英文题目：
Personal transcriptome variation is poorly explained by current genomic deep learning models
背景
基因组深度学习模型已经能直接从 DNA 序列预测基因表达、表观遗传特征、3D 基因组结构等。已有模型在"用参考基因组预测不同基因/不同细胞类型的表达水平"上表现不错。
但问题是：这些模型能不能用每个人自己的基因组序列，解释不同个体之间的基因表达差异？这一点以前研究得不够。
Motivation
作者想检验：现在最先进的 sequence-to-expression 模型，是否真的能用于personal genome interpretation，也就是从个人基因组变异预测个人转录组差异。
他们评估了 4 个模型：Enformer、Basenji2、ExPecto、Xpresso，使用 Geuvadis 数据集中 421 个个体的 WGS + RNA-seq 配对数据，并聚焦 3,259 个有显著 cis-eQTL 的基因。
解决了当前什么问题
它解决的问题是：以前大家知道这些模型能预测"基因之间"的表达差异，但不清楚它们能否预测"个体之间"的表达差异。结果显示：
这些模型在 cross-gene prediction 上还可以，但在 cross-individual prediction 上几乎接近失败；并且经常预测错 cis-regulatory variants 对表达影响的方向。
本文指出了当前基因组深度学习模型用于个人基因组解释时的一个核心短板：能识别一些调控变异信号，但判断这些变异在个体上的表达效果（让表达升高还是降低）很差。
**Figure 1：**模型在"预测不同基因表达差异"上表现还行，但在"预测不同个体表达差异"上很差。
Fig. 1a
示意图。说明作者怎么用个人基因组序列预测表达，并区分两个评价指标：
-
cross-gene correlation：对同一个人，看模型能不能预测多个基因之间的表达高低。
-
cross-individual correlation：对同一个基因，看模型能不能预测 421 个个体之间的表达差异。
Fig. 1b
比较 Enformer、Basenji2、ExPecto、Xpresso 和 PrediXcan 的表现。结果是：
参考基因组预测和 cross-gene 预测还不错，但 cross-individual 预测接近 0；PrediXcan-style 线性模型反而能解释更多个体间差异。
Fig. 1c
只展示 Enformer 的分布。左边 cross-gene correlation 集中在较高值，右边 cross-individual correlation 以 0 附近为中心。意思是：Enformer 能区分基因之间表达强弱，但不能可靠区分个体之间表达差异。
Fig. 1d
举两个基因例子：
SLFN5 是预测和真实表达正相关；SNHG5 是强负相关。说明模型有时不仅预测不好，还可能把方向预测反。
Figure 2：不同模型经常对同一个调控变异的影响方向给出相反判断。
同一个基因在不同个体之间，模型预测的表达变化是否和真实表达变化一致。
Fig. 2a
以 SNHG5 为例，展示四个模型的预测。Enformer、Basenji2、ExPecto 对这个基因是负相关，Xpresso 是正相关。点的颜色代表 top eQTL 的剂量。意思是：模型对同一个 eQTL/基因的表达影响方向判断不一致。
Fig. 2b
比较 Enformer 和其他模型的 cross-individual correlation。可以看到有些点沿着 y=x，也有些沿着 y=-x。意思是：模型有时同意"这个基因有调控信号"，但不同意"方向是升高还是降低"。
Fig. 2c
分析 Enformer 的表现和几个因素的关系：top eQTL 的 P 值、eQTL 到 TSS 的距离、基因表达量、预测表达变异程度。主要结论是：强 eQTL 的基因往往相关性绝对值更大，但不一定是正相关；即使 eQTL 很强，模型仍可能预测错方向。