{
  "schema": "auturnal.deep-research-review.v2",
  "slug": "regulatory-genome",
  "title": "读懂非编码基因组：长程调控模型的尺度、变异效应与因果识别",
  "category": "计算基因组学 · 调控机制",
  "dek": "从序列到多模态轨道，再到可验证的变异效应；解释长上下文带来的能力与仍未解决的因果问题。",
  "english": "Sequence-to-function models integrate distal regulatory context and multiple genomic assays, but track prediction and causal variant interpretation remain distinct tasks. We compare Enformer with AlphaGenome and derive contrasts for single variants and nonadditive pairs. A saturating regulatory example shows how baseline activity changes apparent effect sizes, while a measurement-error model separates reproducibility from predictive ceilings. The figures use explicit analytical assumptions rather than human genotype or patient data.",
  "refs": [
    "alphagenome",
    "enformer",
    "arxiv-2102.11107"
  ],
  "sections": [
    [
      "摘要",
      "大多数序列位置并不直接编码蛋白，却可能通过表达、剪接与染色质环境改变生物学过程。Enformer 与 AlphaGenome 代表了从长程序列到多类分子观测的建模路线。本文比较“预测观测轨道”“估计等位变化”和“证明因果机制”三个不同问题，并推导饱和调控、成对变异交互与测量误差的解析关系。我们提出以基因座、组织和干预为独立层级的验证方案，避免将跨基因相关性误当成同基因内的等位效应准确性。没有使用个人基因组，也不对具体变异给出临床解释。",
      [
        "alphagenome",
        "enformer"
      ]
    ],
    [
      "1. 长程上下文改变了模型能看见的调控范围",
      "Enformer 通过整合远端信息改进从 DNA 到表达与染色质轨道的预测；其比较涉及输入范围与可整合的增强子距离。AlphaGenome 进一步联合多个模态的高分辨率输出。这里重要的并非“输入越长越好”，而是任务所需信息是否落在可用窗口、是否被网络实际整合、是否以足够分辨率传给输出。相同长度的输入可以对应不同有效感受范围；同一变异也可能通过局部剪接与远端调控产生不同效应，不能由一项整体轨道分数替代。",
      [
        "enformer",
        "alphagenome"
      ]
    ],
    [
      "2. 多轨道学习把异质实验放在同一表示里",
      "AlphaGenome 的原文描述了 11 类模态以及数千条人类和小鼠轨道，覆盖表达、剪接和染色质相关观测。这种联合预测为条件化分析提供了共享表示，但不同实验的测量噪声、组织来源和可解释单位并不相同。本文建议将每条轨道的样品、归一化、分辨率和重复一致性保存为任务字典。若一个模型在大量易预测轨道上表现优良，也不能因此推断稀少组织或特定剪接事件已经同样可靠；评估需保留模态内分布而非只汇总一个平均值。",
      [
        "alphagenome"
      ]
    ],
    [
      "3. 等位差分比轨道拟合提出了更强要求",
      "序列模型可分别输入参考与替代序列，再比较某个输出窗口或基因的预测。这种差分有助于提出机制假说，但误差可能在差分中放大，也可能因为共同偏差而看似抵消。跨基因表达的高相关往往由基因间基线差异贡献，不等于对同一基因多个变异的排序准确。Enformer 的 eQTL 分析也讨论了连锁不平衡带来的验证困难。我们因此将基线轨道、同基因等位差分、效应方向和效应量校准拆成四个终点，分别评估。",
      [
        "enformer",
        "alphagenome"
      ]
    ],
    [
      "4. 本文推导：相同调控增量在不同基线下效果不同",
      "设一个仅供分析的调控变量 z 通过 sigmoid 决定归一化输出，变异令 z 增加 1。基线 z=0 时输出由 0.5 变为约 0.731，差为 0.231；基线 z=3 时输出由约 0.953 变为 0.982，差仅约 0.029。饱和造成的背景依赖说明，不能将一个位点的局部贡献从组织或序列背景中剥离，再当成普适固定效应。此例没有生物学参数拟合，只是证明输入贡献相同并不保证观测尺度上的变化相同。图中同时显示绝对差与局部导数，便于检查非线性来源。",
      []
    ],
    [
      "5. 本文推导：成对变异需要检验非加和项",
      "对两个替换分别构造参考、单替换 A、单替换 B 和双替换 AB，双差分即可隔离相对于所选输出尺度的交互项。即使模型内部没有显式交互，经过非线性输出也可能出现非零双差分，因此“发现互作”必须说明测量尺度。相反，输出上的零交互也不证明分子机制彼此独立。本文建议同时保留原始轨道、归一化值与差分，不在事后选择最显著的变换尺度。真正的机制推断还需要能够排除替代路径的干预，而不是只看模型响应。",
      []
    ],
    [
      "6. 关联、干预与可迁移性不能共用一个标签",
      "因果表征研究强调，观察分布中的稳定模式并不自动确定干预结果。基因组任务中，连锁、细胞组成和组织状态都可能改变观测关系。本文将模型对序列的计算替换称为“模型内扰动”，只有外部干预产生的测量才构成相应实验支持。若一个位点在某组织改变表达，迁移到另一组织还需要考虑调控背景是否保持。模型可以缩小值得检验的假说集合，但不能仅凭注意力、梯度或虚拟删除就证明一个因果通路。",
      [
        "arxiv-2102.11107",
        "enformer"
      ]
    ],
    [
      "7. 本文推导：重复测量给预测相关设定参照",
      "设观测 y 是真实信号 s 加独立零均值噪声，且预测器恰好恢复 s，则预测与 y 的相关系数为信号方差占总方差比例的平方根。这个理想关系说明，不同轨道的观测可靠性会影响可达到的相关；它也说明不能只用一个理论上限替表现不佳的模型开脱。噪声独立、方差稳定和预测恢复真实信号都是强假设。实践应从重复数据估计可靠性，再检查组织与位点分层；图只改变假定噪声方差，不模拟任何真实实验或模型。",
      []
    ],
    [
      "8. 测试划分应抵御同源、邻近和样品来源泄漏",
      "基因组存在重复序列、同源基因、相邻调控区域与相似细胞来源，随机窗口切分可能让训练测试共享大量信息。本文提出三重留出：基因座留出评估序列外推，组织或样品留出评估条件迁移，时间留出评估新实验。归一化、特征选择与阈值均只在训练或验证集确定。对于不同模型的比较，应使用相同样品与相同位点集合，并按独立基因座聚类计算区间；把数百万相邻碱基当成独立样本会产生过度精确的显著性。",
      []
    ],
    [
      "9. 一个值得检验的研究议程",
      "更有价值的下一步是测试多模态联合学习是否改善了跨组织等位效应，而非只改善轨道拟合。可预先指定新基因座、单变异与组合变异，分别检验方向、大小和跨模态一致性；在模型冻结后再获取外部观测。若联合模型只在基线表达上领先，却不能改善差分，应将结论限制在表示和轨道预测。若不同模态给出互相冲突的效应，也应保留冲突并寻找组织、测量或机制解释，而不是挑选支持原假说的一条轨道。",
      []
    ],
    [
      "技术补充 A · 从局部卷积到远端信息整合",
      "卷积层逐级扩大局部感受野，注意力则可以在已压缩表示之间直接交换远端信息。两者的取舍涉及分辨率、距离范围和计算成本：过早下采样可能丢失局部剪接或基序细节，完全保留碱基分辨率又会增加长程成本。本文建议对同一变异分别遮蔽近端与远端上下文，并固定窗口和归一化，观察预测变化。这检验模型依赖哪些信息，仍不是证明那些序列区域在真实组织中必然因果有效；输入遮蔽本身也可能制造训练外序列。",
      [
        "enformer",
        "alphagenome"
      ]
    ],
    [
      "技术补充 B · 差分误差取决于两次预测的相关性",
      "设参考和替代预测误差分别为 er、ea，等位差分误差就是 ea−er，其方差包含两者协方差。共同偏差可能在差分中抵消，不相关噪声也可能累加。因此轨道误差与差分误差之间没有固定比例。本文提出在独立实验中同时保留绝对预测和成对对比，检查高基线误差是否伴随有效差分，以及相反情况。对比不同模型时，不能仅以一项绝对轨道相关性推断其变异优选更好；需要直接针对差分终点评价和校准。",
      []
    ],
    [
      "技术补充 C · 方向一致仍可能大小严重错误",
      "若真实变异效应都为正，而模型始终给出微小正值，方向准确率可以很高，效应量却几乎没有实用分辨力。反之，在接近零且测量噪声较大的对象中，方向易翻转，但模型可能已接近可测极限。本文建议预先定义有意义效应区域，并同时报告符号、排序、量值与不可判定区间。筛选强效应对象时，阈值应在验证集固定；测试后挑出方向一致子集，会改变所回答的问题并引入选择偏差。",
      []
    ],
    [
      "技术补充 D · 连锁与干预数据的互补",
      "群体关联可以利用大量自然变异，却面临相关位点共享信号；受控干预更接近改变某个位置，但也受背景和测量条件限制。本文认为二者应被当作互补约束：先用模型提出可区分的位点与组织假说，再在适当独立数据中检查。若不同证据指向不同对象，应保存这种冲突，并检查组装、组织、单倍型和标签定义。将所有来源压成一个综合分数会失去冲突信息，而冲突恰好可能指出模型尚未捕获的调控条件。",
      []
    ],
    [
      "10. 结论：让长序列能力转化为可累积的生物知识",
      "序列模型正在把大量异质实验的统计规律压缩为可查询函数，价值在于为调控机制提供系统化假说。本文主张把输出从“一个变异分数”扩展为可追溯的条件对比：哪个序列背景、哪个组织、哪个测量、哪一种效应尺度。原研究证据与本文解析分开保存，负结果也回到准确版本。只有当模型预测能够经受新的样品、组织与干预检验，长程建模的工程进步才能进一步成为可靠的机制知识，而不会停留在大规模相关性展示。",
      []
    ]
  ],
  "equations": [
    {
      "tex": "\\Delta_v^{(t)}=f_t(x_{\\mathrm{alt}})-f_t(x_{\\mathrm{ref}})",
      "explanation": "指定组织或轨道 t 的模型内等位差分；需要同时规定输出窗口与尺度。"
    },
    {
      "tex": "\\epsilon_{AB}=f(x_{AB})-f(x_A)-f(x_B)+f(x_0)",
      "explanation": "相对于选定尺度的成对非加和项，不直接证明分子机制的因果互作。"
    },
    {
      "tex": "f(z)=\\frac1{1+e^{-z}},\\qquad f'(z)=f(z)[1-f(z)]",
      "explanation": "本文用于解释基线饱和的解析函数，不是拟合的基因调控模型。"
    },
    {
      "tex": "\\operatorname{Corr}(s,s+\\eta)=\\sqrt{\\frac{\\sigma_s^2}{\\sigma_s^2+\\sigma_\\eta^2}}",
      "explanation": "独立零均值测量噪声假设下的理想信号相关；真实上限需用重复实验估计。"
    }
  ],
  "table": {
    "headers": [
      "预测层级",
      "应比较的对象",
      "关键混淆因素"
    ],
    "rows": [
      [
        "序列到轨道",
        "同实验、同分辨率的观测",
        "归一化、测量噪声与组织组成"
      ],
      [
        "跨基因表达",
        "固定样品中的不同基因",
        "基因间基线差异"
      ],
      [
        "等位变化",
        "同背景参考与替代序列",
        "差分误差与连锁"
      ],
      [
        "组合变化",
        "参考 / A / B / AB",
        "非线性尺度与背景依赖"
      ],
      [
        "组织迁移",
        "同位点跨组织或状态",
        "调控环境改变"
      ],
      [
        "因果机制",
        "预注册外部干预",
        "替代通路及干预特异性"
      ]
    ]
  },
  "protocol": [
    "冻结参考组装、序列、变异表示、模型和轨道字典。",
    "核对链方向、坐标、参考等位与窗口边缘，拒绝不匹配输入。",
    "按基因座、同源区域、组织和样品来源隔离训练与测试。",
    "独立评价轨道、差分方向、效应量与组合交互。",
    "只用训练数据确定归一化、基因或窗口选择及调参规则。",
    "以独立基因座为统计簇报告区间，按组织和模态展开。",
    "将模型内扰动与外部干预测量分别记录，预先定义反证条件。",
    "发布来源和输入摘要、计算代码及负结果，不把预测用作个人变异诊断。"
  ],
  "limitations": [
    "解析 sigmoid 与噪声模型没有用真实基因组数据拟合。",
    "本文没有运行 AlphaGenome 或 Enformer，也没有新增分子实验。",
    "多轨道预测不等于观测了每条可能因果通路。",
    "独立噪声与固定背景等假设在真实组织中可能不成立。",
    "研究解释与个体临床判断是不同任务。"
  ],
  "diagram": [
    "序列与轨道字典",
    "长程条件化预测",
    "参考 / 替代 / 组合",
    "基因座与组织留出",
    "外部干预与反证",
    "机制和条件的版本化"
  ],
  "keywords": [
    "AlphaGenome",
    "Enformer",
    "regulatory-variants",
    "epistasis"
  ],
  "evidence": [
    {
      "source": "alphagenome",
      "result": "联合预测 11 类模态及多条人类、小鼠轨道。",
      "boundary": "各模态、组织和变异任务需分别验证。",
      "locator": "Abstract; model outputs and benchmarks"
    },
    {
      "source": "enformer",
      "result": "远端信息整合改善多项序列到轨道与变异任务。",
      "boundary": "跨基因相关不自动等于等位效应或因果识别。",
      "locator": "Results; eQTL analysis"
    }
  ],
  "research_questions": [
    "联合模态是否在新组织的等位差分上提供独立增益？",
    "效应尺度如何改变组合变异的交互判定？",
    "在相同测量可靠性下，哪些距离范围仍存在系统误差？"
  ],
  "kind": "ai_assisted_research_guide",
  "author": "Codex（AI）",
  "original_language": "zh-Hans",
  "published_date": "2026-10-22",
  "edition": 7,
  "version": 5,
  "previous_version": "/guides/regulatory-genome/v4/",
  "analytic": "regulatory-genome",
  "peer_reviewed": false,
  "journal_publication": false,
  "disclosure": {
    "authorship": "Codex（AI）撰写的有来源研究综述与原创解析。原论文实验归原研究团队；本文计算仅检验所列公式和明示假设。",
    "figures": "概念封面由 ImageGen 生成。科学图由随文代码与数值文件绘制，图注逐项说明假设与测量口径。",
    "review": "本站尚无本篇独立同行评审或原创模型、临床及物理实验记录。"
  },
  "revision_note": "首次发布：AI与科学发现深度专题；保留逐节来源、原研究证据与作者解析的边界。",
  "section_kinds": [
    "source_based_review",
    "source_based_review",
    "source_based_review",
    "source_based_review",
    "author_analysis_or_verification_proposal",
    "author_analysis_or_verification_proposal",
    "source_based_review",
    "author_analysis_or_verification_proposal",
    "author_analysis_or_verification_proposal",
    "author_analysis_or_verification_proposal",
    "source_based_review",
    "author_analysis_or_verification_proposal",
    "author_analysis_or_verification_proposal",
    "author_analysis_or_verification_proposal",
    "author_analysis_or_verification_proposal"
  ],
  "sources": [
    {
      "id": "alphagenome",
      "title": "Advancing regulatory variant effect prediction with AlphaGenome",
      "authors": "Avsec et al.",
      "date": "2026-01-28",
      "url": "https://www.nature.com/articles/s41586-025-10014-0",
      "locator": "Abstract; sequence-to-track prediction, 11 modalities and variant-effect benchmark scope.",
      "accessed_at": "2026-10-22",
      "rights": "Original primary source remains under its own license. Original attributed synthesis only; no source figures or full article reproduction."
    },
    {
      "id": "enformer",
      "title": "Effective gene expression prediction from sequence by integrating long-range interactions",
      "authors": "Avsec et al.",
      "date": "2021",
      "url": "https://www.nature.com/articles/s41592-021-01252-x",
      "locator": "Results: long-range regulation; eQTL linkage disequilibrium and task-specific validation.",
      "accessed_at": "2026-10-22",
      "rights": "Original primary source remains under its own license. Original attributed synthesis only; no source figures or full article reproduction."
    },
    {
      "id": "arxiv-2102.11107",
      "title": "Towards Causal Representation Learning",
      "authors": "Bernhard Schölkopf, Francesco Locatello, Stefan Bauer, Nan Rosemary Ke, Nal Kalchbrenner, Anirudh Goyal, Yoshua Bengio",
      "url": "https://arxiv.org/abs/2102.11107",
      "date": "2021-02-22",
      "accessed_at": "2026-10-21",
      "locator": "Abstract and sections on interventions, independent mechanisms and causal representations",
      "note": "原始论文PDF及作者书目信息已核对；因果识别条件不等于相关性预测。"
    }
  ],
  "figures": {
    "mechanism": {
      "url": "/guides/assets/v7-mechanism-regulatory-genome-0c0a4756d352ef37.png",
      "kind": "conceptual_method_flow",
      "data": [
        "序列与轨道字典",
        "长程条件化预测",
        "参考 / 替代 / 组合",
        "基因座与组织留出",
        "外部干预与反证",
        "机制和条件的版本化"
      ]
    },
    "analysis": {
      "url": "/guides/assets/v7-analysis-regulatory-genome-2b77c97af8f37ad0.png",
      "kind": "analytical_or_constructed_example",
      "data_url": "/guides/assets/v7-data-regulatory-genome-7be3194b7ad30da3.json",
      "assumptions": "Sigmoid constructed response, +1 input shift. Independent additive noise; ideal predictor equals latent signal. No DNA or genome-model outputs."
    }
  },
  "cover_provenance_url": "/guides/assets/v7-provenance-regulatory-genome-4b1ab0ea325a0df8.json",
  "reproducibility_code_url": "/guides/assets/v7-analysis-code-0b757a44195bcec8.txt",
  "source_revision": "b7b48f7205d705b2a3d3e8de0be5e1b458e4869c",
  "pdf": {
    "document_id": "0fff5763-dcad-5c19-ac3d-3c990462cc0e",
    "version_id": "1b7fc34b-8f62-5a21-aeac-98fa6132c6bd",
    "media_type": "application/pdf",
    "authentication_required": true,
    "download_audited": true
  },
  "presentation_change": "Complete version-bound translated reading views and selectable authenticated original/translated PDFs; original scientific text and evidence retained.",
  "source_locale": "zh",
  "source_version_id": "14798429-cc83-5f1d-a7ce-f29d404cfa2e",
  "translations": [
    {
      "locale": "en",
      "translation_id": "f69ca4cc-68be-5d18-b187-5517a35e5307",
      "translated_content_sha256": "f1902032cd85d266fc53034b67a0c51f0f17f277d2915fff781039157c500a38",
      "sha256": "c94ba17ffc5d5cfbb7abf2e208c3929bf1e16bd8f863640121bf099f866e3125",
      "byte_length": 867568
    },
    {
      "locale": "es",
      "translation_id": "fc36a11e-e3b5-533e-9f4b-dbf8710e57dd",
      "translated_content_sha256": "802b88e6bd903c1a2f057846c102ff73cb42f1f2e9f0a151017ae471d2471580",
      "sha256": "f8b4a5edc00204695e5eb4480faac73d6b08e37962612ebd32b8cc6e6748c9f4",
      "byte_length": 876673
    },
    {
      "locale": "ja",
      "translation_id": "242a816d-af9c-51e3-803d-ed7893a8126c",
      "translated_content_sha256": "e213b49cb85bcb40d4c415ff25eaca31bc4d9dab15439d18600b2fe8b04bd6c8",
      "sha256": "1ab6febfe1e5f6e628b54e0b84f7d020dfa3d99ead9b65d805ef3af5758bf87d",
      "byte_length": 1060917
    },
    {
      "locale": "ar",
      "translation_id": "d5142368-37ef-5af2-953e-1e1ae27b03d2",
      "translated_content_sha256": "cce86019003dd6a5a02c789b6e095f75a86206a13502e50629ecc89e4e3574f7",
      "sha256": "a6905e48b376cfcde48a2ee128fd83a4bade24decd4fdc5665fe66e1a768b7e9",
      "byte_length": 873135
    }
  ]
}