传统深度学习方法多以DNA序列为唯一输入，得到的是面向“平均个体”的静态结论：同一变异在肝脏与脑内可能方向相反、在炎症刺激前后强弱迥异，但旧模型很难识别。EMO在输入端把DNA 序列与 ATAC-seq 染色质可及性逐碱基对齐后联合建模；在结构端采用“双分支+分而治之”思路：一支聚焦变异点附近的局部影响，另一支覆盖从突变位点到靶基因TSS最远±1Mb的长距离顺式调控区间；在任务端把方向判别（上/下调）与强度回归（eQTL 斜率）拆分训练，并用稀疏注意力与尺度感知池化，既压住了长序列计算量，又把增强子、TF 结合位点等功能区域“高亮”出来。这套机制既像“广角镜头”，也像“放大镜”，兼顾远近两端的调控证据。

训练素材同样强调“语境”。团队以 GTEx v8 多组织 eQTL 为标签，配对 EpiMap 的组织/细胞类型特异 ATAC-seq 数据，序列与表观信号逐碱基对齐后输入模型，大幅增强了“不同组织/细胞里同一突变可能不同”的可学习性。这样做的结果，是在看不见的组织也能基于其 ATAC-seq 进行“零样本”推断；而在小样本目标组织，只需少量微调即可获得稳定输出，避免端到端小样本训练常见的“全部判上调”的坍塌。

从大家关心的“到底好用吗”开始看数据。首先，在多组织独立测试中，带跨组织预训练的 EMO-zeroshot/finetune 相比端到端与多款代表性方法（如 Enformer、Basenji2、Expecto）整体表现更稳，尤其在上/下调方向判别上优势明显，说明模型确实学到了“序列—染色质—表达”的通用表征而不是死记硬背。

其次，把模型迁移到脑组织（MetaBrain 的海马体与脊髓）时，在样本有限的真实条件下，微调后的 EMO在10–100 kb 中距区间把AUC分别提升 0.164 与 0.079，并有效避免预测坍塌，这对难获取样本的组织尤其关键。

第三，EMO进一步下沉到单细胞层面。在 OneK1K 队列的六类免疫细胞中，EMO 的方向判别AUC达到0.861–0.948；在与多发性硬化相关的 rs1465697 案例里，模型能在不同 T 细胞亚群里给出细胞类型特异的强度估计（斜率），把“到底哪类免疫细胞更敏感”的问题落到量化上。对精准分型与靶点优选，这类“指向细胞类型”的证据非常实用。

更贴近应用的，是零样本推断。只要目标组织有可用 ATAC-seq，哪怕没有在该组织训练，EMO也能直接判别方向。以小脑为例，团队对两则神经精神疾病相关eQTL做了验证：rs4698412–CD38（帕金森病）与rs1902660–TSPAN14（阿尔茨海默病），模型分别给出93.7%与 69%的上调概率，方向均与文献一致。这意味着在低样本、低门槛的情形下，仍可得到可信的机制线索。

为验证区分力的“下限”，研究者还构造了一个“近似非因果”的负控集合（PPC< 0.001 且|slope| 小），结果显示EMO的回归输出能显著区分强效上/下调与弱效/无效变异；更有意思的是，在这些“非因果”样本里，模型还能“捞出”若干与疾病风险相关的 GWAS 位点，提示它有望补回统计细粒度分析的漏检。

在免疫疾病的真实场景中，EMO还能把疾病过程前后的调控差异“量出来”。团队用 CD4⁺ T 细胞“未刺激 vs 24h 刺激”的 ATAC-seq 表示类风湿关节炎（RA）的状态变化，围绕 RA 相关 GWAS 位点，计算两状态下的斜率差值（Δslope），据此分组并做通路富集，结果显著聚焦在Th17 分化与IL-2 家族等核心免疫通路。这条“位点→强弱差异→通路”的链路，恰是临床研究者最需要的可行动证据。