80.GPN：原图、模型逻辑与研究范式
80.GPN：原图、模型逻辑与研究范式
Perry论文题名： DNA language models are powerful predictors of genome-wide variant effects
期刊与年份： PNAS，2023。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： 无需功能标签的DNA语言模型能否预测全基因组变异效应？
不用功能标签，为什么仍可能知道变异有影响
如果一个序列位置在相似上下文中通常出现某种碱基，另一种碱基可能破坏被进化保留的模式。GPN 将这个直觉变成遮盖预测：不使用实验功能标签，单凭多个近缘物种未比对的参考基因组学习条件分布。本文主要证据来自拟南芥及七个近缘十字花目物种，没有直接验证人类 AD。对研究构思的推测是：蛋白语言模型已有无标签变异评分经验，作者试图将它扩展到全基因组、不同机制的变异，并摆脱非编码区多物种比对的覆盖限制。
GPN 输入 512 bp 的单碱基 token，以 25 层残差膨胀卷积生成每个位置的上下文表示，交叉熵学习被遮盖的 15% 碱基。评分时仅遮盖变异位置，计算 log P(ALT)/P(REF)，越负表示替代等位更不符合学到的上下文。它并不直接拟合适应度、细胞类型或疾病风险，正值也不意味着有益。训练窗口偏重外显子与启动子，并对重复区损失降低权重，所以所谓无监督并不等于没有采样和生物学先验。
这是“自监督序列规律—零标签变异评分—独立群体/关联证据检验”的范式。它与用自监督权重再加病理分类头不同，评价标签在本文主要用于检验评分，而非训练疾病预测器。卷积能高效整合短程序列，选择它也表明 DNA 语言模型不必等同于 Transformer。
Figure 1：GPN遮盖碱基预测与变异评分
原图来源：所用 PDF 文件第 2 页，Figure 1。点击图片可查看原图。
无字母的流程图同时定义训练与使用时的任务，二者都问给定背景下该出现哪个碱基。单碱基 token 让参考、替代概率的含义明确，避免重叠 k-mer 造成解释困难。预测分数具有跨注释类别排序的便利，但“同一数轴”不代表各类别分数同等校准为致病概率。局部序列统计受到突变偏好、重复复制和参考等位选择影响，功能约束只是来源之一。
训练时 A. thaliana 第四、第五染色体留作验证与测试，但近缘物种中的同源片段仍可能帮助预测，这是跨物种学习的设计。若要检验对完全新调控语法的发现，应另建按同源簇或家族留出的任务，而不是把染色体留出视为所有层次的独立性保证。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| 全图（无字母） | 512bp序列经卷积预测遮盖碱基概率，变异效应用替代／参考等位对数似然比，无需功能标签；本篇主要验证拟南芥模型。 |
Figure 2：无监督表示区分基因组区域
原图来源：所用 PDF 文件第 3 页，Figure 2。点击图片可查看原图。
A 平均 100 bp 表示后用 UMAP，并根据已知注释着色；分离出编码、内含子等说明表示含有结构信息，不意味着模型自己命名了这些类别。B 加逻辑回归并按染色体验证，是有标签的下游探针，定量检验可读出的信息。它和自监督骨干的训练应清楚区分。
注释模糊的窗口被排除，重复区又作为特定类别分析，因此这个混淆矩阵反映较清楚区域上的判别。中间层分群可由 GC、三联体周期、长度和重复家族驱动，作者与 k-mer 基线比较是必要的一步。若把方法用到 AD 细胞状态，不能仅凭 UMAP 中病理颜色分离就宣称新机制；要检验供体、技术和家族组成能否同样解释这种结构。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| A | 100bp区域嵌入UMAP按注释着色，检查无监督学习是否自动分离编码、内含子等区域。 |
| B | 嵌入加逻辑回归的区域分类混淆矩阵，并跨染色体验证，定量评估表示中的注释信息。 |
Figure 3：概率logo与启动子模体发现
原图来源：所用 PDF 文件第 4 页，Figure 3。点击图片可查看原图。
A 的概率 logo 是每个位置独立遮盖后得到的分布，高度反映确定性，不是传统物种频率 logo，也不是归因贡献。编码前两位与剪接端点通常更确定，符合功能约束的预期，但易预测的重复模式同样可以很确定。B 从启动子高置信区域寻找模体，再与数据库匹配，提供不依赖 TF 实验标签的候选发现方式。
模体发现过程过滤了重复与编码外显子，强调的是特定背景下的调控模式。未匹配的回文结构可提出 DNA/RNA 二级结构假说，但尚未测得这种结构或功能。将它迁移到 TE 时不能照搬过滤再声称研究了 TE 语法，应重新定义家族内背景与去冗余策略，避免简单的复制保守性主导模体发现。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| A | 浏览器中的逐碱基概率logo，高度反映预测确定性，展示剪接／编码等位置的上下文约束。 |
| B | 从高置信启动子片段发现的代表模体，展示已知匹配及候选新模式；仅凭模体发现不能证明新功能。 |
Figure 4：不同变异类型的预测效应
原图来源：所用 PDF 文件第 5 页，Figure 4。点击图片可查看原图。
一段测试染色体中的全部可能 SNV 按注释比较，破坏剪接、终止与起始等类别低分，为评分的生物合理性提供检查。排序依据分布的低百分位，不是各类变异的临床敏感度。标签由基因注释推断，同一类内部效应仍不同；这张图也没有直接制造突变测量结果。
重复区是本图最有启发的例外：年轻家族的相似拷贝可能使模型过于确信共识序列，任何偏离都得到很低分，但偏离未必降低个体适应度。作者通过降低重复损失减少这种过度评分，并承认只是部分缓解。对用户的 TE 研究，这不是可以忽略的噪声，而是需要单独解释、建立外部功能评价的核心问题。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| 全图（无字母） | 1Mb区域全部可能SNV按类型展示分数分布，剪接、终止获得、起始丢失等通常更低，检验评分是否符合功能破坏的预期排序。 |
Figure 5：低分变异与群体稀有性的关系
原图来源：所用 PDF 文件第 5 页，Figure 5。点击图片可查看原图。
A–C 用自然群体中的罕见/常见变异做独立检验，低分富集于罕见变异，与净化选择一致。这里“罕见”是单个纯合材料携带，“常见”是频率阈值，不能把植株群体定义直接换算成人类患者诊断。稀有性还受突变率、人口历史与检测影响，因此不是金标准有害标签。
D 与保守分数比较时先限制到共同可评分区域，减少覆盖差异的不公平；极端尾部优势较明显，在宽松阈值或不同注释类别中未必总胜出。分析把频率超过一半的替代等位转换为次要等位方向，说明参考碱基不一定是普遍或祖先状态。复用评分时应保留等位方向，避免将符号错读为固定参考有益、替代有害。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| A | 1001基因组超过千万变异的GPN分布，大多数接近中性，负尾部为候选功能变异。 |
| B | 不同分数区间的平均等位频率，低分平均更罕见，符合净化选择预期。 |
| C | 低分候选在稀有对常见变异中的列联表和优势比，定量检验富集。 |
| D | GPN与phyloP、phastCons的富集比较，检验模型相对传统保守分数的效果。 |
Figure 6：GPN结合连锁信息识别GWAS关联
原图来源：所用 PDF 文件第 6 页，Figure 6。点击图片可查看原图。
A–C 用 LD 加权后更容易覆盖 GWAS 命中，评价的是与关联信号的相符程度。GPN×LD 的实际计算为附近变异绝对分数乘 r² 再求和、加负号，信号会在连锁邻域传播；它不是把 LD 从每个变异中消除，也不是直接确定因果位点。高富集说明重要序列邻域更常有表型关联，不能把一个被传播到的高分标签 SNP 当成已精细定位的原因。
D 保留共同比对范围，E 扩展到所有可评分变异，分别回答排序能力和覆盖价值。未比对区的收益确实突出，但可能混合重排、局部适应与传统方法缺失等来源。只有在真实因果位点标签或精细定位的独立验证下，才能进一步证明同一关联区域内的排序更好。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| A | 示例区域六个变异的关联及GPN×LD分数，展示连锁校正后能区分关联与非关联变异。 |
| B | GPN和GPN×LD各分位的GWAS命中比例，检验使用LD的收益。 |
| C | 低分GPN×LD候选的GWAS富集列联表，量化关联识别。 |
| D | 可跨物种比对变异集合上不同方法的优势比，进行共同覆盖范围的比较。 |
| E | 完整变异集合的优势比，展示GPN还能覆盖传统保守评分无法比对的区域。 |
对转座子研究最直接的启发
本文提供了一个具体、可检验的创新入口：比较 TE 家族及年龄分层的语言概率，判断模型究竟学习了复制共识还是功能选择，再使用独立开放度、等位偏倚或 MPRA 效应来区分。需要按家族/同源簇留出，并与共识距离、GC、拷贝年龄和可比对性等简单基线比较。异常分数只有在预测真实调控效应时才有生物学价值，否则只是“长得不典型”。
对 AD，可先得到不含疾病标签的序列表征，随后冻结模型，检验候选 WGS 在相应细胞调控模块中的富集与功能方向。不能仅凭全基因组无监督评分和 AD GWAS 重叠就声称疾病机制。原始训练使用四张 80 GB A100，论文小于巨型蛋白模型的相对规模并不能证明本机原样训练可行；实际可行路径是预训练特征、小模型及严格留出验证。
