编辑推荐：
转录因子识别 DNA 序列的特异性对基因表达调控至关重要。为提升卷积神经网络（CNNs）预测 DNA - 蛋白质结合位点的准确性，研究人员提出结合多实例学习（MIL）与混合神经网络的 WSHNN 框架。实验显示，该模型 Pre 达 90.73%、Recall 达 82.77% 等，表明双向长短期记忆网络（Bi-LSTM）可更好捕捉长序列关系。
转录因子作为调控基因表达的关键生物组件，其核心功能是识别 DNA 序列。随着相关研究深入，发现 DNA - 蛋白质结合特异性在基因表达调控（尤其是基因治疗）中具有重要作用。卷积神经网络（Convolutional Neural Networks, CNNs）虽被广泛用于预测 DNA - 蛋白质特异性结合位点，但其预测准确性仍有待提升。
本研究提出一种结合多实例学习（Multi-Instance Learning, MIL）与混合神经网络的框架 WSHNN。首先利用滑动窗口将 DNA 序列分割为多个重叠的实例，每个实例包含多个包；随后采用 K-mer 编码对实例进行编码；通过混合神经网络分别计算同一包内所有实例的得分，最后利用全连接网络对该包进行最终预测。
实验结果表明，该框架在精确率（Precision, Pre）、召回率（Recall）、准确率（Accuracy, Acc）、F1 分数（F1-score）和马修斯相关系数（Matthews Correlation Coefficient, MCC）上分别达到 90.73%、82.77%、87.17%、0.8657 和 0.7462。此外，研究还探讨了 K-mer 编码的性能。与其他前沿研究相比，该模型利用序列信息实现了更优性能。
实验结论显示，双向长短期记忆网络（Bi-directional Long-Short-Term Memory, Bi-LSTM）能够更好地捕捉 DNA 序列间的长序列关系（代码和数据可访问：
https://github.com/baowz12345/Weak_Super_Network）。
