64.YeastRegulatoryDNA：原图、模型逻辑与研究范式

Perry2026-10-042026-10-05

论文题名： The evolution, evolvability and engineering of gene regulatory DNA

期刊与年份： Nature，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。

本篇问题： 调控DNA的表达适应度地形如何决定进化、稳健性和可工程化程度？

这篇的主角是调控适应度地形，而不只是预测器

为什么很多启动子序列变化很大，表达却相对稳定；又为什么有些片段只改一个碱基就能大幅改变表达？作者要研究的是序列附近有哪些功能可达的突变，以及自然群体是否避开了某些功能变化。天然序列只占整个可能空间的一小部分，若仅在天然启动子邻近取样，容易把自然选择留下的偏倚误当成所有序列的规则。论文用数千万随机序列的实测表达建立预测器，再将其作为探索未测序列空间的工具。

我的推测： 方法构思的关键是把昂贵的逐序列测定与便宜的模型查询接起来，同时保留能够反驳模拟的实验。可变片段为 80 bp，连同固定背景输入模型；标签来自酵母 YFP 报告的 Sort-seq，而不是患者疾病标签。复杂培养基与定义培养基分别训练模型，卷积提取局部模式、深层组合连接表达；后续用更小的卷积—Transformer组合加速大量查询。训练目标是实测表达回归，基于模型模拟的进化结论需在这个实验环境和预测适用范围内理解。

整篇还有一个非常重要的分层：表达只是分子表型，适应度需要再连接基因与环境特异的表达—生长关系。表达越高并非普遍越有利。同样，Figure 4 的自编码器虽做无监督表征，其输入是监督预测器产生的突变效应；不能把全文说成“不需要功能数据的无监督进化研究”。

Figure 1：调控DNA的预测、进化与工程研究框架

原图来源：所用 PDF 文件第 2 页，Figure 1。点击图片可查看原图。

a 将实测序列—表达、模型、设计和进化分析放进一个框架。b 用独立实验中的天然启动子检验由随机库学到的规则，回答“随机训练是否能转到自然序列”。散点相关是预测表达与测量表达之间的关系，不是适应度相关，更不是所有单碱基效应的正确率；天然测试片段同样放在标准报告环境，原位基因周围的全部调控并未包含。

c 把遗传算法设计的高、低表达片段重新合成测定，检验外推到天然表达范围以外时是否仍可信。两端都设计，避免把一般强化 GC 或报告系统偏倚误当成完整预测能力。设计分布超出很多天然片段，说明工程搜索可探索表达空间；不意味着自然生物没有能力达到这些值，也不说明极端表达会增加生长或进化优势。

子图	讲的是什么，以及如何理解
a	项目总览：用大量序列—表达数据训练模型，并用于探索进化与设计新的启动子。
b	天然酵母启动子的预测对实测表达散点，验证模型在真实序列上的准确性。
c	天然启动子与遗传算法设计的高／低表达序列实测分布，展示工程设计可超出天然表达范围。

Figure 2：随机漂变、稳定选择与定向适应

原图来源：所用 PDF 文件第 3 页，Figure 2。点击图片可查看原图。

a–c 先规定无选择的随机漂变，再比较突变累积导致的表达变化，c 的独立实测检查模型是否夸大这种变化。模拟多轮得到的宽分布与实验少量步骤承担不同尺度的证据，不应把所有长轨迹写成已长期培养观察。d 在保持起点表达的条件下讨论复杂度，复杂度是模型界定的调控相互作用分布，不能概括为“自然进化必然变得复杂”或“必然简化”；结论依赖这里只约束表达的设定。

e–g 规定强选择弱突变情景，逐步选择表达最有利的改动，并用合成轨迹验证部分结果。早期改动大、后期收益小，可支持边际收益递减的表观规律；搜索策略、起点和模型饱和都可能影响曲线，需要在已检验条件中讨论。h 同时要求两种培养环境朝相反目标变化，显示单环境容易改善不等于条件特异性容易进化。对多环境任务，这个约束比继续提高一个单目标分数更贴近问题。

子图	讲的是什么，以及如何理解
a	随机漂变模拟流程，逐步引入随机突变观察表达变化。
b	随机突变轮次与预测表达偏离分布，展示调控表达随序列漂变的可塑性。
c	合成漂变序列的实测与预测表达变化，检验模拟趋势。
d	在保持表达的稳定选择下，原先很复杂或很简单的调控相互作用都趋向中间复杂度。
e	强选择弱突变条件下的定向表达优化流程，定义每一步的选择。
f	向高或低表达优化的预测轨迹，展示少量突变可推动快速适应。
g	合成优化轨迹的实测表达分布，为f提供实验验证。
h	同时追求定义培养基高表达与复杂培养基低表达的轨迹，展示竞争目标限制可达到的表达变化。

Figure 3：从自然变异识别表达选择信号

原图来源：所用 PDF 文件第 5 页，Figure 3。点击图片可查看原图。

a 的 ECC 比較同一个启动子在自然群体中的预测表达分散程度与匹配随机变异的分散程度，匹配突变距离是为了避免“自然序列改动更少，所以功能更稳定”的直接混淆。依正文定义，随机分散相对于自然分散越大，ECC 越正，作为稳定选择的信号。b 的基因功能富集解释哪些程序更受表达约束，但模型误差、群体相关性与背景选择仍会影响统计，ECC 是推断指标，不是每个启动子的选择史已经被观察。

c/d 才把抽象指标落到 CDC36：自然等位序列提示独立出现的低表达型，结合位点解释产生 Upc2 假说，随后恢复该位点并测 qPCR 与碳源切换的生长滞后。这里有真实原位等位替换，证据强于只用另一模型支持同一预测。需要注意的是，模型学的是标准背景短片段，实验又检验特定菌株和条件；这个案例支撑一条具体序列—表达—生长链，不能让全部 ECC 异常片段都自动获得同样因果证据。

子图	讲的是什么，以及如何理解
a	根据1011份酵母基因组启动子变异计算ECC的流程，比较自然变异与模型预期。
b	各基因ECC分布及富集功能类别，区分稳定选择与破坏／正选择的候选调控区。
c	CDC36启动子等位序列、预测表达及菌株数，标出独立形成的低表达Upc2结合位点变异，提示趋同演化。
d	不同Upc2位点菌株的预测表达、实测表达和生长滞后期，验证调控变异同时影响表达与表型。

Figure 4：用可进化性向量表示调控适应度地形

原图来源：所用 PDF 文件第 6 页，Figure 4。点击图片可查看原图。

a 并非直接把原始 DNA 聚成几类。它先对每条序列的所有单碱基替换预测表达差，将 80 bp 的 240 个差值排序，再以带原型约束的自编码器学习表示、用 MDS 可视化。这个选择让远序列也可按功能邻域相似聚在一起，却丢掉了差值对应哪一个位置的信息。因此空间能描述易变或稳健，不能单凭坐标指出致效 motif。

b 给出的极大、极小和可塑原型是模型邻域的方向模式，稳健凹槽是多数改动很小的区域；c/d 分别用稳健性和表达着色，检验潜在空间是否保留可解释性质。e 的 ABF1 适应度颜色还需要外部实测表达—适应度曲线，不能把表达直接改名为适应度。f/g 将不同菌株 DBP7 和 UTH1 的天然等位序列投射进去，比较功能可达性的不同分布；这些点不是同一个体沿时间移动的轨迹。h 的天然序列密度支持它们常分布在较稳健区域，仍依赖训练测定覆盖的功能和环境。

子图	讲的是什么，以及如何理解
a	对所有单步突变计算并排序表达效应向量，先用带原型约束的自编码器表征，再用MDS可视化二维可进化性空间。
b	可塑、极大值、极小值及稳健凹槽的代表向量和位置，解释空间不同区域的含义。
c	按突变稳健性给天然启动子投影着色，检验二维空间保留稳健性信息。
d	按表达值着色，展示可进化性空间与当前表达水平的联系。
e	ABF1启动子按适应度着色的地形，连接序列变化、表达和选择效果。
f	DBP7天然等位启动子在空间中的位置，展示可塑序列随自然变异跨越不同可进化状态。
g	UTH1天然等位启动子的位置，比较稳健凹槽附近的变化模式。
h	全部天然启动子的空间密度，检验自然调控序列主要分布在哪些稳健／可塑区域。

我的理解：功能邻域可以成为新的表征对象

这篇最可迁移的想法，是不只把一条序列压成向量，而把“它周围可以发生什么”压成向量。两个序列当前表达相同，却可能一个处在尖峰、一个处在平坦区域；遇到突变时它们的稳定性完全不同。文章通过大量实测训练、计算查询、无监督原型空间和少数原位验证，把这个区别变成研究对象。这里创新来自定义更贴近进化问题的表征，不只是换了一个更大的网络。

如果研究 AD 的 TE 调控片段，可先比较同家族拷贝在脑细胞模型中预测的等位扰动邻域，问开放性相近的拷贝是否具有不同的功能脆弱性。但需用独立 MPRA 的真实突变差检验所谓脆弱性，按高度同源序列与 LD 区域留出测试，避免模型只是记住家族。若邻域指标不比原始活性、GC、可定位性和 motif 基线更能解释独立效应，就不能说它提供了新的进化机制。

进一步讨论 AD 风险或进展，还需疾病遗传和病理证据。酵母生长适应度与人脑疾病风险不是同一目标；晚发疾病的影响也不能从一个报告表达值推演成选择压力。纯计算可以合理发现候选约束和稳健性模式，但历史选择、自然演化路径与疾病机制必须各自验证。本文使我更愿意从一个明确的功能邻域问题入手，而不是先给研究贴上“演化＋AD”的标签。

来源核对： 依据本地正文 Figure 1–4、Discussion 与 Methods 的报告测定、两类模型、ECC、CDC36等位替换及可进化性空间部分。