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
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
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
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
Finding Sequence Features in Tissue-specific Sequences
发现基因表达背后的基序是一个具有挑战性的问题。这些基序中的一些是已知的转录因子，但是序列检查经常提供有价值的线索，甚至发现在基因表达中具有未表征功能的新基序。与组织特异性基因表达的复杂性相结合，有几种基序在某种细胞类型中负责表达。这对理解基本的生物学过程，如发育和疾病进展具有重要意义。在这项工作中，我们提出了一种方法的原则选择的图案（不一定是转录因子网站），并检查其应用程序在当前的生物信息学研究的几个问题。这项工作有两个主要贡献：首先，我们引入了一个新的度量变量选择分类过程中，其次，我们调查的问题，找到特定的序列基序，组织特异性基因表达的基础。结合SVM分类器，我们发现这些图案，并发现了几个新的图案，尚未被归因于任何特定的功能作用（例如：TFBS结合图案）。我们假设，这些图案的发现将使大规模的调查，从全基因组研究中确定的任何保守的序列元件的组织特异性调节潜力。最后，我们提出了这个开发的框架的效用，不仅有助于发现歧视性的图案，但也检查任何主题的选择在共同调节或共同表达的基因组的作用。
2007-02-09 q-bio.GN
Negative selection maintains transcription factor binding motifs in human cancer
癌细胞中的体细胞突变影响破坏重要细胞功能的各种基因组元件。特别是，被转录因子识别的DNA结合位点的突变可以改变调节因子结合亲和力和靶基因的表达。许多启动子突变与癌症风险增加有关，在正选择下已发现选定转录因子结合位点的突变。然而，编码区突变的负选择是难以捉摸的，非编码区负选择的意义仍然存在争议。在这里，我们提出的转录因子与非编码变体的结合位点共定位的分析。为了避免统计偏差，我们考虑了不同癌症类型的突变特征。对于许多转录因子，包括FOX、HOX和NR家族的多个成员，我们表明人类癌症积累的突变比预期的要少，这些突变是偶然增加或降低结合基序的亲和力的。这种基序的保守性在DNA酶可接近的区域中甚至更明显。我们的数据证明了针对结合位点改变的负选择，并表明这种选择压力保护癌细胞免于重新布线调节电路。进一步分析转录因子和各自的保守结合基序可以揭示对各种人类癌症的存活性至关重要的细胞调节途径。
2015-11-09 q-bio.GN q-bio.PE
Robust Machine Learning for Regulatory Sequence Modeling under Biological and Technical Distribution Shifts
Columbia University（哥伦比亚大学）
本研究提出了一种鲁棒性框架，通过结合模拟和真实数据分析，评估机器学习模型在生物和技术分布偏移下的性能，发现传统i.i.d.评估无法察觉的鲁棒性缺口，并通过引入生物先验特征和不确定性感知预测提升模型的鲁棒性。
2026-11-10 q-bio.GN stat.ML
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
Computational identification of transcription factor binding sites by functional analysis of sets of genes sharing overrepresented upstream motifs
背景技术背景：转录调节是细胞功能的关键机制，并且主要通过转录因子与位于受调节基因的编码区上游的特异性识别基序结合来实现。这种基序的计算识别变得更容易，因为它们经常在调控基因的上游区域出现几次，因此相关基序的出现次数通常比纯粹偶然的预期要大得多。研究结果：为了利用这一事实，我们构建了一组基因，其特征在于在其上游区域的某个基序的统计过度表达。然后，我们研究这些集的功能特性，通过分析它们的基因本体论术语的注释。对于显示出统计学显著的特定功能表征的集合，我们推测表征该集合的上游基序是参与该集合中的基因的调节的转录因子的结合位点。结论：我们提出的方法能够识别出许多已知的结合位点。酿酒酵母和已知转录因子调控的新候选靶。它的应用较少研究的生物可能是有价值的，在探索他们的监管相互作用网络。
2005-04-28 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
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
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
Fundamentally different strategies for transcriptional regulation are revealed by information-theoretical analysis of binding motifs
为了调节特定的基因，转录因子（TF）需要结合特定的基因组位置。在约10^6-10^9个诱饵位点的存在下，这个基因组地址是如何指定的？我们对319个已知TF结合基序的分析清楚地表明，原核生物和真核生物使用截然不同的策略将TF靶向特定的基因组位置;真核生物TF表现出广泛的非功能性结合，并需要在调控区域中聚集位点以实现特异性。
2009-01-21 q-bio.BM q-bio.GN q-bio.MN
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
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
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
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
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
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
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
DeepPlantCRE: A Transformer-CNN Hybrid Framework for Plant Gene Expression Modeling and Cross-Species Generalization
提出 Transformer-CNN 混合框架 DeepPlantCRE，用于植物基因表达预测与 CRE 提取，跨物种最高准确率达 92.3%，并经 TF-MoDISco 验证可发现可信 TFBS。
2025-05-15 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
On prediction of regulatory genes by analysis of C.elegans functional networks
连接网络最近已成为生物学中广泛使用，由于越来越多的信息的物理和功能之间的联系，个别蛋白质。这种连接性数据提供了有价值的材料，扩展我们的知识远远超出了实验验证通过数学分析和理论预测的新的功能相互作用。在本文中，我们展示了几种算法的应用程序开发的潜在的基因表达调控的背景下，相关的网络的排名。我们分析了基因和蛋白质之间不同类型的连接如何影响完整的秀丽隐杆线虫功能网络的拓扑结构，从而验证算法性能。我们证明了可能的定义，共表达基因簇的网络背景下，从他们的特定的基序分布签名。我们还表明，基于最短路径函数（SPF）的方法应用于共表达基因簇的基因相互作用子网络，有效地预测新的调控转录因子（TF）。同时应用其他方法，包括只与邻近基因的相互作用，允许快速排名的潜在监管机构，可以在功能上与一组共表达的基因。预测一组核糖体/mRNA代谢基因的调节器的功能，我们强调了mRNA翻译和衰减的生物体寿命中的作用。
2013-02-14 q-bio.GN q-bio.MN
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
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
Spatial clustering and common regulatory elements correlate with coordinated gene expression
许多细胞对周围信号的反应需要多个基因的时间协同转录调控。在原核细胞中，具有一个转录因子调控多个靶基因的单输入模块基序可以产生协调的基因表达。在真核细胞中，基因的转录活性不仅受到转录因子的影响，而且还受到基因的表观遗传修饰和三维染色体结构的影响。为了研究局部基因环境和转录因子调控如何偶联，我们对TGF- \b{eta}处理的MCF 10 A细胞的时程RNA-seq数据和相关的表观基因组和Hi-C数据进行了组合分析。使用动态调控事件挖掘器（DREM），我们根据基因表达谱和相关的转录因子对差异表达的基因进行聚类。每类基因具有相似的时间基因表达模式，并共享共同的转录因子。接下来，我们定义了一组线性和径向分布函数，如统计物理学中所使用的，以测量一类基因在基因组序列中的空间和线性分布。值得注意的是，尽管有时沿着基因组序列被数千万个碱基（Mb）分开，但同一类别内的基因显示出比属于不同类别的基因显著更高的空间接近的倾向，尽管有时沿着基因组序列被数十Mb分开。对小鼠神经系统发育过程的分析得出了类似的结论。未来的研究将能够测试染色体的这种空间组织是否有助于协调的基因表达。
2019-01-18 q-bio.GN q-bio.MN q-bio.SC
Unlocking the Regulatory Genome by ARGUS: An Evidence-Constrained Agentic Framework for Interpreting Single Nucleotide Variants
Stony Brook University（石溪大学）；Renaissance School of Medicine at Stony Brook University（石溪大学雷内桑斯医学院）
本文提出ARGUS框架，将确定性生物学计算与LLM推理分离，针对疾病相关非编码区单核苷酸变异，通过多数据库证据分析，为不同转录因子生成差异化研究轨迹，解决大语言模型解释变异时的幻觉问题。
2026-10-09 cs.AI cs.LG q-bio.GN
Under-dominance constrains the evolution of negative autoregulation in diploids
调控网络已经进化到允许基因表达快速跟踪环境中的变化，以及在没有变化的情况下缓冲扰动和维持细胞内稳态。在大肠杆菌中的理论工作和实验研究表明，负性自调节赋予快速的响应时间和降低的内在噪音，这反映在几乎一半的大肠杆菌转录因子是负性自调节的事实上。然而，在酿酒酵母的转录因子中，负自调节是极其罕见的。这种差异是更令人惊讶的，因为E。coli和革兰氏阳性菌S.酿酒酵母具有非常相似的网络模体序分布。在本研究中，我们首次发现果蝇和人类转录因子之间的调节相互作用具有与果蝇相似的缺乏负自调节的现象。啤酒。然后，我们提出了一个模型，证明了在物种之间使用的降噪策略的这种基本差异可以通过对二倍体中负自调节进化的限制来解释。我们发现，同一细胞内同源基因对之间的调控相互作用可导致显性不足突变，从而导致更强的自动调节，并降低纯合子中的噪声，矛盾的是，可导致杂合子中的噪声增加。这严重限制了二倍体进化负性自动调节作为降噪机制的能力。我们的工作提供了一个简单和一般的解释以前无法解释的差异，调节结构之间的E。大肠杆菌和酵母，果蝇和人类。它还表明，基因网络中的二倍体效应可能会产生违反直觉的后果，可能会深刻地影响进化的进程。
2012-12-05 q-bio.GN q-bio.MN q-bio.PE
Figure 1 Theory Meets Figure 2 Experiments in the Study of Gene Expression
人们很容易相信我们现在拥有基因组。随意阅读和重写的能力在科学史上迎来了一个令人惊叹的时期。尽管如此，积累的所有基因组数据都暴露了一个致命弱点：我们仍然不知道如何解释它，许多基因受到复杂的转录调控程序的影响，这些转录调控程序由DNA序列介导，这些DNA序列含有转录因子的结合位点，这些转录因子可以根据环境条件上调或下调基因表达。这就产生了一个输入-输出函数，描述了表达水平如何取决于受调控基因的参数（例如，取决于其调控序列中结合位点的数量和类型）。近年来，对表达进行精确测量的能力，加上进行日益复杂的理论预测的能力，使理论和实验之间的明确对话成为可能，从而有望覆盖基因组的致命弱点。其目标是实现对转录调控的预测性理解，使得从DNA调控序列计算基因表达水平成为可能。这篇评论的重点是典型的简单的抑制基序，询问如何以及已被用来表征它的模型实际工作。我们考虑了一个层次结构的日益复杂的实验中，在一个级别上学习的最小参数集被应用于在下一个进行定量预测。我们表明，这些仔细的定量解剖提供了一个模板，在生活的各个领域发现的许多更复杂的监管安排的预测性理解。
2018-12-30 q-bio.GN q-bio.MN
Dynamic evolution of precise regulatory encodings creates the clustered signature of developmental enhancers
一种被称为Dorsal的形态发生蛋白，通过与基因组中的转录增强子结合，形成果蝇胚胎背腹体轴的模式。每个这样的增强子在Dorsal的独特阈值浓度下激活邻近基因。这些增强子中的背结合位点簇和其他增强子中的类似簇的存在激发了位点密度中的阈值编码模型。然而，我们发现分隔一对专门的Dorsal和Twist结合位点的间隔区的精确长度决定了阈值响应。尽管有这个结果，由这个间隔元件决定的功能范围以及其周围背侧位点簇的作用和起源仍然完全未知。在这里，我们的实验与增强子从不同的果蝇基因组，包括大型未压缩的基因组从ananassae和willistoni，并报告三个主要的相互依赖的结果。首先，我们映射阈值编码间隔变量的功能范围。其次，我们发现，大多数网站在集群是非功能性的发散元件，已被分离超出编码的功能范围。第三，我们验证了一个进化模型，涉及频繁更换的阈值编码，其精度很容易过时的移位精度。编码被更新的编码所取代的过程是由Dorsal和Twist结合基序的回文性质以及专门的Twist结合位点中固有的重复不稳定性促进的，这严重影响了将其连接到Dorsal的间隔区的长度。随着时间的推移，编码的选择性弃用和替换的动态过程增加了越来越多的deadened元素或necro-elements，并强烈地影响了局部序列组成。... [摘要截断]
2010-04-07 q-bio.CB q-bio.GN q-bio.MN
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
Beyond position weight matrices: nucleotide correlations in transcription factor binding sites and their description
基因组DNA上转录因子结合位点（TFBS）的识别对于理解和预测基因网络中的调控元件具有重要意义。TFBS基序通常由位置权重矩阵（PWMs）描述，其中每个DNA碱基对独立地有助于转录因子（TF）结合，尽管越来越多的证据表明碱基对位置之间的相互依赖性。最近关于TF结合DNA区域的全基因组数据的可用性提供了重新详细讨论TF结合{ \em in vivo}的这个问题的可能性。在这里，我们使用了可用的苍蝇和小鼠ChIPseq数据，并表明独立模型通常不会重现TFBS的观察统计数据，从而概括了以前的观察结果。我们进一步表明，TFBS的描述和可预测性可以系统地提高考虑成对相关性的TFBS通过最大熵的原则。由此产生的成对相互作用模型是正式等效的无序波茨模型的统计力学，它概括了以前的方法相互依赖的位置。它的结构允许两个或更多个碱基对的共变异，以及二级基序。虽然模型组成的混合物的PWM也有这最后一个功能，我们表明，成对的相互作用模型优于它们。显着的成对相互作用被发现是稀疏的，并发现占主导地位的连续碱基对之间。最后，使用一个成对的相互作用模型的识别TFBS的显示给显着不同的预测比一个模型的基础上独立的位置。
2013-02-18 cond-mat.dis-nn physics.bio-ph q-bio.GN
Causal dictionary learning reveals and validates transcription-factor binding features in genomic language models
Columbia University Irving Medical Center（哥伦比亚大学伊文思医疗中心）
研究针对基因组语言模型内部表示不透明问题，引入结合稀疏字典学习与因果干预的框架，训练自动编码器提取转录因子结合特征，开发去混淆协议并因果验证，为基因组深度学习可解释性提供计算标准。
2026-07-23 cs.AI cs.LG q-bio.GN
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
DNABERT-2: Fine-Tuning a Genomic Language Model for Colorectal Gene Enhancer Classification
本文微调采用 BPE 分词的 DNABERT-2-117M，仅依据 DNA 序列对结直肠癌增强子进行分类，在35万余留出序列上取得优于 CNN 基线的排序与召回表现。
2025-09-28 cs.AI cs.LG q-bio.GN
