89.SegmentNT-ContextBias：原图、模型逻辑与研究范式

Perry2026-10-042026-10-05

论文题名： Systematic contextual biases in SegmentNT potentially relevant to other nucleotide transformer models

期刊与年份： Nucleic Acids Research，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。

本篇问题： 输入长度和碱基在窗口中的位置会怎样系统影响SegmentNT输出？

当输入切片本身可以改变同一个碱基的答案

我对问题形成过程的推测是，作者把基础模型常见使用习惯转成了可实验的问题：从基因组切下一段序列，模型返回每个碱基的注释概率，这个概率是否会随窗口长短或碱基所处位置变化？如果同一DNA、同一碱基仅因切片偏移就出现差异，后续变异评分或新注释发现可能混入输入构造效应。论文重点是冻结SegmentNT进行上下文稳健性审计，并未训练一个新的AD模型。

SegmentNT以Nucleotide Transformer的6-mer表示和分割网络预测逐碱基、多标签基因组特征。本篇仅检查外显子和内含子两个输出，不是全部14类。它们分别预测，概率不必相加为1：一个位置可涉及重叠转录本，独立输出与互斥softmax的含义不同。作者对五个常见基因和一个基因间对照做详细扫描，再以五个额外基因及更多碱基验证，不能将其样本规模写成全基因组调查。

输入从24到24,576 nt，逐碱基滑动使同一位置处于首、中、末或全部窗口位置。评估真值采用RefSeq外显子注释，并与Ensembl异构体及实际长读RNA线索比较。参照注释有用，却不是组织特异实测剪接概率。尤其APOE出现只是作为与AD有关的代表位点；本文没有比较患者病理、AD病例对照或疾病变异效应。

Figure 1：检验输入长度与碱基位置偏差的研究设计

原图来源：所用 PDF 文件第 4 页，Figure 1。点击图片可查看原图。

a界定测试基因与负对照，b通过同一序列的不同切法建立控制，c区分每个碱基首中末轨迹与少数固定碱基的全部位置扫描。这样可以把基因本身不同和输入位置不同分开。窗口偏移也会改变进入模型的远端上下文，因而边界恶化不能全部归于模型内部周期性；中心小幅周期与缺少侧翼的大尺度效应需分别看。基因间对照匹配APOE的大致长度与SINE比例，有助排查一般重复含量，却不代表已经检验各种TE家族。

子图	讲的是什么，以及如何理解
a	选择APOE、EGFR、TNF、TP53、VEGFA及基因间对照，定义五个代表位点而非全基因组调查。
b	11种输入长度以逐碱基滑动窗口生成概率，说明如何把相同碱基置于不同上下文位置。
c-i	分析首／中／末位置及五个单碱基在整个窗口的位置，区分两种位置评估。
c-ii	示意原始概率和性能的解释分析，连接上下文偏差与实际注释准确性。

Figure 2：APOE的预测取决于在窗口中的位置

原图来源：所用 PDF 文件第 6 页，Figure 2。点击图片可查看原图。

a、b显示同一APOE外显子在窗口边缘与中心的原始概率分布不同。c、d通过Z标准化统一阈值解释，e、f再用外显子减内含子得分比较。重要的是，单调标准化不会凭空提高同一轨迹的排序AUC；它主要调整概率尺度和阈值解释。外显子减内含子则组合两种输出，可能改变排序。两者的作用不能混写成“校正后模型学会新生物学”。

98%以上的中心分类准确度是相对于这一个基因的注释与所用阈值，不能作为所有人类注释的准确率。某处概率与替代外显子重合可以提出假说，尚不能仅凭模型证明实际组织使用这个异构体。与注释冲突时需同时检查漏注、反链与预测错误。

子图	讲的是什么，以及如何理解
a	同一APOE碱基处于首、中、末位置时的外显子概率轨迹明显不同，中心较符合注释。
b	真实外显子概率分布比较，中心较高、末端较低，首端波动较大。
c	概率标准化后对实际注释的定位，中心准确率约98.5%，高于首末位置。
d	标准化概率ROC及AUC，检验位置差异对区分外显子／内含子的影响。
e	以外显子减内含子概率归一化的轨迹，检查另一校正方式。
f	对应减法模型ROC，比较概率解释方式。

Figure 3：四个额外基因的位置偏差

原图来源：所用 PDF 文件第 7 页，Figure 3。点击图片可查看原图。

a至d检验不同基因、链方向和异构体是否重复出现相同位置效应。EGFR附近一些峰对应负链EGFR-AS1，提示模型输出是基因组特征，并不天然限定于读者眼前的某个正链基因。TP53多异构体扩展超过经典边界，VEGFA的内含子保留与较低外显子概率又提示注释层次复杂。

这张图不能被读成模型已经发现新的组织特异剪接。作者给出的实际异构体表达资料是外部对照，模型没有接收该组织状态；外显子概率高低更不是该异构体在脑中使用比例。某些低概率原因尚不明确，这种保留未知比编造一个剪接机制更准确。

子图	讲的是什么，以及如何理解
a	EGFR概率和异构体注释，部分信号来自负链EGFR-AS1，说明不能只按单基因／单链解释。
b	TNF概率与两异构体，检验同样的位置偏差是否复现。
c	TP53负链基因及多异构体概率，展示基因边界之外的转录本也影响解释。
d	VEGFA多异构体及保留内含子注释，检查与表达主转录本不同的信号；部分外显子概率较低原因尚未明确。

Figure 4：上下文越长通常越准确，但收益饱和

原图来源：所用 PDF 文件第 9 页，Figure 4。点击图片可查看原图。

a到e保持APOE任务，增加上下文长度，展示极短序列基本无区分、较长序列逐渐恢复外显子结构。它回答的是上下文对这两个注释任务是否有用，不能直接推出预测AD风险或远程增强子只需同样长度。输入更长不仅带来信息，也可能更接近训练分布，若要证明信息来源需要进一步删除或替换侧翼对照。

模型在替代外显子附近的波动仍存在，说明长度增长没有保证所有位置稳定。一个长窗口能够给整体分类很高AUC，同时在个别重要边界处产生不稳定；高总体成绩不能排除关键位点的技术敏感性。

子图	讲的是什么，以及如何理解
a	24nt输入的APOE概率近似无规律，难以区分外显子和内含子。
b	192nt输入开始有结构但仍不清楚，展示极短上下文不足。
c	768nt输入出现清楚区分，AUC达到约0.9972，显示主要改善。
d	3072nt概率更稳定，也保留可变剪接外显子信号。
e	24576nt的概率接近明确分类，展示长输入的精细稳定化收益。

Figure 5：长度收益的边际变化

原图来源：所用 PDF 文件第 10 页，Figure 5。点击图片可查看原图。

a看平均外显子概率，b看排序分类能力。概率继续靠近1不等于分类改善等幅增加，这正是作者比较两种读数的原因。约3,072 nt后AUC收益较小，约6,144 nt后平均概率趋平台，二者不矛盾，因为衡量目标不同。

我会把3 kb视为值得测试的节省计算起点，而非通用最佳长度。它来自少数基因、外显子／内含子和固定模型版本；增强子、重复元件、长程相互作用可能需要不同范围。资源有限时先做长度消融，再以实际任务性能决定，比按模型最大输入直接训练更合理。

子图	讲的是什么，以及如何理解
a	五基因中心位置平均外显子概率随长度增加，约6144nt后趋平台。
b	中心位置AUC大部分改善约在3072nt完成，因此平均概率持续增加不代表分类能力同等改善。

Figure 6：同一碱基随输入偏移产生24nt周期

原图来源：所用 PDF 文件第 11 页，Figure 6。点击图片可查看原图。

a、b对固定碱基扫描全部窗口位置，先看到边缘不稳与中心振荡；c、d每隔6 nt取值仍残留四token周期，e、f每隔24 nt取值才使中心同相位轨迹近似平滑。这个逐层采样设计区分了6-mer分词与更长周期，说明简单固定6 nt对齐不足以完全消除输出波动。

24 nt周期与分词、U-Net、位置编码的关联属于作者提出的可能解释，尚未通过重新训练或模块消融确定起源。每隔24 nt画出的线平滑，也不意味着不同相位的预测已相同。选择“最好相位”再评价会引入选择偏差，应预先固定或平均相位并报告波动；窗口位移不是DNA变异，不能把其概率变化解释为生物效应。

子图	讲的是什么，以及如何理解
a	APOE第850碱基在24576nt窗口每个位置的外显子／内含子概率，中心较稳定但仍周期振荡，边缘更差。
b	局部放大看似6nt周期，展示token移位产生的概率波动。
c	每隔6nt取值仍有四token周期，说明并非单纯6nt模式。
d	c局部放大，清楚显示残余周期。
e	每隔24nt取值的全范围曲线，中心周期被消除但两端仍波动。
f	对应中心局部放大，验证24nt对齐使同组概率近似平滑；此偏差说明窗口选择本身能改变输出。