本论文提出的Melody（Methylation Learning On DNA）框架，就是想一次性把这些陈年旧账算清楚。它把输入窗口从几百bp直接拉到10kb，用全卷积编码器-解码器结构捕捉局部和远端序列特征，同时靠多任务学习让模型兼顾单碱基甲基化水平、100bp区域平均甲基化水平和CpG密度。更妙的是，Melody还设计了三个变体，分别应对单组织预测、跨组织共享建模，以及“从未见过的细胞类型”的泛化预测。这套组合拳打下来，效果如何？咱们接着看。
DNA甲基化是基因组上最常见的表观遗传修饰之一，它不改变碱基字母本身，却能在不改变序列的情况下改变基因的“读音”。在人类基因组中，甲基化通常发生在CpG二核苷酸的胞嘧啶上。所谓CpG，就是DNA序列中胞嘧啶（C）后面紧跟一个鸟嘌呤（G）的位置，字母“p”代表中间的磷酸二酯键。这些位点如同散布在基因组上的开关，它们的甲基化状态直接关联基因表达、转座子沉默和基因组稳定性。过去十几年，研究者一直试图从DNA序列本身出发，预测哪些CpG位点会被甲基化。早期的DeepCpG、CPGenie采用两层卷积网络，输入窗口只有几十个碱基；iDNA-ABT引入了Transformer和预训练架构，但窗口仍然停留在41bp；INTERACT把卷积和Transformer结合起来，也只在局部上下文里打转。不是说这些工作不重要，而是它们被输入窗口“锁死”了——41bp能看到的，只有局部的序列拼图，根本装不下甲基化调控所需的远端增强子、CpG岛边界等长程信息。本论文提出的Melody（Methylation Learning On DNA）把输入窗口直接拉到10kb，采用全卷积的编码器-解码器骨干网络。10kb是什么概念？大约等于一个典型基因的长度，足以把局部序列特征和远端调控信号装进同一张“全景图”。更重要的是，Melody没有把甲基化预测当作单一任务来做：除了预测每个CpG位点的甲基化水平，它同时让模型预测每个100bp窗口的平均甲基化水平和CpG密度。这两个辅助任务相当于给模型装上了“区域感知”的副驾驶，帮助主任务在全局上下文中做决策。整个网络在39种人类组织的全基因组甲基化图谱上训练，最终输出连续的甲基化概率值，而不是简单的“甲基化/非甲基化”二分类。与现有最优方法的性能对比。每个点代表一个数据集（n=39）。(A–B) 多种数据划分（染色体划分、低甲基化样本划分的验证/测试集以及细胞类型特异区域）下的性能比较；(C) 染色体水平的Pearson相关与MSE对比；(D–E) ROC与精确率-召回率曲线对比；(F) 不同甲基化状态下的MSE对比；(G) 七种代表性细胞类型在验证和测试染色体上的AUC；(H–J) 输入序列长度、损失权重和辅助任务权重的消融分析。在性能对比中，Melody-MT在染色体划分的测试集上，平均AUC达到0.91以上，而DeepCpG和iDNA-ABT等基线模型的AUC普遍在0.85以下。在低甲基化样本划分的测试集上，Melody-ST的AUC比Melody-MT高出约2个百分点，说明单通道模型在捕捉细胞类型特异的低甲基化区域时确实有优势。但在全染色体水平上，Melody-MT的Pearson相关和MSE均优于Melody-ST，表明多任务共享学习能提升整体预测的稳定性。消融实验也证实了10kb窗口的必要性：当输入窗口从10kb缩短到2kb时，AUC下降约3%；缩短到500bp时，AUC下降超过8%。辅助任务同样重要，去掉100bp平均甲基化预测任务后，单碱基预测的MSE上升了约5%。
三种变体设计：如何实现跨组织与跨细胞类型的精准预测
有了统一的骨干网络，如何应对不同任务场景？Melody给出了三个变体：Melody-ST（单通道）、Melody-MT（多通道）和Melody-G（泛化版）。Melody-ST一次只针对一种细胞类型训练，相当于给每个组织配备专属“私人定制”模型，在细胞类型特异的调控区域表现最稳。Melody-MT则把39种组织的甲基化图谱塞进同一个多任务网络，共享跨组织的序列调控规律，只在输出层分出不同通道，更适合需要跨组织共享信息的场景。有趣的是，MT模型在全染色体水平上整体更准，而ST模型在细胞类型特异的低甲基化区域反而更占优，这与过去一些研究的观察一致——共享特征有时会牺牲掉细胞类型特有的分辨率。Melody-G是三者中最大胆的设计。它的目标不是预测已知组织的甲基化，而是推断训练集中从未出现过的细胞类型。为了实现这个目标，Melody-G把单细胞RNA测序数据经过预训练基础模型得到的细胞嵌入（cell embedding）作为条件信息，注入到序列特征中。融合方式采用特征级线性调制（FiLM，Feature-wise Linear Modulation）。简单来说，细胞嵌入先经过一层线性变换和ReLU激活得到中间向量h：其中e_cell是细胞嵌入向量，W1和b1是可学习的权重和偏置。再通过第二层线性变换生成缩放系数γ和偏移系数β：最后把序列特征x按通道进行缩放和偏移：这样一来，模型的序列理解能力保持不变，但每一层特征都根据细胞身份动态调整，相当于让同一个“读谱”网络在不同细胞类型里切换“看谱”的角度。Melody-G还采用了两阶段训练策略：第一阶段（G1）用已见细胞类型的整条染色体训练；第二阶段（G2）用细胞类型特异区域微调，让模型更聚焦于区分不同细胞类型的关键调控位点。在Melody-G的训练过程中，细胞嵌入来自一个预训练的单细胞基础模型，该模型在大量人类单细胞RNA测序数据上学习得到，能够将每个细胞类型映射到一个高维向量空间。这个向量空间中的距离反映了细胞类型之间的转录组相似性。Melody-G利用这种相似性，让模型在推断未知细胞类型时，能够参考与其转录组最接近的已知细胞类型的甲基化模式。例如，当需要预测胰腺Delta细胞的甲基化状态时，模型会重点关注与Delta细胞转录组相似的已知细胞类型（如胰腺Alpha细胞和Beta细胞）的甲基化特征，并据此调整序列解读方式。
[1] Jin, J., Wang, D., Qiao, J. et al. Decoding the sequence determinants of locus-specific DNA methylation across human tissues. Nature Communications (2026). https://doi.org/10.1038/s41467-026-76744-5[2] Melody Web Server. https://inner.wei-group.net/Melody/
