MAMTF：一种结合状态空间建模与自适应特征融合的转录因子结合位点预测方法

《BMC Bioinformatics》：MAMTF: a method for predicting transcription factor binding sites combining state-space modeling and adaptive feature fusion

　　

摘要

背景

转录因子结合位点（TFBSs）是 DNA 上的短序列，可被特定的转录因子（TFs）识别并结合。准确识别 TFBSs 对于解码基因调控机制和理解细胞功能至关重要。传统的基于机器学习的方法依赖于手工设计的特征，难以充分揭示 DNA 序列内的复杂模式。近年来，深度学习方法在 TFBSs 预测中表现出显著优势。然而，现有方法在局部和全局特征提取以及特征融合方面仍存在不足。

结果

为了解决这些问题，我们提出了一种深度学习方法 MAMTF，旨在整合局部和全局 DNA 特征，以提高 TFBSs 预测的性能。该方法使用多尺度卷积神经网络提取局部序列特征，采用双向 Mamba 架构捕获长程依赖关系，并设计了一个交叉门控融合模块以实现不同特征之间的深度交互。在涵盖 29 个转录因子（TF）类别的 165 个 ChIP-seq 数据集上，MAMTF 在 29 个 TF 类别上取得了宏平均 ACC（0.819）、ROC-AUC（0.895）和 PR-AUC（0.900），显示出很有前景的预测能力。

结论

实验结果表明，MAMTF 在预测 TFBSs 方面优于其他六种方法，在 29 个 TF 类别上表现出最优且稳定的性能，为准确的 TFBSs 预测提供了新工具。