Bolero模型跨物种从DNA预测细胞状态特异性基因调控

从DNA序列预测基因调控，是计算基因组学的一条长线。概率模型早已能从酵母上游序列中学出组合式调控规则，正确预测73%基因的表达模式^[3]；热力学模型进一步证明果蝇体节基因的表达图案编码于顺式调控序列之中，弱结合位点的短距离同簇与协同结合是其关键^[4]；卷积神经网络则把预测推到哺乳动物全基因组，仅凭序列即可给出细胞类型特异的表观与转录谱^[1]。但这条路线始终把细胞状态当作固定标签，一个模型绑定一种细胞类型，回答不了同一段DNA为何在不同细胞、发育阶段与活动状态下被差别解读。另一侧，以Tabula Muris为代表的单细胞图谱积累起逾10万个细胞、20个器官的参照^[2]，却只刻画状态、不读序列。两半拼图互不相通，正是领域卡壳之处。

这篇预印本（Arc研究所等资助）提出的Bolero把两半接了起来：作为序列-功能模型，它的参数以图谱规模的细胞状态嵌入及附加生物学变量为条件，直接从DNA预测状态特异的染色质可及性与转录本丰度。在六个哺乳动物、33个数据集共1070万个细胞上训练后，其表现达到或超过各类专门模型，能分辨近缘细胞状态之间的调控差异，包括皮层的区域梯度与发育梯度；对状态嵌入做外推，还能覆盖训练中不存在的细胞状态，并把非编码变异的影响追索到其发挥作用的细胞类型。作者再以AP-1活性评分作为连续条件轴，在没有真实刺激数据的情况下预测出活动依赖的染色质变化，并在人类各细胞类型中重构了支撑预测AP-1响应的基序身份与间距的协作语法。

更大的推进在跨物种维度：Bolero对训练未包含的物种同样能预测细胞类型特异的可及性与AP-1响应，把比较基因组学从序列保守扩展到预测的功能保守；在84个哺乳动物中，预测的AP-1响应比顺式调控元件上的可及性更不保守，驱动因素是AP-1及协作基序上的人类特异变异。参考基因组与参考细胞图谱由此合为一体，原生或突变的序列都可跨细胞状态、扰动与物种查询其染色质与表达特征——^[3][4]所代表的那种解码组合调控逻辑的抱负，落到了细胞状态分辨的尺度上。同期，XChrom也在尝试以演化保守的调控规则实现跨物种可及性预测^[5]，这一方向正快速热闹起来。

当然，目前一切仍是预印本层面的结果，尚待同行评审与实验检验：预测的AP-1协作语法能否经真实刺激实验逐条证实、嵌入外推对图谱之外稀有状态的覆盖边界在哪里，都还是悬而未决的问题。