4.ASDNoncodingBurden：原图、模型逻辑与研究范式
4.ASDNoncodingBurden：原图、模型逻辑与研究范式
Perry论文题名： Whole-genome deep-learning analysis identifies contribution of noncoding mutations to autism risk
期刊与年份： Nature Genetics，2019。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： 当前 PDF 为 Nature Genetics 2019 论文作者手稿；正文三幅主图放在文末，图注部分跨页。
研究瓶颈怎样转化为问题
ASD 家庭 WGS 中绝大多数新生变异位于非编码区，但简单计数或只看是否落在已知调控区，很难检出病例额外负担。本文的改动是比较变异的功能影响强度，而不只比较变异数量：一个落在调控区但几乎不改变序列识别的 SNV，与破坏关键结合信息的 SNV 不应同权。按设计逻辑推断，其 idea 把大规模生化预测当作提高疾病统计功效的测量工具，并用家庭内未患病同胞提供更接近病例的背景。
输入、目标与研究范式
DNA 模型以序列卷积预测 2,002 个转录调控特征；RNA 模型从 CLIP 数据学习 232 个 RBP 相关特征，覆盖剪接、稳定性和定位等转录后层面。参考与突变序列的差异先得到调控效应，再形成疾病影响评分用于 1,790 个单发家庭比较。两个模型分别连接不同分子层，不是只用一种染色质分数代表所有非编码机制。
疾病证据由病例/同胞负担、组织与网络富集、候选双等位功能实验组成。模型标签中的细胞背景不完全等同发育脑；通用功能高分也不自动等于 ASD 特异致病。因而重要的读法是看三层证据能否互相补足，而非把网络和报告实验视作每个病例变异的确定诊断。
Figure 1：病例与同胞的调控变异负担
原图来源：所用 PDF 文件第 19 页，Figure 1。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| a | 对 1,790 个 ASD 单发家庭的全基因组新生变异进行分析；分别预测 DNA 层面的转录调控破坏和 RNA 结合蛋白相关的转录后调控破坏，比较患者与未患病同胞。 |
| b | 比较两组变异的平均疾病影响分数；病例更高，限制到基因附近、可变剪接区域及 LoF 不耐受基因后差异更明显，提示效应取决于变异位置及靶基因。 |
| c | 按基因集合及距离阈值比较病例与同胞的平均分数差；点大小表示变异数量，颜色区分 DNA/RNA 分析，纵轴为显著性。多种功能集合展示过量高影响病例变异。 |
a 的家庭内对照是研究能成立的重要部分：同胞共享部分遗传与环境背景，并经历相近测序和变异检测流程，能减轻跨队列技术差异。b 按基因邻域和 LoF 不耐受性收窄分析，检验相同调控变化落在不同靶基因时是否有不同疾病意义；c 再看多个预定义集合的效应及显著性。平均功能影响与计数不是同一统计量，少数强效变异可推动均值，故还需检查分布、家系配对及多重检验。家庭设计减少混杂但不能证明所有高分位点直接导致疾病，最近基因也不必是真实靶基因。
RNA 分数衡量 RBP 结合后果，不能逐一指定为外显子跳过；DNA 分数涉及 TF 和标记，同样不能直接指定为表达上调。把预测层保持在真实监督任务，才能在后续实验选择合适读出。
Figure 2：脑组织及神经发育信号
原图来源：所用 PDF 文件第 21 页，Figure 2。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| a | 对 GTEx 53 种组织的特异表达基因计算病例调控变异负担；脑相关组织最突出，虚线表示多重校正阈值。 |
| b | 用非编码变异集的富集分析列出神经功能与发育过程；病例变异分数在这些过程更高，提供功能解释。 |
| c | 把高影响病例变异显著富集的网络邻近基因投射到脑功能网络；两个功能一致的群集提示调控变异影响并非随机分散。图为基因嵌入，不显示每条网络边。 |
组织特异表达集合检验的是病例高影响变异是否集中于疾病相关细胞/组织的基因，而非模型在脑组织具有实验精确度。a 中脑信号与 b 的神经功能、c 的功能网络形成一致方向，减少单一注释偶然性的解释。网络邻域方法也能利用分散弱信号，但依赖已有表达/PPI 等数据，高度研究的基因可能连接更多邻居；网络与基因集合并非完全独立证据。
两个聚类提供的是可检验假说：突触功能与染色质调控可能汇聚。图中的嵌入距离是一种可视化关系，不是显微镜测量，也不代表每对节点都存在直接相互作用。将结果迁移到其他病种，应冻结组织集合、网络和阈值，再使用独立病例验证，避免从富集结果倒推选择最有利基因集合。
Figure 3：非编码候选的等位基因功能验证
原图来源：所用 PDF 文件第 23 页，Figure 3。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| 上排（无字母标签） | 对预测高转录调控影响的变异，将含不同等位基因的约 230 nt 片段放入双荧光素酶实验；逐位点比较病例与同胞等位基因。上排展示病例等位基因较高激活的候选，箱线图及星号表示活性差异与检验结果。 |
| 下排（无字母标签） | 下排展示病例等位基因降低活性的候选；底部注明最近 TSS 关联基因。全图共检验 57 个候选，支持不同变异可提高或降低调控活性，但不单独证明每个变异足以导致 ASD。 |
图中上调和下调候选一起展示，说明疾病相关调控改变不必统一为活性降低。实验用 BE(2)-C 神经母细胞瘤细胞、约 230 nt 片段、双荧光素酶归一化，并有独立实验重复；这使模型对序列差异的预测得到分子层面的直接检查。57 个候选是经优先选择的集合，不能把其成功率当作全体非编码新生变异的性能。
病例与同胞等位基因成对比较控制了插入片段其余背景，空载体与 NanoLuc 控制基础活性和转染差异。但载体、肿瘤细胞系及短片段均不同于发育脑内源环境；最近 TSS 注释不能确认靶基因。由此最稳健的结论是候选序列具有等位调控能力，并与队列层面的负担方向共同支持非编码机制。要把某个位点推进到疾病机制，还需要内源编辑、目标 RNA 或相关细胞读出。
我的理解与可迁移设计
我读到的可迁移范式是：先用机制相关的连续功能评分压缩庞大变异空间，再用合适背景检验疾病负担，最后用正交实验挑出具体机制。用于 TE×AD 时，不能只统计 AD 候选有多少落在 TE，因为 TE 占据的可检测基因组空间、突变性及调控可及性都会改变分母。应比较匹配背景的功能效应分布，并把 TE 身份、AD 关联和 MPRA 等位效应作为三个不同变量。没有家庭对照时更需重视群体和测序批次；模型提高功能分辨率不会自动消除遗传统计混杂。
一个容易忽略的统计边界是，疾病影响评分本身与参考生化任务之间还有转换层。若新研究再次用相同疾病候选训练这一层，再在同一候选上检验 AD 富集，就会产生循环。预训练来源、校准集合和最后验证集合必须分别记录；仅把细胞或位点随机拆开也未必能防止同一调控区域的序列泄漏。
