CRISPRi 引导效力模型跨库失效：换掉基因内百分位标签，迁移相关从0.008升到0.136
核心概要
在K562细胞上训练的CRISPRi引导效力模型，直接用于Sanson等2018年的Dolcetto独立文库（HT29与A375细胞）时几乎不迁移，Spearman相关仅0.008和0.012。保持101个特征、模型结构和超参数不变，只把训练标签从基因内百分位改为连续的跨研究z分数，同一模型在HT29和A375上的迁移相关升至0.136和0.158，K562留一染色体交叉验证也从0.375升到0.429。这说明跨库迁移失败主要来自标签设计，而不是染色质特征缺失。
深度剖析
CRISPRi引导效力预测模型换一个独立设计的全基因组文库后，预测几乎失效，而失效的主因不在特征。 此前的评估要么从与训练相同的分布中抽样，要么在跨细胞系时固定同一批位点；对目标基因大部分不同的新文库，迁移能力没有被直接检验。 在K562上训练的模型不重训直接用于Dolcetto文库的100942条引导，HT29的Spearman相关为0.008（95%置信区间0.002至0.014），A375为0.012（0.006至0.018），远低于同一模型在K562留一染色体交叉验证中的0.375。
把训练标签从基因内百分位换成连续z分数后，同一模型在源分布和目标文库上都更好。 基因内百分位归一化会消除区分不同目标基因之间效力高低的信号，而独立文库恰好主要由训练集之外的基因组成。 连续z分数标签下，K562留一染色体交叉验证为0.429（0.412至0.447），HT29迁移为0.136（0.129至0.142），A375为0.158（0.152至0.164），两个细胞系上配对置换检验p约为0.0001。
模型把引导序列、染色质可及性、组蛋白修饰、三维基因组接触和局部基因组背景共101个特征一起输入梯度提升树，用SHAP值拆解各特征组的贡献。 序列特征单独使用时K562留一染色体交叉验证为0.329，加入染色质可及性后升到0.360，再加组蛋白修饰或三维接触没有显著变化，最后加入局部基因组背景达到0.375。 在19446条训练引导上，完整101特征模型的0.375（0.360至0.389）高于Rule Set 3在5056条带标准NGG PAM的Horlbeck引导上的0.259（0.232至0.286），也高于仅用引导到转录起始位点距离的线性基线0.021（0.006至0.034）。
启示与展望
结论建立在K562细胞上训练、以Horlbeck与Gasperini两个筛选构建标签、并在Sanson等2018年Dolcetto文库的HT29与A375细胞上做外部检验这一设置上；外部特征仍取自K562的染色质数据，因为当时ENCODE对这两个细胞系缺少所需的组蛋白标记覆盖。
即使改用连续z分数标签，迁移相关也只有约0.14至0.16，仍低于模型在训练分布内的表现，标签修正缩小但没有消除跨库、跨细胞系的泛化差距；由于外部评估同时存在标签与特征两方面的细胞类型不匹配，现有数据无法区分两者各自对残余差距的贡献。