CNS生信工具专题|AI正在把组学分析推向预测型建模

大家好，这里是关关菌鸠。

过去很多组学分析，核心问题是：数据里发生了什么？而最近几篇CNS生信工具共同提示了一个新方向：模型开始尝试预测“还没有被实验直接测到的状态”。

过去很多组学分析的逻辑，是先得到数据，再做差异分析、富集分析、网络分析或多组学整合。换句话说，我们主要是在解释“已经被测到的状态”。

但今年 5–6 月连续发表的几篇 CNS 工具论文，正在把问题往前推一步：模型能否从已有的大规模数据中学习某种可迁移规律，再预测未观测的基因表达、扰动响应或染色质结构功能？

这期我们选取三篇代表性工具文章：Decima、TxPert 和 HiCFoundation。它们分别面向三个不同层级的问题：

Decima：从 DNA 序列预测细胞类型/状态特异性基因表达；TxPert：从遗传扰动预测细胞转录组响应；HiCFoundation：从 Hi-C contact map 学习 3D 基因组表示，并服务于结构和功能分析。

三者研究对象不同，但共同指向一个趋势：组学分析正在从“描述数据”走向“预测状态”。

1. Decima方向：sequence-to-expression model核心问题：能否根据基因周围 DNA 序列，预测该基因在不同细胞类型、组织、疾病状态下的表达？

2. TxPert方向：transcriptomic perturbation prediction核心问题：能否利用已有扰动数据和生物知识图谱，预测未见过的基因扰动会引起怎样的转录组变化？

3. HiCFoundation方向：Hi-C foundation model核心问题：能否从大规模 Hi-C 数据中学习通用表示，用于 3D 基因组结构分析、分辨率增强、loop detection、多组学功能预测和 single-cell Hi-C 分析？

Decima 关注的是一个经典问题：DNA 序列如何决定基因表达。

以往 sequence-to-function 模型多训练在 bulk 表达、健康组织或细胞系数据上，因此很难回答“某个调控序列在特定细胞类型或疾病状态下是否起作用”。Decima 的不同之处，是把大规模单细胞/单核 RNA-seq 数据聚合成 pseudobulk 表达矩阵，再用基因周围 524 kb 的 DNA 序列预测不同细胞类型、组织、疾病状态下的表达。

这让它不只是预测表达量，还能进一步分析细胞类型特异性调控元件、非编码变异效应，以及疾病相关细胞状态中的调控机制。

换句话说，Decima 把问题从“这个变异落在哪个增强子上”，推进到“它可能在哪类细胞、哪种状态下改变表达”。

TxPert 关注的是扰动预测。

在功能基因组学和药物发现中，我们常常想知道：敲低一个基因、组合扰动两个基因，或者把同一个扰动放到不同细胞背景里，转录组会发生什么变化？

但实验空间太大，不可能全部做完。TxPert 的思路是把未扰动细胞的 basal state 与扰动基因在知识图谱中的表示结合起来，预测扰动后的表达谱。它使用 STRING、GO，以及来自高通量表型和转录组扰动筛选的数据图谱，让模型不仅看表达矩阵，也利用已有生物网络关系。

这篇文章值得注意的一点是，它没有简单强调“模型更大”，而是非常重视评估方式：批次匹配的对照、Pearson Δ、retrieval 指标、强 baseline 和 split-half 实验重复性。对做生信的人来说，这比单纯报告模型性能更有参考价值。

TxPert 适合作为“虚拟扰动筛选”的工具雏形：先用模型缩小候选扰动空间，再把湿实验资源放到更值得验证的方向上。

Hi-C 数据记录的是基因组不同区域之间的空间接触。它能帮助我们理解 TAD、loop、compartment 等 3D 基因组结构，但也有典型难点：数据稀疏、分辨率受测序深度限制，不同任务又常常需要不同工具。

HiCFoundation 的思路是先在大规模 Hi-C 数据上进行自监督预训练，再把学到的表示迁移到多个任务中，包括重复性分析、分辨率增强、loop detection、跨物种分析、从 Hi-C 预测表观组信号，以及 single-cell Hi-C 增强。

它的意义不只是多了一个 Hi-C 工具，而是把 Hi-C 分析从“每个任务一个算法”，推进到“先学习通用染色质结构表示，再面向具体任务微调”。

三篇文章放在一起看，信号很明确