GPN-Star：进化时间尺度、突变率校准与功能约束

问题：序列模型中的“少见”到底来自什么

自然界观察到的核苷酸分布同时受突变、选择与系统发育历史影响。一个语言模型认为 ALT 不常见，并不自动意味着该变异破坏功能。GPN-Star 的目标是从多物种全基因组比对中学习 特定进化时间尺度上的功能约束，并减弱突变率差异对分数的影响，而不是直接输出一般意义上的临床致病概率。正文

与 AlphaGenome Atlas 的区别是：后者主要把序列改变映射到分子测量与综合排序；GPN-Star 主要利用跨物种的可接受序列变化。两类模型的监督信息、输出含义和盲区不同，不能仅凭某一条 AUPRC 排序就断言其中一类可替代另一类。

架构：序列内注意力与系统发育交叉注意力分开

每个输入是一个多物种比对窗口及对应物种树。训练样本包含一个固定的主要目标物种，加上按 clade 分层抽样的 19 个目标物种；来源序列则使用比对中的全部物种。模型预测被遮盖的目标核苷酸，既看同一序列上下文，也看其他物种的同源位置。

相近来源物种先按进化距离划为 clade，再通过注意力池化压缩成 clade 级表示。每个 encoder block 依次包含序列内 self-attention、系统发育 cross-attention 和前馈网络。交叉注意力可概括为

$$\operatorname{Attn}_{\mathrm{phy}}(Q,K,V)=\operatorname{softmax}\!\left(\frac{QK^\top}{\sqrt d}+b(\Phi)\right)V,$$

其中 $\Phi$ 是目标物种到来源 clade 的进化距离，$b$ 是可学习的非线性距离编码。它不是把物种树简单拼接成输入标签，而是直接改变各来源序列的注意力权重。

还有两个防止“抄答案”的设计：同一 clade 的目标与来源序列在对应位置同步 mask；目标物种不能在 cross-attention 中读取自己所属 clade 的表示。这样可降低模型只复制极近缘物种核苷酸的倾向。序列内注意力的 query/key 共享主要目标物种的位置图，减少多目标输入的注意力图内存开销；比对坐标以主要目标基因组为准。补充材料，Model Architecture 与 Training Setup，PDF pp.5–9

三个时间尺度不是同一个模型的三个输出头

主要结果使用三套单独训练的约 200M 参数模型：V 为 100 个脊椎动物、128 bp 上下文；M 为 447 个哺乳动物、256 bp；P 为 243 个灵长类、256 bp。三者的 clade 数分别是 45、145、21。补充表报告在 8 张 A100 上分别训练约 4.5、6.6、4.2 天；这些是作者配置下的训练时间，不应直接拿来推算其他硬件或任务的成本。

训练集为人类染色体 1–20、X、Y，染色体 21 用于训练损失验证、22 留出。每个样本对 15% 的非 gap 目标位置选择遮盖，其中 90% 真正替换为 mask。损失并非在全基因组各位置等权：重复序列降权，PhyloP 与局部平滑后的 PhastCons 参与损失加权；推定中性位点还进行随机核苷酸扰动。因此“未用致病标签监督”不等于“没有利用既有保守性注释”。补充材料，Training Setup 与 Supplementary Table 1

较短上下文也是有原因的：跨物种比对片段可能存在重排与断裂，相邻的人类坐标不保证在其他物种中仍连续。作者发现增大上下文的收益有限，不能把 128/256 bp 简单解释为所有调控作用都发生在这个范围内。

分数定义与突变率校准

在目标位点 mask 中心核苷酸后，模型给出 A/C/G/T 的概率。变异特异分数为

$$\mathrm{LLR}=\log\frac{p(\mathrm{ALT})}{p(\mathrm{REF})}.$$

很负的值表示 ALT 相对 REF 更不被该进化上下文接受。另一个量是核苷酸分布熵

$$H=-\sum_{b\in\{A,C,G,T\}}p(b)\log p(b),$$

它衡量位置上的不确定性，不区分这个位置的三个 ALT。

校准先寻找高可信中性位置：人类模型使用可由小鼠重复序列 liftOver 并与人类重复序列重叠的 ancestral repeats，再要求 PhyloP 在 −0.1 到 0.1、PhastCons 为 0。按中心 五核苷酸上下文 分组估计中性平均分数，并执行

$$\mathrm{cLLR}=\mathrm{LLR}-\mathrm{LLR}_{\mathrm{neutral}}(x,\mathrm{ALT}),\qquad H_{\mathrm{cal}}=\frac{H}{H_{\mathrm{neutral}}(x)}.$$

LLR 用减法、熵用除法；不能把两者都写成除以突变率。作者以 Roulette 等突变率估计检查校准后相关性降低，并观察到多数基准改善。但“近乎消除所检验相关”不等于从观测序列中完整识别了所有选择与人口史成分；校准仍依赖中性区域与局部上下文假设。补充材料，Inference 与 Mutation Rate Calibration，PDF pp.10–11

三个应用的打分规则不同：致病变异与稀有变异分析主要用 cLLR；GWAS 精细定位标签排序用其绝对值；S-LDSC 结果主要用校准熵。作者最初也尝试绝对 LLR，但发现熵对遗传力更有信息。这意味着不能把整篇论文的成功概括成“一条变异特异 cLLR 适用于所有任务”。

精细定位基准检验的是排序，不是新的 fine-mapping 模型

Figure 2 的 GWAS 基准把既有分析中的高 PIP 变异作为推定阳性、低 PIP 变异作为推定阴性：阈值为 PIP >0.9 与 PIP <0.01，编码和非编码数据分别覆盖 65 和 83 项 UKB 性状。非编码基准为每个阳性匹配九个对照，匹配染色体、后果类型、TSS 距离、LD score 与 MAF；编码集主要匹配 MAF。

GPN-Star (M) 在这两类任务中表现最好；V 则在 ClinVar 编码、COSMIC 等若干任务更突出。高 PIP 标签本身仍来自统计模型，并非实验确证的因果金标准；低 PIP 也不等于确定无效。该评价说明注释能否把已有强证据候选排在前面，没有直接检验把它放进 SuSiE 后 credible set 覆盖率是否正确。

对于 ClinVar，加入 gnomAD 频率的事后调整可提升 GPN-Star (V) 的表现。但临床数据库分类也使用频率信息，因此这个结果与完全不使用群体频率的比较具有不同解释。基准中的 AlphaGenome 也不应被自动等同于同日新公开的 AVI 集成评分；这不是 GPN-Star 与 AlphaGenome Atlas 在完全统一设置下的新一轮全面对决。正文 Figure 2；补充 Evaluation Benchmarks

S-LDSC：区分注释富集与独立条件贡献

作者使用 9,997,231 个参考 SNP，其中 5,961,159 个 MAF ≥5% 的常见 SNP 用于确定注释比例。主分析取最受约束的前 0.1%，加入 baselineLD v2.2 的 96 项特征后，分别运行 S-LDSC，再对 106 项可获取的独立性状做随机效应 meta-analysis。LD 参考来自 479 名 1000 Genomes 欧洲祖源个体。

遗传力富集是注释覆盖的遗传力比例除以覆盖 SNP 比例；它包含与其他注释重叠的贡献。标准化条件系数 $\tau^*$ 则关注在其余注释已入模后，该注释增加一个标准差所对应的每 SNP 遗传力变化。高富集不自动意味着提供独立于所有既有注释的信息，因此 Figure 3 同时展示两类统计量很重要。

P 模型整体最突出，M 次之，非编码区域和远端增强子尤值得关注。P 相对 M 的富集优势与有效多基因性在 27 项性状上呈相关（$r=0.47$，单侧 $P=0.0072$）；这只是跨性状的关联，不能解释为已证明某种进化机制决定多基因性。

组织特异版本是再把高分变异限制在组织特异表达基因附近或 cCRE 内，并使注释大小可比；不是模型自己生成了该组织的表达效应。这样在脑、免疫等部分设置有改善，但并非总超过组织无关版本。补充材料还以较少共同物种重训，检查 P 模型相对 PhastCons 的优势是否仅来自比对物种更多。正文 Figure 3；补充材料 S-LDSC analysis，PDF pp.18–20

DeepRVAT：有增益，但属于编码数据与同队列扩展验证

作者向已含 AlphaMissense、PrimateAI、DeepSEA 等注释的 DeepRVAT 同时加入 V/M/P 三个分数。样本为 161,822 名无三等亲或更近关系的欧洲祖源 UKB 参与者；训练保留 MAF <1% 的变异，关联检验保留 MAF <0.1%。模型沿用 21 项训练性状，在 34 项定量性状上检验，其中 13 项不在训练性状中。

三个随机初始化下，平均显著发现数从 383 增至 402；可在更大 UKB WES 研究中找到支持的基因–性状关联平均从 338 增至 353。检验使用 DeepRVAT 基因评分与 REGENIE，并采用 Bonferroni 控制。这里的 replication 参照仍来自 UKB，可能包含样本重叠，不能写成独立祖源或外部队列复制。数据是 WES；对非编码 RVAT 的更大收益仍是作者展望，而非本文已完成的验证。正文 Rare variant association testing；补充材料 PDF p.20

可复用之处与研究边界

最值得复用的是把 时间尺度、分数变换与任务 一起选择，而不是把 V/M/P 简单平均。模型仍依赖固定比对，推理需要同源序列；indel、结构变异和人类特有的细粒度选择不是当前框架的强项。约束高不代表一定影响某项研究表型，模型本身也不给组织特异效应方向。

针对注释辅助 fine-mapping，后续可以分别检验 cLLR、绝对 cLLR、校准熵及模态注释的互补信息，按位点留出学习先验，并报告 PIP 校准和 credible set 覆盖率，而不是只用现有高 PIP 标签做排序。以上是研究建议，不是本文已经实现的 SuSiE 方法。

阅读范围与资源

已阅读正文与 Methods，补读独立补充 PDF 的架构、训练、突变率校准、基准构造、S-LDSC 和 DeepRVAT 方法，并核对相关原图及训练表；没有重新训练模型或运行人群关联分析。预计算分数与权重见 作者 Hugging Face 集合，代码见 songlab-cal/gpn。