论文题名： Regulatory grammar in human promoters uncovered by MPRA-based deep learning

期刊与年份： Nature，2026。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。

返回专题总目录

本篇问题： MPRA训练的启动子模型能否揭示功能位点、位置规则及细胞状态依赖？

这篇研究把问题缩小到了哪里

读 PARM 时应先接受作者的取舍：暂时拿掉远端增强子、染色质大结构和表观修饰，问一段启动子 DNA 在规定细胞环境中自主驱动转录的能力。已有大模型从 CAGE、RNA 或染色质轨道学习，但这些测量混合了局部序列、远端调控和细胞状态。本文用 MPRA 随机重叠片段直接产生功能标签，让训练目标与最终要解释的局部调控效应更接近。这是实验设计与小模型共同推进的研究范式。

我的推测是，选题来自一个可操作的矛盾：序列扫描能找到大量 TF 模体，却无法告诉我们其中哪些真的工作，以及同一个模体为什么换个位置会改变作用。此处是对论文逻辑的重建，并非作者自述。作者没有先提出复杂的万能模型，而是通过启动子富集提高有效实验覆盖，再用模型补全无法逐一测量的突变和插入。

PARM 输入最长 600 bp 的 one-hot 序列；短片段随机左右补零，并加入载体边界碱基，避免模型只学固定位置或忽略边界产生的新模体。带残差连接的卷积和注意力池化逐级整合局部模体，最终输出一个报告启动子活性值。每个细胞类型或处理条件单独训练，使用论文规定的 Poisson 或异方差损失。因此，条件依赖来自真实条件下的训练数据，而非 DNA 自身携带了‘热休克状态’。这些模型仍是有监督功能回归。附近启动子及重叠片段被放入同一数据折，防止高度相似片段跨训练与评估泄漏。

Figure 1：PARM原理、预测验证与强启动子设计

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

这一图先建立标签含义，再检验模型能否超越记忆天然序列。a 的 RNA 与 DNA 条形码计数归一化测量的是片段自主活性；b、c 用同一启动子附近长度和位置不同的片段，检验模型是否恢复局部功能轮廓。d 的高相关来自未训练启动子内片段平均值，不能读成每个突变都同样准确。e 换到独立慢病毒 MPRA 后仍相关，说明模型捕获了一部分跨实验形式的序列规则；这还不是原位基因表达验证。

f、g 的遗传算法让随机序列经历突变、重组和按模型分数选择，模型只负责定义选择标准。真正防止‘优化模型漏洞’的是 h：不同代数的合成序列被重新实验测量，并加入天然启动子和最强序列关键碱基突变的对照。关键突变降低活性支持序列依赖，但最强合成序列实测趋于饱和，没有随预测分数无限上升。设计工作应记录这种偏离，因为它告诉我们优化目标的可用区间。

Figure 2：多细胞建模与单碱基效应验证

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

a 的富集文库是本文的工程贡献：把测序与转染容量集中在启动子附近，让更多重叠片段共同约束模型。b 展示的是各细胞环境分别训练后的表现，不是用一个模型无条件迁移到九个新细胞系。误差线是不同模型折的变异，也不能当作实验生物重复的不确定性。结直肠癌类器官说明这一策略可以用于复杂来源细胞，但不自动证明患者疾病机制已经识别出来。

c 的饱和突变实验把问题从‘序列总体活性’推进到‘改一个碱基会怎样’，d 汇总通过可靠性筛选的启动子与细胞组合。PARM、Enformer、Borzoi 的效应相关有相当波动，且部分比较使用近似细胞轨道，不能概括为小模型全面胜出。e、f 更值得一起读：Borzoi 的召回率较高，PARM 的精确率较高；后者的功能位点筛选更保守。选 AD 候选位点时，追求少而可靠和追求不漏掉潜在机制是不同任务，应保留这一权衡。

Figure 3：细胞类型和刺激特异的调控位点

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

a 用 APOC2 的 HNF4A 位点说明同一 DNA 可以在不同细胞模型中产生不同突变效应；b 再把局部例子扩展成 TF 家族层面的位点数量。这些位点由计算突变效应形状与模体匹配得到，并结合 TF 表达过滤；匹配到某一 TF 家族不等于已经证明具体蛋白结合。相似模体的家族成员仍可能需要额外实验区分。

c 是真实热休克、nutlin-3a 或 PMA 条件的 MPRA 活性变化。d、e 用条件对应模型解释发生变化的局部位点，f 汇总应答的家族，例如热休克的 HSF 与分化条件的 AP1。这里的证据链是‘先测处理后的功能，再训练该条件模型，再用突变推断解释’，不是让一个未见处理的模型预测整个细胞动力学。总位点数量变化不大，也可能隐藏位点身份替换；反过来，位点数增加不能直接等同基因表达等比例增加。

Figure 4：功能位点的方向和TSS相对位置

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

a、b 设置了关键对照：功能位点的正反方向差异，是否只是 DNA 中该方向模体本来更多？CTCF 的功能方向偏好不能被普通序列扫描的方向计数解释，提示自然启动子上下文参与了这种偏好。这不意味着所有 TF 都遵循方向规则；多数模体的两种方向在这一任务中相近。

c 将功能位点与纯序列模体的位置分布放在同一坐标，功能位点更集中于 TSS 附近。d 展开不同因子，TBP 在已知核心位置附近的峰同时充当生物学合理性检查，YY1、SP1 等则有自己的位置分布。e 保持各细胞热图的排序以便比较。应把结果读为在模型与筛选定义下的功能分布，不能把没有被识别的扫描模体一律宣判无功能；检测阈值、活性范围和未测环境都可能让弱效应遗漏。

Figure 5：同一模体随位置产生激活或抑制

原图来源：所用 PDF 文件第 8 页，Figure 5。点击图片可查看原图。

a、b 是从突变方向定义激活与抑制：破坏位点后预测活性下降，原位点被视为激活；破坏后上升则被视为抑制。c、d 的 NRF1 两例说明这个符号依赖启动子背景。它不是给 NRF1 这个蛋白永久贴上正负标签，也不是以归因图直接证明蛋白参与。本文 ISM 用参考减替代值，读图时必须先确认符号，避免与其他论文的替代减参考混淆。

e 将同一模体放到不同位置，并用突变模体作匹配对照；这比简单比较插入前后更能排除增加序列长度、改变间距的影响。f 到 g 是模型提出强对比位置、再由 MPRA 检验的主动验证。图注列出 20 个选中启动子，方法中经过测量质量筛选的最终集合为 19 个，阅读时应区分设计集合与有效数据。下游 NRF1、NFYA、SP1 的抑制趋势得到支持，但高基线启动子中 YY1 的预测激活并未完整出现，作者讨论了饱和效应。这个不一致使‘位置语法’更加可信：它是一套有背景和测量边界的规则，而不是无例外的口诀。

我的理解与可迁移启发

最有启发的是任务缩小后，数据可以更接近想回答的因果问题。一个局部 CNN 配合针对性 MPRA 可以解释位置与突变作用，未必需要从头训练大型基础模型。对有限显存的研究者，这提示先选择一种可独立验证的调控任务，并使用冻结大模型作为比较或特征，而不是只比较参数量。本文使用 RTX 6000 训练，小参数量有利于计算可行性，但不能从文中 CPU 内存或训练时长直接推出 16 GB 显存的实测占用。

若迁移到 AD，可针对脑细胞相关启动子与 TE 重叠区提出‘同家族模体为何只在部分拷贝发挥作用’的假说，然后比较位置、邻近模体与细胞条件。现阶段 PARM 的细胞系数据不能替代 AD 脑细胞标签；启动子自主活性也不能解释远端 TE 增强子全部机制。模型预测突变效应、独立报告实验、原位调控和疾病病理关联应分层报告，最后一层仍需要独立疾病证据。这篇论文教会我的不是把所有位点都送进一个分数，而是为分数设计可被反驳的实验。