74.seq2PRINT：原图、模型逻辑与研究范式
74.seq2PRINT：原图、模型逻辑与研究范式
Perry论文题名： Multiscale footprints reveal the organization of cis-regulatory elements
期刊与年份： Nature，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： 多尺度染色质足迹能否解析调控区内部结构及其分化和衰老动态？
这篇研究的问题从哪里来
ATAC-seq 常被压缩成“某段 DNA 开放了多少”。但同样的总读数，可以来自不同 TF 的保护、不同核小体位置以及不同的局部排列。作者把问题推进为：能否从同一次实验中同时读出这些尺度不同的组织变化？这是测量解释的问题，疾病分类并不是本文的训练任务。下面对研究构思的重建属于我的推测：单尺度足迹易漏掉弱保护的 TF，简单总量又丢掉位置关系，因此先校准测量过程、再让序列模型学习多尺度结构，是比直接扩大分类模型更自然的选择。
PRINT 与 seq2PRINT 需要分开理解。PRINT 用插入计数、Tn5 序列偏好和局部覆盖建立统计足迹；seq2PRINT 用 one-hot DNA 预测这种足迹，是监督学习。网络首先提取模体，再经残差膨胀卷积整合约 ±920 bp 的上下文，输出各尺度、各位置的足迹。训练计算 z 统计量并用均方误差拟合；另有插入总量输出，但它的梯度在共享卷积之前截断，所以骨干主要学习足迹结构。TF 身份还需要另一个以 ChIP 标签训练的分类器，不能看到保护凹口就声称知道哪个蛋白在那里。
从范式上看，这是“校准实验观测—学习序列组织规则—解释细胞状态变化”。它兼有物理测量模型和神经网络，最值得模仿的是把两者职责分清。LoRA 利用共享序列规律为大量细胞状态建立适配器，减少逐个训练的成本；这支持节省参数，却不能直接推导全部分析在 16 GB 显存上可跑。
Figure 1：多尺度足迹检测蛋白—DNA组织
原图来源：所用 PDF 文件第 3 页，Figure 1。点击图片可查看原图。
这张图先解决“看到的凹口是否来自蛋白保护”，才谈预测能力。a、b 把酶的序列偏好放在分析入口；c–g 的裸 BAC DNA、不同浓度重组蛋白和其他足迹方法，是排除酶切假象的关键控制。这里更重要的对照是同一 DNA 在没有蛋白和加入蛋白后的变化，相关系数高只是偏好模型的拟合证据。h、i 把不同大小的保护映射到核小体与 TF，说明多尺度表征为何必要，但也暴露部分 TF 的直接足迹很弱。弱足迹并不证明它不结合，显著足迹也不是无需校准的直接占据量。左、右局部背景都参与检验，可减少单侧开放差异误判成保护；覆盖不足仍会影响统计功效。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| a | 从偏差校正ATAC插入构建不同空间尺度的足迹，说明PRINT测量原理。 |
| b | 不同Tn5偏差校正模型性能，检验足迹前处理是否可靠。 |
| c | 加入或不加入MYC/MAX的BAC区域插入信号及多尺度足迹，直接验证蛋白结合导致的保护模式。 |
| d | 所有MYC/MAX模体的平均足迹，对比蛋白加入前后。 |
| e | PRINT模体足迹分数的浓度条件比较，检验结合检测。 |
| f | TOBIAS对应评分与e比较，评价不同方法对该实验的识别。 |
| g | 两相邻MYC/MAX位点在三种浓度的足迹，展示多尺度方法分离邻近结合和浓度效应。 |
| h | HepG2一个候选调控区足迹对组蛋白ChIP轨迹，连接足迹与染色质环境。 |
| i | AR、CREB1、TFE3、NFIA等平均足迹，展示不同因子的空间形状差异。 |
Figure 2：从DNA序列解码调控区内部结构
原图来源：所用 PDF 文件第 4 页，Figure 2。点击图片可查看原图。
a–c 的顺序是先预测结构，再选择结构区域做归因，因此不同尺度的归因可以指向自身模体或邻近协作因子。不能把 β、δ 指向邻近模体解释成已经测得蛋白相互作用。d、e 的 TF 分数使用 ChIP 监督的下游模型，比较时采用相同候选模体位点；结果支持这一组合比单纯足迹计分更擅长排序结合位点，尤其能利用弱足迹周围的组织信息。f 的真实 CTCF degron 与模型中打乱 DNA 模体，是方向相近但性质不同的干预：去除蛋白可能产生全局后果，修改模体只改变局部序列。两者吻合为解释增加可信度，却不能把所有 g 的虚拟打乱都升级成实验结论。h 的未知模体是待解释的序列规律，不等于发现了一个新 TF。
核小体预测也有单独证据来源：足迹到核小体的回归器使用酵母化学定位数据训练，再评价位置恢复。因此“跨尺度识别”并不是一个无标签网络自动命名所有结构，而是数个有不同监督来源的模型共同组成证据链。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| a | 足迹到对象模型及seq2PRINT流程，说明如何从测量与序列预测组织状态。 |
| b | 代表区域真实与预测多尺度足迹，检查定位及尺度。 |
| c | 全区域与单个足迹的序列归因，定位驱动不同结构的碱基。 |
| d | 不同方法TF结合预测的中位精确率，比较足迹解释能力。 |
| e | 按TF簇分层的精确率比较，检查模型对不同因子是否均有效。 |
| f | 实际降解CTCF与计算机内破坏CTCF模体后的足迹变化对照，验证因果扰动方向。 |
| g | 不同TF模体消融的预测足迹变化及聚类，划分调控结构功能类型。 |
| h | 新发现模体及其消融效应，展示序列归因可揭示新的组织代码。 |
Figure 3：人造血分化中的调控区内部动态
原图来源：所用 PDF 文件第 5 页，Figure 3。点击图片可查看原图。
a、b 用骨髓细胞说明总开放度相似时，预测 TF 结合结构仍能区分状态。这里有七位人类供体，却形成 1,000 个近邻 pseudo-bulk；这些群体存在重叠，绝不是 1,000 份独立生物学重复。c 所谓复杂度是解释 98% 变异所需的主成分数量，它量化跨细胞类型的空间变化，不能直接读成某增强子有多少协作蛋白。d–f 把 HBB 附近调控区沿拟时序排列，展示中心先出现 GATA/TAL、边缘后出现其他因子的组织变化。拟时序重建来自横截面细胞，不是追踪同一细胞的真实时间；位点距离与出现时间的关系支持“组织次序”假说，但 g 的中心向边缘模型还需要定点干预验证。
Methods 对动态图还筛选了与拟时序相关的基因、开放区及结合位点，所以这里描述的是筛选后的发育相关调控集合。把它迁移到疾病进展时，不能先按病理相关性选好峰，再声称模型独立发现了病理轨迹。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| a | 骨髓SHARE-seq UMAP展示分化细胞群。 |
| b | SPI1启动子各伪总体ATAC与逐碱基结合分数，观察总体开放相近时内部结合仍可改变。 |
| c | 用解释98%变异所需主成分数量度量调控区结合复杂性，展示内部结构并非单一开放度变量。 |
| d | 沿红系分化HS3增强子结合、核小体足迹、ATAC与HBB表达变化，连接结构与功能。 |
| e | 代表TF结合分数随伪时间变化，识别相继参与的因子。 |
| f | 结合出现时间相对开放增加时间，以及位点距区中心的关系，分析TF结合时序和空间位置。 |
| g | TF依次结合与调控区逐步扩宽的概念图，汇总观察到的分化过程。 |
Figure 4：衰老造血干细胞的内部染色质重组
原图来源：所用 PDF 文件第 7 页，Figure 4。点击图片可查看原图。
a–f 把衰老变化拆为细胞状态构成与同一状态内的调控变化。这一点比单纯老年轻差异更重要，因为混合比例改变也能产生看似分子重编程的信号。g 是 chromVAR 模体相关开放度，不是直接测量 TF 蛋白数量或 ChIP 结合。h 的已知结构与 AlphaFold3 预测为 ETS/Runx 复合模体提供物理可行性，预测结构本身没有证明这些复合物在老年 HSC 中真实形成。i、j 显示一批核小体足迹改变而总 ATAC 未显著改变的区域，说明总量指标可能遗漏组织信息；这不能被改写成整个基因组的组蛋白普遍减少。k 的 Wasl 个例将 RNA、总量、足迹和预测结合连起来，是候选机制的可视化，列中心化后的负值也不代表“负的蛋白结合”。
实验来自年轻与老年雄性小鼠，分选时同年龄细胞合并，100 个 HSC pseudo-bulk 更不能代替独立动物重复。因此关于年龄的统计关联应连同这种采样限制阅读。l 给出整合解释，能够提出待验证机制，但本文没有直接建立 AD 的病理因果关系。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| a | 年轻／老年小鼠数据采集和分析流程，定义衰老比较。 |
| b | HSC及祖细胞UMAP展示群体结构。 |
| c | HSC UMAP按鼠年龄着色，观察年龄关联状态分布。 |
| d | 同一空间的衰老基因签名活性，检验转录层面的状态变化。 |
| e | 五种主要HSC亚群，定义后续比较分层。 |
| f | 100个HSC伪总体表达程序的聚类热图，支持五种亚群划分。 |
| g | 已知和新发现模体按老／年轻chromVAR差异排序，筛选年龄相关调控模式。 |
| h | Ets同／异二聚体组合模体与蛋白结构，展示新序列模式的结构合理性。 |
| i | 年龄差异核小体区域与差异开放区域重叠及火山图，说明内部核小体变化可超出总体开放变化。 |
| j | 衰老失去核小体足迹区域的TF模体富集，提出结构重组相关因子。 |
| k | Wasl启动子年轻／老年HSC的核小体、TF结合、ATAC与RNA对照，提供局部重组实例。 |
| l | 衰老导致调控区内部组织改变的示意，连接这些多层观察。 |
我的理解与可以迁移的启发
对 AD/转座子项目，最有价值的研究问题是：同一 TE 家族或同一开放水平下，内部保护结构是否随细胞状态和病理负担改变？这比再做一次 TE 重叠 peak 差异分析更具体。第一步要确认公共数据有可用的 fragments 或切点以及足够覆盖；随后按供体聚合、匹配插入深度和可比对性，以独立供体检验结构变化。TE 重复可能复制固定间距，必须与同家族、相近序列和覆盖的背景比较，才有机会区分祖先序列结构与新的调控重组。
我更看重本文改变了“监督标签”的定义：不必总是预测疾病，也可以预测经测量校准的中间表型，再让病理标签留在模型冻结后的检验阶段。这仍不自动成为完全无监督研究，但更便于限制标签泄漏。真实的创新需要证明中间表型增加了超出总开放度的信息，而不是只展示更漂亮的轨迹或更精细的热图。
另一个需要认真控制的环节是 pseudo-bulk 的重叠：相邻群体共享细胞会使预测轨迹格外平滑，也可能低估统计不确定性。可视化时可以使用这种聚合改善覆盖，但疾病关联的显著性与泛化评价应回到独立供体或独立样本。对于脑组织，死后间隔、样本保存、细胞比例和文库批次同样会改变插入分布，解释到具体 TF 前应逐项排除这些替代来源。
