41.CellTargetingCRE：原图、模型逻辑与研究范式

Perry2026-10-042026-10-05

论文题名： Machine-guided design of cell-type-targeting cis-regulatory elements

期刊与年份： Nature，2024。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。

研究问题： 能否根据 DNA 序列预测 CRE 活性，再设计在目标细胞强表达而在其他细胞低表达的调控元件？

天然调控元件并不保证满足工程目的

CRE决定何时、在哪类细胞表达，但自然选择优化的是生物体适应性，不一定是研究者希望的“某细胞强、其他细胞弱”。本文把这个差别变成设计问题：学习序列到多细胞活性的映射，然后搜索天然基因组之外的序列。我的推测是，idea来自对天然元件筛选上限的认识，以及MPRA已能提供统一实验标签这两个条件的结合。这是依据引言逆向重构的研究逻辑，不是作者个人构思过程的记录。

功能标签、卷积模型与目标导向优化

序列更新是搜索步骤，模型本身仍由真实报告实验监督；二者在流程中需要明确分开。

前瞻验证库包含五万一千条合成序列、两万四千条天然序列及实验对照，使作者可以比较设计策略而非只检测少数最优样例。这个预算同时承担精度与多样性问题：高活性序列是否来自不同motif组合、惩罚常用motif后是否仍有效。若模型只重复生成近似序列，即使命中率高也可能限制工程用途。因此序列多样性不只是画图属性，它影响后续选择和泛化，需要与活动和特异性共同评价。

训练数据是776474条200碱基序列在K562、HepG2和SK-N-SH中的MPRA活性。标签测的是游离报告载体中的转录作用，较开放染色质或组蛋白标记更直接，但不等于原生基因组中的所有调控功能。Malinois以one-hot DNA为输入，CNN学习局部motif及组合，输出三类细胞活性；按染色体留出帮助减少重叠序列导致的训练测试泄漏。

CODA并不另训练一个万能DNA生成器，而是反复使用预测器计算目标、更新序列。MinGap强调目标活性减去最高非目标活性，因此设计既可以提高目标表达，也可以抑制非目标表达。进化、模拟退火和梯度方法代表不同搜索策略，motif惩罚进一步增加可选结构的多样性。模型分数只是设计目标，前瞻MPRA才检验是否发生预测器投机，即高分序列在实验中失效。

本文属于监督序列回归加计算优化，并用NMF等方法描述序列程序。NMF是解释工具中的无监督分解，但它不使整个设计流程变成无监督。原文NMF正文与Figure3图注对程序数量的描述有不一致，本解读保留来源差异，不把精确数量作为核心结论。模型归因指向motif；饱和突变验证位置功能；斑马鱼和小鼠再验证选定序列是否跨越细胞系报告环境。这样的链条让每一项方法都有明确终点。

三个训练细胞系是转化细胞背景，目标与非目标也只在有限集合中定义。设计结果“特异”并不意味着在人体所有细胞均无表达，更不直接证明疾病治疗有效。不同载体、整合位置和发育阶段会改变读数，因此后续体内验证是必要跨步，不能用计算组织预测完全代替。

Figure 1｜Malinois 预测细胞类型特异 CRE 活性

原图来源：所用 PDF 文件第 3 页，Figure 1。点击图片可查看原图。

图1先证明预测器在它的实验标签上可靠。留出序列相关性、GATA1区域连续片段与独立调控标记分别检查局部、区域与其他测量的一致性；DHS或H3K27ac一致并不把MPRA标签变成内源因果效应。模型输入只有200碱基，长程接触和染色质状态并未直接提供，因此不能说已经完整重建细胞调控网络。高相关支持用于设计排序，同时需关注低活性与高活性区域是否同等准确，因为优化主要会推向训练分布的极端。

子图	讲解
a	MPRA 测量大量 200 bp CRE 在游离报告载体中的转录作用，提供多细胞类型训练标签。
b	Malinois 卷积网络从序列预测 K562、HepG2、SK-N-SH 活性，并用贡献分数解释局部序列。
c	独立测试序列的预测–实测散点在三类细胞均高度相关，验证按染色体分割后的泛化。
d	GATA1 周围 2.1 Mb 的重叠片段预测与 MPRA 曲线吻合，Pearson r=0.91，显示局部活性峰可被重建。
e	染色体 13 候选 CRE 的预测与 STARR-seq、DHS、H3K27ac 信号一致，连接报告活性与相关内源调控标记。

Figure 2｜CODA 设计并实验验证特异元件

原图来源：所用 PDF 文件第 4 页，Figure 2。点击图片可查看原图。

图2通过天然DHS筛选、模型筛选天然序列及合成序列对照，区分“挑得更好”与“写出更好”。合成结果优于两类天然候选才支持搜索新序列空间的价值，而不只是模型帮助挑选已有元件。MinGap和三轴图显示特异性来自目标提高与非目标抑制的共同作用，避免只看最高表达。motif惩罚设计仍有较高成功率，说明不只有一种重复堆积高分motif的答案。成功比例依赖本文指定的阈值和三种细胞集合，改变非目标范围可能改变结论。

子图	讲解
a	循环预测活性、计算设计目标并更新 DNA，直到满足停止条件后送实验验证。
b	展示用于 MPRA 的天然、算法挑选天然、合成及基序惩罚合成序列组成，说明比较对象。
c	每类目标序列在三种细胞中的 MPRA 活性箱线图；合成序列能提高目标细胞活性并降低非目标活性。
d	MinGap 为目标活性减最高非目标活性，合成序列较天然序列有更高特异性。
e	propeller 图同时显示三细胞的相对活性和特异性，比较各策略产生成功目标和非目标表达的比例。

Figure 3｜哪些序列基序构成细胞特异程序

原图来源：所用 PDF 文件第 6 页，Figure 3。点击图片可查看原图。

图3把设计结果转成可以讨论的词汇与程序。归因、motif共现和NMF帮助观察合成序列怎样同时使用激活与抑制元素；共现本身不证明两个TF直接相互作用。程序与实测活性关联比仅看归因更进一步，仍需避免将分解成分当作独立生物实体。图注称十个特异程序与七个非特异程序，正文NMF段写十二个程序及五个特异程序，存在源文计数冲突；这里据图解释模式，不据此宣布精确程序数量。其稳定结论是合成元件更常结合目标激活与非目标抑制。

子图	讲解
a	一个 HepG2 特异合成 CRE 的贡献分数及基序，定位驱动该细胞表达的序列片段。
b	比较各基序对三细胞的平均贡献、在天然/合成序列中的富集及所属程序，连接结构与功能。
c	天然和合成序列的基序共现矩阵，检查算法是否采用不同的组合规律。
d	以 MPRA 加权活性定义基序程序的功能，图注称十个程序推动特异转录、另七个不具明确特异性；正文计数不同，详见本图分析。
e	NMF 将每条 CRE 分解为程序比例，再与三细胞实测活性对应；不同设计算法可组成不同的功能程序。

Figure 4｜斑马鱼与小鼠体内验证

原图来源：所用 PDF 文件第 7 页，Figure 4。点击图片可查看原图。

图4专门检验标签环境外推。斑马鱼肝脏、神经报告与小鼠皮层共染支持选定元件的组织及神经元偏好，但不是所有候选的全身体内成功率。27/36肝表达和3/6小鼠检出提示结果有变异，偶发血管信号也说明特异性并非绝对。共染把脑表达定位到细胞，组织RNA检查其他器官，单碱基MPRA再验证synN1的关键位置。它们各自回答不同问题：组织定位不能替代序列因果，突变效应也不能直接保证在所有载体和疾病状态中表现相同。

子图	讲解
a	说明如何从合成候选中选择体内验证元件。
b	HepG2 特异元件在斑马鱼肝脏产生报告信号，36 只中 27 只出现肝表达，检验细胞系设计是否迁移到组织。
c	SK-N-SH 特异元件在斑马鱼神经细胞表达，同时记录一个胚胎的血管非目标信号，避免把特异性理解为绝对。
d	5 周小鼠 synN1 的脑切片 X-gal 显示皮层表达，6 只中 3 只检出，阴性对照 0/5。
e	LacZ 与 NeuN、IBA1、GFAP 共染，把转基因表达定位到神经元并比较胶质细胞。
f	量化神经元、星形胶质和小胶质中的转基因阳性比例，验证神经元偏好。
g	多组织 RNA-seq 相对空载体量化 LacZ，评价组织间表达及潜在非目标表达。
h	synN1 的模型贡献分数与单碱基 MPRA 饱和突变比较，功能实验确认 ETS/CREB 等关键序列位置。

依据：对应主图、完整图注及正文 Results；实验结果只按本文给出的对象和条件解释。

我从设计目标得到的启发

这篇文章对AD及TE调控研究特别有启发：研究目标不应只有“在目标细胞活跃”，还要问“相对于哪些其他细胞”。一个TE片段在微胶质中开放，可能同时在很多免疫细胞开放；要声称AD环境特异，就需要把背景明确写进比较和优化目标。对细胞类型的限定能使结论具体，也避免将通用活性误称成疾病特征。

纯计算阶段可以先利用公开MPRA或染色质数据训练较紧凑CNN，比较自然序列、模型筛选与计算优化。16GB显存更适合这样的问题边界，而不是从头训练长序列基础模型。若只有ATAC标签，应说明预测的是开放性，不能把它偷换为报告转录活性；如果缺少实验设计验证，输出应是候选与外部证据，不是已经写出可用治疗元件。

我的另一个判断是，天然序列与合成序列的差异不能直接用来判断自然演化“设计不好”。自然元件还要满足多种环境、发育时间与基因组约束，论文的三细胞目标只是其中一个工程函数。合成元件的优势成立于该任务，跨物种验证展示某些调控规则共享，却没有证明这些序列的进化来源或历史。

若自己研究TE，我会把TE重叠元件与GC、长度、开放程度匹配的非TE元件比较，防止家族注释替代功能解释。模型归因产生motif假说后，优先找独立扰动和等位基因资料检验。最值得模仿的是清晰目标、前瞻设计以及不同层级验证之间的分工。