The Dark Regulome: Disentangling Predictability from Regulation in Genomic Foundation Models

背景

高级别胶质瘤（High-grade gliomas）并非孤立存在的肿瘤细胞团，它们能够通过功能性突触与神经元整合进神经回路。这一现象引发了一个关键的生物学问题：在肿瘤细胞中，究竟是哪些非编码基因组元素塑造了突触发生相关基因（synaptogenic genes）的表达？

为了回答这个问题，研究者将目光投向了被称为“暗基因组”（dark genome）的区域。在这篇文章中，作者将跨越暗基因组的调控程序称为暗调控组（Dark Regulome）。随着基因组基础模型（Genomic Foundation Models）的兴起，利用序列基础模型通过虚拟突变（in-silico mutagenesis, ISM）进行零样本（zero-shot）预测，成为探索这一调控程序的天然途径。

然而，现有的基于似然（likelihood-based）的评分方法存在一个根本性的逻辑缺陷：它们与局部序列的可预测性（predictability）在逻辑上是耦合的。这意味着，模型得分高可能仅仅是因为该序列容易被模型预测，而不一定代表它具有生物学上的调控功能。这种“可预测性”与“调控功能”的混淆，使得对调控机制的解释处于不确定状态（underdetermined）。

核心内容

本研究旨在解决上述混淆，通过引入一种残差化与置换诊断方法（residualization-and-permutation diagnostic），将驱动于序列可预测性的方差与驱动于调控功能的方差分离开来。

研究设计与数据

研究团队在三个架构截然不同的基础模型上进行了测试：

1. Caduceus-Ph
2. HyenaDNA
3. Enformer

研究对象涵盖了 92 个与胶质瘤相关的位点中的 30,448 个暗基因组元素。

核心发现：可预测性与调控性的解耦

通过严格的控制实验，研究揭示了以下关键现象：

1. 近端调控边界的稳健性：一个尖锐的 10kb 近端调控视界（proximal-regulatory horizon）在所有控制条件下都得以保留，表明短距离内的调控信号是真实存在的。
2. 模型层级的脆弱性：基于语言模型（LM）推导出的元素类别层级并不稳健。一个简单的六特征线性基线模型，在预测 Caduceus 模型前 10% 高分元素时，达到了 AUC = 0.985 的高准确率。这说明许多被基础模型标记为“重要”的元素，其实可以通过简单的序列特征被预测，而非复杂的生物学调控逻辑。
3. 跨架构分解结果：
   • 序列可预测性层：两个语言模型（Caduceus 和 HyenaDNA）共同将长且易于预测的可移动遗传元件（transposable elements）排在高位。
   • 调控输出层：只有 Enformer 单独保留了残差的 cCRE（候选顺式调控元件）判别信号。
   • 零重叠：这两个层级在 Top-100 列表中没有任何重叠，清晰地证明了可预测性并不等同于调控功能。

生物学验证与交叉检查

为了确定哪些生物学信号在剥离了可预测性偏差后依然成立，研究团队使用了保守性、大脑顺式表达数量性状位点（brain cis-eQTL）以及 STRING-PPI（蛋白质-蛋白质相互作用）进行交叉验证：

• eQTL 富集：在所有三个模型中，Top-100 元素对于匹配的大脑 eQTL 的富集程度是每个模型 3.3 倍（$p_\mathrm{emp} < 5\times 10^{-3}$）。这锚定了幸存下来的生物学意义。
• 假阳性的排除：
  • 看似诱人的“可移动遗传元件调控层”在构建适当的置换检验后，未能通过统计显著性测试。
  • 引人注目的 NRXN1 + NLGN1 蛋白对收敛信号，同样在置换检验中失败。

关键要点

• 方法论创新：提出了一种通用的残差化与置换诊断工具，用于从基于 ISM 的调控研究中分离“可预测性”与“调控功能”。
• 模型差异显著：不同架构的基础模型（如语言模型 vs. Enformer）捕捉到的信号本质不同。语言模型倾向于捕捉序列本身的统计规律（如长重复序列），而 Enformer 更可能捕捉到真实的调控输出信号。
• 线性基线的威胁：简单的线性模型即可匹配复杂基础模型的高分排名，暗示许多基础模型的高分结果可能只是对简单序列特征的过度拟合，而非发现了新的调控逻辑。
• 生物学信号的筛选：只有经过严格的置换检验和生物学交叉验证（如 eQTL 匹配）的信号，才具有真实的调控意义。许多看似显著的调控元件（如某些转座子）实际上是统计假象。
• 近端调控的有效性：10kb 范围内的近端调控信号是稳健且真实的，不受模型架构或可预测性偏差的显著影响。

意义与影响

这项研究对基因组基础模型的应用提出了重要的警示和方法论指导：

1. 纠正解释偏差：在利用 AI 模型解读基因组时，不能直接将“高预测概率”等同于“高调控重要性”。必须通过统计手段解耦这两者，否则会导致对调控机制的误读。
2. 模型选择的依据：对于旨在发现真实调控元件的任务，单纯依赖语言模型（如 Caduceus, HyenaDNA）可能产生大量由序列可预测性驱动的假阳性。Enformer 等专门针对调控任务优化的模型可能提供更可靠的信号，但仍需经过严格的统计验证。
3. 通用工具的价值：作者提供的诊断工具不仅适用于胶质瘤研究，可推广至任何基于 ISM 的调控基因组学研究，帮助研究者从海量数据中提炼出真正的生物学信号，而非统计噪声。
4. 重新审视“暗基因组”：虽然“暗基因组”中充满了可预测的序列模式，但真正具有调控功能的元素可能只占其中很小一部分，且需要通过更严格的生物学验证来识别。

总之，该研究强调了在 AI 驱动的基因组学中，严谨的统计控制和生物学验证不可或缺，以防止将模型的数学特性误认为是生物学规律。