59.Orca：原图、模型逻辑与研究范式
59.Orca：原图、模型逻辑与研究范式
Perry论文题名： Sequence-based modeling of three-dimensional genome architecture from kilobase to chromosome scale
期刊与年份： Nature Genetics，2022。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： Orca 能否把序列到三维基因组的预测从千碱基扩展到整条染色体，并提出不同尺度的序列规律？
难点与构思：不同尺度需要不同分辨率
局部TAD与整条染色体的区室不是同一种尺度，直接以碱基分辨率处理全染色体成本极高。远距离接触的实验也本来较稀疏，不支持处处同样精细。我的推测是，Orca的构思是在输入端逐层汇总序列，在输出端从粗到细逐级预测，用大尺度背景帮助解释局部结构。这样的架构不是单纯延长序列长度，而是把多分辨率实验数据的结构写进计算任务。
多尺度任务还改变了评价方式。大尺度相关可以主要由强区室结构决定，局部接触则更依赖精细序列模式，因而整体相关高不表示每个距离都好。分别评价尺度、区域类别及变异作用才可以看见错误发生在哪一层。级联从高层向低层传递信息，能提供上下文，也可能让粗层偏差影响局部预测，不能只凭一个总分判断机制正确。
结构变异的比较还需重建坐标。删除后距离缩短会改变一般接触背景，倒位改变方向与邻接关系，重复产生相似拷贝及测序归属困难。参考与变异图直接逐像素相减若没有对应位置，可能把几何改变误当作新的功能变化。因此要围绕保留下来的基因和增强子位置比较，并用相同背景定义及实验视角核对。
论文中疾病案例有助于说明为什么这些细节重要：边界删除、重复与跨边界倒位可能用不同结构机制连接到同一个异常增强子区域。模型能够复现接触，并不表示已解释患者的全部表型；细胞背景、表达和其他变异仍可能参与。好的计算解释应让每一段链条都有对应资料，避免把已知病例标签反过来当成所有结构预测正确的保证。
输入输出、架构与范式
层级编码器最多接收256 Mb序列，生成不同分辨率表示；级联解码器从染色体尺度逐渐缩小到1 Mb窗口中的4 kb分辨率。模型分为局部、1–32 Mb和32–256 Mb模块，可按用途使用。训练以H1胚胎干细胞及HFF的Micro-C为目标，并辅以对应DNase、CTCF和组蛋白峰预测；输出同样是相对距离背景的log接触。各级分阶段训练并使用冻结及检查点降低内存负担。
这是有接触和染色质标签的监督学习。多尺度并不等于直接模拟物理折叠过程，也没有用AD诊断训练。推断时只需序列，细胞背景仍隐含在训练模型里。未见染色体的预测能验证序列泛化，不能证明对所有新细胞类型都同样准确；装配空白或不可比对区域的精度尤其未知。
证据链的两条路线
一条路线是变异解释：重构携带删除、重复或倒位的序列，比较接触，检验是否对应已测的异常增强子—基因关系。另一条是机制发现：在模型中扫描短模式或交换片段，问局部结构和A/B区室的序列依赖是否不同。第一条使用既有工程或疾病案例作外部参照，第二条提出新的候选规则。它们不能混为已在细胞内完成所有虚拟筛选。
区室研究还有很有意义的控制。作者为此训练cohesin耗竭HCT116数据的模型，尽量隔开TAD与区室信号，再做片段置换。若直接在正常接触图里看到结构变化，很难确定究竟改变了区室还是局部边界；选择机制相关的训练条件能减少这种混淆。不过耗竭体系仍非正常脑细胞，TSS相关推断需要对应生物背景验证。
Figure 1｜多尺度序列接触预测
原图来源：所用 PDF 文件第 31 页，Figure 1。点击图片可查看原图。
a以由细到粗编码、由粗到细解码解释多尺度协作，b从整染色体向局部放大，c给出不同尺度的整体统计。它同时要求大范围与局部模式正确，而不是只显示一个区域。灰色缺失区应作为未知，不能因为预测有颜色就称为补全了真实接触。较高跨尺度相关是在留出染色体及相应细胞条件下成立，分辨率越粗并不表示小片段变异作用也能以同等精度确定。图页PDF31，32是图注续页。
| 子图 | 讲解 |
|---|---|
| a | 层级编码器从高分辨率向低分辨率提取序列表示，解码器从大尺度向小尺度预测接触，连接全染色体与局部结构。 |
| b | 留出染色体从 256 Mb 逐步放大到 1 Mb 的预测与 Micro-C 实测比较，显示不同尺度结构同时重建；缺失/装配空白区准确性未知。 |
| c | 各尺度预测–实测接触分数散点及总体 Pearson 相关，量化跨尺度准确度，不只展示挑选区域。 |
Figure 2｜结构变异的多尺度效应
原图来源：所用 PDF 文件第 33 页，Figure 2。点击图片可查看原图。
a的40.5 Mb白血病相关倒位展示大尺度重排和断点附近作用，b在WNT6–PAX3区域比较不同SV造成的异常接触，c用4C位点视角对照真实变化。与已测增强子劫持一致，使模型输出更有机制解释力。真正的联系链是序列重排、接触重排、已知调控与表型资料，并非模型直接输出疾病。案例数与变异种类仍有限，跨细胞模型的吻合不能自动替代疾病细胞里的直接测量。实图PDF33，34仅续图注。
| 子图 | 讲解 |
|---|---|
| a | 以白血病相关 40.5 Mb 倒位为例，比较野生型和变异后的多尺度接触图，解释大变异如何同时影响局部域与远程关系。 |
| b | WNT6–PAX3 区多个变异的基因、增强子、TAD 边界及预测图，标出与不同表型相关的异位接触。 |
| c | 对 b 中变异的预测与实测 4C 做位点视角比较，圈出的接触增加与实验吻合，支持结构变异的机制解释。 |
Figure 3｜局部结构的细胞特异基序
原图来源：所用 PDF 文件第 35 页，Figure 3。点击图片可查看原图。
a用10 bp虚拟扰动扫描结构影响，b验证最强位置主要关联CTCF，c排除CTCF后寻找细胞特异模式，d比较POU5F1::SOX2与FOS::JUN。排除已知通用因素的步骤重要，否则新的富集可能只是与CTCF重叠。对应干细胞及成纤维细胞的模式支持模型学习状态特异结构依赖，但虚拟破坏的影响不是直接测到TF实际结合或物理桥接；需要独立结合与干预资料才能进一步解释机制。
| 子图 | 讲解 |
|---|---|
| a | 用虚拟 10 bp 扰动扫描局部结构影响，并与 CTCF ChIP-seq 对照，定位小序列中的高影响区域。 |
| b | 按结构影响分箱的 CTCF 基序分数，高影响位置更富集 CTCF，验证已知结构因子。 |
| c | 去掉 CTCF 后比较胚胎干细胞与成纤维细胞的 TF 基序富集，揭示细胞类型相关的其他结构线索。 |
| d | POU5F1::SOX2 与 FOS::JUN 在两细胞中的分布，分别对应干细胞及成纤维细胞背景，说明局部结构依赖不只一个通用基序。 |
Figure 4｜染色质区室的虚拟序列筛选
原图来源：所用 PDF 文件第 36 页，Figure 4。点击图片可查看原图。
a、b定义来源片段和九个展示目标的交换设计，c看相同片段在不同目标背景推动哪一方向，d扫描长度，e细化强A活性位置，f与FANTOM CAGE的TSS信号比较。置换而非无背景打分使“充分性”问题有明确上下文；同序列在不同目标中的效应差异也提醒区室不是孤立片段属性。短TSS相关序列能在模型里推动A方向、B方向常需更长片段，这是机制假设，不是已经完成的细胞插入实验。
对照cohesin耗竭条件帮助把区室与TAD机制分开，仍不能排除TSS与其他活跃序列特征共同出现的影响。f的关联提示转录起始相关信息，并未直接证明转录过程或特定TSS碱基是唯一驱动因素。实图在PDF36，37是完整图注的后半段；所有a–f均在前一页，无需part2图像。
| 子图 | 讲解 |
|---|---|
| a | 把不同来源 DNA 替换插入多个目标位置，预测 32 Mb 接触变化，测试序列能否推动 A/B 区室改变。 |
| b | 展示 32 Mb 来源区域和九个目标位置，定义扫描的实验式设计。 |
| c | 九个目标的来源序列活性曲线，按 B→A、A→B 或混合方向分组，连接原区室和插入后预测效应。 |
| d | 扫描 200 bp 到 51.2 kb 长度，A 区室活性可由较短 TSS 相关序列触发，B 方向变化一般需更长片段。 |
| e | 最强 A 活性位置的高分辨率长度/位置扫描，定位约数百 bp 的候选功能片段。 |
| f | 有/无 A 区室活性的序列比较 FANTOM CAGE TSS 信号，活性序列的 TSS 信号更强，提出转录起始相关序列驱动 A 的模型。 |
阅读说明
- 源文件为作者稿。Figure 1、2、4 图注分别续至第 32、34、37 页。Figure 4 是模型虚拟插入筛选，不能把预测区室转换当作已做的细胞插入实验。
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。
我的判断与可迁移设计
这篇最有启发的是为不同机制设计不同尺度与条件。对AD若研究TE的作用，可以先问它影响的是局部motif、增强子活性还是大范围结构，避免把任何预测变化都叫作调控异常。不同尺度需要相应公共数据与外部检验。仅有ATAC峰时适合研究序列—可达性关系，不能用Orca的接触预测替代缺失的脑接触真值。
有限硬件更适合用预训练局部模块筛选少量候选，保留大尺度模型作特定SV假设分析；不能因论文使用检查点就许诺16GB能无条件重训整染色体系统。纯计算创新可以是严格匹配TE与非TE、在多个供者和资料中重复发现一种上下文依赖，再用虚拟交换定位候选因素。最终要把“模型认为足以改变”“独立实验中确有变化”“疾病相关”分开，既充分利用模型的筛选速度，也不给计算输出超出证据的身份。
