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
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
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
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-Vocab: StatisticallyCalibrated Transcription-Factor-Identity Tokenization forGenomic Language Models
Washington University in St. Louis(华盛顿大学圣路易斯分校)
针对基因组语言模型分词缺乏调控先验的问题,提出Motif-Vocab,通过统计校准基序匹配生成TF身份令牌,在多数下游任务上优于随机对照,提供可解释的归纳偏置。
2026-09-24 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 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
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
Transcription Factor-DNA Binding Via Machine Learning Ensembles
我们目前的集成方法在一个机器学习(ML)框架结合预测从五个已知的基序/结合位点探索算法。对于一个给定的TF的合奏开始与位置权重矩阵(PWM)的主题,从组件算法收集。使用降维,我们确定了显着的PWM为基础的子空间进行分析。在每个子空间内,构建机器分类器用于识别TF的基因(启动子)靶标(问题1)。这些基于PWM的子空间形成基于ML的序列分析工具。问题2(发现结合基序)是通过聚集k-mer(字符串)功能PWM为基础的子空间,在识别基因靶脱颖而出解决。我们用一种新的机器学习方法来解决问题3(结合位点),该方法使用启动子串特征和ML重要性分数在分类算法中定位整个基因组的结合位点。对于靶基因鉴定,该方法比(a)基序扫描方法和(b)基于共表达的关联方法提高了约10个百分点的性能(通过F1评分测量)。Top motif的性能优于5个分量算法以及其他两个常用算法(BEST和DEME)。为了鉴定基准跨物种数据库上的单个结合位点(Tompa等人,2005年),我们匹配最好的表演者没有太多的人为干预。它还改善了对哺乳动物TF的性能。集成可以将来自不同弱学习器的正交信息(可能使用完全不同类型的特征)集成到机器学习器中,该机器学习器可以在更多TF中表现得更好。TF基因靶标鉴定组分(上述问题1)可用于从已知的TF-靶标关联构建转录调控网络。该集成可以轻松扩展,以包含更多工具以及未来基于PWM的信息。
2018-05-10 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
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
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
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
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
Complex Morlet Wavelet Analysis of the DNA Frequency Chaos Game Signal and Revealing Specific Motifs of Introns in C.elegans
Université de Tunis El Manar, Ecole Nationale d’Ingénieurs de Tunis(突尼斯埃尔曼纳大学,突尼斯国立工程师学院);Département de Génie Physique et Instrumentation, INSAT(INSAT物理与仪器工程系)
本文提出复杂莫雷特小波分析用于研究C.elegans基因内含子特性,通过频率混沌游戏信号编码揭示内含子序列信息。
2013-06-21 cs.SY eess.SY q-bio.GN
Determining whether the non-protein-coding DNA sequences are in a complex interactive relationship by using an artificial intelligence method
人类基因组的非蛋白质编码区包含许多复杂的调控细胞活性的模式。研究人类基因组是有限的,缺乏了解其特点和复杂的相互作用。然而,人工智能研究的最新进展已经能够使用深度神经网络自动学习高维复杂数据的表示,而无需特征工程。因此,在本文中,我们证明了卷积神经网络可以在不指定任何基序或模式的情况下学习DNA序列的表示,从而能够预测DNA序列是天然的还是人工的。训练后的模型可以区分加扰长度为2 bp,10 bp,50 bp甚至100 bp的加扰与真实DNA序列,其准确率显著高于线性支持向量机。通过这项研究,我们发现非蛋白质编码DNA的区域可能在甚至超过100 bp的距离上具有有意义的相互作用,即使它们不编码蛋白质。
2017-08-14 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
Mimivirus Gene Promoters Exhibit an Unprecedented Conservation among all Eukaryotes
对最大的已知双链DNA病毒--多食阿米巴拟态病毒的最新测序基因组的初步分析预测,其蛋白质组的大小和复杂性更类似于小型寄生细菌,而不是其他核质大型DNA病毒,并确定了许多以前从未在病毒中描述过的功能。有人提出,拟病毒谱系可能在生命的3个领域的细胞生物个体化之前出现。对所有已知病毒基因组的非编码部分进行详尽的计算机分析,现在发现了近50%的Mimivirus基因中AAAATTGA基序的前所未有的完美保守。该基序优先出现在从预测的前导链转录的基因中,并且与病毒感染周期早期所需的功能(如转录和蛋白质翻译)相关。与单细胞真核生物,特别是变形虫原生生物的已知启动子的比较,强烈表明AAAATTGA基序是TATA盒核心启动子元件的结构等价物。该元件是特异性的拟病毒谱系,并可能对应于祖先的启动子结构早于真核生物界的辐射。核心启动子区域的这种前所未有的保守性是Mimivirus的另一个特殊特征,这再次提出了其进化起源的问题。
2005-07-29 q-bio.GN
Finding low-complexity DNA sequences with longdust
Harvard Medical School(哈佛医学院);Dana-Farber Cancer Institute(丹娜法伯癌症研究院);Broad Insitute of MIT and Harvard(麻省理工学院和哈佛大学生物医学基因组学 Broad 研究所);Commonwealth School(联邦中学)
针对现有低复杂度DNA序列识别算法存在的缺乏数学化复杂度定义、长/可变窗口处理效率低的问题,提出新算法longdust,通过k-mer计数统计建模定义复杂度,可高效识别长低复杂度序列,在真实数据上性能优异且与现有方法一致性高。
2025-11-16 q-bio.GN
Dy-mer: An Explainable DNA Sequence Representation Scheme using Dictionary Learning
Shenzhen Key Laboratory of Ubiquitous Data Enabling(深圳 ubiquitous 数据赋能重点实验室);Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院)
Dy-mer通过字典学习方法,提供了一种可解释且稳健的DNA序列表示方案,实现了在DNA启动子分类和motif检测等任务中的高性能表现。
2025-12-13 cs.AI cs.LG q-bio.GN
EvoLen: Evolution-Guided Tokenization for DNA Language Model
University of California, San Diego(加州大学圣地亚哥分校);Washington University in St. Louis(圣路易斯华盛顿大学)
EvoLen通过整合进化信息优化DNA标记化,优先保留功能序列模式,提升基因组上下文区分和进化约束对齐,优于标准BPE。
2026-09-29 cs.LG q-bio.GN
Conserved network motifs allow protein-protein interaction prediction
高通量蛋白质相互作用检测方法受到假阳性和假阴性结果的强烈影响。通过验证先前检测到的相互作用,需要有针对性的实验来补充大规模方法,但通常很难决定将哪些蛋白质作为相互作用伴侣进行探测。发展可靠的计算方法来辅助这一决策过程是生物信息学的迫切需要。我们表明,我们可以使用蛋白质网络的保守特性,以确定和验证相互作用的候选人。我们将许多机器学习算法应用于蛋白质连接信息,并在预测相互作用蛋白质方面取得了令人惊讶的良好整体性能。使用“留一法”,我们发现预测蛋白质正确相互作用伴侣的平均成功率在20-50%之间。我们证明,这些方法的成功是基于网络内保守的相互作用基序的存在。每个酵母蛋白质的参考实施方案和具有候选相互作用配偶体的表格可在http://www.protsuggest.org上获得
2004-06-22 q-bio.GN q-bio.MN
High-throughput sequencing reveals a simple model of nucleosome energetics
我们使用高通量测序获得的核小体图谱来研究内在组蛋白-DNA相互作用的序列特异性。与以前的方法相比,我们采用了一个类比之间的经典一维流体的有限大小的颗粒在任意的外部电位和DNA结合的组蛋白八聚体的阵列。我们推导出一个解析解,直接从高通量实验中测得的核小体密度推断核小体形成的自由能。然后通过将它们拟合到分配给各个核苷酸基序的能量总和来捕获自由能的序列特异性部分。我们已经开发出层次模型的复杂性和空间分辨率的增加,建立核小体occupancy可以解释的系统性差异之间的单和二核苷酸含量的核小体和接头DNA序列,周期性的二核苷酸分布和较长的序列基序发挥次要作用。此外,类似的序列特征表现出的控制实验中,基因组DNA的超声处理或消化与微球菌核酸酶在核小体的情况下,使其成为可能,目前的预测的基础上高通量核小体定位图是有偏见的实验文物。
2010-03-22 q-bio.BM q-bio.GN
Integrating diverse datasets improves developmental enhancer prediction
基因调控增强子已被许多证据所证实,包括进化保守性、调控蛋白结合、染色质修饰和DNA序列基序。为了整合这些不同的方法,我们开发了增强子,一种预测发育增强子及其组织特异性的新方法。增强子使用两步多核学习方法来整合DNA序列基序、进化模式和来自各种细胞类型和发育阶段的数千个不同功能基因组学数据集。我们在VISTA增强子浏览器中的数百个实验验证的人类发育增强子上训练增强子,与常用的组蛋白标记或基于序列的增强子定义相反。我们全面评估了增强子,发现我们的综合方法比以前考虑单一类型数据的方法提高了增强子预测的准确性。我们的评估强调了在预测特定类型的增强子时考虑来自许多组织的信息的重要性。我们发现,由于VISTA增强子独特的高GC含量,其在胚胎心脏中的活性比在其他几种组织中的活性更容易预测。我们将增强子应用于整个人类基因组,并预测了84,301个发育增强子及其组织特异性。这些预测为大量人类非编码DNA提供了特定的功能注释,并且在其预测组织中具有注释作用的基因附近显著富集,并且来自全基因组关联研究。我们证明了我们的增强子预测的实用性,通过识别和验证一种新的颅神经增强子在ZEB2基因座。我们的全基因组发育增强子预测将作为UCSC基因组浏览器轨道免费提供。
2013-09-27 q-bio.GN
Reconsidering the significance of genomic word frequency
我们建议,基因组序列中的DNA单词的分布可以主要由双帕累托对数正态分布,这解释了对数正态分布和幂律分布的特点,发现在所有已知的基因组。这种分布可能是通过复制过程的完全随机序列进化的结果。基因组词频的参数化允许评估频繁或罕见序列基序的显著性。
2006-09-14 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
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
On Weight Matrix and Free Energy Models for Sequence Motif Detection
模体检测的问题可以表述为构造一个判别函数来将特定模式的序列从背景中分离出来。在计算生物学中,模体检测用于预测转录因子(TF)的DNA结合位点,大多基于权重矩阵(WM)模型或吉布斯自由能(FE)模型。然而,尽管这两个模型的广泛应用,理论分析和他们的预测仍然缺乏。在不同的数据生成假设下,我们推导出基于这些模型的预测过程的渐近误差率。这允许WM为基础的和FE为基础的预测在渐近效率方面的理论比较。通过对ChIP-seq数据和蛋白质结合微阵列数据的实证研究,证明了理论结果的应用。我们发现,无论潜在的数据生成机制,FE的方法显示出较高的或相当的预测能力相对于WM的方法时,所观察到的结合位点用于构建一个判别决策的数量不太小。
2010-10-16 q-bio.GN stat.AP
DNA sequence correlations shape nonspecific transcription factor-DNA binding affinity
转录因子(TF)是在基因组的启动子区域结合DNA并且促进或抑制基因表达的调节蛋白。在这里,我们预测分析,增强同源寡核苷酸序列的相关性,如聚(dA:dT)和聚(dC:dG)束,统计学上增强非特异性TF-DNA结合亲和力。这种预测是通用的和定性的模型的微观参数无关。我们发现,非特异性TF结合亲和力普遍控制的强度和对称性的DNA序列相关性。我们进行相关性分析的酵母基因组,并表明,DNA区域高度占据TF表现出更强的同源寡核苷酸序列的相关性,从而更高的非特异性结合的倾向,相比,占用区域。我们认为,这种效应起到了一个有效的本地化潜力的作用,提高准一维扩散的TF在DNA附近,加快随机搜索过程中的特定TF结合位点。预测的效果也强加了TF-DNA结合基序的大小上界。
2011-11-13 q-bio.BM q-bio.GN q-bio.MN
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 New String Edit Distance and Applications
几十年来,字符串编辑距离一直被用于从拼写纠正和网络搜索建议到DNA分析的应用中。大多数字符串编辑距离是Levenshtein距离的变体,并且只考虑单个字符的编辑。在法医应用中,使用多态性遗传标记,如短串联重复序列(STR)。在这些重复的基序中,DNA复制错误不仅仅由单个碱基差异组成。更常见的是观察到“口吃”现象,其中重复单元的数量与模板不同(通过整个单元)。为了使Levenshtein距离适合于DNA序列相似性感兴趣的法医应用,定义了广义字符串编辑距离,其除了单核苷酸编辑之外还容纳整个基序的添加或删除。一个动态编程实现的计算序列之间的距离。该算法的新颖之处在于处理多字符编辑和单字符编辑之间出现的复杂交互。法医的例子说明了限制法医Levenshtein(RFL)距离测量的目的和用途,但应用程序扩展到序列比对和字符串相似性在其他生物领域,以及更广泛的动态编程算法。
2022-05-11 q-bio.GN q-bio.QM
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
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
Poisoning the Genome: Targeted Backdoor Attacks on DNA Foundation Models
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Dell Pediatric Research Institute(戴尔儿科研究所)
本研究首次系统研究基因组语言模型的训练数据投毒,通过在预训练和微调阶段注入少于1%的对抗序列,可选择性破坏目标基因组上下文的生成性能,并实现条件后门攻击和下游任务分类破坏。
2026-06-18 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
Ctrl-DNA: Controllable Cell-Type-Specific Regulatory DNA Design via Constrained RL
University of Toronto(多伦多大学);Vector Institute for Artificial Intelligence(人工智能向量研究所);University Health Network(大学健康网络);Changping Laboratory(昌平实验室)
本文提出Ctrl-DNA,一种基于约束强化学习的框架,用于设计细胞类型特异性调控DNA序列,在人类启动子和增强子上优于现有方法,实现高适应度和最先进的细胞类型特异性。
2025-05-26 cs.AI cs.LG 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
i6mA-CNN: a convolution based computational approach towards identification of DNA N6-methyladenine sites in rice genome
United International University(联合国际大学)
DNA腺嘌呤核苷酸的N6甲基化(6 mA)是一种复制后修饰,参与多种生物学功能。用于全基因组6 mA位点检测的实验方法是昂贵且手工劳动密集的过程。自动化和准确的计算方法可以帮助识别长基因组中的6 mA位点,节省大量的时间和金钱。我们的研究开发了一个基于卷积神经网络的工具i6 mA-CNN,能够识别水稻基因组中的6 mA位点。我们的模型在多种类型的特征之间进行协调,例如PseAAC启发的定制特征向量,多个单热表示和二核苷酸理化性质。它实现了0.98的受试者工作特征曲线下面积,使用基准数据集的5倍交叉验证的总体准确度为0.94。最后,我们评估我们的模型上的其他两个植物基因组6 mA位点识别数据集除了水稻。结果表明,我们提出的工具是能够概括其能力的6 mA网站识别植物基因组,无论植物物种。这项研究的网络工具可以在https://cutt.ly/Co6KuWG上找到。补充数据(基准数据集、独立测试数据集、比较目的数据集、训练模型、物理化学性质值、基序发现的注意机制细节)可在https://cutt.ly/PpDdeDH上获得。
2020-08-11 cs.LG q-bio.GN
Regulatory DNA sequence Design with Reinforcement Learning
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);Microsoft Research AI4Science(微软研究院AI4Science部门)
本文提出利用强化学习微调预训练自回归模型的生成式方法,通过模拟激活子和抑制子TFBSs变化的生物学先验奖励来设计高适应度顺式调控元件,在酵母启动子和人类增强子设计任务中验证了有效性。
2025-03-11 cs.LG q-bio.GN
mLS-GKM: Efficient Multi-class Regulatory Sequence Classification with Gapped k-mer SVMs
mLS-GKM是LS-GKM的扩展,新增多分类等功能,在322个ENCODE ChIP-seq数据集上速度大幅提升、内存降低,可准确区分调控序列并识别相关基序,提升了gkm-SVMs的可扩展性。
2026-08-24 q-bio.GN
Tracing model-generated DNA with position-independent watermarking
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本研究将SynthID锦标赛水印嵌入基因组语言模型,实现无需位置信息的DNA来源追踪,在1,544个提示中检测到全部标记序列,假阳性率低,且不影响模型输出质量。
2026-10-06 cs.CR q-bio.GN
GRIM-Filter: Fast Seed Location Filtering in DNA Read Mapping Using Processing-in-Memory Technologies
动机:种子位置过滤在DNA读数映射中至关重要,DNA读数映射是将从供体采样的数十亿个DNA片段(读数)映射到参考基因组上以识别供体的基因组变体的过程。现有技术的读取映射器1)快速生成种子的可能映射位置(即,较小的片段),2)在每个映射位置提取参考序列,和3)用计算量大的算法检查每个读段和其相关参考序列之间的相似性(即,序列比对)以确定读数的来源。种子位置过滤器在对齐之前开始起作用,丢弃对齐将视为不良匹配的种子位置。理想的种子位置过滤器将在对准之前丢弃所有不良匹配位置,使得不存在对不必要的对准的浪费计算。结果如下:我们提出了一种新的种子位置过滤算法,GRIM-Filter,优化利用3D堆叠的存储器系统,集成在存储器层下堆叠的逻辑层内的计算,执行内存中的处理(PIM)。GRIM-Filter通过以下方式快速过滤种子位置:1)引入参考基因组粗粒度片段的新表示; 2)使用并行内存操作来识别每个粗粒度片段中的读段存在。我们的评估表明,对于0.05的序列比对误差容限,GRIM-过滤器1)将过滤的假阴性率降低5.59x-6.41x,和2)与采用最佳先前种子位置过滤算法的现有技术读取映射器相比,提供1.81x-3.65x的端到端读取映射器加速。可用性:代码可在线获取:https://github.com/CMU-SAFARI/GRIM
2017-11-02 cs.CE q-bio.GN
GenomeQA: Benchmarking General Large Language Models for Genome Sequence Understanding
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The University of Hong Kong(香港大学);Peking University(北京大学)
GenomeQA旨在评估通用大型语言模型在基因组序列推理任务中的表现,包含5200个样本,涵盖六个任务家族,揭示模型在直接接触原始基因组序列时的表现。
2026-04-07 cs.CL q-bio.GN
Absorb & Escape: Overcoming Single Model Limitations in Generating Genomic Sequences
Imperial College London(帝国理工学院)
针对单模型难以生成功能异质的基因组序列的问题,提出训练后采样方法Absorb & Escape,结合扩散模型的全局分布建模与自回归模型的局部碱基优化,在15个物种的DNA生成任务中性能超越现有最优模型。
2024-10-28 cs.AI cs.LG q-bio.GN