66.SegmentNT：原图、模型逻辑与研究范式
66.SegmentNT：原图、模型逻辑与研究范式
Perry论文题名： Annotating the genome at single-nucleotide resolution with DNA foundation models
期刊与年份： Nature Methods，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。
本篇问题： DNA基础模型能否在每个碱基同时定位多种基因组功能元件？
从整段分类转向逐碱基注释
SegmentNT 的问题不是判断一小段 DNA ‘有没有增强子’，而是在包含基因、间隔区和多种功能元件的连续序列中，同时找出它们在哪里。短片段分类通常预先替研究者裁好了对象，部署到真实染色体时却要面对大量背景与复杂重叠。本文把这个差距变成多标签语义分割任务，是从图像分割迁移研究范式，而不是把 DNA 当作普通文字后只做分类。
我的推测是，研究想法由两个现成工具之间的接口产生：NT 已有逐 token 的上下文表示，U-Net 擅长融合多尺度信息并恢复位置分辨率，于是可以把‘表示有没有用’放到更接近实际注释的任务中检验。这是读论文后对设计来源的推断。输入是 6-mer token，编码器给出上下文特征，分割头下采样再上采样，并经跳跃连接保留局部定位信息，输出每个核苷酸属于 14 类元件的概率。一个碱基可以同时是外显子、UTR 或不同异构体的内含子，标签因此独立，而非强迫它只属一个类别。
模型的编码器曾经自监督预训练，但整套注释模型用 GENCODE 和 ENCODE 标签端到端监督微调，focal loss 处理稀疏类别。这一点决定了它适合被称为‘基础模型用于注释’，不能叫作完全无监督发现新功能。测试按染色体留出并排除同源基因片段，作者同时承认远端调控元件同源性未完全去除；对重复序列研究，这个剩余问题尤其重要。
Figure 1：以核苷酸分辨率定位多类基因组元件
原图来源：所用 PDF 文件第 3 页，Figure 1。点击图片可查看原图。
a、b 解释输出如何从粗 token 回到逐碱基位置，c 再分别列出类别表现，而不是只报平均值。10 kb 相比 3 kb 的收益主要体现在需要较完整基因结构的类别；lncRNA、CTCF 等明显更难，说明‘14 类同时预测’不等于每类都可靠。d 用未训练染色体的实际区域检查多标签是否形成合理结构。单个漂亮案例只能帮助读懂输出，应与 c 的整体测量一起判断。
e 的消融把预训练、微调范围和头部架构分开：同样编码器随机初始化、只训练头部、仅 U-Net 与重新训练的其他架构均参与比较。它支持已有序列表示在这一训练方案下有价值。这里 BPNet 与 SpliceAI 的架构被改用于多元件分割，不能把结果写成它们在各自原始任务上也被全面击败。不同指标还检验逐碱基分类与连续区段重叠，两种正确性不能互相替代。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| a | 预训练DNA编码器接分割头，输出每个碱基属于不同基因组元件的概率，定义SegmentNT任务。 |
| b | 一维U-Net的下采样、上采样与跳跃连接，解释如何把token表示转为逐碱基预测。 |
| c | 3kb与10kb模型在14类元件上的MCC，比较上下文长度对不同注释类别的作用。 |
| d | 测试集NOP56／IDH3B区域的注释与预测概率，检查外显子、内含子、启动子、增强子的实际定位。 |
| e | 模型消融及不同架构在MCC、Jaccard、F1、auPRC、SOV上的比较，检验预训练与分割结构的贡献。 |
Figure 2：输入长度扩展与跨长度泛化
原图来源：所用 PDF 文件第 5 页，Figure 2。点击图片可查看原图。
a、b 问更长窗口是否提供真正有用信息，c、d 则问位置编码能否允许推理长度超出训练长度。这是两种不同实验。RoPE 重缩放修复长度外推的表示问题，并不凭空增加新的训练知识；未经调整时 100 kb 表现骤降，调整后恢复也不能说模型在任意长度都稳定。
e 的长区域让相邻和重叠基因一起进入窗口，说明上下文长度应依据任务选择。本文综合表现约在 50 kb 推理处最好，更长输入并非持续提高。图像实际位于 PDF 第 5 页，图注在第 4 页。对自己的项目，我会先画长度与类别收益曲线，再决定显存投向；如果短区间已经包含所需局部信息，扩大窗口只可能增加成本与边界处理复杂度。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| a | 3、10、20、30kb训练模型分别预测14类元件的MCC，展示长上下文的类别收益。 |
| b | 14类元件平均MCC比较，汇总长度效应。 |
| c | 10kb模型使用RoPE重缩放后在最长100kb输入的表现，检验无需重新训练的上下文扩展。 |
| d | 不同训练长度模型在不同推理长度的平均MCC，显示长范围模型能兼顾短输入；虚线标出约50kb推理选择。 |
| e | 50kb的TMEM230／PCNA／CDS2区域注释对预测，检查扩展长度后的定位效果。 |
Figure 3：不同DNA基础编码器的比较
原图来源：所用 PDF 文件第 7 页，Figure 3。点击图片可查看原图。
a 让不同编码器接到同一类分割头，b、c 比较其适用任务。NT 的 token 分辨率较细，剪接位点等单碱基目标更占优势；Enformer 和 Borzoi 原来在实验功能轨道上监督训练，对调控区域提供不同信息，但其进入分割头前的表示分别以 128 bp 和 32 bp 汇总。即使最终上采样出逐碱基数值，低分辨率阶段已经丢掉的局部信息也未必能恢复。
同一 30 kb 长度的比较与采用各自原始长窗口的比较应分开读。大窗口改善部分长基因区域，不等于所有增强子都需要超长上下文。这个结果说明预训练任务、输入分辨率和目标定义共同决定迁移效果；‘参数更多’不是足够的解释，也没有一种基础模型在所有注释类别中必然最好。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| a | NT、Enformer、Borzoi分别接U-Net的结构及分辨率，解释公平比较所需的输出转换。 |
| b | 各编码器方案在14类元件的MCC，定位不同预训练目标的优势与弱项。 |
| c | 平均MCC汇总，比较基础编码器的整体注释表现。 |
Figure 4：与AUGUSTUS基因预测的对照
原图来源：所用 PDF 文件第 8 页，Figure 4。点击图片可查看原图。
a、b 从相对容易的基因片段和主异构体起步，c 改为所有异构体，d、e 再走到含有大片非基因背景的整条测试染色体。每一步都在改变模型实际使用时要面对的分布。AUGUSTUS 在已知基因区域内仍有优势类别，尤其 CDS 精确率；SegmentNT 的优势随多标签和全基因组设置变得明显，因此不宜删掉前面的条件限制只说‘超越传统工具’。
f、g、h 用 SOV 看连续区段重叠，避免大量容易的碱基把总体分数抬高。逐碱基 F1 高，并不保证转录本结构、连接关系和边界完全正确。本文比较的是纯序列基因预测，没有据此比较整合 RNA、蛋白同源或其他实验证据的完整注释流程。实践中更合理的角色可能是提供候选与概率，再纳入现有证据整合管线。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| a | 只考虑主转录本的30kb片段上，各基因元件F1比较。 |
| b | 同一主转录本数据的精确率／召回率，区分误报和漏报。 |
| c | 考虑全部转录本的30kb片段F1比较，检验可变剪接注释的影响。 |
| d | 完整测试染色体且考虑全部转录本的F1，检验全基因组应用。 |
| e | 完整染色体的精确率／召回率，分析全局预测错误类型。 |
| f | 主转录本30kb片段的区域重叠SOV分数，检查连续元件边界。 |
| g | 全部转录本30kb片段的SOV分数，比较多异构体区域预测。 |
| h | 完整染色体的SOV分数，检查基因结构定位而非仅逐碱基分类。 |
Figure 5：剪接供体与受体检测
原图来源：所用 PDF 文件第 9 页，Figure 5。点击图片可查看原图。
a 直观展示专门剪接模型在转录本边界外产生更多预测，而 b–d 又保留它们原本接近的 mRNA 场景。在其熟悉的分布上，SegmentNT 的排序指标并非全面领先；e–g 改到全染色体后，固定阈值 MCC 与 PR 曲线给出的优劣也不同。后者反映概率排序，前者同时受阈值校准影响，不能挑一个指标替代全图。
h、i、j 将任务扩展到物种，但仍是位点检测，不是变异后剪接变化或患者致病性预测。Pangolin 的原输出不区分供体与受体，作者通过评估集合转换作比较；这项转换应记住，不能想象它原生输出两套同名概率。图像在 PDF 第 9 页，图注在第 10 页。若分析 AD 变异，这些概率可以标记潜在剪接上下文，仍需独立剪接效应或 RNA 证据。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| a | EBF4区域与SpliceAI、Pangolin的预测对照，标出错预测及基因边界外区域；这些专用剪接模型并未针对边界外应用训练。 |
| b | SpliceAI的mRNA测试集上供体／受体MCC，进行转录本范围内比较。 |
| c | 该mRNA测试集供体的精确率—召回率曲线，展示阈值影响。 |
| d | 同一测试集受体的精确率—召回率曲线。 |
| e | 人全基因组测试集的供体／受体MCC，检验包含非转录区域的应用。 |
| f | 人全基因组供体的精确率—召回率曲线。 |
| g | 人全基因组受体的精确率—召回率曲线。 |
| h | 多物种全基因组测试集平均MCC，检验跨物种剪接预测。 |
| i | 四个模型供体预测的雷达图，比较不同指标。 |
| j | 受体预测雷达图，与i对照评估两类剪接位点。 |
Figure 6：跨物种注释泛化
原图来源：所用 PDF 文件第 11 页，Figure 6。点击图片可查看原图。
a 规定哪些物种用于微调，哪些真正留出；b、c 将人模型的迁移表现与演化距离关联。外显子和剪接位点比部分 UTR 等更稳定，提供的是共享序列规则的证据，不能将模型预测降低直接解释为某物种的生物功能丢失。远缘物种标签有时本身来自计算注释，标签质量与系统发生距离也可能一起改变。
d–g 区分见过物种的未训练染色体、未见近缘动物、未见远缘动物与未见植物；h 的具体例子和 i 的传统工具比较帮助看清泛化不是均匀的。多物种微调只针对七类基因元件，不能把这一版本用于未被训练的增强子和启动子预测。实际整张图在 PDF 第 11 页。跨物种收益值得研究，但‘从动物推广到植物’仍是一项注释测量结果，不是疾病演化机制的直接实验证明。
| 子图 | 讲的是什么，以及如何理解 |
|---|---|
| a | 人模型与多物种微调模型的训练和未见物种评估流程。 |
| b | 按距人类分化时间排序的物种元件MCC，观察系统发生距离与迁移能力。 |
| c | 逐类元件的MCC对分化时间，定位哪些注释更易跨物种迁移。 |
| d | 训练物种上的雷达图，比较人模型与多物种模型。 |
| e | 未见近缘动物的雷达图，检验近距离泛化。 |
| f | 未见远缘动物的雷达图，检验远距离泛化。 |
| g | 未见植物的雷达图，检验跨界应用。 |
| h | 四个代表物种各元件的MCC，提供具体迁移实例。 |
| i | AUGUSTUS、人SegmentNT及多物种SegmentNT的基因注释MCC，比较传统专用工具与基础模型。 |
我的理解：注释能力要与效应能力分开
这篇论文让我看到，创新可以来自重新定义评估场景：从预裁剪片段转到真实连续基因组，把重叠标签保留下来，并同时量化碱基与区域两种误差。对 TE 研究也可以这样问：同一家族在不同拷贝周围形成哪些可重现功能边界？不过基础模型可能见过参考基因组序列，TE 近重复也会跨染色体存在，仅做染色体切分未必足以排除家族记忆；应加上家族或相似序列簇留出。
SegmentNT 不直接给出变异对表达的大小、疾病风险或调控因果。它提供功能上下文，之后才可以与 WGS、脑细胞 ATAC 和独立 MPRA 建立证据链。本文标准模型连头部约 5.63 亿参数，原训练使用八张 H100，因此不能据此承诺单张 16 GB 卡原样全量训练。更合适的起步是使用已有权重产生特征或缩短窗口的小头部实验，再以实际显存测量决定微调范围。
