転写因子結合部位（TFBS）予測技術の進化を深く整理（2023-2026）

Sat, 14 Feb 2026 05:45:00 +0800

ワンホットエンコーディングから確率的ゲノム表現へ、CNNからKANネットワークへ、TFBS予測はパラダイムシフトの真っ只中にある。

特徴量エンジニアリング：静的行列から動的表現へ

1.1 配列表現技術の3世代の進化

第1世代：ワンホットエンコーディング（2023年以前）

# 従来のワンホットエンコーディングの例
def one_hot_encode(sequence):
    encoding = np.zeros((4, len(sequence)))
    for i, nucleotide in enumerate(sequence):
        if nucleotide == 'A':
            encoding[0, i] = 1
        elif nucleotide == 'C':
            encoding[1, i] = 1
        elif nucleotide == 'G':
            encoding[2, i] = 1
        elif nucleotide == 'T':
            encoding[3, i] = 1
    return encoding

限界: 4×Lの疎行列で、長距離依存を捉えられず、生物学的意味合いが欠如している。

第2世代：k-mer + Transformer埋め込み（2023-2024）

代表技術：DNABERT

DNA配列を自然言語として扱う
3-mer/6-merでトークナイズ：“ATCGAT” → [“ATC”, “TCG”, “CGA”, “GAT”]
768次元の連続ベクトル空間にマッピング
数百bpの複雑な制御パターンを捉えられる

# DNABERT埋め込み取得の例（簡易版）
from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("zhihan1996/DNABERT-2-117M")
model = AutoModel.from_pretrained("zhihan1996/DNABERT-2-117M")

sequence = "ATCGATCGATCGATCGATCGATCGATCGATCG"
inputs = tokenizer(sequence, return_tensors="pt")
outputs = model(**inputs)
embedding = outputs.last_hidden_state  # Shape: [1, seq_len, 768]

第3世代：バイト対符号化（BPE）（2024-2025）

代表技術：DNABERT-2

技術深度 on 都德のブログ

転写因子結合部位（TFBS）予測技術の進化を深く整理（2023-2026）

目次

特徴量エンジニアリング：静的行列から動的表現へ

1.1 配列表現技術の3世代の進化

第1世代：ワンホットエンコーディング（2023年以前）

第2世代：k-mer + Transformer埋め込み（2023-2024）

第3世代：バイト対符号化（BPE）（2024-2025）