【详细原理与应用】

基因组序列分析
1. 启动子识别：识别基因转录起始位点上游的调控区域
- 传统方法：位置权重矩阵（PWM）
- 深度学习方法：1D CNN + 注意力机制（如DeepSEA）
- 输入：DNA序列的one-hot编码（4通道）
- 输出：每个位置是否为启动子的概率
2. 增强子预测：识别远距离调控DNA元件
- 方法：CNN + RNN 或 Transformer
- 挑战：增强子可以位于基因上游数万个碱基处，需要捕捉长程依赖
3. 染色质可及性预测
- 工具：DeepSEA、Basset
- 输入：DNA序列
- 输出：多种细胞类型的染色质开放状态
蛋白质序列分析
1. 蛋白质二级结构预测：预测每个氨基酸属于$\alpha$螺旋、$\beta$折叠还是无规卷曲
- 经典工具：PSIPRED（传统方法）
- 深度学习方法：SPIDER3（LSTM）、NetSurfP（CNN+LSTM）
- 突破：AlphaFold 2将结构预测提升到原子级精度
2. 蛋白质功能预测
- GO术语预测：DeepGOPlus（CNN）
- 酶编号预测：ECPred
- 蛋白质语言模型：ESM-2、ProGen2
3. 蛋白质互作预测
- 方法：将两个蛋白质序列编码后输入网络，预测是否相互作用
- 工具：PIPR（LSTM）、DeepPPI
RNA序列分析
1. RNA二级结构预测：预测RNA分子的碱基配对模式
- 方法：CNN、Transformer
- 工具：SPOT-RNA、RNA-FM
2. 非编码RNA功能预测
- lncRNA功能预测：LncADeep
- miRNA靶点预测：deepTarget

# 示例: 用1D CNN预测DNA序列的转录因子结合位点
import torch
import torch.nn as nn
class DNA_CNN(nn.Module):
    def __init__(self, seq_len=1000):
        super().__init__()
        # 输入: [batch, 4, seq_len] (4种碱基的one-hot编码)
        self.conv1 = nn.Conv1d(4, 32, kernel_size=19, padding=9)
        self.conv2 = nn.Conv1d(32, 64, kernel_size=5, padding=2)
        self.conv3 = nn.Conv1d(64, 128, kernel_size=5, padding=2)
        self.pool = nn.MaxPool1d(2)
        # 计算展平后的维度
        flat_dim = 128 * (seq_len // 8)
        self.fc = nn.Sequential(
            nn.Linear(flat_dim, 256),
            nn.ReLU(),
            nn.Dropout(0.5),
            nn.Linear(256, 1),  # 二分类: 结合/不结合
            nn.Sigmoid()
        )
    def forward(self, x):
        x = self.pool(torch.relu(self.conv1(x)))
        x = self.pool(torch.relu(self.conv2(x)))
        x = self.pool(torch.relu(self.conv3(x)))
        x = x.view(x.size(0), -1)
        return self.fc(x)
# DNA序列编码示例
def dna_to_onehot(seq):
    """将DNA序列转换为one-hot编码"""
    mapping = {'A': [1,0,0,0], 'T': [0,1,0,0], 'C': [0,0,1,0], 'G': [0,0,0,1], 'N': [0,0,0,0]}
    return torch.FloatTensor([mapping.get(base, [0,0,0,0]) for base in seq]).transpose(0, 1)
seq = "ATCGATCGATCG"
encoded = dna_to_onehot(seq)
print(f"序列: {seq}")
print(f"编码形状: {encoded.shape}")  # [4, 12]

【详细原理与应用】

📖 定义

🔗 知识关联