Scooby的输入是什么? 这些输入在模型架构中是如何交互和被处理的? 输出具体是什么?

简单来说，Scooby 并不是在“序列”和“细胞信息”之间做二选一，而是将两者作为协同输入，通过一套巧妙的架构让它们“对话”。

以下是 Scooby 的输入、交互处理逻辑以及输出的详细拆解：

1. 核心输入：双重驱动

Scooby 的预测依赖于两类完全不同的数据输入：
DNA 序列 (DNA Sequence)：输入一段长度为524kb的基因组 DNA 序列。这提供了基因调控的“硬代码”基础。

单细胞嵌入向量 (Cell Embeddings)：这是一组反映细胞状态的低维向量（通常为14 维），由 Poisson-MultiVI 等工具从已有的单细胞多模态数据中提取。它代表了该细胞当前所处的“生理环境”。

2. 模型架构中的处理与交互

这两种输入在模型中并不是简单的相加，而是经历了一个“特征提取 -> 动态解码”的过程：

第一步：序列编码(Borzoi 骨架 + LoRA)

基础处理：524kb的 DNA 序列首先进入Borzoi预训练模型(包含卷积层和 Transformer 层)。

自适应微调：为了让模型适应单细胞数据的特有偏差(如 RNA 测序的 3' 端偏好)，Scooby 引入了 LoRA(低秩自适应) 模块(秩为 8)对序列编码器进行微调。

产出：最终生成分辨率为32bp的序列嵌入(Sequence Embedding)，这相当于一张描绘了该序列调控潜力的“高精地图”。

第二步：动态权重生成(核心交互点)

这是 Scooby 最聪明的地方。它没有为每个细胞设计死板的输出层，而是设计了一个细胞特异性解码器：

权重生成：单细胞嵌入向量被输入到一个轻量级的多层感知器(MLP)中。

交互逻辑：这个 MLP 的任务不是直接预测结果，而是预测出另一组神经网络的权重。

执行预测：MLP 生成的这些权重被用于一个1×1卷积层，该层直接作用于前面的“序列高精地图”。

3. 具体输出：单细胞分辨率的图谱

模型的输出是针对输入序列中心区域（约196kb）的预测结果：

  • scRNA-seq 覆盖度图谱：预测该序列在特定细胞中的转录本读取覆盖情况。

  • scATAC-seq 插入频率图谱：预测该序列在特定细胞中的染色质可及性(Tn5 酶插入点)。

分辨率：所有输出均为32bp的分箱(Bin)分辨率。

image

覆盖度图谱和Gene产量

scooby 输出的“覆盖度图谱（Coverage Profile）”比单纯的“基因产量（Counts）”包含更丰富的信息。

“基因产量”是一个总和数字，“覆盖度图谱”就是一张沿基因轴分布的详细地图 。

1. 覆盖度图谱 vs. 基因产量

在模型架构中，两者的关系是“过程”与“结果”：

  • 输出内容（覆盖度图谱）： scooby 的直接输出是一个连续的信号轨道（Track），分辨率为32bp 。它展示了在特定 DNA 序列上，RNA 读取段（Reads）具体分布在哪些位置 。

  • 如何变成产量： 为了得到每个基因的产量，研究人员会将预测的覆盖度在 外显子（Exon）区域进行累加求和 。

2. 为什么要输出“图谱”而不是直接给个“产量”？

scooby 采用这种设计有三个核心优势：

  • 捕捉测序偏差（如 3' 端偏好）： 传统的 10x 单细胞测序通常会有严重的 3' 端覆盖偏差（即 Reads 集中在转录本末端） 。scooby 能够成功模拟这种真实的生物学和技术特征 。

  • 无需注释信息： 传统的产量计算依赖于已知的基因注释，而 scooby 的覆盖度预测是无需注释（Annotation-free）的，它直接从序列预测整个区域的转录潜力 。

  • 支持异构体（Isoform）分析： 因为它提供了沿基因轴的详细分布，理论上它可以用来预测不同外显子使用情况或可选剪接（Alternative Splicing），尽管受限于当前的 3' 测序协议，这一点的信号目前还比较有限 。

3. 具体输出示例

当你输入一段序列时，scooby 在 RNA 模态下的输出表现为：

  1. 中心区域约 的 6,144 个分箱（Bins） 。

  2. 每个分箱都有一个连续的数值，代表该位置的 RNA 覆盖强度 。

  3. 通过查看这些数值，你可以清晰地看到转录是从哪里开始，在哪里结束，以及哪些外显子区域的信号最强 。

如何通过这些图谱来解析遗传变异（eQTL）是如何通过破坏具体的结合位点来降低基因产量？

scooby 通过将深度学习预测能力与计算机模拟突变(in silico mutation)以及梯度解释法相结合，能够精准地解析遗传变异(eQTL)如何通过破坏特定转录因子(TF)的结合位点来影响基因产量。
其具体的解析流程如下：
1. 变异效应的量化预测

当给定一个遗传变异(如 eSNP)时，scooby 会并行进行两组预测：

  • 参考预测(Reference)： 输入包含原始碱基的 DNA 序列，预测该状态下的 RNA 覆盖度图谱和 ATAC 可及性图谱。
  • 变异预测(Alternative)： 仅改变该位点的碱基，再次输入序列进行预测。

计算差异： 模型通过计算两组图谱之间的log2倍数变化(log-fold change)来量化该变异对基因产量和染色质可及性的直接影响。

2. 识别被破坏的结合位点(机制解析)
为了弄清楚“为什么”产量会降低，scooby 使用了两种关键工具：

  • 梯度权重分析： 使用基于梯度的模型解释方法，在变异位点周围生成梯度加权的位点权重矩阵(PWM)。这能显示哪些碱基对模型预测最重要，从而识别受影响的 TF 基序。

  • 基序模拟突变： 专门针对预测到的 TF 结合位点进行模拟突变(将其替换为随机序列)，观察这是否能复现该 eQTL 导致的表达下降。

3. 解析细胞类型特异性
scooby 的核心优势在于能解释为什么同一个变异在某些细胞中有害，而在另一些细胞中没有影响：

转录因子的“存在感”： 模型通过细胞特异性解码器，将序列变异与细胞内的 TF 表达状态联系起来。

典型案例(TES 基因)： 变异rs143664050被预测会降低TES基因在单核细胞中的表达，但在成红细胞中几乎没有影响。

原因分析： 解释发现该变异破坏了SPI1转录因子的结合位点。
生物学验证： 由于 SPI1 仅在单核细胞等髓系细胞中表达，而在成红细胞中不表达，因此该位点被破坏仅在单核细胞中产生功能性后果。

  1. 预测结果的验证
    scooby 的这种解析能力已在大型数据集上得到证实：
    在OneK1K队列中，scooby 预测变异效应的方向(增加或减少产量)与实际观察到的细映射 eQTL 效应高度一致。

对于强效应预测（log2效应绝对值>0.05），其符号一致性(Sign Concordance)可达91.6%。

posted @ 2026-02-04 01:04  ylifs  阅读(31)  评论(0)    收藏  举报