用途：回答“我手上的变体效应预测器，是否与某蛋白的实验 DMS 测量相关”。预测器可以是任何给单错义变体打数值分的模型，如 ESM-C 6B SAE 特征下降、AlphaMissense 致病性分数、ESM logits、EVE/EVE++、保守性分数、DynaMut2 ΔΔG 或自研模型。适合选用预测器评估可信度、在同一 DMS 数据上比较两个预测器、为论文提供稳健性证据或基准图。
主要流程：先取 DMS 效应矩阵，用 MaveDB_get_effect_matrix(urn=..., uniprot_id=...) 返回 20×位点矩阵，并检查 numbering_offset、score_field_used 等审计字段。再计算逐变体预测分数：SAE 可用 ESM_score_variant_sae_batch，每变体取最大 K 个特征下降的均值；AlphaMissense 经 TU 代理返回分箱（benign/ambiguous/pathogenic），需按 bin 中点映射为数值，或用 DeepMind 官方 CSV 获得连续分数；也可用 ESM_score_sequence 的 logits，或无密钥的 ESM2_score_missense_variant 取 log 似然比。随后按 disruptive_tail（top/bottom）把 DMS 分为中性带（|effect|≤0.1）与破坏性尾部（分位数 0.05/0.1），并做强制 NaN 覆盖检查，覆盖不足需先排查预测器计算步骤。统计用单侧 Mann-Whitney U 检验，SAE 类多特征预测器对 K∈{1,3,10} 各跑一次；可补充 Spearman 秩相关与 AUROC。最后做 neutral_abs 与分位数的稳健性扫描，并画箱线图解读。
限制：不用于单位点解释或从零构建预测器；AlphaMissense 代理为分类型而非逐替换数值，需接受分箱中点近似；ESM2_score_missense_variant 无批量接口，饱和扫描较慢，约 1022 残基以上自动开窗；LLR 是排序分数而非校准概率。