转录因子结合位点（TFBS）预测技术演进深度梳理（2023-2026）

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

从独热编码到概率化基因组表征，从CNN到KAN网络，TFBS预测正在经历一场范式革命。

特征工程：从静态矩阵到动态表征

1.1 序列表征技术的三代演进

第一代：独热编码（2023年以前）

# 传统独热编码示例
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

局限性：4×L稀疏矩阵，无法捕捉长程依赖，缺乏生物学语义。

第二代：k-mer + Transformer嵌入（2023-2024）

代表技术：DNABERT

将DNA序列视为自然语言
使用3-mer/6-mer分词：“ATCGAT” → [“ATC”, “TCG”, “CGA”, “GAT”]
映射到768维连续向量空间
能捕捉数百bp的复杂调控模式

# DNABERT嵌入获取示例（简化版）
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]

第三代：字节对编码（BPE）（2024-2025）

代表技术：DNABERT-2

DNABERT on 都德的博客

转录因子结合位点（TFBS）预测技术演进深度梳理（2023-2026）

目录

特征工程：从静态矩阵到动态表征

1.1 序列表征技术的三代演进

第一代：独热编码（2023年以前）

第二代：k-mer + Transformer嵌入（2023-2024）

第三代：字节对编码（BPE）（2024-2025）