或更好的性能，且输入序列随机突变增强对变异效应预测有显著贡献；多模态学习总体上优于单模态，但收益因任务而异，例如eQTL预测从多模态中获益最大，而可及性变异预测仅用可及性数据即可达到较好效果。

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： 深度学习、U-Net架构、Transformer、序列并行、蒸馏、多模态训练
• 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： 从事调控基因组学、变异效应预测或深度学习模型开发的研究者。

带走一句

AlphaGenome证明长序列、碱基分辨率和多模态可以统一在一个模型中，蒸馏策略使单模型推理高效，为变异效应预测提供了新基准。