论文题名： Basset: learning the regulatory code of the accessible genome with deep convolutional neural networks

期刊与年份： Genome Research，2016。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： 卷积序列模型能否学到多细胞开放染色质代码，并解释调控变异？

为什么从开放染色质学习序列规则

Basset 的出发点是：GWAS 给出了非编码候选，开放染色质图谱也标出了区域，但仅凭二者重叠还不知道哪个碱基真正影响调控。作者把实验测得的区域开放转换成序列监督任务，随后在模型中逐一改碱基。这使研究从‘是否落在一个峰里’推进到‘它是否改变这个峰的序列驱动潜力’。另一方面，尚未出现开放峰的序列，也可能因突变获得新的结合位点。

我的推测是，研究想法来自把三种条件接起来：多细胞 DNase 数据已足够大，CNN 可以自动发现局部模体并组合它们，普通实验室又需要能迁移到自己细胞的数据工具。论文因此既是多任务预测研究，也是一项开放软件与迁移学习研究。以上是我按论证重建的思路，不是作者对动机的原话。

模型输入合并 DHS 中心的 600 bp one-hot DNA，三层卷积、池化和两层全连接后，输出 164 种细胞的开放概率，采用多输出二元交叉熵。标签不是连续 DNase 强度，也不是疾病状态。每个输出头代表训练数据里的细胞环境；同一序列在不同细胞得到不同值，源于学习到了细胞间不同的实验开放模式，而非模型显式输入了该细胞实时 TF 浓度。

Figure 1：Basset多任务序列卷积模型

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

第一层共享卷积核可在任意局部位置识别序列模式，池化让短距离移动不至于完全改变识别；更深层可整合多个模式的位置关系，最终多任务输出共享底层信息。卷积核在 DNA 上有类似 PWM 的作用，但不是作者先把已知 TF 模体写入网络，它们在训练中学得。后续匹配数据库才是解释步骤。

这张结构图帮助理解能力边界：输出是整段是否开放的标量，没有逐碱基切割轨道，也没有远端增强子到基因的连接。之后的饱和突变虽可定位敏感碱基，仍然在询问同一个局部开放度函数。不能因为解释图分辨率高，就以为原模型已经预测了精确 TF 足迹或全基因组表达。

Figure 2：细胞特异开放度预测

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

A 的热图是实际训练标签，说明开放区域大量共享又有谱系差异，多任务学习可以利用这种结构。所谓某细胞的负例多来自其他细胞开放、该细胞关闭的合并区域，不等于从整个基因组随意取出的完全背景。这个定义使模型尤其善于判断已有候选开放区域的细胞分布，不能将测试 AUC 无条件推广到整条染色体的新峰发现。

B、C 显示在此设置中 Basset 优于 gkm-SVM，并保留不同细胞表现的变化。但 gkm-SVM 由于计算限制用较小子样本训练，比较包含扩展数据能力的收益，不能全部归因于网络架构。原文另外报告 PR 指标并承认精确率限制，提醒我们高 ROC AUC 与可用于全基因组的低误报并不是同一回事。其随机区域拆分也比现代的染色体与同源簇留出更宽松，复用研究时应重新设计验证。

Figure 3：卷积核识别已知与新模体

原图来源：所用 PDF 文件第 4 页，Figure 3。点击图片可查看原图。

A 将卷积核的信息量与消融影响并列，区分‘看起来像明确模体’与‘实际参与预测’。消融把该核输出设为平均值，检查网络失去这条信息后怎样变化；这是网络内部干预，不能当作敲除 TF 的细胞实验。B 的数据库匹配提供已知结合规则的外部支持，匹配不到的核也可能是 GC、CpG 或已知模体片段，不能全部称为新 TF。

C 按各细胞预测受影响的模式聚类，已知上皮发育相关模体出现在相近功能群，说明特征不只识别序列，也带有细胞使用情境。不过重复的卷积核可能共同表示一个 TF 的不同长度片段；核数量不能直接等于 TF 数量。可迁移的做法是把序列相似性、消融影响与细胞特异性同时看，再决定值得进一步检验的调控程序。

Figure 4：饱和突变定位功能碱基

原图来源：所用 PDF 文件第 5 页，Figure 4。点击图片可查看原图。

A 在所有单碱基替换下计算开放预测变化，loss 是可能造成的最大下降，gain 是可能造成的最大上升。当前 AP-1 模体出现高 loss，并有 JUN/JUND ChIP 和保守性支持，形成‘模型敏感位点—已知模体—独立结合证据’的链条。它支持这个实例的解释，但 ChIP 结合并没有直接测量每个替换后的开放变化。

B–D 将这一思想与演化约束比较。loss 的相关明显，gain 的相关较弱，联合后改善，说明某个位置不仅要保留现有功能，也可能要避免获得不恰当功能。需要注意相关由跨细胞分数经回归聚合而来，且分析限定非重复区域和 DHS 中心；不能称为已经验证所有 TE 碱基。统计显著与效应强度不同，原文的相关程度有限，仍有大量序列效应未被解释。

Figure 5：SAD用于GWAS变异解释

原图来源：所用 PDF 文件第 6 页，Figure 5。点击图片可查看原图。

A 把高 PICS 因果概率候选与附近低概率 LD 变异对比，检验 SAD 是否提供与统计精细定位一致的信息。PICS 概率是另一种推断，不能代替实验确证的因果标签；跨所有细胞平均 SAD 也可能稀释真正的疾病细胞环境。它更适合被看作候选排序证据。

B 的 rs4409785 形成 CTCF 模体并大幅改变预测，C 在已有 ChIP 数据中看到显著峰对应 C 等位，提供了独立支持。证据到达等位相关结合和开放潜力，尚未直接证明它通过远方 TYR 导致白癜风。靶基因距离很远，长程联系是待测假说；本文局部模型没有输出其接触关系。这种区分也适用于 AD：提出机制链的每一段，应逐段寻找相应数据，而不是把所有段压缩成‘致病位点’。

Figure 6：公共预训练用于新数据集

原图来源：所用 PDF 文件第 7 页，Figure 6。点击图片可查看原图。

A 将 149 种细胞预训练模型作为新细胞单任务模型的初始化，再用该新细胞数据训练，测试迁移是否省数据与计算。新细胞并不是无需标签便被正确预测，它仍需要自己的开放数据。肾皮质上皮例外说明某些任务更受益于相似细胞共同训练，迁移不是统一收益。

B 的训练时长是当年硬件与实现条件下的测量，表明预训练初始化可以显著降低适配成本。现代硬件可能更快，但输入、模型与软件变化也影响结果，不能按 GPU 名称直接换算。对于个人显卡，最值得借鉴的是先复用表示、仅针对合理的新环境适配，并用独立基因组划分检查它有没有保持泛化，而不是因训练快就默认可靠。

我的理解：两种变异后果应同时考虑

这篇论文最早把我熟悉的‘峰重叠注释’向前推了一步：一个 TE 内变异可以破坏已有调控模体，也可以把沉默拷贝推向开放状态。两种方向都值得研究，尤其不能因为参考基因组中没有峰，就把潜在 gain 排除。可以对同家族拷贝做匹配背景，比较疾病候选的 gain 与 loss 分布，独立验证具体序列变化。

但 Basset 不是 AD 风险模型。局部开放预测后，还要确定脑细胞环境、靶基因和表达或剪接后果，再讨论病理关联。原研究的非重复保守性分析不能直接支持新 TE 结论；新的项目应按家族、可比对性和相似序列簇留出，避免网络记住同类拷贝。它的真正启发是让计算结果形成可以逐步验证的机制假说，而不是把概率变化直接写成疾病因果。