摘要
DNA序列的紧凑数值表示可以降低基因组数据的维度，但聚合操作可能导致位置信息的丢失。本研究探讨了一种位置加权表示方法，其中位于位置k的每个核苷酸根据一个严格递增的位置加权函数，对四个核苷酸通道之一做出贡献。所得到的序列表示是一个固定的四维向量，独立于序列长度。相对于固定的参考序列，若在位置j发生单个核苷酸替换，则一个核苷酸通道减少，另一个通道增加相同的取决于位置的量，从而产生一个零和且反对称的变化向量，其幅值在精确算术中可以确定替换位置。本研究还开发了有限精度分析，推导了离散位置恢复的保守充分精度条件。本研究使用完整的126,033个核苷酸的BRCA1参考序列对该方法进行了评估。在每个位置独立地引入了确定性的单个核苷酸替换，所有126,033个测试替换在评估的成对求和过程下，使用双精度算术均被正确恢复，尽管保守理论界限要求59位有效数字。最大连续位置误差为0.2227个位置。与独热编码（OHE）和k-mer计数表示的计算基准比较表明，所提出的表示方法将5000个核苷酸的序列缩减为四个浮点数值（32字节），尽管其直接实现需要更多的编码时间。在补充的对照梯度提升实验中，在控制基因组窗口和序列长度后，序列长度归一化的加权表示、填充OHE和归一化1-mer频率均产生了接近随机水平的分类性能，而四维加权表示相对于填充OHE大幅降低了内存需求和下游训练时间。这些结果将所提出的方法描述为一种紧凑的、位置依赖的DNA表示方法，具有针对相对于固定参考序列的单个核苷酸替换的解析可解释行为。这些发现区分了位置可识别性和计算紧凑性与致病性预测，并不暗示全局序列的单射性或诊断能力。
