HELICS: Biobank-scale Conditional Synthetic Genome Generation via Latent Flow Matching¶

会议: NeurIPS 2026
arXiv: 2610.36361
代码: https://github.com/ahmadazim/HELICS
领域: 计算生物
关键词: 基因组生成, 隐空间流匹配, 单核苷酸多态性, 多基因风险评分, 条件生成

一句话总结¶

HELICS 提出了首个无需单倍型定相（phasing-free）、面向全基因组超 60 万 SNP 位点的两阶段隐空间流匹配生成框架，通过染色体卷积自编码器与 U-Net 结构变换器实现高保真度群体遗传学结构还原与多基因疾病风险的精准可控生成。

研究背景与动机¶

个体层面的基因型数据是现代全基因组关联分析（GWAS）、多基因疾病风险建模以及创新药物靶点发现的基石。随着英国生物样本库（UK Biobank, UKB）、All of Us 以及退伍军人百万基因组项目（MVP）等超大规模队列的建立，现代遗传学队列样本量已跨越百万人量级。然而，获取与共享大规模个体基因型数据面临多重不可忽视的现实瓶颈：全球生物样本库在不同族裔间存在显著的代表性失衡，严重限制了非欧洲人群的遗传发现；罕见病与亚型疾病队列样本量极度匮乏；更为关键的是，个体基因型具有天然的高可识别性与极端隐私敏感性，严格的数据访问管制严重阻碍了全球科研协作与基准评测。构建高拟真、可定向控制且具备隐私保护能力的人工合成基因组生成器，已成为解决数据稀缺与数据安全矛盾的迫切需求。

然而，构建全基因组尺度的生成模型面临严峻的维度灾难与独特的生物学依赖复杂性。在遗传分析中，分析单元通常不是四进制核苷酸序列本身，而是全基因组范围内成千上万乃至数千万个具有强局部相关性的离散单核苷酸多态性（SNP）位点（通常以等位基因剂量向量 \(\{0, 1, 2\}^L\) 表示）。与计算机视觉中像素的局部平移不变性或自然语言中单向因果依赖不同，全基因组 SNP 沿染色体存在由基因重组与群体历史塑造的复杂连锁不平衡（Linkage Disequilibrium, LD）相关矩阵，且决定人类疾病易感性的多基因效应（polygenic architecture）往往高度稀疏地分散在全基因组海量弱效应位点上。现有基准方法多依赖基于参考面板的重组模拟器（如 HAPGEN2、HAPNEST），它们不可避免地强依赖高度耗时的单倍型定相预处理（phasing），无法直接学习无定相数据的真实连续分布；而现有基于 GAN 或扩散模型的深度学习生成器受限于显存与计算架构，绝大多数只能在几千个局部 SNP 或预先通过 GWAS 筛选的狭窄位点子集上运行，彻底切断了全基因组长程结构与多性状微弱效应的联系。

针对无定相超高维离散 SNP 分布难以直接建模、定相计算不可扩展以及全基因组条件受控生成空白的核心矛盾，本文提出了首个面向生物样本库级别全外显子/全基因组 SNP 的生成式流匹配框架。核心 idea：通过染色体特异性卷积自编码器将超 60 万非定相 SNP 压缩为局部感知的高紧凑连续隐空间 token，并在全染色体拼接的隐空间中训练条件流匹配变换器（USiT），配合等位基因频率与连锁不平衡引导的目标函数与后处理几何校准，实现全基因组尺度、无需定相、兼顾群体多态性与可解释疾病风险调控的高拟真合成基因组生成。

方法详解¶

整体框架¶

HELICS 采用两阶段分层生成框架：第一阶段为染色体特异性条件卷积自编码器（Chromosome-specific Conditional Autoencoders），第二阶段为全基因组多染色体拼接隐空间上的条件流匹配生成模型（Latent Flow Matching via USiT）。整个生成管线从个体无定相离散剂量数据出发，经过非线性降维、连续空间向量场输运、隐空间谱截断与基因型低秩 Procrustes 几何重对齐，最终解码为符合离散分布的全基因组 SNP 矩阵。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["输入未定相 SNP 剂量<br/>22条常染色体 >60万位点"] --> B["阶段1：染色体卷积自编码器<br/>残差降采样与局部 LD 约束"]
    B --> C["全基因组拼接连续隐变量<br/>4096 个 256 维 token"]
    C --> D["阶段2：条件 USiT 流匹配<br/>时间步+族裔PC+多基因风险条件"]
    D --> E["数值积分 ODE 求解器<br/>DPM-Solver++ 25 步逆向采样"]
    E --> F["阶段3：后处理解码与对齐<br/>隐空间谱截断 + 低秩 Procrustes 校准"]
    F --> G["输出合成个体全基因组<br/>离散 SNP 剂量矩阵 {0, 1, 2}"]

关键设计¶

1. 染色体特异性卷积自编码分词与自适应分配：化解超高维离散序列的计算爆炸

直接在全基因组超过 60 万个离散变异位点上运行自注意力机制将导致 \(\mathcal{O}(L^2)\) 的不可行计算开销。HELICS 依据各条染色体物理长度与遗传变异密集程度的不同，提出了基于动态规划的全局最优 token 预算分配策略。模型将全基因组 22 条常染色体的总隐变量 token 预算硬性约束为 \(T = \sum_{c=1}^{22} T_c = 4096\)，每个 token 维度为 \(d=256\)。算法依据每条染色体的实际 SNP 数量比例目标 \(t_c = T \frac{L_c}{\sum_{c'} L_{c'}}\)，在保证每个 \(T_c \in [64, 1024]\) 且为 2 的幂次方的硬约束下，通过动态规划精确求解最小化 \(\sum_c |T_c - t_c|\) 的整数规划问题。

在网络结构上，编码器针对生物学局部 LD 特性设计了独特的残差降采样块：输入剂量先经由 \(1 \times 1\) 卷积映射为嵌入特征，接着通过步长为 \(m_c\) 的卷积将工作长度调整为 \(2^{k_c}\)，随后堆叠 \(N_c^{\text{down}}\) 层残差降采样块。每个下采样块由步长为 2 的卷积分支与非参数化的 1D pixel-unshuffle 快捷分支相加组成，将相邻位置的局部关联无损重排至通道维度；解码器则采用严格对称的反向 pixel-shuffle 上采样架构。这使得模型将原始 SNP 序列在局部 LD 不被割裂的前提下高效压缩超 147 倍，使后续跨染色体全局自注意力机制的复杂度降至可承受的 \(\mathcal{O}(T^2)\)。

2. 引入遗传学先验的复合正则化自编码目标：防御平庸众数塌缩与连锁结构漂移

在离散基因型数据中，绝大多数 SNP 的次要等位基因频率（MAF）偏低，纯粹以交叉熵为损失训练的自编码器极易退化为“全盘预测主要等位基因（纯合子 0）”的无意义局部极值，同时会破坏局部变异之间的协同遗传结构。为此，HELICS 构建了强先验驱动的自编码损失函数：

\[\mathcal{L}_{\mathrm{AE}}^{(c)} = \mathcal{L}_{\mathrm{CE}}^{(c)} + \lambda_{\mathrm{MAF}}\mathcal{L}_{\mathrm{MAF}}^{(c)} + \lambda_{\mathrm{LD}}\mathcal{L}_{\mathrm{LD}}^{(c)} + \lambda_{\mathrm{cond}}\mathcal{L}_{\mathrm{cond}}^{(c)} + \lambda_{\mathrm{reg}}\mathcal{L}_{\mathrm{reg}}^{(c)}\]

其中 \(\mathcal{L}_{\mathrm{MAF}}^{(c)}\) 惩罚 minibatch 内解码剂量均值与真实 MAF 之间的绝对偏差；\(\mathcal{L}_{\mathrm{LD}}^{(c)}\) 在非重叠的局部基因组窗口 \(\mathcal{W}_c\) 内计算真实剂量矩阵与解码期望剂量矩阵的样本相关系数差值的 Frobenius 范数，强制保留局部单倍型块结构；条件预测损失 \(\mathcal{L}_{\mathrm{cond}}^{(c)}\) 通过两层 MLP 迫使隐变量的全局平均池化特征能够反向预测族裔 PC 与疾病多基因风险分数（PRS），确保表型关键信息不被压缩算法丢弃。在训练后期的最后 25% 阶段，模型进一步激活包含相邻 token 全变差平滑（TV）、隐空间高斯扰动鲁棒性以及输入嵌入稳定性的复合正则项 \(\mathcal{L}_{\mathrm{reg}}^{(c)}\)，为下游流匹配构造出几何平滑且分布良态的连续隐流形。

3. 全基因组多染色体 USiT 隐空间流匹配：融合全局交互与源自适应调制

自编码器训练完成后予以完全冻结。22 条染色体的潜变量被沿序列维度无缝拼接为 \(T \times d = 4096 \times 256\) 的全基因组隐矩阵。HELICS 采用线性插值连续流匹配（Flow Matching）建模先验高斯分布 \(\boldsymbol{Z}_0 \sim \mathcal{N}(0, \boldsymbol{I})\) 到真实经验隐分布 \(\boldsymbol{Z}_1\) 的最优输运：定义插值轨迹 \(\boldsymbol{Z}_t = (1-t)\boldsymbol{Z}_0 + t\boldsymbol{Z}_1\)，学习参数化速度场 \(v_\theta(\boldsymbol{Z}_t, t, \boldsymbol{c})\) 以逼近恒定目标速度 \(v^\star = \boldsymbol{Z}_1 - \boldsymbol{Z}_0\)。

流模型主干网络创新性地提出了 U-shaped Scalable Interpolant Transformer（USiT）。USiT 在 29 层 Transformer 中引入了 \(H=14\) 层跨越中深层的全局残差跳跃连接（Skip Connections），把输入块的高分辨率局部 token 特征直接拼接至对应的输出块，解决了标准扁平 Transformer 在超长 token 序列下局部精细变异信息逐层衰减的难题。为了在统一全注意力网络中保留每条染色体的异质性先验，USiT 引入了轻量级源自适应适配器（Source-aware Token Adapters），为不同染色体分配受控门控机制；时间步 \(t\) 与条件向量 \(\boldsymbol{c}_i\)（前 20 维族裔 PC 及多性状 PRS 十分位数）一方面转化为特殊 token 拼入序列，另一方面通过 adaLN-Zero 层归一化仿射变换自适应调制每一个注意力块。

4. 训练集锁定的谱截断与 Procrustes 基因型几何对齐：消除跨族裔低秩流形漂移

在跨族裔（Multi-ancestry）复杂群体建模中，高维连续流模型生成的隐变量自由度远高于低维群体结构的实际自由度，易引发潜在表征旋转或低方差方向上的虚假分布延伸。为此，HELICS 提出了完全基于训练集离线预估、评测期严格冻结的后处理两步精化机制：首先在隐空间执行token 级谱截断（Token-wise Spectral Truncation），对生成隐变量中各 token 投影至仅解释训练集 99% 方差的主成分子空间，滤除流模型在边缘方向上幻觉出的噪声伪影；随后在解码后的连续剂量空间执行低秩 Procrustes 旋转对齐，在校准样本上构建正交变换矩阵 \(\boldsymbol{R}_c^\star = \boldsymbol{U} \boldsymbol{V}^\top\)（其中 \(\boldsymbol{W}_c \widetilde{\boldsymbol{W}}_c^\top = \boldsymbol{U} \boldsymbol{\Sigma} \boldsymbol{V}^\top\)），将生成的基因型主成分正交对齐至训练集参考基底，最后进行 \([0, 2]\) 区间截断与硬判决。消融实验证实，该过程消除了跨族裔群体生成时的模式塌缩与分布旋转，大幅提升了生成样本的群体遗传保真度。

损失函数 / 训练策略¶

自编码器训练：针对 22 条染色体各自独立并行训练，使用 AdamW 优化器（\(\beta_1=0.9, \beta_2=0.99\)），初始学习率 \(2 \times 10^{-4}\)，batch size 为 128，全量训练 50 epochs。损失权重设为 \(\lambda_{\mathrm{cond}}=1.0, \lambda_{\mathrm{MAF}}=10^{-3}, \lambda_{\mathrm{LD}}=10^{-3}\)；在最后 25% 周期开启 \(\lambda_{\mathrm{TV}}=0.02, \lambda_{\mathrm{robust}}=100.0, \lambda_{\mathrm{stable}}=0.3\)。
隐空间流匹配训练：基于 4 张 NVIDIA H200 GPU 训练 72 小时，累计更新 91,427 步，全局 batch size 为 32。采用预热加余弦退火学习率调度，峰值学习率为 \(10^{-5}\)，权重衰减为 \(10^{-5}\)，EMA 衰减系数为 0.999，条件丢弃概率（CFG dropout）为 0.2。
推理采样：采用高阶微分方程求解器 DPM-Solver++，仅需 25 步数值积分即可完成全基因组采样，默认指导强度为 \(s=1.0\)。

实验关键数据¶

主实验¶

评估基于外部独立队列 CCDG（NHGRI 常见疾病基因组学中心，约 14 万全基因组数据中筛选出的 43,828 例欧洲人群独立样本），采用 15 号染色体上经严格质控与坐标提升（GRCh37）后的 18,784 个共有常见 SNP 进行多模型公平对比。

方法	全基因组能力	评估 SNP 数	MAF \(R^2\) ↑	低频 MAF \(R^2\) (0.01-0.05) ↑	MAF MAE ↓	LD 差异 (F范数) ↓	成员推断差异 \|AUC-0.5\| ↓	生成样本多样性 NN IBS ↓
HAPNEST	✓	10,509	0.942	0.207	0.025	0.101	0.030	0.914
Sim1000G	✗	9,899	0.988	0.637	0.011	0.122	0.011	0.839
HAPGEN2	✗	17,117	0.976	0.444	0.016	0.069	0.005	0.879
GAN-based	✗	6,513	0.947	0.129	0.023	0.129	0.060	0.923
RBM-based	✗	7,531	0.829	0.191	0.032	0.110	0.001	0.927
HCLT-based	✗	6,827	0.846	0.140	0.036	0.152	0.029	0.906
HELICS (多族裔)	✓	18,784	0.992	0.362	0.019	0.115	0.009	0.914
HELICS-EUR (单族裔)	✓	18,784	0.962	0.493	0.020	0.067	0.004	0.847
真实参考基线 (UKB)	–	18,784	0.998	0.950	0.004	0.014	0.004	0.839

进一步在全基因组全部 22 条常染色体（涵盖 600,336 个 SNP 位点）扩展测试中，HELICS 跨 22 条染色体的平均 MAF \(R^2\) 达到 \(0.980 \pm 0.009\)（HELICS-EUR 达到 \(0.976 \pm 0.009\)），全染色体平均 LD 差异低至 \(0.109 \pm 0.013\)，显著优于大规模单倍型模拟器 HAPNEST（MAF \(R^2 = 0.926 \pm 0.003\), LD 差异 \(0.118 \pm 0.003\)）。

条件可控性与性状扰动消融¶

为了检验模型是否真正捕获了深层的全基因组多基因风险结构而非肤浅的标签过拟合，研究团队在锁定族裔背景与其余无关性状的前提下，对高密度脂蛋白（HDL）、低密度脂蛋白（LDL）、1型糖尿病（T1D）、类风湿性关节炎（RA）与载脂蛋白B（ApoB）等性状执行了从十分位最低风险（Bin 1）到最高风险（Bin 10）的条件扰动测试。

评估性状 (Trait)	评分涉及 SNP 数	生成与真实 PRS 相关性 (\(r\)) ↑	扰动单调递增率 (Bin 10 > 1) ↑	Top-20 SNP 效应方向对齐权重 ↑
HDL (高密度脂蛋白)	168	0.66	0.98	0.98
LDL (低密度脂蛋白)	606	0.75	1.00	0.94
T1D (1型糖尿病)	16,570	0.63	1.00	1.00
RA (类风湿关节炎)	14,728	0.71	0.99	1.00
ApoB (载脂蛋白B)	43,001	0.71	0.95	0.80

关键发现¶

无监督学习反向捕获真实 GWAS 效应大小：在 HDL 实验中，由低风险（Bin 1）向高风险（Bin 10）扰动引起的 SNP 剂量位移 \(\Delta G_j = \mathbb{E}[\widetilde{G}_j(10)] - \mathbb{E}[\widetilde{G}_j(1)]\)，与外部权威 GWAS 发表的独立位点效应量 \(\beta_j\) 高度正相关（高效应位点 \(R^2 = 0.547\)）。排名前列的剧烈位移位点精准落在了 CETP、MMAB、TRPS1、SCARB1 等经典脂质代谢基因座上，证明 HELICS 仅凭十分位数汇总标签便在未给定任何位点权重的条件下自发还原了生物学机理。
严格防御训练集记忆与隐私泄露：利用专业亲缘关系推断工具 KING 对合成样本与 UKB 训练集全量个体比对，HELICS 生成样本与训练个体之间完全不存在一阶（同卵双胞胎/亲子）或二阶（半同胞/祖孙）亲缘关系；三阶亲缘对比例甚至低于真实留出测试集与训练集之间的自然重合率，验证了其卓越的差分隐私与泛化特征。
模型容量与预精化机制至关重要：消融表明，在隐空间未实施 99% 谱截断时，多族裔生成样本在主成分空间会严重坍缩为无序团块；而在解码后未执行 Procrustes 低秩旋转时，全染色体 MAF 相关性将产生低秩畸变。

亮点与洞察¶

开创性的 Phasing-Free 全基因组生成范式：以往群体遗传学生成研究必须依赖耗时漫长且存在迭代近似误差的定相预处理（phasing），HELICS 首次实现直接从无定相离散剂量向量输入端到端训练，打通了生物样本库级数据直接驱动生成模型的工业化路径。
跨尺度的离散生物数据连续化处理技巧：借鉴 DC-AE 与像素重排思路，结合显式惩罚 MAF 与局部 LD 的自编码损失，将 60 万离散变量压缩为几何平滑的 4096 个连续 token，为在超长生物序列上应用标准流匹配与 Transformer 架构提供了教科书级的离散-连续表征桥梁。
可复用于高维生物学的条件因果扰动框架：通过固定族裔混杂因素、单轴滑动目标多基因风险评分十分位数、反向核验 SNP 剂量导数方向，建立了一套无需成对反事实数据即可验证生成模型生物学自洽性的通用评测标准。

局限与展望¶

低频变异与罕见变异保真度受限：模型目前聚焦于 MAF > 1% 的常见变异（common variants）。受自编码器离散化截断误差影响，低频变异（\(0.01 < \text{MAF} < 0.05\)）的拟合精度显著低于高频变异，尚未覆盖包含强致病突变的全基因组全谱罕见变异。
小样本族裔群体的表征劣势：多族裔模型中由于训练集以欧洲白人为主导，非洲、东亚等代表性不足的族裔群体在隐空间测地线对齐度和多基因评分恢复度上仍明显低于欧洲白人群体，亟需引入小样本迁移学习或跨族裔自适应机制。
下游统计推断的假设检验校准风险：直接将合成基因组用于数据增强开展真实 GWAS 发现时，合成数据潜在的微小分布漂移可能诱发假阳性统计膨胀，未来需与保真统计推断框架（Inference Calibration）相结合。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次打通超大规模无定相全基因组 SNP 的隐空间流匹配生成范式。
实验充分度: ⭐⭐⭐⭐⭐ 兼顾全染色体频率与 LD、跨队列验证、生物学扰动对齐及严苛的 KING 隐私检测。
写作质量: ⭐⭐⭐⭐⭐ 架构推导严谨，遗传学问题定义清晰，图表逻辑极为缜密。
价值: ⭐⭐⭐⭐⭐ 为破除生物医学样本库数据壁垒与促进全球公平遗传学研究提供了强大的基础生成工具。