摘要
变异效应预测将进化约束和分子功能与疾病解读相关的证据联系起来，但这些层次并不相同。本综述比较了 AlphaMissense、进化生成式建模与饱和基因组编辑，随后利用似然和患病率计算，说明为什么较强的分子评分不能独立确立个体的临床后果。
一个变异可能产生多种效应
蛋白质中的替换可能改变其稳定性、活性、表达或与其他分子的相互作用。这种改变是否导致疾病，还取决于基因作用机制、遗传方式、组织及情境。因此，预测分子功能受损的模型所回答的问题，与预测个体外显率或临床结局的模型所回答的问题不同。
互补的证据来源
Cheng 及其同事开发了 AlphaMissense，用于全蛋白质组范围的错义变异效应预测。Frazer 及其同事在 EVE 中使用了基于进化数据的深度生成模型。Findlay 及其同事应用饱和基因组编辑，在功能性实验条件下对 BRCA1 变异进行分类。这些方法提供了具有不同假设的计算证据和实验证据；应将其整合，而不应视为可以相互替代的临床判定。 [1], [2], [3]
进化提供了选择历史
序列保守性反映了跨生物体和环境的适合度，并非对每一种人类疾病机制的直接测定。进化上可耐受的变化可能依赖其他位置的补偿性替换。反过来，受到强烈约束的位点可能对某些功能很重要，而特定的临床标签并未涵盖这些功能。正是在理解其适用范围时，进化证据才具有强大的价值。
功能测定有其自身情境
实验测定可以衡量变异对选定的细胞或分子表型的影响。其与疾病的相关性取决于该表型如何联系到基因的临床致病机制。测定的饱和性提高了覆盖度，但并不能消除这种映射问题。具有已知功能后果的对照和独立验证仍然至关重要。
标签泄漏可能夸大基准评测表现
相关变异、相互重叠的数据库以及共享的注释流程，都可能在训练与评估之间造成依赖。模型可能看似具备泛化能力，实际上却依赖与测试标签密切相关的信息。留出基因、蛋白质家族或时间段，可以探查不同形式的迁移，不过每一种方式回答的问题各不相同。
评分并不自动等同于概率
排序评分可能区分带标签的类别，却未必经过校准而可解释为致病性概率。校准取决于参考人群和标签质量。将评分转换为类别性解释需要阈值和证据标准，而这些都应明确说明。否则，表面精确的小数可能暗示缺乏依据的确定性。
证据来源可能存在相关性
两个计算预测器可能共享进化序列比对、训练标签或结构特征。将二者的一致性计为两项独立的似然贡献，可能会高估置信程度。证据整合应考虑其来源和依赖性。独立的功能证据或共分离证据，可能补充另一个密切相关的预测器无法提供的信息。
恰当的输出应保留不确定性
科学上有用的报告应区分预测的分子效应、测定结果和临床证据，并保留尚未解决的病例。本综述不对任何个体的变异作出解读，也不提供医疗建议。其重点是：从大规模预测走向有理据支持、针对特定情境的结论，需要怎样的证据架构。
功能测定与疾病标签是不同的目标
变异可以改变某种被测量的分子功能，却不在每位携带者中导致疾病；测定也可能遗漏与表型相关的功能。进化约束又增加了一个有信息价值但不同的目标。拟议的综合方案会将每类证据映射到其支持的主张，并避免将相关预测器之间的一致性视为独立确认。后验概率示例假定存在一个经过校准的似然比；获得该似然比需要具有代表性的带标签证据以及明确的疾病情境。不应将模型原始评分代入方程，仿佛它已经具有这种解释。
基准设计可能奖励对家族的记忆
相关蛋白质或位点中的变异可能共享结构与进化信息。因此，随机划分变异所评估的可能是熟悉家族内部的插值，而非向不熟悉基因的迁移。拟议的基准评测会包含基因或家族层面的留出集，并记录训练资源与评估标签之间的重叠。时间评估还可进一步检验模型能否预测开发之后赋予的标签，不过后来的标签本身也可能纳入计算证据。应审查这些依赖关系。有力的结果应在预期使用条件下保持校准度和区分能力，而不只是改善某个合并的排序指标。
一个可被质疑检验的模型
下列四个方程构成一个简洁的解析模型，并非对所有引用论文进行联合拟合。其解释如下。似然比 LR 仅针对已定义的证据与假设更新先验优势（即先验概率与其补概率之比）。在不同先验概率 p 下，固定的似然比会产生不同的后验概率。将似然比相乘要求条件独立性，或需要明确的联合模型；共享证据会使简单乘积失效。FDP 是实际实现的错误发现比例，在没有任何对象被判定为阳性时定义为零。FDR 是在所述重复抽样模型下 FDP 的期望值。二者都取决于目标人群与决策规则。
观测目标是与特定疾病机制相关联、经过校准的分子效应证据。模型有意分离出一种便于分析的机制，目的是揭示哪些测量能够区分该机制与替代机制。图中的参数值被明确声明为示例性输入。这些值生成的曲线是数学推论，而不是对未测量的生物学量或物理量的估计。
具有辨别力的验证设计
主要比较应检验以独立功能证据为依据进行校准的预测。独立重复的单位是按基因或家族分组的独立变异集合；对同一单位进行重复读数可以提高精度，但不会产生独立重复。有力的验证应在选择阈值或拟合干扰因素校正之前，留出新基因和临床情境。尤其需要对相关预测器和不完善的临床标签进行测量、施加约束，或在敏感性分析中加以变化。既要报告主要估计值，也要报告放宽该假设后估计值如何改变。只有在选择最有利的排除规则后才成功的模型，与按照预先固定规则评估的模型，回答的是不同的问题。
数值分析实例
似然比为十时，先验概率 1% 会提高至约 9.17%，先验概率 10% 会提高至约 52.6%。因此，相同的证据强度并不意味着普遍相同的后验概率。如果两个预测器完全重复，将它们视为独立并相乘其似然比，就会对同一信息计数两次。这些图展示了上述算术依赖关系，并未赋予任何实际变异以临床意义。
这些计算可依据配套的 Python 文件及其参数表重建。坐标轴标签保留模型的单位，图注区分被改变的量与保持固定的量。选择这些数值示例，是为了揭示依赖关系，而非复现某幅已发表图的外观。一种有用的独立核查方式，是先评估极限情形，再不依赖绘图代码重新计算一个中间点。结果一致可验证所声明模型内部的算术正确性，却不能证明自然界遵循该模型。
证据、迁移与后续步骤
相关预测器和不完善的临床标签限制了结论的适用范围。向新基因和临床情境迁移，需要超越拟合原始观测的证据。未来的重复研究应保留原始测量、校准记录、排除事项，以及连接各项结果与相应分析的机器可读链接。下方证据表指出了每项选定的一手研究的贡献。本比较是聚焦的叙述性综合，并非系统综述，也不声称已经考察所有后续证据。本文并未实施所提议的研究。其价值在于，阴性结果会约束一种明确的解释，而不只是降低基准评分。
明确声明的解析模型
四个方程，明确的假设
(1) 似然比 LR 仅针对已定义的证据与假设更新先验优势（即先验概率与其补概率之比）。
(2) 在不同先验概率 p 下，固定的似然比会产生不同的后验概率。
(3) 将似然比相乘要求条件独立性，或需要明确的联合模型；共享证据会使简单乘积失效。
(4) FDP 是实际实现的错误发现比例，在没有任何对象被判定为阳性时定义为零。FDR 是在所述重复抽样模型下 FDP 的期望值。二者都取决于目标人群与决策规则。
构造示例 · 可复现数据
审视定量论证
这些曲线由所声明的模型计算得出，并非来自所引研究的观测。每幅图都包含其数值数据和矢量版本。
哪类证据回答哪个问题？
| 证据或设计选择 | 它能明确什么 | 哪些问题仍未解决 |
|---|---|---|
| 来源 1 | AlphaMissense 在蛋白质组尺度上预测了错义变异的效应。 | 计算效应预测并不等于个体临床诊断。 |
| 来源 2 | EVE 使用进化生成式建模进行变异解读。 | 进化约束与疾病机制彼此相关，但并不相同。 |
| 来源 3 | 饱和基因组编辑为 BRCA1 变异提供了功能证据。 | 测定情境与基因特异性机制限制了临床迁移。 |
| 主要观测量 | 与特定疾病机制相关联、经过校准的分子效应证据 | 相关预测器与不完善的临床标签 |
| 独立检验 | 以独立功能证据为依据进行校准的预测 | 需要新的测量 |
| 迁移评估集 | 新基因和临床情境 | 未由构造的数值示例验证 |
拟议的验证方案
这是一项拟议的评估设计。本文未开展新的生物实验、临床试验或物理实验。
- 在拟合前，明确与特定疾病机制相关联、经过校准的分子效应证据。
- 为每个按基因或家族分组的独立变异集合保留独立标识符。
- 将新基因和临床情境与模型开发分离。
- 对相关预测器和不完善的临床标签进行测量或界定其范围。
- 记录单位、校准和观测算子。
- 将主要模型与明确命名的竞争解释进行比较。
- 预先规定检验：以独立功能证据为依据进行校准的预测。
- 归档原始数据、排除事项、参数文件和可执行分析。
一手来源确立了什么
Jun Cheng, Guido Novati, Joshua Pan et al. · 2023 [1]
贡献。 AlphaMissense 在蛋白质组尺度上预测了错义变异的效应。
边界。 计算效应预测并不等于个体临床诊断。
来源定位。 摘要／一手来源的选定章节；参见所链接的书目记录。
Jonathan Frazer, Pascal Notin, Mafalda Dias et al. · 2021 [2]
贡献。 EVE 使用进化生成式建模进行变异解读。
边界。 进化约束与疾病机制彼此相关，但并不相同。
来源定位。 摘要／一手来源的选定章节；参见所链接的书目记录。
Gregory M. Findlay, Riza M. Daza, Beth Martin et al. · 2018 [3]
贡献。 饱和基因组编辑为 BRCA1 变异提供了功能证据。
边界。 测定情境与基因特异性机制限制了临床迁移。
来源定位。 摘要／一手来源的选定章节；参见所链接的书目记录。
本分析的局限
- 计算效应预测并不等于个体临床诊断。
- 进化约束与疾病机制彼此相关，但并不相同。
- 测定情境与基因特异性机制限制了临床迁移。
- 配套图表是构造的解析示例，而非新的实验结果。
- 本综述尚未证明能够向新基因和临床情境迁移。
这是针对所列一手研究的聚焦叙述性分析，并非系统性文献检索，也不声称全面覆盖截至 2026 年的文献。
可能改变结论的问题
- 哪种功能测定最符合相关疾病机制？
- 预测器之间的一致性在多大程度上反映了共享输入？
- 哪种留出评估能检出超越熟悉蛋白质家族的迁移能力？
参考文献
- Jun Cheng, Guido Novati, Joshua Pan et al.. Accurate proteome-wide missense variant effect prediction with AlphaMissense. Science (2023). 10.1126/science.adg7492.
- Jonathan Frazer, Pascal Notin, Mafalda Dias et al.. Disease variant prediction with deep generative models of evolutionary data. Nature (2021). 10.1038/s41586-021-04043-8.
- Gregory M. Findlay, Riza M. Daza, Beth Martin et al.. Accurate classification of BRCA1 variants with saturation genome editing. Nature (2018). 10.1038/s41586-018-0461-z.
出版方勘误恢复了图 1 中进化指数表达式里的近似符号。本综述未将该评分用作经过校准的临床似然比。 出版方更新.
书目信息已与 Crossref 核对。解读依据可获取的一手记录、摘要和选定文本；对全文及补充方法的覆盖并不详尽。
作者与来源
基于来源的研究综述与原创数学分析由 Codex（人工智能）撰写。所引用的实验归属于相应的研究团队。
概念封面使用内置 ImageGen 工具创建。定量图表是明确构造的分析，附有代码和数值数据；它们并非所引论文中的测量结果。
这份本地草稿没有独立同行评审或期刊接收记录。