AI判变异,究竟凭什么 2/4

生信小白板 · 文献深读 · 2/4

AI辅助原创解读示意，非实验数据。

导读图｜序列模型如何形成判断。AI辅助制作的概念插画，不是实验数据或真实模型结构。 图中的蛋白折叠造型只表示蛋白相关证据，不表示所有蛋白语言模型都预测三维结构；这是概念假设示意。

从“人工选特征”到“模型学表示”

第一篇讨论了保守性、结构、群体频率等输入各自提供什么信息。这一篇沿着Bulloni等综述的Figure 3继续往下问：当模型直接读序列，人类设计的特征是不是就消失了？答案要拆成两层：人不必逐列规定所有中间表示，但训练任务、数据分布和输出解释仍然由人决定。[1]

设想两个系统都收到同一个错义变异。第一个先计算保守性、理化变化和局部结构，再输入分类器；第二个直接读取野生型与变异序列，比较模型对它们的评价。两者可能利用相似的演化信息，却经过不同的编码路径。“自动学习”描述计算过程，不是对证据独立性或临床可靠性的保证。

原文Figure 3A由上向下阅读：DNA与序列示意先经过专家判断和特征提取，分成Conservation Score、Chemical Properties、Motif Presence三路，再汇入传统机器学习模型，图中列出SVM、Random Forest等例子，最后得到Prediction。箭头表示信息流，没有效应大小、样本量或准确率坐标。

原文Figure 3A｜人工构建特征：序列经专家提取保守性、理化与基序信息，汇入传统机器学习。仅按panel裁切，保留全部标签和箭头，未改动内容；无性能轴。 来源：Bulloni、Vescio、De Mori Bajolin、Pattini（2026），https://doi.org/10.1093/bib/bbag552 。CC BY 4.0：https://creativecommons.org/licenses/by/4.0/ 。

这幅图强调的是特征由谁构建，而不是所有传统模型只能接受三类输入。保守性、理化性质和基序只是示例；实际模型可以同时整合更多注释。它们的优点是每个输入通常较容易命名和检查，缺点是人事先没有编码的关系可能难以被利用。解释输入容易，也不等于完整解释组合后的决策容易。

原文Figure 3B把原始序列送入深度学习框架，中间画出学习表示，再输出Prediction；框下列出CNN、RNN和Transformer。黑色箭头与蓝、橙节点只是流程示意，没有给出真实网络层数、权重或训练数据规模。两幅panel并不是严格对照实验，因此不能凭图中网络更复杂就推断它一定更准确。

原文Figure 3B｜直接学习表示：序列经深度网络输出预测。黑色连线与蓝、橙节点是流程示意，不代表真实层数或权重。仅按panel裁切，保留全部标签和箭头，未改动内容。 来源：Bulloni、Vescio、De Mori Bajolin、Pattini（2026），https://doi.org/10.1093/bib/bbag552 。CC BY 4.0：https://creativecommons.org/licenses/by/4.0/ 。 原样裁片仅作JPEG技术格式转换，数据、文字和布局未改动。

这里的“原始”也需要打引号：序列仍须选定窗口、编码方式、链方向和参考版本，蛋白输入还要匹配转录本。模型看不到窗口以外的上下文，或把不同实验条件混入同一标签，都会影响学到的表示。端到端训练减少的是部分手工特征设计，并没有取消问题定义与质量控制。

先问它学的是哪一道题

监督学习用给定标签指导参数更新，但标签可以是临床致病性、功能实验读数，也可以是染色质可及性。自监督学习则从序列本身构造任务，例如遮住一些残基，让模型猜回来。它不需要为每条序列附上疾病标签，却仍依赖训练序列的来源、筛选、去冗余与覆盖范围。

“弱监督”常把可获得的代理信息当作不完美标签，例如用群体中观察到的变异与未观察到的变异构造训练信号。代理标签能提供大量样本，却不能当作真实致病状态。未观察到的变异中也会有良性者。模型如何处理噪声，以及如何选择最佳版本，应当和网络结构一起进入审查清单。

另一个容易混淆的词是“零样本”。在变异预测语境中，它常表示不使用目标蛋白的功能测量或目标任务标签进行额外拟合，直接从预训练模型得到分数。它不表示模型没有训练，也不必然表示上游训练从未见过同源蛋白，更不能替整个下游校准、阈值选择和评测流程免除审计。

训练集、验证集和测试集各自承担不同职责。训练集更新参数；验证集可能影响超参数、早停或模型挑选；测试集应在决策固定之后用于最终评价。即使临床标签没有进入主要梯度更新，它若参与了选模，就已经影响最终系统。把“未直接训练”写成“完全未使用”，会抹去这层重要区别。

基因组序列模型：从调控轨迹到变异效应

DeepSEA是理解这条路线的经典例子。Zhou和Troyanskaya的2015年原始研究使用卷积神经网络，把约1000 bp序列映射到919种染色质相关特征。[3] 模型先学序列怎样对应实验观测的调控状态，再通过参考与替代序列的预测差异，为非编码变异提供功能线索。

需要对原研究作一个精确限定：核心序列到染色质的CNN，并不是直接用临床致病标签训练；但论文后续的功能变异判别还构建了整合保守性和预测输出的提升式逻辑回归，使用HGMD、eQTL和GWAS相关标签。不能把前一个模块的训练方式，扩展成整个DeepSEA流程从未使用功能或疾病关联标签。

这个案例提示了一种通用阅读方法：沿着输入、预训练目标、下游分类器和阈值一路追踪。一个工具页面上的总名称，可能覆盖多个训练阶段。若综述把复杂流程压成“无监督”或“序列模型”，读者仍应回到原研究，确认自己真正调用的是哪个模块、哪种输出，以及相应验证范围。

AlphaGenome把上下文推进到1 Mb，并在多种分子模态上联合预测。其2026年Nature原研究覆盖人类5930条和小鼠1128条输出轨迹，涉及11类输出。[4] 这些数字描述输出组织方式，不意味着所有轨迹具有相同空间分辨率，也不意味着每一个细胞类型、组织和实验条件都已充分覆盖。

研究报告在26项变异效应基准中的25项达到或超过比较方法。这是所设基准上的比较结果，不是“准确率达到25/26”，更不是任意非编码变异都有96%的正确解释概率。不同基准可能测表达、剪接或其他读出，标签来源与评价指标并不相同，不能把它们粗暴相加成统一临床能力。

长窗口提供了容纳远距离调控线索的机会，却没有自动解决远端因果推断。原文也讨论了超过100 kb的远距离作用、细胞特异性与个体化基因组预测等困难。对于一个候选增强子变异，模型可以帮助形成“影响某轨迹”的假设；靶基因连接和疾病机制仍需另行建立，不能由输入长度代替证据。

从实践角度看，比较参考与替代序列预测值时，还要记录汇总窗口、所选轨迹和差值方向。把多个组织中的最大差异挑出来，与事先锁定相关组织后评价，是不同的分析策略。后者更容易避免事后挑选最醒目结果；前者若用于探索，就应明确探索性质并安排独立验证。

蛋白语言模型：低概率并不直接等于致病

蛋白语言模型通过大规模序列学习氨基酸在上下文中的分布。对于一个位置，可以比较替代残基与参考残基的条件概率，并取对数概率之差作为变异分数。某种替换在模型眼中很不符合已有序列规律，提示它可能违反演化或功能约束，但这个值本身不是受检者患病的概率。

也有流程先提取embedding，再让另一个分类器学习与特定标签的关系。embedding是高维表示，不是天然带有生物学名称的一组独立变量。零样本对数似然差、预训练表示加监督头、以及整网微调，所利用的标签和可能产生的偏差不同，不能在比较时统称为“用了同一个语言模型”。

自然序列同时承载折叠、功能、系统发育与采样历史。模型可能学到对预测有用的规律，却很难凭一个分数区分它到底反映哪一类约束。与显式结构特征相关，不证明每个PLM都在生成三维结构；一个注意力图看起来像接触图，也不等于已证实某个变异通过该接触改变功能。

跨物种信息还有任务迁移的边界。广泛物种上的共同约束有助于泛化，但人类特异功能和疾病机制可能更依赖近缘物种或特定家族信息。反过来，只看少数近缘序列又可能缺少足够变异。模型并不是越大、物种越多就必然越适合每一个问题，而是在不同信息尺度之间作取舍。

AlphaMissense：必须把主要监督与选模分开说

AlphaMissense建立在AlphaFold相关架构与演化表示基础上，但它输出的是错义变异的致病性评分，并不预测每个突变蛋白的结构改变。[5] 这一区别很关键：不能拿一个高分声称模型已经“看到”了突变后的折叠破坏，也不能把它描述成先精确比较两张三维结构再完成诊断。

核对Science原研究后，主要微调信号应准确表述为人类和灵长类群体频率构造的弱标签，而不是直接以人工整理的临床致病性标签作为主要训练监督。观察到的较常见变异提供偏良性信号，未观察到的变异提供含噪的另一类信号；原文也明确承认后者中可能包含良性变异。

但“未直接用临床标签训练”不能改写成“从未碰过ClinVar”。研究用2526个ClinVar变异组成的验证集参与模型选择、超参数或早停相关决策，并在分类校准中使用临床信息。主要训练、模型选择与最终测试是不同环节；避免一种标签偏差，并不使其他数据接触路径自动消失。

原研究公开了约7100万种可能的人类错义变异预测，将其中89%归入可能良性或可能致病类别。89%说的是在设定阈值下能够给出这些分类的覆盖比例，不是89%的变异已被实验确认，更不是诊断准确率。余下未明确分类的区域同样重要，因为保留不确定性比强行二分更诚实。

本系列对AlphaMissense的原研究核查范围是作者机构摘要、可检索的Science正文方法相关段落与图1说明；未声称逐页读完全部补充材料，也不复制其受独立版权约束的原图。我们的目的，是纠正综述中容易被压缩过度的训练叙述，而不是以一处更精确的措辞否定模型整体价值。

CPT-1：不同来源的信息怎样真正互补

Jagota、Ye、Albors等提出的CPT-1，把序列模型、近缘物种保守性和结构信息汇合，再利用深度突变扫描数据学习组合方式。[6] 引文作者必须以原研究为准，不能沿用综述参考文献中错列的作者。这里的关键问题不是又增加了多少特征，而是新信息是否在已有强模型之外仍有增量价值。

CPT-1的输入包括ESM-1v对数概率差分数、EVE分数、局部演化尺度的保守性，以及AlphaFold2和ProteinMPNN相关结构特征。ESM-1v在这里不是未经说明的一大块embedding。原研究通过DMS交叉验证作特征选择，最终保留九项特征；因此描述输入表示时应准确到所用分数，而不只写模型品牌。

它用五种蛋白的DMS实验训练跨蛋白迁移模型。“五种蛋白”并不是五个训练点：每种蛋白包含许多变异测量，且上游模型已经学习过大规模序列或结构资料。少数蛋白能训练出有用组合器，说明高质量实验与先验表征能够协同，并不证明任何五个随意选择的样本都足够。

原研究区分临床分类与功能预测版本：前者使用逻辑回归集成，后者使用线性回归来预测功能读数。它们的目标和标签不同。DMS提供实验层面的监督，有助于减少对临床分类标签的依赖；但实验本身也受测量系统、读出类型和动态范围限制，不能被当成适用于所有疾病机制的完美真值。

有意思的是，浅一些的脊椎动物比对仍能补充大规模序列模型。近缘直系同源序列可能保留更接近人类的功能信息，而大规模数据库的去冗余策略会改变这些信息的权重。这个结果提醒我们：规模和互补性是两回事。显式、可解释的特征不一定因为基础模型出现就失去价值。

结构特征也可带来增益，但原研究中它们的增益小于加入脊椎动物比对的增益。单个特征独立预测较弱，不妨碍它在组合中补充缺失信号；反过来，单独很强的特征，也可能与现有输入高度重复。需要看消融后的变化及其评测条件，而不是只按单变量相关系数选特征。

这里不能再向前多走一步：CPT-1验证的是错义变异相关任务，不能顺手扩展成已经证明适用于短插入缺失、剪接或结构变异。它的跨蛋白迁移能力也依赖测试蛋白与实验任务的构成。关于它在后续独立DMS基准中“92.8%”的结果，下一篇会专门拆解分母和显著性。

解释模型：从漂亮热图回到可检验假设

特征重要性、注意力权重和归因图可以提示模型依赖哪里，却未必识别了真正的因果机制。相关输入之间可以分摊贡献；输入被替换或遮蔽后产生的序列也可能偏离自然分布。若不同解释方法给出不同答案，应先考察方法假设和稳定性，而不是挑最符合直觉的一幅图。

一个更有价值的解释，是把模型信号变成可检验预测。比如模型认为特定残基影响结合，那么针对结合的实验能否改变读数？若认为是剪接，RNA层面的异常是否出现，且方向与幅度是否相符？实验支持的机制越具体，分数越容易转化为后续研究；仅说“AI认为有害”则很难推进验证。

对于日常分析，我们建议给每个预测器记录四件事：输入单位是什么，主要训练目标是什么，临床或功能标签在哪些阶段参与过，以及最终分数经过怎样的校准。这个简短档案比“传统模型/深度模型”二分更实用，也能暴露不同工具是否共享数据，从而帮助判断组合结果究竟有多少独立信息。

本篇的结论是，自动学习没有消灭特征工程，而是把一部分设计转移到训练目标、表示和数据组织上。对读者而言，最值得保留的习惯仍然是追问证据来源。下一篇将把镜头移到测试集：当一个模型在排行榜上领先，我们到底看到了对新变异的理解，还是对熟悉数据与偏差的再识别？

原论文：From conservation scores to language models: a feature engineering perspective on machine learning for genetic variant interpretation；DOI：10.1093/bib/bbag552。

本文为非商业科普深读。原文图按图注署名与许可原样展示；AI辅助示意不代表实验数据。我们的延伸建议不代表作者已完成的实验。

[1] Bulloni M, Vescio M, De Mori Bajolin F, Pattini L. From conservation scores to language models: a feature engineering perspective on machine learning for genetic variant interpretation. Brief Bioinform. 2026;27(5):bbag552. https://doi.org/10.1093/bib/bbag552 （正式Review；完整正文与图表）

[3] Zhou J, Troyanskaya OG. Predicting effects of noncoding variants with deep learning-based sequence model. Nat Methods. 2015;12:931–934. https://doi.org/10.1038/nmeth.3547 （DeepSEA；PMC作者稿正文与Online Methods）

[4] Avsec Ž, Latysheva N, Cheng J, et al. Advancing regulatory variant effect prediction with AlphaGenome. Nature. 2026;649:1206–1218. https://doi.org/10.1038/s41586-025-10014-0 （正式版；相关正文、图注与讨论）

[5] Cheng J, Novati G, Pan J, et al. Accurate proteome-wide missense variant effect prediction with AlphaMissense. Science. 2023;381:eadg7492. https://doi.org/10.1126/science.adg7492 （原文摘要及可检索训练、选模、校准段落；未完整审读补充材料）

[6] Jagota M, Ye C, Albors C, et al. Cross-protein transfer learning substantially improves disease variant prediction. Genome Biol. 2023;24:182. https://doi.org/10.1186/s13059-023-03024-6 （CPT-1；原研究正文与方法，作者已按原文纠正）

https://doi.org/10.1093/bib/bbag552

https://academic.oup.com/bib/article/27/5/bbag552/8907411