基因组基础模型在常见变异发现上尚未超越标准功能注释

全基因组关联研究（GWAS）多年来在常见疾病中定位了大量效应温和的常见变异位点，但仍有相当比例的遗传力无法解释；早在对自身免疫病已知位点编码区的大规模重测序研究中，罕见编码变异对“缺失遗传力”的贡献就被证明微乎其微，也不支持罕见变异驱动常见标签关联的假说 ^[1]，因此提升常见变异发现更多寄望于功能注释的改进。近年来DNA基础模型为此提供了新工具：基于Nucleotide Transformer微调的SegmentNT能在单核苷酸分辨率分割14类基因与调控元件，并整合Enformer和Borzoi把序列上下文扩展至500 kb ^[2]；另一条路线则用3D染色质数据在57种人类细胞类型中把疾病相关变异物理映射到其可能调控的效应基因 ^[3]。不过，这些模型能否转化为GWAS常见变异发现的实际增益，一直缺乏直接检验。

这篇预印本在替代功能错误发现率（sfFDR）框架下，于27个英国生物库性状上比较了标准功能注释baselineLD与三个领先GFM的衍生注释——序列到功能模型AlphaGenome、Borzoi，以及基因组语言模型GPN-Star。结果并不乐观：GPN-Star相对标准GWAS反而降低了位点发现数；AlphaGenome和Borzoi虽有提升，但中位增幅（1.8%和3.8%）都低于baselineLD的5.1%。将GFM注释与baselineLD合并后，相对单独使用baselineLD没有额外收益（中位变化在−0.1%到0.2%之间），提示这两个模型捕获的信息大部分已包含在baselineLD之中。据数据集目录记载，该分析所用注释覆盖1000 Genomes欧洲人群约7M个SNP^[4]。

这项工作把对基础模型的评估从“注释能力”推进到了“发现增益”层面：单核苷酸分辨率注释 ^[2] 与变异到基因的映射 ^[3] 衡量的是模型刻画功能元素的技巧，而本文直接以新发现位点数量为标尺，答案是在现有形态下GFM尚未越过多年打磨的标准注释。作者的解读是，GFM可能需要更大的训练语料或针对性状的特征工程，才能带来超越baselineLD的改进。

当然，这一结论限于27个英国生物库性状、所测的三个模型以及欧洲人群的注释基础；更大的语料、性状特异性特征或与其他功能基因组学证据的结合能否改变局面，仍有待后续工作回答。