《Briefings in Bioinformatics》：Cross-task benchmarking reveals variable transferability of deep learning models across molecular quantitative trait loci
编辑推荐：
大多数与复杂性状相关的遗传变异位于基因组的非编码区，这使其功能解读变得复杂。近年来，深度学习模型在表达数量性状位点（expression quantitative trait loci，eQTL）预测方面取得了进展，但这些模型是否能推广到不同的分子表型尚不清楚
大多数与复杂性状相关的遗传变异位于基因组的非编码区，这使其功能解读变得复杂。近年来，深度学习模型在表达数量性状位点（expression quantitative trait loci，eQTL）预测方面取得了进展，但这些模型是否能推广到不同的分子表型尚不清楚。在此项研究中，研究人员评估了来自六个代表性序列和注释基础模型的预训练调控特征在九类分子数量性状位点（molecular quantitative trait loci，xQTL）上的跨任务迁移性。研究人员观察到，尽管所有模型在eQTL预测中表现良好，但其在其他xQTL预测中的性能差异显著。染色质可及性、转录因子结合和组蛋白QTL通常能被较好地预测，而染色质环化和microRNA表达QTL仍然具有挑战性。基础模型，特别是AlphaGenome和Borzoi，始终优于基于局部序列上下文的模型，并在类别不平衡设置下展现出更强的鲁棒性。基于树的集成分类器进一步提升了预测性能，表明调控特征之间的非线性相互作用对变异优先排序有重要贡献。将AlphaGenome和Borzoi应用于冠状动脉疾病相关的全基因组关联研究位点，研究人员识别出337个高置信度的候选染色质可及性QTL，包括11个先前报道的和326个新的候选位点，这些位点在预测的染色质可及性信号中显示出显著更大的等位基因特异性差异。总体而言，研究结果揭示了当前以eQTL为中心的模型在跨任务性能上的显著变异性，突显了长程基因组表征的优势，并为优先排序导致复杂疾病的候选调控变异提供了依据。
研究背景、现存问题与研究目的
绝大多数与复杂性状和疾病相关的遗传变异位于基因组的非编码区域，这使得传统的基于蛋白质的注释策略难以解读其生物学功能。大量证据表明，这些非编码区域常携带功能性调控元件，并与多种分子数量性状位点（xQTL）显著富集，这些变异影响基因调控的多个方面，如转录、剪接、甲基化、翻译和多聚腺苷酸化，在塑造复杂性状的表型多样性中发挥核心作用。然而，实验鉴定xQTL在技术和实践上仍面临巨大挑战，通常需要大规模队列、组织或细胞类型特异的分子谱分析以及大量的高通量功能检测，成本高昂且劳动密集。近年来，机器学习尤其是深度学习方法已成为模拟非编码变异调控效应的强大工具，但计算工作一直不成比例地集中在预测eQTL上，对其他同样重要的调控变异类型的预测能力有限。因此，本研究旨在系统评估广泛使用的eQTL预测模型在一系列不同xQTL上的跨任务泛化能力，通过比较不同预测框架在多种调控表型上的表现，刻画以eQTL为中心的模型向其他调控变异的迁移特性，并强调可能影响其迁移性的潜在因素。
主要关键技术方法
研究人员收集了来自GTEx（版本10）和既往出版物的九种xQTL数据集，包括全血中的选择性多聚腺苷酸化QTL（apaQTL）、人冠状动脉平滑肌细胞（HCASMC）中的转录因子结合QTL（bQTL）、HCASMC中的染色质可及性QTL（caQTL）、HCASMC中的染色体环化QTL（clQTL）、全血中的基因表达QTL（eQTL）、淋巴母细胞系中的组蛋白QTL（hQTL）、全血中的microRNA表达QTL（miQTL）、全血中的蛋白质表达QTL（pQTL）以及全血中的mRNA剪接QTL（sQTL）。负对照变异从1000 Genomes Project参考面板中以1:10的比例随机选取。研究人员选取了六种代表性的计算方法用于调控变异效应预测：GWAVA、DeepSEA、ExPecto、Enformer、Borzoi和AlphaGenome。对于每个xQTL数据集，采用基于染色体的划分策略生成互不重叠的训练和测试数据集。研究人员提取了变异水平的染色质特征，并使用XGBoost分类器进行xQTL预测，同时额外评估了随机森林（RF）、L1正则化和弹性网络（Enet）逻辑回归的影响。模型性能通过AUROC、AUPRC、F1分数、马修斯相关系数（MCC）和布里尔分数进行评估。此外，还进行了特征重要性分析和组织富集分析。
研究结果
1. eQTL识别的模型预测性能比较评价
研究人员首先评估了六种模型在全血eQTL数据集上的预测性能。其中，AlphaGenome取得了最佳的整体性能（AUROC=0.810，AUPRC=0.389，F1=0.343，MCC=0.292），并且布里尔分数最低。Borzoi和Enformer也表现出较强的预测能力，AUROC值分别为0.804和0.799。相比之下，基于局部上下文的模型ExPecto和DeepSEA表现较弱，AUROC分别为0.724和0.688。GWAVA虽然仅依赖功能注释，但其表现优于DeepSEA和ExPecto（AUROC=0.775）。在所有模型中，预测的eQTL的次要等位基因频率（MAF）分布与背景变异高度一致，表明不存在系统性偏差。此外，预测概率与绝对效应大小之间存在显著的正相关性。特征重要性分析显示，AlphaGenome和Borzoi的最重要特征主要富集于RNA-seq信号，而Enformer则富集于CAGE衍生的转录活性信号。
2. 跨xQTL预测性能
研究人员随后将所有模型应用于预测其他八种xQTL类型。整体来看，预测性能在不同xQTL类型间差异显著。caQTL、bQTL和hQTL的预测性能最高，其中AlphaGenome在caQTL预测中表现最佳（AUROC=0.954，AUPRC=0.757）。对于bQTL，AlphaGenome和Borzoi持续表现最好。apaQTL、pQTL和sQTL的预测性能处于中等水平，基础模型相较于局部上下文和基于注释的模型保持了持续优势。而clQTL和miQTL的预测最具挑战性，所有模型的性能均大幅下降（AUROC普遍低于0.71）。敏感性分析证实了主要发现的稳健性。
3. 影响跨xQTL预测性能的因素
研究人员系统评估了下游分类器选择和数据集组成的影响。基于树的集成方法（特别是XGBoost）在所有xQTL类别中均显著优于线性分类器，后者在某些任务中AUROC接近0.5。随着对照变异比例的增加，AUPRC、F1和MCC普遍下降，但AUROC保持相对稳定。值得注意的是，AlphaGenome和Borzoi在不同类别不平衡设置下展现出比局部上下文模型更强的鲁棒性。
4. 新型CAD相关caQTL的识别
鉴于AlphaGenome和Borzoi在caQTL预测中的优异表现，研究人员将其应用于独立的冠状动脉疾病（CAD）相关变异集。两个模型在二进制分类上的一致性达到89.92%。通过共识策略，研究人员确定了337个潜在的CAD相关caQTL，包括11个先前报道的和326个未报道的候选位点。预测的caQTL在等位基因特异性DNase-seq信号差异上显著大于非caQTL。
总结讨论与结论
研究结果揭示了当前以eQTL为中心的模型在跨任务性能上存在显著变异性。染色质可及性、转录因子结合和组蛋白QTL通常能被较好地预测，而染色质环化和microRNA表达QTL仍然具有挑战性。基础模型，特别是AlphaGenome和Borzoi，由于能够整合更长的基因组上下文，在捕捉稳定的可迁移调控特征方面优于局部上下文模型。基于树的集成分类器能够有效利用调控特征间的非线性相互作用，进一步提升预测性能。将AlphaGenome和Borzoi应用于冠状动脉疾病相关的GWAS位点，成功识别出高置信度的候选染色质可及性QTL，这些位点显示出显著的等位基因特异性差异。总体而言，研究结果强调了长程基因组表征的优势，并为优先排序导致复杂疾病的候选调控变异提供了依据，同时为开发统一模型以解读非编码变异跨调控机制的效应奠定了概念基础。
