AI判变异,究竟凭什么 1/4

生信小白板 · 文献深读 · 1/4

AI辅助原创解读示意，非实验数据。

导读图｜特征与变异类型地图。AI辅助制作的概念插画，不是实验数据或真实模型结构。

一个高分变异，为什么还不能写进结论

拿到一份测序结果，最诱人的做法是把变异交给几个预测工具，再按分数排序。假设某个错义变异得到三个“有害”判断，我们很容易觉得三票总比一票可靠。可这三个工具可能都读过同一批进化比对、用了同一个上游分数，甚至间接接触过同一份临床标签。票数增加了，独立证据却未必增加。

2026年10月11日，Bulloni等在Briefings in Bioinformatics正式发表综述《From conservation scores to language models: a feature engineering perspective on machine learning for genetic variant interpretation》。文章用“特征工程”重新组织变异效应预测：模型看见什么、从哪里学到规则、又在哪些条件下失效，比工具名称更值得追问。[1]

本系列以该综述为主线，并核查关键原始研究。第一篇建立特征与变异类型地图；第二篇拆开序列模型、AlphaMissense和CPT-1的学习过程；第三篇讨论评测、循环性与证据使用；第四篇独立汇总Take-home messages。下文的教学案例与实践建议是我们的分析，不是综述新增的实验结果，也不构成个体临床判断。

先区分三个问题：变异会不会改变某种分子功能，这种改变是否与疾病机制有关，以及它能否解释某位受检者的表型。模型常直接回答第一问，部分工具借助临床标签接近第二问；第三问还需要遗传方式、表型、家系与其他证据。把三问压成一个“致病分数”，会丢掉最重要的推理环节。

图1：方法史不是性能排行榜

原文Figure 1把1974—2026年的发展放在同一条时间轴上。阅读时先看年代，再看颜色和形状：灰色标出较早的关键工具或分数，紫色代表meta-VEP，红色代表深度学习与基础模型，底部橙色标出领域事件，椭圆标记概念创新。它总结方法怎样累积，不是用纵坐标比较预测性能。

这张图的早期区间存在断轴，年份间距也不能当作均匀计量尺度。密集区域建议点开放大。由单项分数、人工特征整合、元预测器走到学习表示，并不意味着新方法在每一种变异、每一个基因和每一类疾病上必然胜出；不同年代的训练资料、任务定义和评测范围都变了。

原文Figure 1｜1974—2026年方法时间轴，完整保留。建议点开放大查看。灰、紫、红区分工具类型，橙色为领域事件，椭圆为概念创新；早期有断轴，年份位置不是性能排名。 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/ 。

Grantham分数把氨基酸替换的理化差异编码成数值；SIFT等方法把跨物种序列中的容忍模式带入判断；后来的集成模型学习多种特征之间的非线性关系。meta-VEP进一步把已有工具的输出当作输入。能力逐层叠加的同时，上游数据和偏差也可能逐层传递，不能只审查最外层算法。

ClinVar等资源推动了临床标签训练，但标签不是天然无误的物理读数。提交证据、审查状态、收录时间和疾病背景都会影响其含义。完全依赖序列的自监督模型与直接学习临床标签的分类器，暴露于这些偏差的路径不同。第二篇会进一步说明，不能仅凭“零样本”三个字认定整个流程从未接触临床信息。

表1：174个工具使用了什么信息

原文Table 1统计174个VEP工具所采用的特征类别。我们保留全部15行、计数和百分比，重排成便于手机查看的表格，未改变数据。这里的分母是纳入综述的工具数，不是全部软件，也不是临床使用次数。一个工具可以落入多个类别，因此百分比相加超过100%完全正常。

保守性特征出现于112个工具，占64.4%；学习表示61个，占35.1%；蛋白结构54个，占31.0%；序列背景53个，占30.5%；理化性质50个，占28.7%。这些比例描述采用情况，不能用来断言保守性贡献了64.4%的准确率，也不能把学习表示的增长直接解释成独立信息的增长。

其余类别包括2015年前致病性标签训练分数46个、群体频率44个、基因或结构域约束34个、表观基因组32个、2014年后此类分数31个、剪接29个、转录因子结合23个、调控元件17个、网络或通路17个、密码子使用偏好5个。表里的时间分组针对输入分数，不是给今天的软件贴上统一年代标签。

原文Table 1数据重排｜全部15类、数量与百分比原样保留，添加中文标签并重排版式。分母174个工具，类别重叠；这是重排表（re-typeset），不是原样截图或性能贡献图。 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/ 。

这张表最有价值的读法是检查“信息家族”。两个名称不同的输入，可能共同反映选择压力；一个深度模型也可能同时编码序列背景、保守性与结构线索。类别不同不保证统计独立，类别相同也不意味着完全重复。是否互补，需要在匹配任务和严格划分的数据上做消融或增量价值检验。

保守性：长期留下来的序列提供了什么先验

保守性方法的核心直觉是：如果某个位点在漫长演化中很少接受改变，破坏它更可能影响适应度。但不同工具估计的对象并不一样。phyloP关注位点相对中性演化的偏离，phastCons借助隐马尔可夫模型识别保守片段，GERP类方法关注相对于预期的替换缺失。它们不是同一分数换了名字。

因此，两个保守性分数可以概念相近，却只有中等经验相关性。比对物种、系统发育模型、位点与片段尺度都会改变结果。反过来，在一个测试集上相关性很低，也不能立刻宣布两者提供了完全独立的生物学证据：测量噪声、缺失模式和取值范围都可能降低相关系数。

保守性也有生物学边界。自然选择更直接作用于生存与繁殖相关适应度，不等同于现代人的全部疾病风险。晚发病、人类近期特有功能、物种间环境差异，都可能削弱这个先验。一个位点不够保守，不能据此排除其与人类疾病有关；高度保守，也不能跳过具体遗传机制。

理化与结构：替换发生在怎样的局部环境

同样是把一个氨基酸换成另一个，电荷、体积、疏水性差异会给出不同的先验；同样的替换，放在蛋白内部、溶剂暴露表面或结合界面，又可能产生不同后果。理化特征回答“换了什么”，结构特征补充“在哪里换、周围是什么”。二者组合比孤立的替换类型更接近机制。

结构信息可以涉及溶剂可及性、接触网络、二级结构、稳定性变化或到功能位点的距离。需要分清实验结构、预测结构和由结构再计算的分数；它们的误差来源不同。预测模型对某一区域的高置信度，支持的是对构象的把握，并不自动证明某个替换的功能后果，更不等同于致病概率。

尤其不能把“结构不稳定”和“蛋白功能异常”划等号。某些变异主要影响结合、调控、定位或短线性基序，而不是让整体蛋白折叠崩溃；另一些可能改变功能方向而非简单丧失功能。只擅长发现折叠破坏的模型，面对这些机制时可能系统性失灵，不能靠提高分数阈值来弥补。

无序区让这个问题更加突出。天然无序片段可以通过动态相互作用和调控基序执行重要功能，并非“没有结构所以不重要”。2025年Fawzy和Marsh的研究专门比较了无序区与有序区中的预测表现。[2] 第三篇会解释它的区域定义和分母，避免把结构置信度低的全部残基直接当成无序区。

群体频率与基因约束：强先验也需要条件

在群体数据库中非常常见的变异，通常很难解释一种高外显率、严重且罕见的孟德尔病；但这里每个限定都重要。疾病患病率、遗传方式、外显率、起病年龄和等位基因异质性都会改变可接受频率。群体频率是一项需要疾病语境的证据，不是一条适用于所有表型的统一界线。

“数据库没见过”也不等于“很罕见所以有害”。测序覆盖、变异质量、祖源代表性和数据库规模都会影响是否被观察到。来自代表不足人群的正常变异更容易显得新奇。如果模型反复把缺失记录当成强异常信号，技术与抽样不足就可能被伪装成生物学风险。

基因约束从另一个尺度发问：相对于可预期的突变机会，这个基因在群体中是否缺少某类变异？RVIS、pLI、LOEUF等指标反映的统计对象和构建方式不同。它们能帮助识别对某类功能改变较不耐受的基因，但不能单独确认某个疾病的遗传机制，更不能把所有罕见错义变异一起判为有害。

结构域或区域约束进一步提供局部信息。同一基因的不同区域，对替换的容忍程度可能差别很大。对研究者来说，基因层面的先验和变异层面的证据应分开记录：一个基因“值得关注”，与这个具体位置、替换方向和转录本“足以解释疾病”，中间仍需要功能和遗传学桥梁。

非编码变异：从一个字母走到某个基因的表达

非编码变异不改变蛋白序列，却可能改变转录因子结合、染色质状态、增强子活性或RNA加工。此时，错义变异的氨基酸替换分数往往不是合适输入。应先明确所问的是调控活性、组织特异表达、剪接、RNA稳定性还是其他过程，再选择相匹配的模型与实验证据。

调控元件注释告诉我们一个位置可能属于启动子或增强子，转录因子基序提示某种序列偏好，表观基因组数据则提供特定细胞条件下的可及性和修饰状态。它们相互补充，却各有边界：基序存在不保证真实结合，活性标记存在也不保证该元件在目标组织里驱动我们关心的那个基因。

距离最近的基因不是默认靶基因。增强子可能跨越较远距离，且作用依赖细胞状态；eQTL关联也可能受到连锁不平衡影响。将一个非编码位点解释为致病候选，至少需要继续追问它是否真的改变调控、作用于哪个基因，以及该基因改变能否连接到表型。模型命中只是链条中的一环。

剪接模型关注外显子与内含子边界、局部或更长范围的序列规则，以及潜在位点的创建或破坏。高剪接影响分数通常表示模型预期加工方式会变，并不直接告诉我们最后哪个转录本占主导、变化量多大、是否触发无义介导降解，以及相关组织是否表达该转录本。RNA证据能帮助补上这些环节。

同义变异也不能只因氨基酸没变就略过。它可能影响剪接调控、密码子使用、翻译过程或RNA层面的调控；但“存在这些机制”不是“每个同义变异都有重要影响”。证据应落到特定位点与可检验过程，避免把可能性清单误当成致病性证据清单。

UTR中的变异还可能影响RNA结合蛋白、微RNA作用位点、上游开放阅读框或多聚腺苷酸化相关信号。这些规则强烈依赖转录本与细胞背景。软件给出的注释如果对应另一种转录本，即使技术上没有报错，也可能回答了一个与研究问题不同的问题。

小插入缺失与结构变异：不能把错义模型外推到底

小插入缺失可能改变阅读框，也可能保留阅读框却改变局部长度、剪接或关键基序。不能因为某个模型能对单氨基酸替换排序，就默认它能处理这些改变。输入表示、训练样本与验证任务都需要重新检查；“支持输入”只说明程序能计算，不说明结果已经具有可靠解释性能。

结构变异的影响还取决于断点、长度、拷贝数、方向及是否重排调控关系。同一段缺失可能同时碰到多个基因和调控元件，单个位点分数难以完整概括。剂量敏感性、单倍剂量不足或三倍剂量敏感性、表型匹配等特征因此变得重要，但断点质量与变异本身是否真实仍需先解决。

综述列举DeepSVP、StrVCTVRE等把基因剂量和其他注释整合的工具。这里值得学习的是任务重构：从“一个残基是否容忍替换”转成“这一结构改变通过哪些路径影响功能”。工具名称不应掩盖输入单位已经发生变化，也不能把一种SV类别上的评测自动推广到所有重排。

把特征地图变成一次可追溯的分析

回到开头的虚构错义变异。我们会先核对参考基因组、坐标、参考与替代等位基因、转录本和蛋白编号；再记录质量、群体频率、基因机制和家系信息；最后才比较模型分数。这样的顺序能减少把注释错配误当成模型分歧，也避免先看到一个醒目的高分，再倒推一套解释。

下一步，把每项结果放回其信息家族：保守性、结构、群体、功能实验或临床标签。三个高度共享来源的分数可以作为一致的计算信号，却不能直接算作三项独立证据。若结构模型提示折叠损伤，而RNA实验显示主要问题是剪接，二者可能并存，也可能暴露出需要进一步检验的机制分歧。

再问一次适用范围：该工具是否验证过这种变异类型、该区域、相近的基因机制和目标人群？缺失分数来自软件不支持、结构覆盖不足，还是过滤规则？缺失并不是良性标签。对于超出验证域的对象，最诚实的输出通常是说明不确定性与下一步实验，而不是填入一个看起来完整的综合分值。

最后保留软件版本、数据版本、取值方向、阈值来源和失败项。一条没有方向说明的分数，甚至可能被反着排序；一次没有版本记录的更新，也可能让同一变异得到不同分类而无法追溯。本篇的落点不是让表格更长，而是让每一列都能回答“它测到了什么、遗漏了什么”。下一篇继续拆解：当特征由神经网络自动学习，这些问题是否就消失了？

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）

[2] Fawzy M, Marsh JA. Assessing variant effect predictors and disease mechanisms in intrinsically disordered proteins. PLoS Comput Biol. 2025;21(8):e1013400. https://doi.org/10.1371/journal.pcbi.1013400 （原研究正文与方法）

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

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