転写因子

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。 目次 特徴量エンジニアリング：静的行列から動的表現へ モデルアーキテクチャ：メカニズム統合の時代 主要技術の深堀り 技術導入実践ガイド 今後のトレンド展望 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 ...