告别离散祖先分组：DA-ICL用上下文学习预测癌症结局

从离散分组到连续谱系：癌症结局预测的新思路

机器学习模型在基于组学数据的癌症结局预测中，通常采用两种策略：要么将所有样本混合训练而不区分祖先背景，要么采用“祖先离散”设计，将样本按祖先分组后分别建模。然而，越来越多的证据表明，后一种思路存在根本性局限。

预测准确性会随着训练样本的遗传距离增加而下降，即使在同一个祖先群体内部也是如此。原因在于，数据分布是连续变化的，而不仅仅在预定义的类别之间跳跃。这种连续变化导致了模型在应用于遗传距离较远的个体时性能衰减。

针对这一问题，一篇最新论文提出了分布感知的上下文学习（Distribution-Aware In-Context Learning, DA-ICL），旨在将传统的祖先离散建模扩展到祖先连续谱建模。该方法试图捕捉整个遗传连续谱上非平稳的组学-终点关系，并借助上下文学习基础模型实现高效建模。

为什么祖先离散建模不够用？

传统的祖先离散建模隐含了一个假设：不同祖先群体之间的数据分布存在清晰的边界，而群体内部则相对同质。但这一假设与真实的遗传变异模式相悖。

遗传变异是连续的，祖先背景并非非此即彼的离散标签。当模型在一个祖先群体上训练后，面对遗传距离较远的个体时，其预测能力会自然下降——这种下降是渐进的，而非在跨越某个类别边界时突然发生。离散建模无法刻画这种渐变关系，导致模型在群体边缘或混合祖先个体上的表现不佳。

DA-ICL 的核心洞察在于：与其将祖先视为离散类别，不如将其视为连续变量，并让模型根据输入样本的分布特征动态调整预测。这需要模型具备“上下文感知”能力，即根据当前样本的分布情况灵活调整其内部表示。

遗传距离是衡量两个个体或群体之间遗传差异程度的量化指标，通常基于全基因组单核苷酸多态性（SNP）等标记计算。在群体遗传学中，常用Fst（固定指数）或主成分分析（PCA）空间中的欧氏距离来刻画。遗传距离越大，意味着两个个体共享的近期共同祖先越少，其基因组结构、等位基因频率以及连锁不平衡模式差异越显著。对于基于组学数据的预测模型而言，训练集与测试集之间的遗传距离增大会导致协变量偏移（covariate shift），即输入特征的分布在训练与测试阶段不一致，从而削弱模型泛化能力。这种效应在跨祖先群体预测中尤为突出，也是推动从离散分组转向连续谱建模的重要动因。

DA-ICL 如何实现连续谱建模？

DA-ICL 建立在上下文学习基础模型之上。上下文学习允许模型在不更新参数的情况下，根据输入序列中的示例动态适应新任务。在 DA-ICL 中，这一机制被用来捕获遗传连续谱上的分布偏移。

具体而言，模型不再为每个祖先群体单独训练一个预测器，而是学习一个能够根据样本的遗传背景和组学特征进行自适应调整的统一模型。通过将祖先连续谱信息融入上下文，模型可以更准确地估计组学特征与癌症结局之间的关系，即使在训练数据中未充分覆盖的遗传区域也能保持较好的预测性能。

论文提供了理论分析，证明祖先连续谱建模优于祖先离散建模。同时，实证结果也支持了该框架的有效性。作者将代码开源在 GitHub 上（ai4pm/DA-ICL-Continuum），为后续研究提供了可复现的基础。

上下文学习（In-Context Learning, ICL） 是大规模基础模型（尤其是Transformer架构）展现出的核心能力之一：模型无需更新任何参数，仅通过输入序列中提供的若干示例（即“上下文”）即可推断任务模式并完成对新查询的预测。其机制依赖于注意力层对上下文示例与查询之间关系的动态计算，本质上是在前向传播过程中完成一种隐式的任务适应。在DA-ICL中，上下文示例不再是随机选取，而是根据遗传背景的连续分布进行组织，使模型能够在推理时感知并适应样本所处的遗传连续谱位置。这为处理非平稳的组学-终点关系提供了一种参数高效的建模范式，避免了为每个祖先区间单独训练模型所带来的数据碎片化和过拟合风险。

对精准肿瘤学的意义

这项工作的价值不仅在于方法创新，更在于它对精准肿瘤学中的公平性问题提出了新的解决路径。如果模型在遗传距离较远的群体上性能下降，那么依赖这些模型的临床决策可能会加剧健康不平等。

DA-ICL 通过连续谱建模，有望减少因祖先分组粗糙而导致的预测偏差。它提醒我们：在构建跨群体适用的组学预测模型时，连续分布视角比离散类别视角更贴近生物学现实。未来，这一思路或许可以推广到其他涉及连续协变量的生物医学预测任务中。

精准肿瘤学中的健康不平等是一个日益受到关注的议题。现有研究表明，由于基因组参考数据库和临床 trial 长期以欧洲裔人群为主，基于组学数据训练的预测模型在非欧洲裔群体上的性能往往显著下降。这种性能差异若被直接嵌入临床决策支持系统，可能导致少数群体获得次优的风险分层或治疗推荐，从而放大已有的医疗差距。祖先离散建模在形式上承认了群体差异，却以粗糙的类别边界掩盖了群体内部的异质性以及群体间的渐变过渡，因而难以从根本上消除偏差。连续谱建模的意义在于，它将公平性问题转化为分布偏移下的泛化问题，使得模型评估与改进有了更精细的量化抓手。

要点回顾

• 祖先离散建模假设群体内部同质，但遗传变异是连续的，导致模型在遗传距离较远时性能下降。
• DA-ICL 将祖先视为连续谱，利用上下文学习基础模型动态适应分布偏移。
• 论文提供理论证明和实证结果，支持连续谱建模优于离散建模。
• 该方法对减少精准肿瘤学中的预测偏差具有潜在意义，代码已开源。

参考来源：论文原文及 GitHub 仓库 ai4pm/DA-ICL-Continuum。