跳到正文
bioRxiv· Alajji, A.; Jashil, R.; Mall, R.; Elshrif, M.·· 来源仅提供日期AI 评分61

MELD:1.9M 参数的差分监督变异效应预测模型

MELD: Mutation Effect Learning through Differential embeddings

AI 导读

研究团队提出 MELD,一个直接以野生型与突变型差分作为监督目标的紧凑变异效应预测模型,参数量为 1.9M。

预印本 · biorxiv · 10.64898/2026.10.29.762727

本站摘要基于收录版本 v1(2026-11-09),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

我们提出 MELD(Mutation Effect Learning through Differential Embeddings,通过差分嵌入学习突变效应),这是一个紧凑模型,通过直接在野生型(WT)与突变体的差分上训练来预测单核苷酸变异(SNV)的功能后果。解读 SNV 是临床基因组学的核心,但实验表征无法扩展到数百万个已观测变异。领先的序列到功能模型(Enformer、Borzoi、AlphaGenome)在绝对基因组轨道上训练,并通过计算机模拟诱变(ISM)事后对变异进行评分,因此 WT-突变体之差从未进入训练损失。MELD 则将 logit 差值 {Delta}z = zmut - zwt 置于监督目标之中。它结合了共享的 CNN-Transformer 编码器、突变体特异的突变掩码增强、以突变位点为中心的多尺度池化,以及一个学习得到的自适应放大因子。在 ClinVar(157 万变异)上,MELD(190 万参数)达到 0.986 的 AUROC,而同数据、同骨干的 ISM 基线为 0.800,消融实验证实了各组件的贡献。在共享基准上,它优于参数量多 3-1,300 倍的冻结基础模型(AUROC 0.967,而 AlphaGenome 为 0.924、Nucleotide Transformer 为 0.936)。仅用 5 万训练变异,它就超过了在全部 148 万变异上训练的 ISM 基线(AUROC 0.903 对 0.796)。在 BRCA1 饱和基因组编辑上,冻结的 MELD 达到 0.42 的 Spearman {rho},高于 Borzoi(0.40),而 ClinVar 迁移将其提升至 0.45。这些结果表明,直接的差分监督是事后 ISM 评分的一种紧凑、数据高效的替代方案,而后者需要规模大得多的预训练模型。

来源:bioRxiv · biorxiv.org