10.Borzoi：原图、模型逻辑与研究范式
10.Borzoi：原图、模型逻辑与研究范式
Perry论文题名： Predicting RNA-seq coverage from DNA sequence as a unifying model of gene regulation
期刊与年份： Nature Genetics，2025。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。
阅读来源说明： Nature Genetics，2025；以当前 PDF 为准。
研究瓶颈怎样转化为问题
RNA-seq 读段并不只受所处局部序列决定：3′ 端覆盖可能受数十万碱基外的启动子/增强子影响，还整合剪接和加尾。Borzoi 因而问，能否预测整条覆盖轨迹，再从同一输出派生不同调控读出？依据设计逻辑推断，其 idea 是把多个专门模型分开的机制放回统一 RNA 测量空间，让表达量、转录本选择和变异效应共享序列信息。
输入、目标与结构
524 kb DNA 经过卷积和注意力，在 128 bp 尺度整合长程背景；U-net 上采样并与早期特征连接，恢复 32 bp 输出。长上下文解决远端依赖，跳连接补回外显子边界等较细空间信息。训练用人/小鼠 RNA-seq 与多类调控轨迹，四次随机初始化用于检验稳定性和集成。32 bp 并非逐碱基剪接标签；从覆盖派生外显子/内含子、近/远端加尾的比值，可以隔离不同机制，但仍受 RNA 稳定性和测序处理影响。
Figure 1：Borzoi 网络及基础预测
原图来源：所用 PDF 文件第 3 页，Figure 1。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| a | 卷积和注意力先在 128 bp 尺度建模，U-net 上采样输出 32 bp 信号；由 DNA 序列预测细胞和组织特异测序覆盖。 |
| b | 留出基因 INSR 的脂肪组织预测与实测 RNA-seq 覆盖对比，展示模型恢复外显子信号。 |
| c | 跨 CAGE、RNA-seq、DNase、ChIP–seq 轨迹比较逐 bin 相关性，评价不同任务。 |
| d | 将外显子覆盖相加后比较基因级表达，检查覆盖预测能否转为准确表达量。 |
| e | 分位数标准化并减去跨轨迹平均表达后再比较，重点检验组织差异而非基因本身高低表达。 |
c 看逐 bin，d 看基因总覆盖，e 去除跨轨迹均值再看组织差异，防止同一高相关掩盖三个任务。RNA-seq 基因级相关与局部覆盖相关本来不同。INSR 示例说明长基因可建模，不能代替总体留出评估。论文明确部分轨迹处理与 Enformer 不同，基础覆盖性能不能脱离处理管线直接横比。
Figure 2：组织特异表达及转录本选择
原图来源：所用 PDF 文件第 4 页，Figure 2。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| a | 五种 GTEx 组织中 ADGRE1 的覆盖对照，检验血液特异表达。 |
| b | 在 1,940 个留出基因比较某组织相对其他四组织的表达 fold-change；重复模型与集成模型显示组织差异预测能力。 |
| c | SGK1 多个 TSS 的覆盖比例示例，展示组织间启动位点选择。 |
| d | 337 个多 TSS 基因的预测/实测覆盖比例变化相关性，量化 c 的现象。 |
| e | RWDD1 近端及远端加尾位点覆盖比，展示 3′ UTR 的可变加尾。 |
| f | 在 994 个多加尾位点基因比较组织间覆盖比变化，评估 APA 的定量预测。 |
表达 fold-change、多个 TSS 覆盖比例和近/远端加尾比例都由覆盖派生，使同一模型可回答不同问题。每个案例后都有更多留出基因的定量比较，降低示例挑选风险。但覆盖比仍可能受转录本稳定性和重叠结构影响；要称为特定启动子或加尾事件，需相应注释和独立 RNA 证据，不能只凭预测曲线形状。
Figure 3：组织特异调控基序
原图来源：所用 PDF 文件第 5 页，Figure 3。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| a | CFHR2 的梯度贡献及基序匹配，比较肝与其他组织模型，定位组织相关调控序列。 |
| b | MoDISco 汇总不同组织贡献片段并与已知 TF 基序比对；各基序的贡献在组织间不同，部分与血液或肝相关。 |
| c | 比较两组织间基序贡献差与对应 TF 实测表达差，支持贡献模式具有生物学对应性。 |
贡献片段与已知基序匹配检验模型是否利用合理调控信息，c 再问贡献差是否对应 TF 表达差。它们是解释和一致性证据：梯度不等于 TF 实际占据，基序常由多个 TF 共享。组织贡献变化也可能反映相关序列或标签背景。最有用的后续是选择特定基序做等位或扰动实验，而非从热图宣称完整转录网络已被恢复。
Figure 4：远端调控及基因组背景
原图来源：所用 PDF 文件第 6 页，Figure 4。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| a | HBE1 在 524 kb 输入中的梯度，标注实测有效/无效 CRE；模型可定位远端有效增强子及其局部基序。 |
| b | MYC 的同类梯度图，检验另一基因的远端调控区域。 |
| c | 按 CRE 距基因分组比较 Borzoi/Enformer AUPRC，衡量贡献分数识别真实调控联系的能力。 |
| d | 在 Gasperini CRISPR 数据上重复距离分层评估，提供另一实验来源验证。 |
| e | 比较 TRIP 报告基因表达与预测 DNase 信号、不同预测分数的相关性；考察插入位置的染色质背景对表达的影响。 |
远端 CRISPR 阳性与无效 CRE 是评估贡献排序的核心，而不是注意力本身。按距离分层检验 524 kb 信息的增量价值；不同 CRISPR 数据再测增强可信度。TRIP 询问的是报告构建在不同插入背景中的表现，具有位置依赖意义，仍不能代替某个原生 enhancer–gene 的验证。应保持内源调控和插入报告两类实验的解释边界。
Figure 5：eQTL 效应与负选择
原图来源：所用 PDF 文件第 7 页，Figure 5。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| a | rs1905542 参考/替代等位基因预测与人群 RNA-seq 覆盖对照，计算突变定位可能的基序改变。 |
| b | 逐组织比较精细定位 eQTL 分类 AUROC，检查 Borzoi 与 Enformer 的总体排序。 |
| c | 按 TSS 距离比较 AUPRC，评估近端与远端变异。 |
| d | 比较 eQTL 预测与实测效应大小的 Spearman 相关，并展示血液具体散点，检验方向和幅度。 |
| e | 用 cCRE 中的 singleton 与常见变异比较 ROC/AUROC；高预测效应与受负选择的罕见变异相关。 |
a 的携带者 RNA 与双等位预测连接功能方向，b/c 看因果候选排序，d 看效应量，e 看人群选择，四种指标不能相互替代。eQTL 精细定位仍含不确定性，选择背景也受频率和可突变性影响。负选择支持功能重要性，并不特指 AD；常见变异具有较小预测效应也不等于对复杂性状没有作用。
Figure 6：可变加尾及 3′ paQTL
原图来源：所用 PDF 文件第 8 页，Figure 6。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| a | SRSF11 远端加尾位点的覆盖比定义及梯度/计算突变图，解释从覆盖读出 APA。 |
| b | 覆盖比贡献片段汇总出的已知加尾调控基序，验证模型信息。 |
| c | rs114880747 携带者与非携带者覆盖对比，贡献提示获得 CstF 基序，改变加尾使用。 |
| d | rs80168986 的预测/实测覆盖变化，贡献提示获得 HNRNPA1 基序。 |
| e | 按距 3′ UTR 加尾位点阈值检验精细定位 paQTL 分类 AUPRC。 |
| f | 比较 Borzoi、APARENT2，以及结合 PolyADB 加尾位点注释的 APARENT2，评价不同 APA 方法的互补性。这里的注释指 RNA 加尾位点，帮助模型判断哪些位置可作为备选终止位置。 |
| g | 随位点距离改变比较模型及集成 AUPRC，检验综合信息能否提高远端变异识别。 |
覆盖比使 APA 变成可计算读出，实例与基序贡献再提出具体机制。APARENT2 是专门加尾模型，加入真实位点注释或与 Borzoi 集成可能互补，所以比较必须交代注释输入是否额外提供信息。paQTL 距离分层检验附近和较远变异的不同难度；最稳健结论是覆盖模型含有 APA 信息，而非所有覆盖变化都来自加尾。
Figure 7：剪接及内含子加尾 QTL
原图来源：所用 PDF 文件第 9 页，Figure 7。点击图片可查看原图。
| 子图 | 讲什么，以及怎样理解 |
|---|---|
| a | SRSF11 的外显子/内含子覆盖比与贡献图，解释从 RNA 覆盖识别剪接变化。 |
| b | MoDISco 提取的候选剪接调控基序，说明覆盖预测捕捉到剪接序列信息。 |
| c | rs55695858 在睾丸的预测/实测覆盖比较，显示变异导致的局部剪接差异。 |
| d | 按距剪接连接的距离阈值比较 Borzoi、Pangolin 及集成模型的 sQTL 分类 AUPRC。 |
| e | 将 d 的逐组织结果平均，展示不同距离下的性能及两模型互补性。 |
外显子/内含子覆盖比同时可能反映剪接与内含子加尾，因此实例 RNA 和注释有助于拆分机制。与 Pangolin 及集成比较说明统一模型不必在所有专门任务上独占优势。远离剪接位点的预测尤其依赖背景与覆盖。新研究应保存异常连接、表达和 3′ 端读出，避免一个‘RNA 效应’分数抹平不同生物学原因。
我的理解与可迁移设计
最可迁移的设计是统一测量、分解终点：先共享表征，再以有机制含义的统计量评价。AD 非编码变异可能同时影响表达和转录本，不能只用基因总量标签训练后便宣称解释所有 RNA 后果。对 16 GB 环境，优先离线调用预训练模型得到有限位点特征；原模型训练和全基因组饱和扫描不适合首轮。新增工作应依靠真实等位标签证明某一种机制的增益，并为不同细胞背景单独检查，而不是以更长输入本身作为创新。
