Biological Reasoning-Informed Regression for Interpretable Regulatory DNA Activity Prediction
Gaoling School of Artificial Intelligence（甘岭人工智能学院）；Renmin University of China（中国人民大学）；Zhongguancun Academy（中关村学院）
提出R3LM框架，通过结构化生物学知识教LLM进行推理引导回归，在增强子预测上达到最优性能并提供可解释机制。
2026-06-06 cs.LG q-bio.GN
DnaA and the timing of chromosome replication in Escherichia coli as a function of growth rate
背景资料：在大肠杆菌中，DNA复制的重叠轮使细菌能够以比复制基因组所需的时间更快的速度加倍。DNA复制起始的精确时间是由一个调节回路决定的，该回路依赖于复制起点处ATP结合的DnaA蛋白的临界数量的结合。细胞中DnaA的合成受复制起点附近的生长速率依赖性负自调节基因控制。DnaA的调节和起始活性都取决于其核苷酸结合状态和可用性。结果如下：为了调查的贡献不同的监管过程的DNA复制的起始时间在不同的增长率，我们制定了一个最小的定量模型的起始电路，包括已知的关键成分来调节的DnaA蛋白的活性。该模型描述了细胞周期中DnaA-ATP/DNA在不同生长速率下的平均细胞振荡。我们评估的条件下，该比率达到相同的阈值在启动时，独立的增长率。结论：我们发现，由DnaA的复制启动的定量描述必须依赖于生长速率的基本参数的依赖性，以占在不同的细胞倍增时间的DNA复制启动的时间。我们为此分离出两种主要的可能情况。一种可能性是ATP水解的基础调节失活速率必须随生长速率而变化。或者，定义启动子活性的一些参数需要是生长速率的函数。在任一种情况下，基因表达的基础速率都需要根据dnaA启动子的已知特性随生长速率而增加。
2012-01-04 q-bio.GN
DART-Eval: A Comprehensive DNA Language Model Evaluation Benchmark on Regulatory DNA
Department of Computer Science, School of Engineering, Stanford University（计算机科学系，工程学院，斯坦福大学）；Department of Genetics, School of Medicine, Stanford University（遗传学系，医学院，斯坦福大学）；Department of Pathology, School of Medicine, Stanford University（病理学系，医学院，斯坦福大学）
本文提出DART-Eval基准，用于评估DNALM在零样本、 probing和微调场景下的性能，针对调控DNA的关键下游任务，发现现有模型表现不一致且计算资源消耗大。
2026-03-23 cs.LG q-bio.GN
TREEOME: A framework for epigenetic and transcriptomic data integration to explore regulatory interactions controlling transcription
动机：基因表达的预测建模是通过整合高通量组学数据进行转录调控相互作用的计算机探索的有力框架。以前的方法的一个主要限制是他们无法处理条件和协同作用时出现的集体分析基因受到不同的监管机制。这种限制降低了整体预测能力，从而降低了下游生物推断的可靠性。结果如下：我们引入了一个分析建模框架（TREEOME：表达模型树），它通过将基因分离成假定的调控类来整合表观遗传和转录组数据。目前的预测建模方法已经发现DNA甲基化和组蛋白修饰表观遗传数据在预测转录本丰度的准确性方面提供很少或没有改善，尽管例如mRNA水平和启动子定位的DNA甲基化之间存在明显的反相关性。为了改善这一点，在TREEOME中，我们评估了四种可能的方法来制定基因水平的DNA甲基化指标，这为识别基因水平的甲基化事件和随后的差异分析提供了基础，而大多数以前的技术都是在单个CpG二核苷酸的水平上操作的。我们通过整合基因水平的DNA甲基化（亚硫酸氢盐-seq）和组蛋白修饰（ChIP-seq）数据来准确预测H1-hESC和GM 12878细胞系的全基因组mRNA转录丰度（RNA-seq），从而证明了TREEOME。可用性：TREEOME使用开源软件实现，并作为预配置的可引导参考环境提供。本研究中提供的所有脚本和数据均可在http://sourceforge.net/projects/budden2015treeome/上获得。
2015-02-05 q-bio.GN
Toward Interpretable and Generalizable AI in Regulatory Genomics
Simons Center for Quantitative Biology, Cold Spring Harbor Laboratory（冷泉港实验室西蒙定量生物学中心）
本文探讨了seq2func模型在可解释性和泛化能力上的挑战，提出通过AI-实验反馈回路实现持续改进，以提升调控理解的可靠性。
2026-02-01 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
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
Learning to Discover Regulatory Elements for Gene Expression Prediction
Texas A&M University（德克萨斯农工大学）；The University of Texas Health Science Center at Houston（休斯顿德克萨斯大学健康科学中心）
本文提出 Seq2Exp 网络，通过因果调控元件分解表观基因组信号与 DNA 序列，并结合 Beta 信息瓶颈提升基因表达预测和调控区域发现性能。
2025-02-19 cs.AI 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
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
Highly conserved sequence-specific double-stranded DNA binding networks contributing to divergent genomic evolution of human and chimpanzee brain development
Institute of Engineering in Medicine University of California, San Diego（加州大学圣地亚哥分校工程医学院）
本研究发现人类和黑猩猩大脑发育的分歧基因组进化与高度保守的序列特异性双链DNA结合网络有关，这些网络通过转座子提供的基因组调控种子模板起关键作用。
2024-09-12 q-bio.GN q-bio.MN q-bio.PE
Continuous Diffusion Transformers for Designing Synthetic Regulatory Elements
本文提出连续扩散变换器生成细胞类型特异性调控DNA序列，通过改进模型结构和微调方法，显著提升调控活性预测性能。
2026-03-11 cs.AI cs.LG q-bio.GN
CompostBin: A DNA composition-based algorithm for binning environmental shotgun reads
微生物多样性研究的一个主要障碍是，绝大多数微生物不能在实验室中培养，因此不适合传统的表征方法。环境鸟枪测序（ESS）通过对微生物群落中存在的生物体的DNA进行测序来克服这一障碍。通过将每个序列读数与其来源生物体相关联，可以极大地促进对该宏基因组数据的解释。我们报告了CompostBin的发展，这是一种基于DNA组成的算法，用于分析宏基因组序列读数并将其分配到特定分类单元中。与先前试图分箱组装的重叠群并且通常需要在已知参考基因组上进行训练的方法不同，CompostBin具有准确分箱原始序列读数而无需组装或训练的能力。它应用主成分分析将数据投影到一个信息丰富的低维空间中，然后在这个过滤后的数据集上使用归一化切割聚类算法将序列分类到特定分类单元中。我们证明了算法的准确性，在各种模拟数据集和一个宏基因组数据集与已知的物种分配。CompostBin是一项正在进行的工作，计划在未来对算法进行几次改进。
2007-08-22 q-bio.GN
Probing 3D Chromatin Structure Awareness in Evo2 DNA Language Model
Weill Cornell Graduate School of Medical Sciences（韦康奈尔医学研究生学院）
研究探讨Evo2模型是否能识别三维染色质结构，发现其仅能学习局部CTCF规则，但无法可靠生成收敛CTCF环和恢复TAD边界，提示需双向模型架构整合细胞类型和三维接触以开发更高级的DNA语言模型。
2026-04-08 q-bio.GN
Dilated Convolutions for Modeling Long-Distance Genomic Dependencies
我们考虑的任务是直接从原始DNA中检测人类基因组中的调控元件。过去的工作主要集中在DNA的小片段上，这使得很难对DNA的三维构象产生的长距离依赖性进行建模。为了研究长距离依赖关系，我们开发并发布了一个新的数据集，用于更大的上下文建模任务。使用这个新的数据集，我们使用扩张卷积神经网络来模拟长距离交互，并将其与标准卷积和递归神经网络进行比较。我们表明，扩张卷积是有效的，在人类基因组中的调控标记，如转录因子结合位点，组蛋白修饰和DNA酶超敏位点的位置建模。
2017-10-03 q-bio.GN q-bio.QM stat.ML
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
Sublinear Growth of Information in DNA Sequences
我们介绍了一种新的方法来分析完整的基因组和识别一些独特的功能，通过自适应压缩算法，这不是DNA导向的。我们研究的信息内容作为一个函数的符号编码的算法的数量。关于具有次线性类型的信息增长的区域，这是严格连接到高度重复的子区域，可能被认为是在基因组内具有调节功能的存在下，显示了crossar结果。
2004-02-27 cond-mat.stat-mech physics.data-an q-bio.GN
Structurally specific thermal fluctuations identify functional sites for DNA transcription
我们报告的结果表明，热诱导的双链DNA的开口与功能相关的转录位点的位置相一致。研究病毒和细菌DNA基因启动子片段，我们发现最可能的开放发生在转录起始位点。较小的开口似乎与其他监管场所有关。我们的研究结果表明，相干的热波动在转录的启动中起着重要的作用。动力学的基本要素，除了序列特异性，是非线性和熵，由本地碱基对的约束。
2003-09-09 cond-mat.soft physics.bio-ph 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
Multi-modal single-cell foundation models via dynamic token adaptation
针对现有DNA语言和单细胞基础模型仅处理单一数据类型的问题，本文提出动态令牌适配方法，通过训练适配器结合两类模型，可在不同遗传背景下预测单细胞基因调控，还通过突变GATA4转录起始位点验证了DNA序列变化对基因调控网络的影响。
2025-04-17 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
The Functional Consequences of Variation in Transcription Factor Binding
人类遗传学的一个目标是了解精确和动态基因表达程序的信息是如何在基因组中编码的。转录因子（TF）与DNA调控元件的相互作用在决定基因表达输出中显然起着重要作用，但对功能性转录因子结合的调控逻辑知之甚少。许多研究都集中在TF结合的基因组位置的特征，但目前还不清楚在何种程度上TF结合在任何特定的基因座有功能的后果方面的基因表达输出。为了评估功能性TF结合的背景，我们在一个HapMap淋巴母细胞系中敲低了59个TF和染色质修饰剂。然后，我们确定了基因的表达受到敲除的影响。我们将基因表达数据与表达基因的转录起始位点的10 kb内的转录因子结合数据（基于ChIP-seq和DNase-seq）进行比较。这种数据组合使我们能够推断功能性TF结合。平均而言，14.7%的基因结合的一个因素的差异表达后，该因素的敲低，表明TF和染色质之间的相互作用不会导致可测量的变化，基因表达水平的推定的靶基因。我们发现，功能性TF结合富集在含有大量TF结合位点的调节元件中，在预测的较高结合亲和力的位点处，以及在注释为活性增强子的基因组区域中富集的位点处。
2013-10-18 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
A chromatin structure based model accurately predicts DNA replication timing in human cells
后生动物的基因组复制在精确的细胞谱系特定的时间顺序。然而，控制这一精心策划的过程的机制知之甚少，因为没有分子机制已被确定，积极调节基因组复制的发射序列。在这里，我们开发了一个机制模型的基因组复制能够预测，准确性媲美实验重复，在人类中观察到的经验复制定时程序。在我们的模型中，复制启动在一个不协调的（时间随机）的方式在定义明确的网站。该模型包含，除了选择的基因组的地标，本地化启动，只有一个单一的可调参数的直接生物相关性：复制叉的数量。我们发现，DNase超敏感位点是DNA复制起始的最佳和独立的决定因素。我们证明，在人类细胞中的DNA复制定时程序是一个强大的紧急现象，就其本质而言，不需要一个调节机制来确定一个适当的复制起始发射序列。
2014-03-11 q-bio.GN q-bio.SC
Identification of DNA-binding protein target sequences by physical effective energy functions. Free energy analysis of lambda repressor-DNA complexes
蛋白质与DNA的特异性结合是控制基因表达的最常见方式之一。虽然可以推导出DNA-蛋白质识别的一般规则，但这种机制的模糊性和复杂性排除了简单的识别代码，因此DNA靶序列的预测并不简单。DNA-蛋白质相互作用的研究可以使用计算方法，可以补充目前的实验方法，并提供一些优势。在目前的工作中，我们使用物理有效势来评估的λ阻遏物-DNA复合物的结构和热力学实验数据的DNA-蛋白质的结合亲和力。通过分子动力学模拟计算的结合能上的构象采样的效果进行评估，结果表明，这种效果一般是负面的，实验值的再现性随着模拟时间的增加而降低。非特异性复合物的结合自由能与早期的理论建议一致。此外，作为这些分析的结果，我们提出了一个用于预测DNA结合靶序列的协议。探讨了使用该协议在噬菌体λ基因组内搜索调控元件的可能性。我们的分析显示出良好的预测能力，即使在没有任何热力学数据和自然识别序列的信息。这项研究支持的结论是，基于物理的方法可以提供一个完全互补的方法，以序列为基础的DNA结合蛋白靶序列的鉴定方法。
2007-12-14 q-bio.BM q-bio.GN
Nonspecific Protein-DNA Binding Is Widespread in the Yeast Genome
最近对酵母中转录起始位点附近的约200种转录调节因子的结合偏好的全基因组测量提供了对真核基因组的顺式调节密码的独特见解（Venters等人，摩尔Cell 41，480（2011））。在这里，我们表明，非特异性转录因子（TF）-DNA结合显着影响结合偏好的大多数转录调节在启动子区的酵母基因组。我们发现，SAGA为主的和TFIID为主的基因的启动子可以在统计上区分的基础上的景观非特异性蛋白质-DNA结合自由能。特别是，我们预测，SAGA主导的基因的启动子具有更广泛的区域相比，TFIID主导的基因的启动子的自由能降低。我们还表明，特异性和非特异性TF-DNA结合在功能上是相互联系的，并协同影响酵母中的基因表达。我们的研究结果表明，非特异性TF-DNA结合是固有的编码到酵母基因组中，它可能发挥更重要的作用，在转录调控比以前认为的。
2012-04-18 q-bio.BM q-bio.GN q-bio.MN
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
TrinityDNA: A Bio-Inspired Foundational Model for Efficient Long-Sequence DNA Modeling
BioMap Research, Beijing, China（北京生物图谱研究）；AI Lab, Research Center for Industries of the Future, Westlake University, China（西湖大学未来产业研究中心人工智能实验室）
TrinityDNA通过生物启发的结构和多尺度注意力机制，实现了对长序列DNA的高效建模，提升了基因组分析的准确性与实用性。
2026-03-06 cs.CE q-bio.GN
Analysis of evolutionary origins of genomic loci harboring 59,732 candidate human-specific regulatory sequences identifies genetic divergence patterns during evolution of Great Apes
研究分析了承载59732个候选人类特异性调控序列的基因组位点的进化起源，发现人类通过继承和新创造调控序列实现了物种分化。
2018-10-02 q-bio.GN
DeepVRegulome: DNABERT-based deep-learning framework for predicting the functional impact of short genomic variants on the human regulome
Stony Brook University（石溪大学）；Renaissance School of Medicine, Stony Brook University（石溪大学文艺复兴医学院）；Northwestern University Feinberg School of Medicine（西北大学范伯格医学院）；Northwestern University（西北大学）
针对全基因组测序揭示的非编码短变异功能影响难测问题，开发DeepVRegulome框架，整合464个微调DNABERT模型及多种分析工具，经基准测试和比较，确定相关突变并关联患者预后，代码等公开。
2026-07-29 cs.AI 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
BEND: Benchmarking DNA Language Models on biologically meaningful tasks
Novozymes A/S（诺维信公司）；University of Copenhagen（哥本哈根大学）；Novo Nordisk A/S（诺和诺德公司）；Helmholtz Center Munich（慕尼黑亥姆霍兹中心）；Technical University of Denmark（丹麦技术大学）
本文提出 BEND 基准，通过人类基因组上多项现实且具生物学意义的下游任务评估 DNA 语言模型，发现其可接近专家方法但长程特征建模仍有限。
2024-04-09 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
C3P: Contrastive promoter-protein pretraining yields representations capturing bacterial gene regulation
University of Toronto（多伦多大学）
提出对比启动子-蛋白质预训练（C3P），通过对齐启动子与对应蛋白质来学习细菌调控序列表征，在调控注释推断和零样本共调控基因检索中显著优于基因组语言模型。
2026-11-09 q-bio.GN
NucEL: Single-Nucleotide ELECTRA-Style Genomic Pre-training for Efficient and Interpretable Representations
NucEL提出首个ELECTRA风格基因组预训练框架，采用单核苷酸token和ModernBERT混合注意力，在人类基因组上预训练后于多种调控任务中超越同等规模MLM模型并媲美25倍大的NT模型。
2025-08-15 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
LPDP: Inference-Time Reward Control for Variable-Length DNA Generation with Edit Flows
KAIST AI（韩国釜山科学技术院人工智能实验室）
本文提出LPDP，一种无需训练的局部重解算子，用于可变长度DNA编辑动作生成。通过局部离散程序聚焦于连贯的替换、插入和删除子图，并利用硬Max或软LSE备份聚合局部延续，用于增强子优化和外显子内含子外显子修复。
2026-05-12 cs.AI cs.LG q-bio.GN
DrosOCB: a high resolution map of conserved non coding sequences in Drosophila
比较基因组学方法被广泛用于辅助非编码DNA区域的功能注释。然而，比对非编码序列需要新的算法和策略，以考虑进化过程中广泛的重排和周转。在这里，我们提出了一种新的大规模比对策略，其目的是绘制基因组之间的保守的非编码区的精确地图，即使这些区域已经经历了小规模的重组事件和一定程度的序列变异。我们应用我们的比对方法，以获得一个全基因组范围内的保守的非编码区（CNBs）之间的果蝇和其他11种果蝇物种的目录。有趣的是，我们观察到许多小规模的重排事件，如局部倒位，重复和易位，这是目前可用的全基因组比对中无法观察到的。观察到的低规模改组的高比率表明，CNBs的数据库可以构成几个调查的起点，涉及果蝇中的调控DNA的进化和未注释的功能元件的计算机识别。
2007-10-08 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
HybriDNA: A Hybrid Transformer-Mamba2 Long-Range DNA Language Model
Microsoft Research（微软研究院）；UM-SJTU Joint Institute（上海交通大学密歇根联合学院）；Princeton University（普林斯顿大学）；Carnegie Mellon University（卡内基梅隆大学）；Renmin University of China（中国人民大学）
针对DNA建模需处理超长序列且兼顾生成与理解任务的挑战，提出混合Transformer-Mamba2架构的仅解码器模型HybriDNA，实现131kb序列单核苷酸分辨率处理，在33个数据集获SOTA，生成CREs能力优异且遵循缩放定律，推动DNA研究与应用。
2025-02-18 cs.AI cs.LG q-bio.GN
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
From DNA Design to DNA Slimming: Auditable Agentic Discovery of a Deletion-Only Designer
Allen Institute（艾伦研究所）；Move37 Labs（Move37 实验室）
该研究提出序列精简任务，即从现有功能DNA中删除碱基以保持活性，并构建了首个仅删除基准，通过编码智能体ERA改进设计器生成GRADASLIM，在多数实验设置中优于随机和贪心方法。
2026-10-01 cs.LG cs.NE q-bio.GN
A computational model for histone mark propagation reproduces the distribution of heterochromatin in different human cell types
染色质是由DNA和相关蛋白质组成的高度紧凑和动态的核结构。核小体是核小体的主要组织单位，由组蛋白八聚体和DNA包裹而成，组蛋白参与真核生物基因的调控，并携带许多可逆的翻译后修饰，控制DNA-蛋白质相互作用和染色质结合蛋白的募集。异染色质是基因组中转录不活跃的部分，它是密集堆积的，并且含有在Lys 9处甲基化的组蛋白H3（H3 K9 me）。H3 K9 me在核小体中沿着染色质中的DNA的传播被H3赖氨酸4（H3 K4 me）的甲基化和几个赖氨酸的乙酰化所拮抗，这与常染色质和活性基因有关。我们发现，相关的组蛋白修饰形式拮抗域上的粗尺度。这些组蛋白标记被认为是在DNA中不同的成核位点内起始的，并且双向传播。我们提出了一个简单的计算机模型，模拟异染色质在人类染色体中的分布。模拟结果与先前报道的两种不同人类细胞系的实验观察结果一致。我们复制了异染色质和常染色质之间不同类型的屏障，为它们的功能提供了一个统一的模型。研究了成核位置分布和传播速率变化的影响。前者主要发生在单个基因或基因组的（去）激活的目的，后者具有控制整个染色体的转录程序的能力。一般来说，基因转录的调控程序是由成核位点沿DNA串的分布控制的。
2013-09-27 q-bio.GN q-bio.MN
Merging 1D and 3D genomic information: Challenges in modelling and validation
间期期间真核生物中的基因组组织源于DNA多核苷酸线性序列中存在的非随机相关性与连续塑造细胞核内DNA和染色质的形式和结构的物理/化学反应之间的微妙平衡。现在很清楚，这些机制在基因调控等重要过程中起着关键作用，但它们同时作用的详细方式，以及最终相互影响的方式，即使在非常不同的长度尺度上，仍然在很大程度上未被探索。在本文中，我们概括了一些主要的结果，基因调控和物理机制，在有关的信息编码的1D序列和3D折叠结构的DNA。特别是，我们强调1D和3D模型之间的相互交叉喂养如何提供这些复杂过程如何工作和相互影响的原始见解。
2020-05-14 physics.bio-ph q-bio.GN
TFBS-Finder: Deep Learning-based Model with DNABERT and Convolutional Networks to Predict Transcription Factor Binding Sites
Siksha ‘O’ Anusandhan (Deemed to be University)（锡克沙‘奥’阿努桑丹（推定大学））；Institute for System Analysis and Computer Science “Antonio Ruberti”, National Research Council of Italy（意大利国家研究委员会系统分析与计算机科学研究所“安东尼奥·鲁贝蒂”）
本文提出TFBS-Finder，结合预训练DNABERT、CNN、MCBAM与MSCA模块预测转录因子结合位点，在165个ENCODE ChIP-seq数据集上验证了其优于现有方法的性能。
2025-02-03 cs.AI cs.LG q-bio.GN
Unsupervised Learning in Genome Informatics
随着不同的基因组可用，无监督学习算法在学习全基因组生物学见解中至关重要。特别是，不同基因组的功能表征对于我们理解生命至关重要。在本书的章节中，我们回顾了从DNA到MicroRNA的基因组信息学的最先进的无监督学习算法。DNA（脱氧核糖核酸）是基因组的基本组成部分。在不同组织的不同发育阶段，相当一部分DNA区域（转录因子结合位点）与蛋白质（转录因子）结合以调节基因表达。为了充分理解遗传学，我们有必要应用无监督学习算法来学习和推断这些DNA区域。在这里，我们回顾了几种用于破译这些DNA区域的全基因组模式的无监督学习方法。microRNA（miRNA）是一类内源性小分子非编码RNA（RiboNucleic acid），主要通过与信使RNA的3个$'$非翻译区的靶位点形成不完全碱基对来调控基因的转录后表达。自1993年在蠕虫中发现第一个miRNA \emph{let-7}以来，大量的研究致力于在网络环境中功能性地表征miRNA的功能影响，以了解复杂的疾病，如癌症。在这里，我们回顾了几个代表性的无监督学习框架推断的miRNA调控网络，利用静态的基于序列的信息相关的先验知识的miRNA靶向和动态信息的miRNA活动所暗示的最近可用的大数据纲要，询问全基因组表达谱的miRNA和/或mRNA在各种细胞条件下。
2015-08-03 q-bio.GN q-bio.QM stat.AP
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
eccDNAMamba: A Pre-Trained Model for Ultra-Long eccDNA Sequence Analysis
Department of Computer Science, Brown University, Providence, RI, USA（计算机科学系，布朗大学）
提出首个面向环状DNA的双向状态空间编码器eccDNAMamba，以线性复杂度实现全上下文学习，在真实数据集上分类性能优异，支持长达200 Kbp序列。
2025-06-22 cs.AI q-bio.GN
A Multi-Label Temporal Convolutional Framework for Transcription Factor Binding Characterization
本文提出一种多标签时间卷积框架，用于识别DNA序列中多个转录因子的结合位点，通过捕捉TF间的相关性和协同调控机制，揭示生物有意义的motif和共结合模式。
2026-03-12 cs.AI cs.LG q-bio.GN
Probabilistic Clustering of Sequences: Inferring new bacterial regulons by comparative genomics
肠道细菌之间的全基因组比较在基因基础上产生大量保守的推定调控位点，这些位点需要聚集成调节子。使用的假设，监管网站可以表示为样本的权重矩阵，我们得到一个独特的概率分布分配到集群的网站。我们的算法，“序列的概率聚类”，使用蒙特卡罗抽样的分布分区和排列成集群的短DNA序列数以千计。该算法从内部确定数据中的聚类数，并为结果聚类分配重要性。我们把理论上的限制，任何算法的能力，正确聚类序列的权重矩阵（WM）时，这些WM是未知的。我们的分析表明，一个单一基因组的所有推定位点的集合（例如E。coli）在很大程度上不足以进行聚类。当来自不同基因组的位点被组合起来，并且来自不同物种的所有同源位点被用作一个区块时，聚类就变得可行了。我们预测50-100个新的调节子以及现有调节子的许多新成员，可能使E.杆菌
2002-06-15 physics.bio-ph physics.data-an 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
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
