PCVR：基于预训练视觉Transformer的DNA序列分类新方法——全局上下文表征提升物种鉴定精度

针对传统DNA序列分类方法存在局部信息局限性和计算效率低的问题，中国科学技术大学团队开发了PCVR模型。该研究首次将视觉Transformer(ViT)与掩码自编码器(MAE)预训练结合，通过频率混沌游戏表示(FCGR)将DNA序列转化为图像，捕获长程依赖关系。实验表明PCVR在超界和门级分类准确率分别提升5.93%和8.96%，尤其对远缘物种数据集表现出卓越泛化能力，为宏基因组分析和新物种发现提供新工具。

　　

在生物多样性研究和临床诊断中，DNA序列分类是解码生命密码的关键技术。然而传统方法面临两大困境：基于比对的工具如BLAST依赖参考数据库质量，计算效率低下；机器学习方法如k-mer计数则难以捕捉长序列的全局模式。更棘手的是，随着高通量测序技术爆发式增长，海量未分类序列在宏基因组组装过程中丢失，现有方法对未知物种的识别率不足40%。

中国科学技术大学的研究团队突破性提出PCVR框架，将DNA序列分类问题转化为图像识别任务。该研究创新性地采用频率混沌游戏表示(FCGR)将任意长度DNA序列编码为固定尺寸图像，保留k-mer频率分布和空间结构信息。通过视觉Transformer(ViT)的自注意力机制捕获序列全局上下文特征，并结合掩码自编码器(MAE)预训练策略解决标注数据稀缺问题。论文发表于《BMC Bioinformatics》，实验证明PCVR在超界和门级分类准确率最高达99.22%和96.93%，对远缘物种的识别准确率提升近9%。

关键技术包括：1) 5-mer FCGR将DNA序列转化为64×64分辨率图像；2) 24层ViT-Large模型（1024维嵌入）构建特征提取器；3) 75%掩码率的MAE预训练策略；4) 分层微调结构融合超界、门、属三级分类信息。使用8块NVIDIA 3090 GPU在250万条未标注序列上预训练520轮次。

研究结果显示：在包含146个属的远缘数据集上，PCVR的宏平均精度(macro AveP)达96.00%（超界）和78.67%（门），显著优于MMseqs2等传统工具。特征检索实验证实，预训练后的ViT编码器无需微调即可实现80.53%的门级分类准确率，表明FCGR能有效保留物种特异性模式。消融研究揭示：5-mer FCGR较4-mer提升6.33%准确率；MAE预训练使模型收敛速度提升3倍；2:3:5的层级损失权重最优。

案例研究揭示分类依据：十字形FCGR模式链霉菌(Streptophyta)的预测准确率达98%，而平面纹样的变形菌门(Proteobacteria)易与浮霉菌门(Planctomycetes)混淆（错误率12%）。这表明PCVR依赖视觉特征判别，对保守序列区域识别效果更佳。

结论部分指出，PCVR首次实现DNA序列的上下文感知表征，其优势体现在三方面：1) FCGR突破序列长度限制，ViT捕获的全局特征使新物种发现准确率提升8.96%；2) MAE预训练减少90%标注数据需求；3) 分层微调结构解决类不平衡问题。局限性在于属级分类受数据分布影响（准确率74.65%），未来可通过集成k-mer特征改进。该研究为基因组功能元件（如启动子、增强子）预测提供了新范式，相关代码已在GitHub开源。