这篇适合谁
这篇适合已经会用 AlphaGenome 2 预测轨迹或给变异打分,但对结果表里 imputation_mode 这一列拿不准的读者。读完后,你应该能按标签筛选结果,并且知道哪些预测不能直接拿来下结论。
什么是插补轨迹
AlphaGenome 2 会为每个条件预测每一条轨迹,包括那个条件里从来没有做过实验的轨迹。这些插补出来的轨迹是模型生成的假设,不能代替真正的实验测量[1]。所以在用它们之前,先看清楚每条轨迹的标签。
三种标签的含义
每条轨迹都带有 imputation_mode 标签,取值有三种[1]:
observed:该条件下实际测量过,并且用于了训练[1]。imputed_supported:该条件下没有测,但推断的方向在生物学上说得通,并且经过了基准测试。例如从染色质可及性预测组蛋白修饰[1]。imputed_exploratory:该条件下已测的数据对这个读数的约束不够可靠,性能没有经过基准测试,可能很差,甚至有系统性的误导[1]。
通道、轨迹和模态
每个输出类型预测一组固定的通道,一个条件里的一个通道就是一条轨迹[1]。大多数实验里,通道只是同一读数的技术变体,比如测序方案、polyA+ 与总 RNA,或者正链 + 与负链 -。只有 ChIP-seq(CHIP_HISTONE 和 CHIP_TF)的通道对应不同的生物学靶点,也就是组蛋白修饰或转录因子[1]。
一个条件通常只测了某个模态里的一种方案,而不是全部变体,所以插补要做的就是把其余部分补上[1]。插补分两种情况:
- 模态内插补:该模态至少有一个实验在这个条件下测过,模型补全其余部分。例如测了 DNase-seq,就可以预测 ATAC-seq[1]。
- 跨模态插补:该模态的通道一个都没测,于是每个通道都从其他已测的模态预测。例如骨髓 T 细胞只有单细胞实验,它的所有组蛋白 ChIP-seq 通道都是从 scATAC-seq 和 scRNA-seq 插补出来的[1]。
各类输出能被支持到什么程度
哪些输出可以被「支持」,取决于条件里测过哪些模态[1]:
- 染色质可及性(
ATAC、DNASE、SC_ATAC):测过可及性和/或基因表达时,可以得到支持[1]。 - 基因表达(
RNA_SEQ、SC_GENE_EXPRESSION):同样要求测过可及性和/或基因表达[1]。 - 组蛋白修饰和 CpG 甲基化(
CHIP_HISTONE、METHYLATION):需要测过可及性,只有基因表达还不够[1]。 - 未测时始终是探索性的:转录因子结合(
CHIP_TF)、剪接(SPLICE_SITES、SPLICE_SITE_USAGE、SPLICE_JUNCTIONS)、转录起始位点(CAGE)和三维染色质接触(CONTACT_MAPS)[1]。
表达条件下怎么看标签
用 cell_conditioning= 输入自己的人类单细胞数据时,没有任何轨迹会标为 observed,因为输入的细胞计数并不对应某个参考条件。单细胞基因表达直接由你的细胞预测,其他模态则从细胞嵌入插补,可靠性的规则与上面相同[1]。
在代码里按标签筛选
supported_conditions() 每行一个条件、每列一个输出类型,每一列显示的是该输出类型下所有通道中最好的标签。所以列里的 observed 只表示至少有一个通道被测过,不代表全部都测过。比如只测了 CTCF,转录因子那一列就会显示 observed,而其余 777 个因子仍然是探索性的[1]。
预测或打分表里的每条轨迹,在 imputation_mode 这一列都有自己的标签。只保留实际测量的轨迹,可以这样写[1]:
# Keep only directly measured tracks on an Output or GeneExpressionData object:
observed_rna = output.filter_to_observed().rna_seq如果还想保留有支持的插补假设,同时排除探索性的轨迹,可以对打分结果这样筛选[1]:
# Keep measured tracks and supported imputation hypotheses:
tidy = variant_scorers.tidy_scores(scores)
supported_scores = tidy.query(
'imputation_mode in ["observed", "imputed_supported"]'
)常见的误判
只有单细胞数据时看剪接要小心
许多原代细胞类型只有 3' 或 5' UMI 单细胞 RNA-seq(SC_GENE_EXPRESSION)或 scATAC-seq(SC_ATAC),表达条件的输入也是这类数据。液滴的末端标签读段不会跨越内含子之间的剪接连接,因此对细胞类型特异的外显子保留没有直接的监督信号[1]。
模型学到了 DNA 上的剪接供体(GT)和受体(AG)基序,所以它能给出看起来合理的组成型外显子边界。但受 RNA 结合蛋白等反式作用因子调控的组织特异性可变剪接,仍然没有约束[1]。
如果 RNA_SEQ 只是由单细胞实验推断出来的 imputed_supported,那么基因水平的总表达量是有依据的,而单个外显子之间的相对覆盖度,不能当作已经验证过的异构体使用情况来解读[1]。
一个实用的做法是:只有在剪接轨迹为 observed、或者测过全长的批量 RNA-seq(RNA_SEQ)的条件下,才对 SPLICE_SITES、SPLICE_SITE_USAGE 和 SPLICE_JUNCTIONS 打分。在只有单细胞数据的条件下,改用 SC_GENE_EXPRESSION_DENOISED(表达条件)或 SC_GENE_EXPRESSION(使用 condition= 时)来评估整体的转录效应[1]。
未表达的转录因子造成的假阳性
TF ChIP-seq 实验几乎都是在目标转录因子已经表达的细胞类型里做的。训练时,未测的(条件,转录因子)轨迹是被从损失函数里屏蔽掉的,而不是被当作零信号,所以模型从来没有被明确告知:不表达的因子不会结合 DNA[1]。
当变异落在开放染色质里,并且匹配某个转录因子的基序时,哪怕这个因子的基因在该条件下并不表达,插补出来的 CHIP_TF 轨迹和 ALT 减 REF 的打分都可能很大。ETS、GATA、KLF/SP 这类基序家族里,同一家族中已表达的旁系同源因子也会带来同样的问题[1]。
因此,尽量只保留 imputation_mode == 'observed' 的 CHIP_TF 轨迹和打分。看 imputed_exploratory 的结果时,要先确认候选转录因子的基因在该条件下确实表达。可以用下面的方式检查,先看候选因子基因所在的 1 Mb 区间里的单细胞表达,再按你自己已知表达的转录因子列表过滤打分结果[1]:
# Check expression of a candidate TF gene on its own 1 Mb genomic interval:
tf_pred = dna_model.predict_interval(
interval=tf_gene_interval.resize(dna_client.SEQUENCE_LENGTH_1MB),
requested_outputs=[dna_client.OutputType.SC_GENE_EXPRESSION],
condition=condition,
)
sc_gex = tf_pred.sc_gene_expression.filter_to_observed()
# Or filter candidate TF ChIP-seq variant scores against a predefined set of TF
# gene symbols expressed in your condition (for example, from your own RNA-seq):
expressed_tf_symbols = {'SPI1', 'CEBPA', 'IRF8'}
valid_tf_scores = tidy[
(tidy['output_type'] == 'CHIP_TF')
& (
(tidy['imputation_mode'] == 'observed')
| tidy['transcription_factor'].isin(expressed_tf_symbols)
)
]下一步
官方的插补专题「Working with imputed tracks」在 TCF7 位点上,分别演示了模态内和跨模态两种插补情况[1]。读完这篇,再去跑那个例子,会更容易对上标签的含义。
本文改编自 Google DeepMind 的 AlphaGenome 文档中关于插补轨迹的说明[1],原文以 CC-BY-4.0 许可发布。
来源
- 1Navigating imputed tracksGoogle DeepMind AlphaGenome docs
引用本页: AlphaGenome 2 插补轨迹怎么读:observed 与 imputed 标签详解. TellWorld, https://www.tellworld.net/zh/practice/practice-alphagenome-2-imputation. 更新于 2026-11-15