2.HumanSplicingCode：原图、模型逻辑与研究范式
2.HumanSplicingCode：原图、模型逻辑与研究范式
Perry论文题名： The human splicing code reveals new insights into the genetic determinants of disease
期刊与年份： Science，2015。论文原文。
范围为正文全部编号主图及其子图，包含流程示意图。Extended Data 和 Supplementary Figures 不在本次范围。页码指阅读时所用 PDF 的文件页码。
阅读来源说明： Science，2015；以当前 PDF 为准。
研究瓶颈怎样转化为问题
这篇文章把临床判读中常被分开的两个问题重新接起来：一个变异是否改变蛋白，以及它是否改变蛋白产生之前的 RNA 剪接。内含子变异没有氨基酸变化，同义变异也可能被默认忽略；但两者均能破坏成熟转录本。研究因此选择正常组织的外显子包含比例作为可测中间表型，先学习调控规则，再对疾病变异提出独立于疾病数据库的功能预测。按设计逻辑推断，其 idea 的关键是绕开稀缺而偏倚的致病标签，用数量更多的正常剪接观测建立模型；这不是对作者心理过程的陈述。
输入、目标与研究范式
输入并不是今天常见的原始序列大模型：作者从外显子三联体及邻近内含子提取 1,393 个序列特征，并提供组织类型；用 10,689 个可变剪接外显子、16 种组织 RNA-seq 训练预测连续 Ψ 及贝叶斯置信度。上下文依赖模型允许同一个基序在不同 cis 序列和 trans 组织中产生不同方向的效应，适合多因子共同决定外显子识别的机制。变异评分时分别计算参考和变异序列的 Ψ，结合跨组织变化与置信度。它预测的是剪接调控后果，疾病风险还需基因功能、遗传和实验支持。
Figure 1：剪接模型及预测验证
原图来源：所用 PDF 文件第 3 页，Figure 1。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| A | 上方把健康组织的序列特征与外显子包含比例联系起来训练模型，下方用模型筛查各类疾病变异；解释从规律学习到疾病分析的流程。 |
| B | 输入某个外显子周围序列及细胞类型，输出外显子包含比例 Ψ；模型学习的是外显子进入成熟转录本的程度。 |
| C | 按 RNA-seq 实测 Ψ 分箱，展示模型预测分布；预测随实测包含比例上升，说明模型捕捉了不同组织与外显子的剪接程度。 |
这幅图先检验中间任务能否成立：如果正常外显子包含比例都不能恢复，后续疾病分数便失去量化基础。C 按实测 Ψ 分箱能检查动态范围，避免只展示几个好看的基因。正文给出全部合格观测 R² 为 0.65、高置信一半为 0.94；两者必须连同覆盖范围一起读，置信筛选改善准确性也舍弃了难预测样本。训练外显子上的精确拟合不等于对未见变异的精确 ΔΨ，因此后面还需要突变实验。
Figure 2：RNA 结合蛋白的信息是否已被模型捕捉
原图来源：所用 PDF 文件第 4 页，Figure 2。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| A | 比较 98 次体外实验测得的 RBP 结合亲和力与 RNA-seq Ψ 的相关性；一些蛋白的结合与剪接水平相关。 |
| B | 从实测 Ψ 减去模型预测后，再与 RBP 亲和力关联；大多数相关性消失，说明模型已解释了相当部分 RBP 相关剪接规律。 |
A→B 是残差检验：如果模型已解释 RBP 相关剪接规律，扣除预测后，实测结合亲和力与剩余剪接变化应大幅减弱。这比只把显著基序列出来更接近机制解释，但仍属统计解释度。相关性消失可能来自与真实机制共变的特征，不证明每个 RBP 的直接作用都被正确复原；RNA 结合实验与组织背景也不同。借鉴时可把残差是否仍依赖细胞类型、批次或 GC 含量作为模型诊断。
Figure 3：全基因组变异对剪接的影响
原图来源：所用 PDF 文件第 4 页，Figure 3。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| A | 分别预测参考与变异序列在各组织的 Ψ，取最大变化 ΔΨ，并结合置信度定义调控分数。 |
| B | 统计 658,420 个内含子和外显子 SNV 的预测 ΔΨ，显示大量变异可能改变外显子包含程度。 |
| C | 按变异距外显子的位置比较疾病注释 SNV 与普通 SNP；疾病变异的预测剪接效应分布更分散、较大效应更多，且不只集中于经典剪接位点。 |
A 规定计算变异效应的方法，B、C 才讨论基因组分布。参考/变异成对计算控制了其余序列背景；距剪接位点分层则检验模型是否仅学到经典二核苷酸。疾病变异远离边界仍有较强预测效应，说明值得扩展检测范围。这里跨组织最大值是筛查策略，可能偏向最敏感组织；不能把最大 ΔΨ 直接当作患者目标组织的实际变化，也不能从大量高分预测倒推出等量确证的疾病原因。
Figure 4：疾病证据与剪接调控分数
原图来源：所用 PDF 文件第 5 页，Figure 4。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| A | 比较内含子中 GWAS 相关 SNP、其他 SNP、疾病 SNV 的调控分数分布；考察疾病关联变异是否更倾向影响剪接。 |
| B | 按致病、体内外验证、仅关联、关联加功能证据分层比较疾病 SNV；检验较强疾病证据是否对应较强剪接效应，图中标示组间检验。 |
按疾病证据强弱分层，是为了询问分数是否不仅区分数据库来源，还随功能证据增强。GWAS SNP 常是连锁标记，真正影响剪接的比例本就可能低于经过功能验证的疾病突变，所以两组差异不意味着 GWAS 没有价值。解读分布时还要考虑位置、频率和收录偏倚；它支持把剪接分数作为独立证据加入判读，而不是以分数代替遗传显著性或临床诊断。
Figure 5：脊髓性肌萎缩症中的 SMN 剪接
原图来源：所用 PDF 文件第 5 页，Figure 5。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| A | 说明 SMN1 功能丢失与疾病的关系，以及 SMN2 四个碱基差异导致外显子 7 包含减少；改变 SMN2 剪接有潜在补偿作用。 |
| B | 在内含子进行所有单碱基替换的计算筛选，选出三个预测能提高 SMN2 外显子 7 包含的突变。 |
| C | RT-PCR 检验筛出的突变及 SMN1/SMN2 差异位点；预测与实验方向相符，Spearman 相关为 0.82。 |
| D | 把四个区域中 85 个突变的预测 ΔΨ 与 RT-PCR 实测变化对应，相关为 0.74，支持模型在具体疾病基因中的定量预测。 |
SMN1/SMN2 构成有生物学方向的验证：提高 SMN2 外显子 7 包含有补偿潜力，因而可以从计算扫描中挑选预期提高包含的突变，再用 RT-PCR 检查。已知差异位点同时作为方向对照，其他区域 85 个突变检验预测并非只适用于几个精选候选。相关系数说明排序和量化趋势，却不说明每个突变幅度都准确；minigene 的剪接改善也不能直接外推到病人体内疗效。
Figure 6：Lynch 综合征基因的剪接突变
原图来源：所用 PDF 文件第 6 页，Figure 6。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| A | 展示 MLH1 和 MSH2 患者突变的预测 ΔΨ，定位可能影响剪接的编码区及邻近变异。 |
| B | 用 RT-PCR 已检验的 134 个 MLH1 与 73 个 MSH2 变异验证分类；ROC-AUC 分别为 92.4% 与 93.8%，说明分数能区分剪接异常与无异常变异。 |
MLH1/MSH2 将模型放到另一类疾病基因，降低只在 SMN 特殊背景有效的担忧。RT-PCR 提供的是有无剪接异常标签，ROC-AUC 评估排序能力；它与 Ψ 回归相关是不同任务。尤其编码突变可同时改变蛋白和剪接，不能因为有剪接证据就排除蛋白机制。临床应用需结合转录本、杂合状态和错义功能实验，而图中结果主要支持剪接异常候选的优先选择。
Figure 7：自闭症病例中的预测剪接异常
原图来源：所用 PDF 文件第 7 页，Figure 7。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| A | 在 5 个 ASD 病例、12 个对照中，用普通 SNP ΔΨ 的第 2 或第 3 百分位阈值识别至少含一个降低外显子包含变异的基因。 |
| B | 病例筛出的异常基因比对照筛出的基因更常在脑组织高表达，提示结果具有神经组织相关性。 |
| C | 改变 ΔΨ 阈值，查看中枢神经系统发育基因的富集优势比；不同阈值下均有富集，说明关联对阈值选择有一定稳健性。 |
病例与对照的高分基因比较，再问这些基因是否在脑中表达和富集于神经发育，建立的是疾病相关性链条。5 个病例与 12 个对照的规模非常有限，阈值改变后的稳定性只能缓解阈值选择问题，不能消除人群背景和样本选择混杂。应把它看作提出新候选的探索性分析，而非可推广的 ASD 诊断模型；独立队列及患者 RNA 的直接验证仍必要。
Figure 8：ASD 异常剪接基因的功能网络
原图来源：所用 PDF 文件第 7 页，Figure 8。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| 全图（无字母标签） | 节点表示病例相对对照富集的 GO/通路基因集；颜色区分两个检测阈值，大小表示基因数，连线粗细表示共享基因比例。功能相近集合形成神经发育等模块，旁边基因颜色区分已知 ASD、具有神经表型的新候选及其他基因；这是候选功能归纳，不能把所有节点直接视为已证实致病基因。 |
网络图把大量候选压缩为共享基因的功能模块，帮助找到可实验化的共同过程；连线表示集合重叠，并不等于物理蛋白相互作用或已验证调控边。相近 GO 术语常共享大量基因，多个显著节点未必是多份独立证据。更可信的迁移方式是先固定候选筛选和基因集检验，再选择一个具体转录本后果验证，而非从网络颜色直接宣布新的疾病机制。
我的理解与可迁移设计
我最看重的是把疾病标签、功能标签和机制实验分开：正常数据训练降低疾病收录偏倚，变异实验检验局部机制，病例队列检验疾病联系。用于 AD 时，可先问特定变异是否改变神经元或小胶质相关转录本的外显子包含，再接病例统计和 RNA 证据。不能把模型分数较高的一批位点自动称作 AD 致病位点。若计算资源有限，保留预训练特征、组织条件和置信度评估，比从零训练更现实；评估还应报告高置信预测覆盖了多少候选。
