91.ChromBPNet：原图、模型逻辑与研究范式

Perry2026-10-042026-10-05

论文题名： ChromBPNet: bias factorized, base-resolution deep learning models of chromatin accessibility reveal cis-regulatory sequence syntax, transcription factor footprints and regulatory variants

期刊与年份： bioRxiv，2024。论文原文。

阅读版本： bioRxiv预印本，2025-01-08版本。

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： 分解测序酶偏差后能否恢复真实TF足迹、调控语法和变异效应？

问题先来自解释失败，模型才围绕偏差重新设计

我对研究起点的推测是：如果一个ATAC模型能准确预测每个碱基的切割分布，却在归因中不断发现Tn5偏好，它可能擅长预测实验，而没有正确解释细胞调控。作者从计数头与形状头发现的motif差异出发，将技术偏差明确建成独立模块。这属于测量过程驱动的监督建模：训练标签是ATAC或DNase读段，不是疾病状态，也不是无监督疾病分型。

模型输入2,114 bp DNA，预测中央1 kb的无链方向逐碱基概率与总覆盖量。512通道扩张卷积让局部motif与附近组合共享表示，形状用多项负对数似然，总量用log计数均方误差；两种目标分别回答读段落在哪里、有多少。浅层128通道偏差模型先在低信号、GC匹配非峰区域学习，冻结后再训练调控分支。校正后的输出来自移除偏差分支，而不是把所有原始轨迹先平滑成一个新标签。

这套分解也有依赖条件：背景区域不能混入太多弱开放峰，否则会把真实TF规则交给偏差模型。作者用motif归因检查并逐步调整非峰覆盖阈值。方法采用ATAC正链+4、负链−4的切割位点处理，与常见+4/−5设置不同；复现时不能无意混用两者。本解读基于2025年1月8日的预印本版本，证据强度按该份PDF评估。

Figure 1：高分辨率开放度模型受到Tn5序列偏差干扰

原图来源：所用 PDF 文件第 25 页，Figure 1。点击图片可查看原图。

a先把总量与形状分开，是后续诊断成立的必要条件。b在同一未见位点同时展示实测、预测和两头归因，c/d证明预测确实有能力，e/f/g再揭示能力背后的特征并不一致：计数主要对应TF，而形状显著携带Tn5偏好。关键结论不是模型整体无用，而是低JSD不能独自保证生物解释正确；测序酶可以提供很强的预测信号。对TE序列，这尤其重要，因为某类重复的碱基组成可能同时改变酶偏好和真实结合，直接将归因富集称为TE功能会混淆两者。

主图：PDF 第 25 页；完整图注：第 26 页。

子图	讲的是什么，以及如何理解
a	2114bp序列预测总计数和1kb逐碱基切割概率两种输出，定义计数头与形状头。
b	未见区域实测、预测及归因，计数归因突出TF而形状归因还包含Tn5偏好伪特征。
c	未见染色体K562峰计数预测对实测，验证总体开放量准确性。
d	预测与实测形状JSD对重复及随机／均值基线，展示较好形状预测不代表没有酶偏差。
e	计数头发现的主要模体匹配已知TF，显示其功能可解释性。
f	形状头模体常为Tn5偏好或扭曲TF模式，定位污染来源。
g	计数与形状归因seqlet频率比较，说明Tn5模式主导未经校正的形状解释。

Figure 2：分解酶偏差与真实TF代码

原图来源：所用 PDF 文件第 27 页，Figure 2。点击图片可查看原图。

a/c先核对偏差模型究竟学到了什么，d给出冻结与残差学习，b/e/f/g用实际轨迹、motif比例及边际足迹比较多种校正。只有去掉Tn5模式却保留TF模式，才能支持分解方向正确。边际足迹是把motif插入许多背景序列再平均预测，降低其他motif共现影响；它是计算反事实，不能写成直接测量的蛋白占位。CTCF与ZBTB7A等实例还提醒我们，增加某个motif未必都增加开放度。背景染色质偏差优于裸DNA偏差，也说明实验环境会改变测量过程，换协议后应重新做偏差诊断。

主图：PDF 第 27 页；完整图注：第 28 页。

子图	讲的是什么，以及如何理解
a	在无开放峰的背景染色质训练Tn5偏差模型，定义独立偏差学习。
b	同一区域不同校正方案的轨迹与归因，ChromBPNet配BPNet偏差模型产生清楚潜在足迹，并去掉伪Tn5特征。
c	背景模型发现的多种Tn5模体，证明它学习的是酶序列偏好。
d	冻结预训练偏差模型、训练残差TF子模型的结构，说明因子分解方式。
e	各校正方案的seqlet类型比较，完整BPNet偏差模型才能有效避免Tn5主导。
f	Tn5模体边际足迹在不同模型中的对照，检验酶偏差是否被消除。
g	真实TF模体边际足迹比较，校正后形状不再被Tn5偏好干扰。

Figure 3：校正后ATAC与DNase结果更加一致

原图来源：所用 PDF 文件第 29 页，Figure 3。点击图片可查看原图。

a把同一位点的ATAC与DNase并排，b–d从单例扩展到轨迹、归因和motif实例的整体一致性，e–h再问校正有没有过度抹掉实验特征。两者足迹高度更一致，而DNase仍更窄，意味着方法尝试消除酶序列偏好，同时保留测量分辨率差异。这是比两条曲线看起来相似更严格的检验。不过相同序列、相近细胞状态和共同分析步骤也会增加一致性，它们不能替代真实结合扰动。

主图：PDF 第 29 页；完整图注：第 30 页。

子图	讲的是什么，以及如何理解
a	同一K562位点ATAC／DNase真实、预测和归因，校正后都突出AP1／SP1代码。
b	两实验轨迹间JSD分布，校正提高跨实验一致性。
c	不同计数／形状归因JSD，形状归因经校正明显更一致。
d	两实验的TF模体实例频率相似，说明共用调控代码被恢复。
e	模体足迹校正前后比较，展示酶差异去除后的TF形状。
f	边际足迹宽度和高度的定义，解释后续量化。
g	DNase足迹仍比ATAC窄，说明校正并不抹平两实验的真实分辨率差别。
h	两实验的足迹高度高度相关，支持共同的TF结合强度信息。

Figure 4：低覆盖数据中恢复足迹与模体

原图来源：所用 PDF 文件第 31 页，Figure 4。点击图片可查看原图。

a–d是从同一572M读段实验降采样并分别训练，检验随着覆盖降低哪些信号先丢失。总体轨迹尚稳定时，稀有motif已可能召回下降，因此少量读段下得到清晰预测不代表稀有调控模式同样可靠。满深度模型是参照，不是无噪声真值，多个深度也不是独立生物队列。做AD罕见细胞或供体伪总体时，我会同时报告读段深度、motif稳定性和变异效应稳定性，不仅展示平滑轨迹；模型去噪产生的形状也不能伪装成该供体实际测到的足迹。

主图：PDF 第 31 页；完整图注：第 32 页。

子图	讲的是什么，以及如何理解
a	逐步降采样时实测轨迹变差，模型校正轨迹与归因仍较稳定，展示去噪能力。
b	满深度对降采样的JSD，25M读段仍接近，5M才明显下降。
c	相对满深度模体实例的召回，低深度仍保留多数模体但罕见模体在5M丢失。
d	不同深度的代表TF足迹，检查局部形状保持情况。

Figure 5：紧凑模体词典与协同组合

原图来源：所用 PDF 文件第 33 页，Figure 5。点击图片可查看原图。

a/b定义各细胞的紧凑motif词典，c通过组合、间距与方向扰动询问FOS–TEAD是否超出单motif效应相加，d–g再将可及性归因与TF ChIP模型归因联系起来。固定6 bp间距的协同主要来自模型反事实与独立ChIP建模支持，不能把每一种组合都写成已经完成CRISPR验证。d–g的参照是另一个由ChIP训练的BPNet归因，并非直接的结合常数；共享建模偏差仍需留意。对TE家族，可检验其共识序列是否保留特定间距组合，再看功能副本是否偏离共识，而不是只数motif出现次数。

主图：PDF 第 33 页；完整图注：第 34 页。

子图	讲的是什么，以及如何理解
a	不同细胞系最主要十个计数模体，展示细胞特异调控词典。
b	未经／经过偏差校正的足迹，后者显露细胞类型差异。
c	FOS-TEAD组合在固定6bp间距表现超加和协同，展示模型能发现精细模体语法。
d	HepG2 LDLR附近ATAC与多TF ChIP归因一致，连接开放预测与实际TF结合。
e	CTCF位点ATAC模型与CTCF ChIP模型归因相关，验证功能实例定位。
f	ChromBPNet归因比总体ATAC／DNase计数及TOBIAS分数更贴近CTCF ChIP归因。
g	多细胞、多TF重复f的比较，检验这种结合信息优势是否普遍。

Figure 6：跨实验、祖源与细胞类型的变异效应

原图来源：所用 PDF 文件第 35 页，Figure 6。点击图片可查看原图。

a–k逐层增加外部检验：QTL分类、带符号效应、单例机制、欧洲与非洲数据、个体内等位偏倚、祖源模型一致性，最后到小胶质细胞和平滑肌。总量log倍数变化、形状JSD和活跃等位分位分别刻画方向、形状改变与背景可及性，合并分数的用途也要区分排序和定量。作者修正Enformer原来过大输出范围后，其局部QTL分类明显改善；因此不能概括成小模型在所有任务都击败大模型。h需考虑等位比对偏差，i是参考序列训练的群体模型之间比较，不能称为个人基因组已完全泛化。j支持脑细胞局部可及性预测，尚未建立AD发病或进展因果。

主图：PDF 第 35 页；完整图注：第 36 页。

子图	讲的是什么，以及如何理解
a	约鲁巴LCL dsQTL的精确率—召回率，ChromBPNet优于gkmSVM且接近Enformer。
b	dsQTL实测效应对预测log倍数变化，检验定量方向与强度。
c	rs11242436两等位轨迹及归因，显示AP1模体破坏及邻近AP1协同效应。
d	欧洲LCL caQTL的模型分类比较，检验跨祖源及ATAC应用。
e	欧洲caQTL实测对预测效应，验证效应量。
f	非洲LCL caQTL分类比较，检验另一祖源集合。
g	非洲caQTL实测对预测效应，验证量化一致性。
h	非洲杂合位点ATAC等位偏倚对预测效应，提供个体内等位比较。
i	不同祖源参考LCL训练模型的预测效应相关矩阵，检验调控效应跨背景稳定性。
j	小胶质细胞caQTL对单细胞伪总体训练模型预测，检查原代脑细胞应用。
k	冠状动脉平滑肌caQTL对匹配伪总体模型预测，检查另一原代环境。

Figure 7：TF结合、报告实验、复杂性状与罕见病变异

原图来源：所用 PDF 文件第 37 页，Figure 7。点击图片可查看原图。

a–c用SPI1结合QTL问可及性效应能否反映先锋TF作用，d跨报告实验检验更直接的序列活动，e将效应排序与精细定位联系，f给血液性状实例，g/h才走到罕见神经发育候选与小鼠胚胎报告。证据逐层增强，但报告系统的活性变化仍不等于人类内源靶基因、细胞功能和疾病表型全部成立。g中的NR2F1抑制解释及JARID2靶向关系应作为支持程度不同的机制假说。版本核对还有两处文字冲突：a正文一次写SP1而图注写SPI1，f正文使用K562而图注写GM12878；此处保留图示任务与候选机制，不能据冲突文字补造确定细胞证据。

主图：PDF 第 37 页；完整图注：第 38 页。

子图	讲的是什么，以及如何理解
a	rs5764238的G等位产生强SPI1模体，不同模型归因一致，解释先锋TF结合QTL。
b	SPI1 bQTL的分类曲线，比较ChromBPNet与Enformer。
c	SPI1等位ChIP效应对预测开放度效应，验证结合与开放的联系。
d	多增强子／启动子MPRA饱和突变效应及模型比较，ChromBPNet在IRF4、SORT1、HNF4A、MSMB、HBG1等更优。
e	高预测效应变异在红细胞GWAS精细定位候选中的富集，随PIP和效应阈值增加而增强。
f	红细胞体积关联rs11553699的G等位破坏GATA模体，提出具体调控机制。
g	神经发育障碍患者变异hs2599的G等位产生抑制NR2F1模体并预测降低开放度，给出疾病相关候选机制。
h	E11.5转基因小鼠A／G增强子报告实验，G等位在多个脑区活性降低，与g的预测一致。

阅读说明：实际阅读版本为bioRxiv预印本，2025年1月8日，DOI 10.1101/2024.12.25.630221；讲解依据这份PDF的正文7幅图。

将创新放在测量与机制之间

对AD的TE候选，我最愿意迁移的是两阶段流程：先用细胞类型伪总体建立并检验酶偏差分支，再训练调控模型，锁定后比较TE与匹配非TE变异的有符号局部效应。TE家族、GC、可比对性、峰强度和TSS距离都需要控制；无法唯一比对的副本不能因为模型预测漂亮就被计作实测支持。随后用独立caQTL、等位数据或MPRA验证方向，最后才连接靶基因与病理。

本模型是约600万参数的局部CNN，适合作为有限显存方案的候选，但实际5060 16 GB训练速度与batch仍应做小规模实测，不能从参数少直接承诺完整流程无障碍。小胶质细胞已有公共数据和本篇基准，可先复现一个细胞类型再展开。真正可发表的问题是某类TE背景是否系统性影响局部调控、或现有模型为何在这些背景失败，而不是简单把ChromBPNet换名字。

最深的感悟是，解释工具可以参与模型诊断，而不只是预测后的装饰。作者先发现归因中的测量混杂，再改变训练结构，并以第二种酶、QTL和报告实验检验；这个循环值得模仿。但它主要解释局部染色质规则，远端表达、病理环境和跨细胞状态仍是开放边界，不能靠扩大结论措辞跨过去。

局部效应验证时还需统一参考组装与等位方向，避免坐标转换使符号反转。