61.scooby：原图、模型逻辑与研究范式
61.scooby：原图、模型逻辑与研究范式
Perry论文题名： scooby: modeling multimodal genomic profiles from DNA sequence at single-cell resolution
期刊与年份： Nature Methods，2025。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。
本篇问题： 能否从DNA和细胞状态同时预测单细胞表达、开放度及细胞特异变异效应？
这项问题为什么值得单独建模
同一段 DNA 在不同细胞中可以对应完全不同的表达和开放轨迹。把所有细胞混成一个组织平均值，能帮助学习总体调控，却会把稀有细胞和分化中间状态压平。作者明确指出，已有单细胞序列模型还常面临两种限制：只预测局部开放性或基因计数，不能把两种读出连接起来；每个细胞一个输出头，又使参数随细胞数量增长。scooby 要解决的是条件化的序列到功能预测：给定细胞状态，同一序列怎样呈现不同的 RNA 与 ATAC 信号，而不是仅从 DNA 判定这个细胞属于哪一类。
我的推测： 研究思路来自把两个成熟方向连接起来：Borzoi 已学习长序列和覆盖轨迹，多组学嵌入已能描述细胞间连续关系。与其重新从稀疏单细胞数据学习全部序列规则，不如保留序列骨架，用细胞状态生成解码权重。模型读取 524,288 bp DNA，输出中央区域的 32 bp 分箱 RNA 覆盖与 ATAC 插入轨迹；细胞嵌入来自相应数据的整合表示。LoRA 低秩微调调整骨架，轻量解码器把同一序列表征译成不同细胞的输出，训练仍依赖实际测得的轨迹，是监督多任务学习，不能因为输入包含无监督嵌入就称整套模型无监督。
这也决定了文章应怎样被检验：先看轨迹与计数，再看是否学到细胞差异，最后用独立统计得到的 eQTL 检验单碱基效应。细胞嵌入若包含被预测的测试基因或峰，会产生答案泄漏；作者在生成嵌入前排除验证、测试区域对应的基因和峰，并沿用 Borzoi 的序列划分。这是理解后面泛化结果的必要前提。
Figure 1：从DNA到单细胞RNA与开放染色质轨迹
原图来源：所用 PDF 文件第 3 页，Figure 1。点击图片可查看原图。
这张图先检验“细胞状态解码器是否只是把噪声平滑掉”。a 中序列编码器与细胞编码器承担不同职责：前者提供位置相关信息，后者决定怎样读出它。b 给出骨髓细胞状态的覆盖范围，但 UMAP 的连续结构本身不是序列预测成功的证据；真正比较在 c，同一个 SLC25A37 位点在两种红系状态中得到不同轨迹，既要看 RNA 强弱，也要看 ATAC 峰位置是否对应。
d 把原始单细胞、细胞类型平均和近邻平均同时放进评价，承认单细胞观测非常稀疏。预测与近邻平均更吻合，可以支持模型抓住可重复信号；不能据此说它复原了每个细胞那一刻的全部随机变化。近邻平均是作者的实用参照，不是无噪声的生物学真值。比较不同参照的相关性，回答的是预测对象和噪声层次，而不是把较高数字挑出来当一个统一“准确率”。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| a | 将预训练序列模型与细胞状态解码器相接，联合DNA嵌入和单细胞嵌入预测RNA覆盖度与ATAC插入轨迹，说明模型如何实现细胞状态特异预测。 |
| b | 骨髓多组学数据的UMAP按细胞类型着色，展示训练对象及细胞状态的分布。 |
| c | 在测试集SLC25A37位点，对照红细胞前体及巨核／红系祖细胞的真实与预测RNA、ATAC轨迹，检查同一DNA在不同细胞中的调控差异。 |
| d | 比较单细胞、伪总体、100近邻与模型轨迹的Pearson相关，评估预测与观测噪声之间的关系；RNA和ATAC两种模态分别展示。 |
Figure 2：表达计数、细胞类型差异与未见状态泛化
原图来源：所用 PDF 文件第 4 页，Figure 2。点击图片可查看原图。
Figure 2 将位置轨迹转换为可对照的基因计数，是从“峰形看起来像”推进到可量化表达的关键。a 的外显子加总意味着这里的表达量仍依赖评估用基因注释；模型输出覆盖轨迹不需要预先指定每个 TSS，和下游评价完全不使用注释，是两件事。b 的标记基因只能作为直观例子，c–e 才检查是否只记住高表达基因在所有细胞中都高这一容易的规律。
要特别区分 c 的两种相关：在同一细胞类型中比较不同基因的丰度，和去除基因、细胞类型平均值后比较特异偏差。后者更接近“是否学到细胞身份怎样改变基因表达”。f 不只是留出一条序列，还留出正红细胞状态；采用不同状态嵌入的结果检查条件信息是否能在相近发育状态间推广。g 的 HEMGN 曲线让这种推广沿连续红系轨迹展开，但伪时间是表达空间排序，不能直接当成对同一细胞的纵向追踪。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| a | 把外显子覆盖度加总成基因计数，再按细胞类型汇总成伪总体，解释轨迹预测如何转为表达量评估。 |
| b | 真实与预测的标记基因表达热图按细胞类型排列，检验模型是否再现细胞类型特异的表达模式。 |
| c | 示意两种评估：同一细胞类型内跨基因相关，以及各细胞类型相对基因平均值的偏差；后者更直接检验细胞特异性。 |
| d | 各基因在不同细胞类型之间的预测／真实表达相关分布，评估表达差异而非仅总体表达高低。 |
| e | 预测与实测的细胞类型表达偏差散点，标出标记基因实例，检查差异的方向和幅度。 |
| f | 训练时去掉正红细胞，再用其他细胞状态嵌入预测其表达，比较不同嵌入的泛化能力。 |
| g | 沿红系分化伪时间比较HEMGN实测、完整模型及未见正红细胞模型的表达，后两者均再现主要动态。 |
Figure 3：通过模体扰动识别谱系和命运相关调控因子
原图来源：所用 PDF 文件第 6 页，Figure 3。点击图片可查看原图。
a 的 motif 扰动是改写输入序列后再预测，因而比仅把 motif 是否存在与表达做相关多一步，但它仍是模型内实验。作者将匹配的位点随机替换并重复，避免某一次替换意外引入另一个 motif；同时改变多个位点所得效应，也不应解释为一个具体 SNP 的大小。b/c 用 TF 表达作为活动参照并与 chromVAR 等比较，提供生物一致性，却不能确认每个 TF 都真实结合了预测位点：同家族的相似 motif 难以区分，TF 表达也不是完整活动真值。
d/e 将结果落到谱系和 GATA1 的开放—表达层次上。早期开放、后期表达的模式可以支持时序假说，但时滞仍需要实际时间实验检验。f–i 更细致地在 JCF 群体内部寻找命运相关因子；心脏数据的 RNA/ATAC 通过 scGLUE 配成 pseudo-multiome metacells，不能写成同一细胞实测的两种模态。CellRank 命运概率是另一套推断，和 motif 效应相关所产生的是候选命运调控机制，而非本文逐个完成 TF 干预的证明。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| a | 计算机内突变TF模体并测量预测轨迹变化，定义模体效应分数。 |
| b | 比较scooby与chromVAR的模体分数和TF表达相关性，灰区表示scooby改善的范围。 |
| c | 只用RNA训练重复b的比较，检验表达模态本身能否提供调控因子信号。 |
| d | 各细胞类型与TF家族的模体效应热图，展示谱系特异的调控组合。 |
| e | 沿红系分化比较GATA1模体扰动对ATAC／RNA的效应及GATA1表达，检验调控效应与分化状态的对应。 |
| f | 心脏类器官RNA/ATAC经scGLUE匹配形成pseudo-multiome metacells；UMAP标出JCF群体及其向心肌、心外膜细胞的过渡，定义命运分析对象。 |
| g | CellRank估计JCF细胞向两种终末状态的概率，作为命运倾向参照。 |
| h | 把TF模体效应与两种命运概率相关，筛选与心肌或心外膜分化相关的候选因子。 |
| i | 在JCF群体中分别展示GATA4和FOS的模体效应，定位这些候选因子的细胞状态差异。 |
Figure 4：变异效应及细胞类型特异eQTL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。
这一图终于从参考序列上的表达预测跨到等位差，使用精细定位 eQTL 的效应方向与大小作检验。a/b 每个点代表一个细胞类型或组织的相关结果，并不是每个点都是一个变异。比较 Borzoi 时采用对应的组织或细胞类型轨迹，比较 seq2cells 时限制到共同可评价的对象；这比随意挑不同任务上的指标合理。
c/d 揭示一个对实际研究很重要的失败方式：模型给很多真实 eQTL 近乎零的效应，尤其远离 TSS 时。因此过滤微小预测后更高的相关与方向一致率，意味着筛出一部分可信的大效应预测，不能反过来把低分变异宣布无效。e/f 又设置表达丰度和最近 ATAC 峰两个现实基线，追问“知道基因在哪种细胞表达、位点在哪种细胞开放”是否已经足够。模型优势若存在，说明条件化等位差补充了这些信息；没有显著精细定位的细胞类型仍可能受统计功效限制，不能全部等同于生物学零效应。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| a | 比较scooby与Borzoi预测效应和OneK1K／GTEx实测eQTL效应的Spearman相关；scooby在OneK1K细胞类型中整体更优。 |
| b | 同样比较seq2cells，scooby在这些单细胞eQTL数据中表现更优。 |
| c | 全血预测log倍数变化对实测eQTL效应散点，区分效应很小与超过3.5%阈值的变异，检查方向一致率。 |
| d | 按到TSS距离展示效应方向一致率，并比较是否过滤微小预测效应，判断距离和置信筛选的影响。 |
| e | 示意如何根据预测变异效应、附近峰开放度或目标基因表达给细胞类型排序，寻找存在精细定位eQTL的类型。 |
| f | 比较上述排序的前k个细胞类型精确率，检验模型是否比表达或开放度基线更准确定位作用细胞。 |
Figure 5：把总体eQTL分解为具体作用细胞
原图来源：所用 PDF 文件第 9 页，Figure 5。点击图片可查看原图。
Figure 5 是机制案例推演，不再是对所有位点的独立性能检验。a/b 从预测的细胞间差异较大、并与 GWAS 条目匹配的 eQTL 中选例子，热图因此展示富有解释性的子集；它不能代表随机 AD 或全部疾病位点的普遍效应。GWAS 条目、eQTL 靶基因和模型结果相互衔接，仍需要共定位、背景匹配及实验才能把性状因果链闭合。
c 的 rs143664050 例子把 ALT–REF RNA、ATAC 轨迹与 SPI1 motif 归因放在一起，同一突变在单核细胞中明显、红系细胞中较弱；d 的实测 SPI1 表达为细胞背景提供独立观察，e 则仍是预测 TES 效应。读者要把三者分开：实测 TF 表达支持解释，模型预测开放变化和表达变化产生可检验机制。即使三者一致，也未在这里直接测得该等位基因改变 SPI1 结合、原位 TES 表达和最终性状。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| a | 按各细胞类型预测eQTL效应聚类，标出变化强的基因及GWAS匹配，展示总体关联中隐藏的细胞差异。 |
| b | 展示具有强细胞特异效应且与GWAS性状对应的基因—变异组合，提出细胞环境相关的候选机制。 |
| c | rs143664050在CD14单核细胞和红细胞前体中的RNA／ATAC效应及归因不同：破坏SPI1模体主要影响单核细胞输出。 |
| d | UMAP上的SPI1实测表达定位其活跃细胞群，为c的细胞特异效应提供背景。 |
| e | UMAP上展示同一变异对TES表达的预测效应，连接变异、TF模体与受影响细胞群。 |
我的理解：最值得借用的是条件化，而不是“单细胞”这个名字
scooby 的研究范式是预训练序列模型加条件解码器，再以轨迹、表达差异、motif 扰动和 eQTL 逐层检验。它把 DNA 的位置规则与细胞状态分工，这个选择比“每个细胞多开一个输出头”更能利用细胞之间的关系，也更容易提出具体的细胞环境假说。但 LoRA 节省训练参数不等于长序列骨架没有显存和计算成本；论文主要训练使用八张 A40，不能由“轻量解码器”推导出整套原设置能在 16GB 单卡复现。
若迁移到 AD，我会先问同一个 TE 内候选等位变异，在神经元与胶质细胞背景中是否出现不同方向或大小的分子读出。所需的是可用于细胞状态建模的脑数据及独立等位功能标签，不能把本文血液 eQTL 当脑疾病验证。一个可失败的标准是：新增细胞条件后，只提高平均基因丰度预测，却没有改善独立等位差或作用细胞定位。出现这种结果，应停止把“细胞状态更精细”当作机制创新。
文章留下的另一个提醒是，小预测效应经常是模型能力不足而非生物学无效。用于候选筛选时应同时报告保留比例、位点到 TSS 的距离和失效范围，才能让后续实验知道模型在哪些区域值得相信、在哪些区域需要主动补证据。
来源核对： 本文解读依据本地原文、正文 Figure 1–5 图注及 Methods 的数据处理、嵌入生成、模型训练与 eQTL 评价部分；本次逐图范围不含 Extended Data。
