概述

深度学习通过堆叠许多隐藏层来扩展经典神经网络，从而能够从原始或最少处理的数据中自动学习分层表示。在生物信息学中，这种方法已被证明对于具有固有空间或顺序结构的数据类型（DNA 序列、蛋白质结构和生物医学图像）具有变革性。深度模型直接从数据中发现相关特征，绕过了传统上主导该领域的手工特征工程的需要。

方法

卷积神经网络 (CNN) 应用滑动滤波器来检测局部模式，例如序列中的转录因子结合基序或蛋白质接触图中的结构特征。 循环神经网络 (RNN) 及其门控变体（LSTM、GRU）模拟顺序依赖性，并用于预测 RNA 二级结构和蛋白质定位。 具有自注意力机制的 Transformer 架构，以 AlphaFold 和 DNABERT 为例，捕获长程相互作用，并在蛋白质结构预测和调控基因组学方面树立了新标准。 图神经网络在分子图上运行以进行药物特性预测。训练这些模型需要大型标记数据集、GPU 加速以及 dropout 和批量归一化等技术来防止过度拟合。

实用协议

基于序列的生物信息学的典型深度学习工作流程从数据预处理开始。对于剪接位点预测任务，研究人员从 ENSEMBL 或 GENCODE 等公共数据库收集一组平衡的真假剪接位点序列（通常以外显子-内含子边界为中心的 200-500 个核苷酸）。每个序列都被 one-hot 编码为形状为 (4，sequence_length) 的二进制矩阵。数据分为训练集、验证集和测试集（例如 70/15/15）。 CNN 模型是在 PyTorch 或 TensorFlow 等框架中构建的：一个与编码序列维度匹配的输入层、两到三个一维卷积层，其中包含 64-128 个内核大小为 8-12 的滤波器和 ReLU 激活，然后是最大池化和 dropout（速率 0.3-0.5）。特征图被展平并在最终的 softmax 输出层之前通过具有 64 个单元的密集层。该模型使用 Adam 优化器（学习率 0.001）进行编译，并使用 32-64 的批量大小进行提前停止的最多 100 个 epoch 的训练。训练后，该模型对保留的测试数据的准确率达到 95% 以上，并且可以在全基因组范围内应用来预测新的剪接位点。这种方法已成功用于识别癌症基因组中的隐秘剪接位点，揭示产生或破坏剪接信号并导致肿瘤发生的突变。相同的架构可推广到使用 ENCODE ChIP-seq 数据和 microRNA 靶位点识别进行转录因子结合位点预测。在一项具有里程碑意义的研究中，研究人员使用 CNN 从 CLIP-seq 数据中预测 RNA 结合蛋白的特异性，获得了高于 0.93 的 AUROC 分数，并揭示了以前未知的与神经系统疾病相关的结合基序。

应用程序

深度学习为 AlphaFold 提供准确的[蛋白质结构](/guides/ Protein-struction.html)预测，解释DNA测序读数以进行变异检测，并对DNA微阵列和基因表达检测中的复杂表达模式进行解卷积。它还支持单细胞分析、药物发现和医学图像诊断，成为现代计算生物学的基石。