Towards a theoretical understanding of false positives in DNA motif finding
假阳性模体的检测是模体发现方法性能低下的主要原因之一。通常认为，假阳性主要是由于基序查找器的算法弱点。然而，在这里，我们推导出误报对数据集大小的理论依赖性，并发现误报可能是由于大数据集大小而出现的，而与所使用的算法无关。有趣的是，假阳性强度更多地取决于数据集中的序列数量，而不是序列长度。正如预期的那样，可以通过减少序列长度或向数据集添加更多序列来减少假阳性。然而，对序列数量的依赖性减小并达到平台期，在此之后向数据集添加更多序列不会显著降低假阳性率。基于这里提出的理论结果，我们提供了一些直观的经验法则，可用于提高在实践中的基序发现的结果。
2010-12-22 q-bio.GN
MVP: Detection of motif-making and -breaking mutations
工作背景：DNA、RNA和蛋白质序列基序可以是生物学功能的识别位点，例如调节、DNA碱基修饰和一般的分子结合。这些主题的获得和丧失可能带来重要的后果。当比较序列时，单个变体的分析并不能理解对这些位点的影响。相反，只有当这些变体与它们的邻居和原始序列背景一起考虑时，这才成为可能。结果如下：基序变异探针（mvp）考虑到了这一点，在突变之前和之后计算用户指定的序列基序的实例，并报告那些导致基序获得或丢失的实例。MVP可以对具有氨基酸变体数据的蛋白质进行类似的分析。该软件可以在https://lpcdrp.gitlab.io/mvp上免费获得，也可以通过conda包管理器安装。结论：mvp能够很容易地搜索影响任何基序的变异，同时考虑到邻近的变异，这使得mvp成为一个通用的工具，可以帮助比较基因组学中一个不太常见的维度。
2022-10-15 q-bio.GN
Motif Discovery through Predictive Modeling of Gene Regulation
我们提出了MEDUSA，一个整合的方法，通过整合启动子序列和基因表达数据来学习转录因子结合位点的模体模型。我们使用一种基于boosting的现代大余量机器学习方法，从候选结合序列的高维搜索空间中进行特征选择，同时避免过拟合。在算法的每次迭代中，MEDUSA建立了一个基序模型，该模型在基因的启动子区域中的存在，加上实验中调节因子的活性，可以预测差异表达。通过这种方式，我们了解到的基序是功能性的和预测的调节反应，而不是简单地在启动子序列中过度表达的基序。此外，MEDUSA产生了转录控制逻辑的模型，该模型可以预测生物体中任何基因的表达，给定靶基因的启动子区的序列和一组已知或推定的转录因子和信号分子的表达状态。每个基序模型是$k$长度序列、二聚体或PSSM，PSSM是通过具有相似增强损失的序列的凝聚概率聚类而构建的。通过将MEDUSA应用于酵母中的一组环境应激反应表达数据，我们学习了其预测靶基因差异表达的能力优于TRANSFAC数据集和先前公布的候选PSSM集的基序。我们还表明，MEDUSA检索许多实验证实的结合位点与环境应激反应的文献。
2007-01-15 q-bio.GN
Networks of motifs from sequences of symbols
我们介绍了一种方法来转换成一个加权的有向网络的节点图案的符号序列的合奏，而有向链接和它们的权重定义从统计上显着的两个图案在同一序列中的共存。网络的模体的社区的分析表明，能够在人类蛋白质组数据库中的功能相关的序列，从在线社交对话中检测热点话题，动态系统的轨迹的特征，并可能会发现其他有用的应用程序来处理大量的数据在各个领域。
2010-09-16 physics.data-an physics.soc-ph q-bio.GN
A Computational Approach to Finding RNA Tertiary Motifs in Genomic Sequences
在DNA、RNA和蛋白质中发现模体在生命科学研究中起着重要的作用。最近有关在生物分子数据中发现基序的专利被记录在DNA专利数据库中，该数据库为对基因组学、遗传学和生物技术等领域感兴趣的政策制定者和公众成员提供了资源。在本文中，我们提出了一个计算方法来挖掘RNA的三级模体的基因组序列。具体来说，我们描述了一种方法，命名为CSminer，用于发现RNA同轴螺旋堆叠在基因组中。共轴螺旋堆积发生在RNA三级结构中，其中两个单独的螺旋元件形成假邻接螺旋，并为整个分子提供热力学稳定性。实验结果证明了该方法的有效性。
2017-01-02 cs.CE q-bio.GN
WTKO-CNN: Deep Learning Reveals Sequence Motifs Distinguishing Wild-Type and Knockout ATAC-seq Peaks
Lopamudra Dey 1（洛帕穆德拉·迪 1）
提出带注意力机制的卷积神经网络WTKO-CNN，通过分类DNA序列并利用显著性图提取k-mer基序，发现区分野生型与敲除状态的转录因子结合序列特征。
2026-10-01 cs.AI q-bio.GN
Phenomenon of irreducible genetic markers for TATAAA motifs in human chromosome 1
众所周知，一般的转录因子（GTF）特异性识别正确的TATA盒，将它们与许多其他的TATA盒区分开来。采用确定性分析（规则的数学理论）的原则，我们分析了人类1号染色体DNA序列的片段，并确定了最接近TATAAA基序的特定遗传标记（IG标记=不可约遗传标记）。IG标记物能够确定所研究的DNA片段内任何TATAAA基序的确切位置。基于我们的数据，我们假设GTF通过IG标记识别“真实”转录起始TATA盒。这里描述的数学方法是通用的，并且可以用于找到IG标记，其将像全球导航卫星系统一样提供较大DNA序列内容内的任何不同序列基序的特定位置。
2012-03-29 q-bio.GN
Combining detection and reconstruction of correlational and quasi-periodic motifs in viral genomic sequences with transitional genome mapping: Application to COVID-19
基因组自身的过渡自同构映射（Transitional Automorphic Mapping of the Genome on Itself，TAMGI）方法旨在结合病毒基因组RNA/DNA序列中相关和准周期模体的检测和重建。通过TAMGI重建的基序对于插入缺失和点突变是稳健的，并且可以尝试作为推定的治疗靶标。我们开发并测试了相关的理论和统计标准的TAMGI应用程序。TAMGI的应用通过研究包装在类似病毒的螺旋衣壳中的严重急性呼吸道综合征冠状病毒SARS-CoV和SARS-CoV-2（后者的冠状病毒SARS-CoV-2负责COVID-19大流行）的基因组中的基序来说明。这样的核糖核衣壳被转运到球形膜被膜与掺入刺突糖蛋白。另外两个例子涉及二十面体衣壳病毒的基因组，卫星烟草花叶病毒（STMV）和噬菌体PHIX 174。这些病毒基因组中的部分准周期基序是由于基因组ssRNA/ssDNA与核衣壳蛋白之间的弱特异性合作相互作用而进化的。衣壳的对称性导致相关基因组序列中特定准周期基序的自然选择。一般来说，TAMGI为研究许多分子机制提供了一个方便的工具，这些机制涉及准周期基序和完整重复序列、基因组组织、顺式/反式调节元件的背景分析、数据挖掘以及基因组序列中的相关性。
2021-05-30 q-bio.GN q-bio.QM
MotifMark: Finding Regulatory Motifs in DNA Sequences
Georgia Institute of Technology（佐治亚理工学院）；Emory University（埃默里大学）
蛋白质和DNA之间的相互作用是许多生物过程中的关键驱动力，如转录调控、修复、重组、剪接和DNA修饰。DNA-结合位点的鉴定和靶蛋白与这些区域结合的特异性是理解这些生物活性机制的两个重要步骤。最近出现了一些高通量技术，试图量化蛋白质和DNA基序之间的亲和力。尽管这些技术取得了成功，但它们也有自己的局限性，无法精确表征基序，因此需要进一步的下游分析，以从大量嘈杂和不准确的数据中提取有用和可解释的信息。在这里，我们提出了MotifMark，一种新的算法，基于图论和机器学习，可以找到候选探针的结合位点，并根据潜在的转录因子对其特异性进行排名。我们开发了一个管道来分析来自紧凑的通用蛋白质结合微阵列的实验数据，并将其与两种最准确的基序搜索方法进行基准测试。我们的研究结果表明，基序标记可以是一个可行的替代技术预测基序的蛋白质结合微阵列和可能的其他相关的高通量技术。
2017-05-04 cs.LG q-bio.GN q-bio.QM
Memory Matching Networks for Genomic Sequence Classification
University of Virginia（弗吉尼亚大学）
在分析基因组时，研究人员发现蛋白质与DNA结合的基础是DNA序列的某些模式，称为“基序”。然而，由于其复杂性，很难手动构建基序。最近，外部学习记忆模型已被证明是有效的方法，推理的输入和支持集。在这项工作中，我们提出了记忆匹配网络（MMN）的分类DNA序列的蛋白质结合位点。我们的模型学习一个存储体的编码基序，这是动态的内存模块，然后匹配一个新的测试序列的每个基序分类的序列作为一个结合或非结合位点。
2017-02-22 cs.LG q-bio.GN stat.ML
Identifying DNA Sequence Motifs Using Deep Learning
University of Oxford（牛津大学）；Earlham Institute（厄勒姆研究所）
提出基于注意力的深度学习模型DeepDeCode预测DNA剪接位点，结合可视化技术识别序列基序，提升了准确性与可解释性，可应用于医疗保健及基因组元件发现。
2023-11-20 cs.LG q-bio.GN q-bio.QM
QPS -- quadratic programming sampler, a motif finder using biophysical modeling
我们提出了一个马尔可夫链蒙特卡罗算法的核苷酸序列的局部比对，旨在推断推定的转录因子结合位点，被称为二次规划采样。新的基序发现者结合了转录因子结合位点识别的详细生物物理建模，其产生了将推定的结合位点与其他/背景序列区分开的内在阈值。我们验证的主要功能的算法上的一个样本的四个启动子区从大肠杆菌。所得到的基序描述可以容易地在全基因组上进行评估，以鉴定新的推定结合位点。
2008-02-02 q-bio.GN q-bio.QM
OLGA: fast computation of generation probabilities of B- and T-cell receptor amino acid sequences and motifs
动机：大免疫库的高通量测序使得能够开发预测任何特定核苷酸序列的T细胞和B细胞受体通过V（D）J重组产生的可能性的方法。这些生成概率是非常不均匀的，在真实的剧目中超过20个数量级。由于受体的功能实际上取决于其蛋白质序列，因此能够在氨基酸水平上预测产生的概率是很重要的。然而，对所有具有正确氨基酸翻译的核苷酸序列进行蛮力求和在计算上是难以处理的。本文的目的是提出一个解决这个问题的方法。结果如下：我们使用动态规划来构建一种高效灵活的算法，称为OLGA（Optimized Likestimate of immunoGlobulin Amino Acid Sequences），用于计算在B或T细胞中由于V（D）J重组而产生给定的CDR 3氨基酸序列或基序（有或没有V/J限制）的概率。我们将其应用于表位特异性T细胞受体的数据库，以评估典型的人类受试者将拥有对特定疾病相关表位有反应的T细胞的概率。模型预测结果与已发表的数据吻合良好。我们认为OLGA可能是一个有用的工具，以指导疫苗的设计。可用性：源代码可在https://github.com/zsethna/OLGA上获得
2018-11-13 q-bio.GN
Motif Diversity in Human Liver ChIP-seq Data Using MAP-Elites
Baylor University（贝勒大学）
本文将motif发现视为质量-多样性问题，应用MAP-Elites算法在likelihood基础上进化位置权重矩阵motif，同时保持生物意义维度的多样性。实验显示MAP-Elites能恢复多个高质量motif变体，揭示结构多样性。
2026-04-20 cs.NE q-bio.GN
Neural Networks beyond explainability: Selective inference for sequence motifs
Université de Lyon（里昂大学）；Université Lyon 1（里昂第一大学）；CNRS（法国国家科学研究中心）；VetAgro Sup（国立兽医、农学与食品学院）；École Centrale de Lyon（里昂中央理工学院）
在过去的十年里，神经网络已经成功地从生物序列中进行预测，特别是在调控基因组学的背景下。与深度学习的其他领域一样，已经设计了一些工具来提取特征，例如可以解释训练网络所做预测的序列基序。在这里，我们打算超越可解释的机器学习，并引入SEISM，这是一种选择性推理程序，用于测试这些提取的特征与预测表型之间的关联。特别是，我们讨论了如何训练一层卷积网络在形式上等同于选择最大化某个关联得分的基序。我们适应现有的采样为基础的选择性推理程序，通过量化这个选择在一个无限的集合到一个大的，但有限的网格。最后，我们表明，在一个特定的参数选择下的采样是足够的特征复合零假设通常用于选择性推理的结果，远远超出了我们的特定框架。我们说明了我们的方法在校准，功率和速度方面的行为，并讨论了它的功率/速度权衡与一个更简单的数据分割策略。SEISM为调控基因组学中使用的神经网络的更简单分析以及全基因组关联研究（GWAS）的更强大方法铺平了道路。
2022-12-23 cs.LG q-bio.GN stat.ML
RL-MD: A Novel Reinforcement Learning Approach for DNA Motif Discovery
Ping An Technology (Shenzhen) Co., Ltd.（平安科技（深圳）有限公司）；Shanghai International Studies University（上海外国语大学）
从一组功能上相连的未标记DNA序列中提取序列模式被称为DNA模体发现，它是计算生物学中的一个关键任务。最近已经引入了几种基于深度学习的技术来解决这个问题。然而，这些算法不能用于现实世界的情况下，因为需要标记的数据。在这里，我们提出了RL-MD，一种新的强化学习为基础的DNA模体发现任务的方法。RL-MD以未标记的数据为输入，采用基于相对信息的方法对每个主题进行评价，并将这些连续的评价结果作为奖励。实验表明，RL-MD可以识别高质量的模体在现实世界的数据。
2022-09-30 cs.AI cs.LG q-bio.GN
DNA-MATRIX a tool for DNA motif discovery and weight matrix construction
在计算分子生物学中，全基因组的基因调控结合位点预测一直是研究者面临的一个挑战。目前，全基因组调控结合位点预测工具需要直接模式序列或权重矩阵。虽然已知有可用于全基因组预测的转录因子结合位点数据库，但是没有可用于根据用户的需要构建不同权重矩阵的工具，或者没有可用于大数据集扫描的工具，其通过首先比对输入上游或启动子序列，然后构建不同水平和文件格式的矩阵。考虑到这一点，我们开发了一个DNA MATRIX工具，用于搜索基因上游序列中推定的调控结合位点。该工具使用基于简单生物学规则的启发式算法构建权重矩阵，在基序比对后可以转换为不同的格式，因此提供了识别受调控基因中最潜在的保守结合位点的可能性。用户可以基于基于用户选择的6至20个碱基对范围内的短序列的保守比对块和权重评分前的先前核苷酸频率，以不同的形式和文件格式构建和保存特定的权重或频率矩阵。
2010-02-06 cs.CE q-bio.GN
Motif Identification using CNN-based Pairwise Subsequence Alignment Score Prediction
Drexel University（德雷塞尔大学）
生物信息学中的一个常见问题是识别基因调控区域，这些区域由相对高频率的基序或脱氧核糖核酸序列标记，这些序列通常编码转录和增强子蛋白。预测子序列k-mer和给定基序之间的比对分数使得能够识别基因中的候选调控区域，其对应于这些蛋白质的转录。我们提出了一个一维（1-D）卷积神经网络训练的k-mer格式的序列间隔与给定的基序模式预测成对的一致性基序和子序列k-mer之间的比对得分。我们的模型由15层组成，其中包括三轮一维卷积层，批量归一化层，密集层和一维最大池化层。我们训练模型使用均方误差损失在四个不同的数据集上，每个数据集具有随机插入DNA序列中的不同基序模式：前三个数据集具有应用于每个插入基序的零个、一个和两个突变，第四个数据集将插入基序表示为位置特定的概率矩阵。我们使用一种新的建议度量，以评估模型的性能，$S_α$，这是基于Jaccard指数。我们使用10折交叉验证来评估我们的模型。使用$S_α$，我们通过识别与所选$α$区域内的实际得分一致的预测得分的15个最高得分的15聚体指数来测量模型的准确性。对于表现最好的数据集，我们的结果表明，平均99.3%的前15个基序被正确地确定在一个碱基对步幅（$α= 1$）的样本数据。据我们所知，这是一种新颖的方法，说明了如何使用机器学习来推断以智能方式格式化的数据。
2021-01-21 cs.LG q-bio.GN
inMOTIFin: a lightweight end-to-end simulation software for regulatory sequences
提出轻量级Python软件inMOTIFin，通过提供灵活高效的DNA调控序列模拟与修改功能，支持基序生成、插入及真实序列修改，用于评估从头基序发现、转录因子协同作用及深度学习可解释性，填补了现有模拟器缺乏端到端灵活性的空白。
2025-06-25 q-bio.GN
A mechanistically interpretable neural network for regulatory genomics
Genentech（基因泰克）；Biology Research（生物学研究）；AI Development（人工智能开发）
针对调控基因组学领域传统基序提取方法信息分散难解释、重要性得分法不稳定的问题，提出一种机制可解释的神经网络架构，基序及语法可直接从权重和激活中读取，兼具完全表达能力与高可解释性，在基序发现等任务上表现优异且支持可解释的功能序列生成。
2024-10-08 cs.LG q-bio.GN
Understanding Distal Transcriptional Regulation from Sequence Motif, Network Inference and Interactome Perspectives
高等真核生物中的基因调控涉及基因近端启动子和远端基因组元件（如增强子）之间的复杂相互作用，其协同工作以驱动时空表达。基因调控元件的实验表征是一个非常复杂和资源密集型的过程。计算生物学的主要目标之一是使用来自已知的、注释的调控元件的子集的结果对先前未表征的元件进行\textit{in-silico}注释。这些迄今未表征的区域的计算注释将需要识别对调节行为具有良好预测价值的特征。在这项工作中，我们研究转录调控作为一个问题，在异构数据集成，跨序列，表达和相互作用组水平的属性。以\textit{Gata2}基因及其最近发现的泌尿生殖增强子\cite{Khandekar2004}为例，我们研究了各种高通量功能基因组检测在表征这些增强子及其调控作用中的预测价值。观察结果从现代统计学习方法的应用，这些数据的形式，我们提出了一组属性，这些增强子的本地化和行为是最具歧视性的。
2008-03-21 q-bio.GN q-bio.QM
Ab initio identification of putative human transcription factor binding sites by comparative genomics
我们讨论了一种简单而强大的从头开始识别参与转录调节的顺式调节基序的方法。我们提出的方法集成了几个要素：人-小鼠比较，基因组序列的统计分析和协同调节的概念。我们将其应用于人类基因组的完整扫描。通过使用CORG数据库中收集的保守上游序列的目录，我们构建了在人类和小鼠的上游区域中共享相同的过度表达基序（短DNA序列）的基因组。我们对长度从5到8个核苷酸的所有可能的基序进行这种构建，然后过滤得到的集合，寻找两种类型的共调节证据：首先，我们分析集合中基因的Gene Ontology注释，寻找统计学上显著的共同注释;其次，我们分析了通过微阵列实验测量的基因组中基因的表达谱，寻找共表达的证据。通过一个或两个过滤器的集合被证明含有显著比例的共调节基因，因此表征集合的上游基序是参与这种调节的TF的结合位点的良好候选者。通过这种方式，我们发现了各种已知的基序，也发现了一些新的候选结合位点。
2005-05-03 q-bio.GN
Understanding Transcriptional Regulation Using De-novo Sequence Motif Discovery, Network Inference and Interactome Data
基因调控是一个复杂的过程，涉及几个基因组元件的作用，这些元件协同工作以驱动时空表达。基因调控元件的实验表征是一个非常复杂和资源密集型的过程。计算生物学的主要目标之一是使用来自已知的、先前注释的调控元件的子集的结果来对先前未表征的元件进行\textit{in-silico}注释。ENCODE项目（\emph{http://encode.nih.gov}）的最新结果提出了对1%人类基因组的这种功能（调节）非编码元件的深入分析。希望在这个子集上获得的结果可以扩展到基因组的其余部分。这是一项极其重要的工作，它将能够更快地解剖关键生物学过程中的其他功能元件，如疾病进展和器官发育（\cite{Kleinjan2005}，\cite{Lieb2006}。这些迄今未表征的区域的计算注释将需要识别具有良好预测价值的特征。在这项工作中，我们研究转录调控作为一个问题，在异构数据集成，跨序列，表达和相互作用组水平的属性。以\textit{Gata2}基因及其最近发现的泌尿生殖系统增强子\cite{Khandekar2004}为例，我们研究了各种高通量功能基因组检测（来自ENCODE和SymAtlas等项目）在表征这些增强子及其调控作用方面的预测价值。观察这些数据模式的现代统计学习方法的应用结果，我们提出了一组最具歧视性的特征来找到这些增强子。
2007-10-09 q-bio.GN
MotifbreakR v2: extended capability and database integration
MotifbreakR v2 扩展了遗传变异对转录因子结合影响的分析能力，新增对插入缺失等复杂变异的支持，并整合 ReMap2022 数据库和 R/Shiny 图形界面，提升预测可信度与易用性。
2024-07-03 q-bio.GN q-bio.QM
Attention based convolutional neural network for predicting RNA-protein binding sites
Erasmus Medical Center（伊拉斯姆斯医学中心）；IBM Research（IBM研究院）
RNA结合蛋白（RNA binding proteins，RBP）在基因调控等许多生物学过程中起着重要作用。RNA上RBP结合位点的计算机识别是一个迫切需要解决的问题。特别地，RBP通过识别序列基序与RNA结合。因此，快速定位RNA序列上的这些基序对于确定RNA是否与RBP相互作用是至关重要的，并且是时间有效的。在这项研究中，我们提出了一个基于注意力的卷积神经网络，iDeepA，从原始RNA序列预测RNA-蛋白质结合位点。我们首先将RNA序列编码成one-hot编码。接下来，我们设计了一个具有卷积神经网络（CNN）和注意力机制的深度学习模型，该模型自动搜索重要位置，例如结合基序，以学习用于预测RBP结合位点的判别性高级特征。我们在来自CLIP-seq数据的公开金标准RBP结合位点上评估iDeepA。结果表明，iDeepA实现了与其他最先进方法相当的性能。
2017-12-06 cs.LG q-bio.GN stat.ML
Fusing Sequence Motifs and Pan-Genomic Features: Antimicrobial Resistance Prediction using an Explainable Lightweight 1D CNN-XGBoost Ensemble
BRAC University（布拉克大学）；Independent University Bangladesh (IUB)（独立大学Bangladesh）
针对现有AMR预测方法忽略序列上下文或计算成本高的问题，提出AMR-EnsembleNet，融合轻量级1D CNN和XGBoost，在809株大肠杆菌上对四种抗生素预测达到顶级性能，验证了序列与特征学习的协同优势。
2026-09-09 cs.AI cs.LG q-bio.GN
DNAMotifTokenizer: Towards Biologically Informed Tokenization of Genomic Sequences
Washington University in St. Louis（华盛顿大学圣路易斯分校）；University of California San Diego（加州大学圣地亚哥分校）
DNAMotifTokenizer通过整合DNA序列模因的生物知识，提升了基因组序列分词的性能和可解释性。
2025-12-22 q-bio.GN
Identifying short motifs by means of extreme value analysis
在一个长的DNA序列上检测一个结合位点--一个转录因子附着的DNA子串--的问题需要在一个大的背景中识别一个小的模式。对于短的结合位点，匹配概率可以显示从一个推定的结合位点到另一个推定的结合位置的大的波动。在这里，我们使用一个自洽的统计过程，正确地占匹配概率的大偏差，以预测短的结合位点的位置。我们将其应用于两种不同的情况：（a）检测一组134个雌激素调节基因上的三个特定转录因子的结合位点;（b）在一组138个可能的转录因子中识别结合一组特定的9个基因的转录因子。在这两种情况下，实验结果被复制（当可用时），并且相对于常用的其他方法，假阳性的数量显著减少。
2008-09-27 q-bio.GN
In vitro binding energies capture Klf4 occupancy across the human genome
Max Planck Institute of Molecular Cell Biology and Genetics（马克斯·普朗克分子细胞生物学与遗传学研究所）；Max Planck Institute for the Physics of Complex Systems（马克斯·普朗克复杂系统物理研究所）；Center for Systems Biology Dresden（德累斯顿系统生物学中心）；Cluster of Excellence Physics of Life, Technical University Dresden（德累斯顿工业大学生命物理卓越集群）
该研究通过体外测量Klf4与DNA序列的结合能量，结合线性模型与Ising模型，揭示了Klf4在人类基因组中的结合模式及预测其占据情况。
2026-03-04 physics.bio-ph q-bio.BM q-bio.GN
DNA-GCN: Graph convolutional networks for predicting DNA-protein binding
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）；Damo Academy（达摩院）
预测DNA-蛋白质结合是生物信息学中的一个重要而经典的问题。卷积神经网络在模拟DNA-蛋白质结合的序列特异性方面优于传统方法。然而，没有一项研究利用图卷积网络进行模体推理。在这项工作中，我们建议使用图卷积网络进行主题推理。我们基于k-mer共现和k-mer序列关系构建整个数据集的序列k-mer图，然后学习整个数据集的DNA图卷积网络（DNA-GCN）。我们的DNA-GCN初始化为所有节点的one-hot表示，然后它联合学习k-mers和序列的嵌入，由序列的已知标签监督。我们在ENCODE的50个数据集上评估了我们的模型。DNA-GCN与基线模型相比显示出其竞争性性能。此外，我们分析了我们的模型，并设计了几种不同的架构，以帮助适应不同的数据集。
2021-06-02 cs.LG q-bio.GN
Modelling the evolution of transcription factor binding preferences in complex eukaryotes
转录因子（TF）通过与具有特定序列偏好的DNA结合来发挥其调节作用。然而，不同的TF可以部分地共享它们的结合序列，由于它们共同的进化起源。这种结合的“冗余”定义了一种通过将具有类似结合偏好的TF分组来将TF组织在“基序家族”中的方式。由于这些最终定义TF靶基因，基序家族组织需要有关转录调控结构的信息，因为它已被进化所塑造。专注于人类TF剧目，我们表明，一个参数的进化模型的死亡-创新型可以解释TF的经验ripartition基序家庭，并允许突出相关的进化力量在这个组织的起源。此外，该模型允许查明几个偏离中性的情况下，它假设：三个过度扩大的家庭（包括HOX和FOX基因），一组的“单”TF的重复似乎是选择反对，和高于平均水平的多样化的结合偏好的TF与锌指DNA结合域。最后，在不同的真核生物物种的TF基序家族组织的比较表明，与生物体的复杂性结合的冗余增加。
2018-12-04 q-bio.GN q-bio.MN q-bio.PE
A computational approach to regulatory element discovery in eukaryotes
真核生物中的基因调控主要通过转录因子与通常位于编码区上游的相当短的识别基序结合来实现。我们提出了一种新的计算方法来确定真核基因上游区域的调控元件。这些基因被分组在集合中，在它们的上游序列中共享一个过度表达的短基序。对于每个集合，确定来自微阵列实验的平均表达水平：如果该水平显著高于或低于整个基因组的平均值，则集合中基因共享的过度表达的基序可能在其调节中发挥作用。我们通过将其应用于{ \it S. cerevisiae}，其微阵列实验的许多数据集是公开可用的。我们的算法正确识别了几个已知的结合基序，并提出了一个新的候选人进行实验验证。
2003-05-13 cond-mat.dis-nn physics.bio-ph q-bio.GN
