Nature Methods
SAGE-net框架实现个人基因组序列到功能预测的可扩展分析
小赛推荐：
该研究为个人基因组表达预测提供了可扩展的深度学习框架，对基因调控和复杂疾病的机制研究具有重要启发，尤其在整合非编码变异效应与表达调控方面提供了新路径。
文献概述
本文《A scalable approach to investigating sequence-to-function predictions from personal genomes》，发表于《Nature Methods》杂志，系统探讨了如何利用个人基因组数据提升序列到功能（S2F）模型在基因表达预测中的性能。作者提出SAGE-net框架，通过对比参考基因组与个人基因组的建模能力，揭示当前S2F模型在跨个体表达变异预测中的局限性，并系统评估了模型泛化能力与可解释性。研究结合ROS/MAP与GTEx队列数据，采用深度学习与in silico突变分析，深入剖析模型学习到的顺式调控语法。文章进一步扩展至DNA甲基化数据，验证模型在表观调控中的应用潜力。背景知识
当前精准医学面临的核心挑战之一是如何从个体DNA序列准确预测基因表达表型，尤其是在非编码区变异影响基因表达的机制尚未完全解析的背景下。虽然已有如Enformer等基于参考基因组的S2F模型能较好预测平均表达水平，但在预测个体间表达差异方面表现不佳，提示其对顺式调控变异的学习仍不充分。现有方法如PrediXcan依赖于eQTL统计关联，缺乏对罕见或新发变异的泛化能力，难以应用于罕见病或肿瘤个体化研究。本研究切入点在于构建一个可扩展的、基于个人基因组的深度学习训练框架——SAGE-net，旨在系统评估模型是否真正学习到跨位点通用的调控语法，或仅依赖特定预测性变异。这一问题直接关系到非编码变异功能注释的可靠性，也影响疾病风险预测和药物靶点识别的准确性。
研究方法与核心实验
作者采用ROS/MAP（n=859）和GTEx（n=205）两个大型队列的全基因组测序（WGS）与RNA-seq数据，构建了r-SAGE-net（参考基因组训练）和p-SAGE-net（个人基因组训练）两种模型。模型输入为以转录起始位点（TSS）为中心的40 kb DNA序列，采用one-hot编码。p-SAGE-net采用对比学习架构，分别预测基因平均表达和个体偏离均值的表达差异，损失函数联合优化两个任务。模型在不同基因集、样本量和MAF过滤条件下进行系统评估，并使用in silico饱和突变（ISM）分析解析模型学到的调控motif。此外，作者还将SAGE-net应用于DNA甲基化（DNAm）数据，评估其在表观调控预测中的泛化能力。实验中使用GSTM3基因作为案例，深入分析模型对因果变异的响应机制。关键结论与观点
研究意义与展望
该研究揭示了当前S2F模型在个人基因组应用中的根本局限：尽管能有效利用已知预测性变异，但尚未掌握真正的“调控语法”。这一发现对药物开发中靶点优先级排序具有重要影响，提示基于S2F模型的功能预测需谨慎解释。未来研究应探索预训练策略（如在随机序列上）或整合多组学数据，以促进模型学习更通用的调控规则。此外，SAGE-net框架的可扩展性为大规模队列分析提供了工具支持，有望推动精准基因调控图谱的构建。
结语
本研究提出的SAGE-net框架为个人基因组序列到功能预测提供了可扩展的解决方案，系统揭示了当前深度学习模型在跨个体表达变异预测中的优势与局限。研究发现模型性能提升主要源于对已知变异的识别，而非学习通用调控语法，这一结论对复杂疾病的遗传解析具有深远影响。在临床转化层面，该工作强调了功能模型在解释非编码变异时的不确定性，提示需结合多种证据来源进行变异解读。未来，通过整合表观基因组、染色质构象等多维数据，有望突破当前表征学习瓶颈，实现真正从序列到表型的端到端预测，为个体化医疗提供更可靠的计算工具。该研究为实验室向临床的转化提供了方法学基石，推动精准基因组学向机制驱动的预测模型演进。
