想象你手里捧着一本用四个字母写成的“天书”——A、T、C、G。这本天书长达三十亿个字母，里面藏着“你是谁”的全部秘密。可惜，你完全不认识这种语言。这时，你请来了两位“阅读高手”：一位叫 CNN，他拿着不同倍数的放大镜，擅长在局部区域快速扫描、寻找特定的“词语”（比如启动子、结合位点）；另一位叫 Transformer，他不看局部，而是把整本书摊开，用“注意力”在所有文字之间建立关联，擅长发现相隔十万八千里却能遥相呼应的“伏笔”（比如增强子与启动子的远程互动）。这两位高手，就是 DNA/RNA 序列建模的核心工具。本文将以这本“天书”为喻，带你走进 AI 读懂基因序列的世界。

岗位关联

掌握基因序列建模，你将站上 AI 与生命科学交叉的浪尖——既能理解生物信息学数据的本质，又能将深度学习架构迁移到最前沿的科学发现场景，成为稀缺的复合型 AI 人才。

目录
  1. 可视化演示
  2. 序列语言基础
  3. One-Hot编码
  4. CNN局部扫描
  5. Transformer全局关联
  6. 数据准备要点
  7. 模型选择实践
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示DNA序列One-Hot编码、CNN卷积核滑动检测基序、Transformer多头自注意力三阶段交互。

本节配有交互动效（进入视口后自动加载，约 3KB）。

DNA序列One-Hot编码 ACGT四碱基独热编码向量 GC含量反映序列特征 编码向量送入深度学习模型 编码：A=[1,0,0,0], C=[0,1,0,0], G=[0,0,1,0], T=[0,0,0,1] One-Hot是序列建模最基础的编码方式

序列语言基础

在基因的世界里，DNA 和 RNA 是两本用四字母写成的“天书”——DNA 使用 A、T、C、G 四种碱基，RNA 则将 T 换成了 U。就像中文有三千常用汉字，但基因这本天书只有四个“字”，却拼出了生命的所有复杂与精妙。每个基因序列就像书中的一句话，由成百上千个字母连缀而成；而启动子、增强子、剪接位点这些调控元件，则是句中反复出现的“固定搭配”——如同中文里的“因为……所以”“不仅……而且”。

对于 AI 模型而言，这些序列不是能直接理解的文本，而是需要被翻译成机器可读的数字。正如一个外国人读《红楼梦》前必须先学会汉字，深度学习模型读取基因前，也需要先掌握这套“字母表”。幸运的是，这套字母表极其简洁——只有四个符号，这让编码变得异常干净。

在计算生物学中，通常将序列视为离散符号的线性序列，这与自然语言处理中的“词序列”高度同构。一个长度为 L 的 DNA 片段，就是一个长度为 L 的字符串，其中每个字符来自有限字母表 Σ = {A, T, C, G}。这种形式化定义，使得 NLP 中的一切技术——从嵌入到注意力——都能迁移到基因组上。

就像读英文小说前先认识 26 个字母一样，理解碱基字母表是建模的第一步。现在我们知道“书”长什么样了，下一步就是把它翻译成模型能算的“数字”。

Sequence={s1,s2,s3,…,sL},si∈{A,T,C,G}\text{Sequence} = \{s_1, s_2, s_3, \dots, s_L\}, \quad s_i \in \{\text{A}, \text{T}, \text{C}, \text{G}\}
基因序列就是一个由四种字母组成的有限长字符串，这是后续所有建模的基础。
  1. 序列定义将 DNA 片段形式化为有序字符集合。$s_i$ 表示第 $i$ 个位置的碱基。
    Sequence={s1,s2,s3,…,sL}\text{Sequence} = \{s_1, s_2, s_3, \dots, s_L\}
  2. 碱基字母表限定字符取值范围为四种碱基，这是最小完备集。
    si∈{A,T,C,G}s_i \in \{\text{A}, \text{T}, \text{C}, \text{G}\}

One-Hot编码

有了天书和字母表，下一步是把这些字母变成数字。有人说“把 A=1, T=2, C=3, G=4 不就行了？”——这看似聪明，实则埋了大坑。试想，如果 A=1、T=2，那么 A+T=C，这会让模型误以为碱基之间存在算术关系，但实际上 A 和 T 只是两种不同的“字”，并无大小之分。这就好比给苹果=1、香蕉=2，模型便会学到“苹果+苹果=香蕉”的荒谬规则。One-Hot 编码就是为了避免这种“假关系”。

One-Hot 编码的做法是为每个碱基创建一个四维向量，其中该碱基对应的位置为 1，其余为 0。比如 A 可以编码为 [1,0,0,0]，T 为 [0,1,0,0]，C 为 [0,0,1,0]，G 为 [0,0,0,1]。这样整条长度为 L 的序列，就变成了一个 4×L 的矩阵——如同一排灯开关，每个位置只亮一盏灯，其他全灭。每个碱基都用一个“独热”的位置表示。

在 PyTorch 或 TensorFlow 中，这个操作由 one_hot 函数轻松完成。编码后，我们得到了一个形状为 (N, 4, L) 的张量，其中 N 是样本数。值得注意的是，One-Hot 编码保留了一个重要性质——位置信息。第 3 个位置是 A 还是 T，不会被混淆，因为每个位置的“灯”是独立的。这种编码方式成为基因组深度学习的事实标准，正如独热编码是分类变量的标准预处理方式。

One-Hot 编码就像给天书的每个字配了一个独一无二的“身份证”，模型拿到这份表格，终于可以进行计算了。但读法不同，理解就不同——CNN 和 Transformer 走的是两条截然不同的阅读路径。

X=OneHot(Sequence)∈{0,1}4×L\mathbf{X} = \text{OneHot}(\text{Sequence}) \in \{0,1\}^{4 \times L}
将长度为 L 的序列转换成 4×L 的 0/1 矩阵，每列恰好一个 1。
  1. 独热结果形状编码后矩阵的维度由类别数（4种碱基）和序列长度 L 决定。
    X∈{0,1}4×L\mathbf{X} \in \{0,1\}^{4 \times L}
  2. 单列唯一每列恰好一个元素为 1，其余为 0，保证“一灯亮”。
    ∑j=14Xj,i=1,∀i∈{1,…,L}\sum_{j=1}^{4} X_{j,i} = 1, \quad \forall i \in \{1,\dots,L\}

CNN局部扫描

拿到编码矩阵后，CNN 出手了。它的阅读方式像什么呢？想象你读一本侦探小说时，拿着一张镂空的纸片，纸片上挖了一个长约 6-20 个字母的“窗口”。你把这个窗口沿着文字逐次滑动，每停一次就记下窗口内字形的特征。这种“滑动窗口”的阅读方式，就是卷积核的工作方式。CNN 的卷积核就相当于一个可学习的“放大镜”，它的长度（通常 6-20bp）恰好覆盖一个典型 DNA 模体（motif）的长度——比如转录因子结合位点通常只有 6-12bp。

CNN 的卷积层可以这样理解：它用一组可学习的卷积核（filter）对输入的 4×L 矩阵做滑动窗口内积，每个卷积核本质上是 4×k 的权重矩阵。当这个权重矩阵恰好与某个 motif 的 One-Hot 模式相似时，就会产生大数值响应——相当于“亮灯报警”。多个卷积核就像多个不同敏感度的探针，每个专门寻找特定类型的“固定搭配”。

卷积之后通常接池化层（pooling），它像编辑给一篇长文做“摘要”——在一个局部区域取最大值（Max Pooling）或平均值（Average Pooling），把重要信息保留下来，把不重要的细节丢掉。这样可以大幅降低数据维度，也能让模型对序列的微小移位更鲁棒——哪怕 motif 从位置 100 移到 103，池化后的特征仍然相似。

CNN 就像一位捧着放大镜逐段精读的侦探，对局部模体极为敏感，但它的视野有限——如果两个重要信号相隔 1000bp，它就很难发现它们的关联。这时候，就需要请出另一位高手——Transformer。

hi=f(W∗Xi:i+k+b)\mathbf{h}_i = f(\mathbf{W} * \mathbf{X}_{i:i+k} + \mathbf{b})
卷积核在序列上滑动，每个位置产生一个特征值，多个核形成特征图谱。
  1. 卷积操作对位置 $i$ 开始、长度 $k$ 的窗口与权重矩阵 $\mathbf{W}$ 做逐元素乘积并求和。
    W∗Xi:i+k=∑j=14∑t=1kWj,t⋅Xj,i+t−1\mathbf{W} * \mathbf{X}_{i:i+k} = \sum_{j=1}^{4}\sum_{t=1}^{k} W_{j,t} \cdot X_{j,i+t-1}
  2. 非线性激活加偏置后过激活函数（如 ReLU），引入非线性表达。
    hi=ReLU(W∗Xi:i+k+b)\mathbf{h}_i = \text{ReLU}(\mathbf{W} * \mathbf{X}_{i:i+k} + \mathbf{b})

Transformer全局关联

Transformer 的阅读方式截然不同。它不拿放大镜，而是把整本书摊开在桌面上，用“注意力”在任意两个位置的字符之间画线。好比一位通读全书的文学评论家，能发现第 3 页埋下的伏笔在第 2500 页得到了呼应——这种跨越时空的“连线”，就是自注意力（Self-Attention）机制。

自注意力的核心是一个三元组：查询（Query）、键（Key）、值（Value）。可以把 Query 想象成“我在找什么”，Key 是“我拥有什么”，Value 是“我要输出的内容”。每个位置的碱基都发出一个 Query，去匹配所有位置的 Key，得到的匹配分数决定了“我该多关注谁”，然后用这些权重加权求和所有位置的 Value。这样，每个输出位置都能“看”到全局的信息。

然而，Transformer 的注意力机制本身是“无序”的——它不知道第 5 个位置和第 80 个位置谁在前谁在后。于是，研究者加入了位置编码（Positional Encoding）：给每个位置加上一个唯一的“坐标标记”，像给每本书编上页码。这样，模型既能利用位置信息，又能保持全局视野。

Transformer 的长程依赖建模能力使其在捕捉增强子-启动子远程互作、RNA 二级结构等任务中表现卓越。但它的“通读全书”也带来巨大算力开销——注意力矩阵随序列长度平方增长，读一本长书会非常费力。因此，CNN 和 Transformer 并非谁替代谁，而是各擅胜场。

Attention(Q,K,V)=Softmax(QKTdk)V\text{Attention}(\mathbf{Q}, \mathbf{K}, \mathbf{V}) = \text{Softmax}\left(\frac{\mathbf{Q}\mathbf{K}^T}{\sqrt{d_k}}\right)\mathbf{V}
注意力机制通过查询与键的匹配度加权聚合所有位置的信息，实现全局感知。
  1. 相似度计算查询与所有键做点积，衡量匹配程度。
    QKT\mathbf{Q}\mathbf{K}^T
  2. 缩放防止饱和除以 $\sqrt{d_k}$ 避免点积过大导致 Softmax 梯度消失。
    QKTdk\frac{\mathbf{Q}\mathbf{K}^T}{\sqrt{d_k}}
  3. 权重归一化Softmax 将分数转为非负且和为 1 的注意力权重。
    Softmax(QKTdk)\text{Softmax}\left(\frac{\mathbf{Q}\mathbf{K}^T}{\sqrt{d_k}}\right)
  4. 加权聚合用注意力权重对值向量做加权求和，得到输出。
    Attention(Q,K,V)=Softmax(QKTdk)V\text{Attention}(\mathbf{Q}, \mathbf{K}, \mathbf{V}) = \text{Softmax}\left(\frac{\mathbf{Q}\mathbf{K}^T}{\sqrt{d_k}}\right)\mathbf{V}

数据准备要点

无论是 CNN 还是 Transformer，都离不开优质的数据喂养。数据准备就像给厨师备菜——食材不新鲜，再好的厨艺也白搭。在基因组序列建模中，“食材”来自参考基因组（Reference Genome），如人类基因组 hg38。常用数据格式是 FASTA，一种纯文本格式，> 开头的是序列名称，后续是碱基序列。

正负样本的设计是建模成败的关键。例如，要预测某个 DNA 片段是否为增强子，正样本是真增强子序列，负样本则来自非增强子区域。一种常见的做法是“负样本匹配”——让负样本与正样本在 GC 含量、长度、染色体分布上保持一致，避免模型学到这些“表面特征”而非真正的生物学信号。就像让盲测的两种咖啡温度相同，才能真正测出风味差异。

数据增强也是基因组建模的利器。由于 DNA 有双链结构，一条序列的反向互补链（Reverse Complement）在生物学上等价于原序列。因此，将序列与其反向互补同时放入训练集，等效于两倍扩充数据。还能通过随机移位、截断、突变增强（引入随机点突变）来增加数据多样性，帮助模型抵抗过拟合。这些方法简单却极为有效。

数据是模型的燃料，而“反向互补增强”是基因组任务特有的“免费午餐”。但有了好数据后，到底选 CNN 还是 Transformer？这需要一套决策方法。

ReverseComplement(ACGT)=ACGT→互补TGCA→反转ACGT\text{ReverseComplement}(\text{ACGT}) = \text{ACGT} \xrightarrow{\text{互补}} \text{TGCA} \xrightarrow{\text{反转}} \text{ACGT}
反向互补操作：先互补（A↔T, C↔G）再反转，得到的序列在生物学上与原序列等价。
  1. 互补替换每个碱基替换为互补碱基。
    A→T,T→A,C→G,G→C\text{A} \to \text{T}, \quad \text{T} \to \text{A}, \quad \text{C} \to \text{G}, \quad \text{G} \to \text{C}
  2. 反转顺序将互补后的序列倒序排列。
    Reverse(s1s2…sn)=sn…s2s1\text{Reverse}(s_1 s_2 \dots s_n) = s_n \dots s_2 s_1

模型选择实践

面对具体任务时，选择 CNN 还是 Transformer，不能凭偏好，而要像老中医看病一样辨证施治。核心指标有三个：序列长度、任务类型、数据规模。序列长度是首要判断依据：如果输入序列较短（如 200bp 以内）且任务依赖局部模体（如预测转录因子结合位点），CNN 是优选项——它参数少、训练快、小数据下不易过拟合。但如果序列长达数千甚至数万 bp，且关键信号可能相距遥远（如预测剪接位点需要同时看到外显子两端），Transformer 的能力就体现出来了。

任务类型同样关键。如果是分类任务（如判断片段是否为启动子），CNN 或混合模型足以；如果是需要输出逐位置标注的序列标注任务（如预测每个碱基是否属于外显子），Transformer 的全局建模能力更有优势。此外，数据规模也决定选择：Transformer 在没有海量数据时容易“营养不良”，而 CNN 在小数据上表现稳健。近年来，研究者常采用"CNN+Transformer"的混合架构——先由 CNN 提取局部特征，再由 Transformer 建模全局依赖，兼取两者之长。

模型评估方面，基因组任务常用 AUC、F1、准确率等指标，但更关键的是“跨染色体验证”——即训练集和测试集来自不同染色体，确保模型学到的不是染色体的特异性偏好。部署时，还要关注推理速度和服务稳定性。CNN 模型体积小、推理快，适合大规模全基因组扫描；Transformer 性能强但资源消耗大，适合小范围高精度任务。

回头再看那本天书：CNN 像拿着放大镜寻找固定搭配的侦探，Transformer 像通读全文的学者。真正的高手会让他们合作——先用 CNN 快速扫描出“关键词”，再用 Transformer 理解这些关键词之间的“深意”。这就是现代基因组深度学习的真实图景。

Accuracy=TP+TNTP+TN+FP+FN,F1=2×Precision×RecallPrecision+Recall\text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}, \quad \text{F1} = \frac{2 \times \text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}
准确率衡量整体预测正确比例；F1 分数是精确率与召回率的调和平均，更关注正类的识别效果。
  1. 真阳性与真阴性预测正确且实际为正/负的样本数。
    TP,TNTP, \quad TN
  2. 假阳性与假阴性预测错误且实际为负/正的样本数。
    FP,FNFP, \quad FN
  3. 准确率正确预测数量占总样本数的比例。
    Accuracy=TP+TNTP+TN+FP+FN\text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}
  4. F1 分数精确率与召回率的调和平均，单值综合评估。
    F1=2×Precision×RecallPrecision+Recall\text{F1} = \frac{2 \times \text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}

AI 应用场景

场景一：转录因子结合位点预测

阶段：模型训练与推理

解决的问题：传统实验方法（如 ChIP-seq）识别转录因子结合位点成本高、周期长，且对细胞类型敏感。深度模型可基于序列直接预测结合概率，大幅降低实验负担。

具体案例：某生物信息学团队使用 CNN 模型 Enformer 对 ENCODE 项目的 ChIP-seq 数据建模，输入 200bp 的 DNA 序列窗口，输出 1000 多个转录因子的结合概率。模型在跨细胞系预测中 AUC 达 0.92，成功辅助研究团队将候选结合位点从数百万个压缩至几千个，显著加速了后续湿实验验证。

场景二：RNA剪接位点识别

阶段：数据准备与特征工程

解决的问题：RNA 剪接位点识别需要同时观察外显子-内含子边界的多个远端信号，传统 Motif 扫描方法召回率低，线性模型难以学习复杂组合模式。

具体案例：某基因诊断公司利用 Transformer 模型 SpliceAI 进行全基因组剪接位点预测。模型以 5000bp 的 RNA 序列为输入，利用深度残差网络和注意力机制识别隐蔽剪接突变。在 2022 年的一项临床验证中，模型对致病性剪接变异的检测灵敏度达 95%，帮助诊断团队发现了传统外显子组分析遗漏的致病突变。

场景三：CRISPR基因编辑的脱靶效应预测

阶段：模型评估与部署

解决的问题：CRISPR-Cas9 系统可能在其他位置产生非预期切割（脱靶），传统算法使用简单序列比对导致假阳性高企。深度学习使模型能学习复杂的错配容忍模式。

具体案例：某基因治疗初创公司使用 CNN+Transformer 混合架构，以 gRNA 序列和候选脱靶位点序列为输入，预测切割活性评分。模型在 GUIDE-seq 数据集上取得了目前最优的 F1 分数 0.87，并将其部署为云端 API，供科研人员实时评估 gRNA 安全性，将脱靶验证成本降低了 70%。

Python 演示

python115 行
"""DNA序列建模演示：使用CNN和Transformer对启动子序列进行分类。"""import numpy as npfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import roc_auc_score, f1_score # ------------------------- 数据准备 -------------------------# 生成模拟数据：正样本含TATA-box启动子模体，负样本为随机序列def generate_data(n_samples=400, seq_len=100):    rng = np.random.RandomState(42)    X, y = [], []    letters = 'ACGT'    for _ in range(n_samples):        # 随机生成一段DNA序列        seq = ''.join(rng.choice(list(letters), size=seq_len))        if rng.rand() < 0.5:            # 正样本：插入启动子模体 TATAWAW 在随机位置            pos = rng.randint(0, seq_len - 6)            motif = 'TATAAA'            seq = seq[:pos] + motif + seq[pos + 6:]            y.append(1)        else:            y.append(0)        # 反向互补增强        comp = {'A': 'T', 'T': 'A', 'C': 'G', 'G': 'C'}        rc_seq = ''.join(comp.get(b, b) for b in seq[::-1])        X.append(seq)        X.append(rc_seq)        y.extend([y[-1]] * 2)  # 反向互补等价，标签不变    return X, np.array(y) def one_hot_encode(seqs, seq_len=100):    """将字符串序列编码为独热矩阵。"""    mapping = {'A': 0, 'C': 1, 'G': 2, 'T': 3}    X = np.zeros((len(seqs), 4, seq_len), dtype=np.float32)    for i, s in enumerate(seqs):        for j, ch in enumerate(s[:seq_len]):            if ch in mapping:                X[i, mapping[ch], j] = 1.0    return X # ------------------------- 模型构建 -------------------------# 简易CNN模型（用numpy实现单层卷积+全连接）class SimpleCNN:    def __init__(self, kernel_size=6, n_filters=16, lr=0.01):        self.k = kernel_size        self.n_f = n_filters        self.lr = lr        # 卷积核形状: (n_filters, 4, kernel_size)        self.W_conv = np.random.randn(n_filters, 4, kernel_size) * 0.01        self.b_conv = np.zeros((n_filters, 1))        # 全连接层权重        self.W_fc = None        self.b_fc = np.zeros((1,))     def forward(self, X):        # X: (batch, 4, L) -> 卷积 -> ReLU -> 全局最大池化        n, _, L = X.shape        out_L = L - self.k + 1        # 卷积: 对每个窗口位置计算所有滤波器响应        conv_out = np.zeros((n, self.n_f, out_L))        for i in range(n):            for f in range(self.n_f):                for j in range(out_L):                    window = X[i, :, j:j + self.k]                    conv_out[i, f, j] = np.sum(self.W_conv[f] * window) + self.b_conv[f]        conv_out = np.maximum(conv_out, 0)  # ReLU        # 全局最大池化: 每个滤波器取最大值        pooled = np.max(conv_out, axis=2)   # (n, n_filters)        return pooled     def fit(self, X, y, epochs=10):        n = X.shape[0]        X_pooled = self.forward(X)        # 初始化全连接层（相当于逻辑回归）        self.W_fc = np.random.randn(self.n_f) * 0.1        for epoch in range(epochs):            logits = X_pooled @ self.W_fc + self.b_fc[0]            probs = 1.0 / (1.0 + np.exp(-logits))            loss = -np.mean(y * np.log(probs + 1e-9) + (1 - y) * np.log(1 - probs + 1e-9))            # 梯度下降            grad = (probs - y) / n            self.W_fc -= self.lr * (X_pooled.T @ grad)            self.b_fc -= self.lr * np.sum(grad)            if (epoch + 1) % 5 == 0:                print(f'Epoch {epoch+1}: loss={loss:.4f}')     def predict_proba(self, X):        X_pooled = self.forward(X)        logits = X_pooled @ self.W_fc + self.b_fc[0]        return 1.0 / (1.0 + np.exp(-logits))     def predict(self, X, threshold=0.5):        return (self.predict_proba(X) >= threshold).astype(int) # ------------------------- 训练与评估 -------------------------if __name__ == '__main__':    print("生成模拟DNA序列数据...")    X_text, y = generate_data(300)    print(f"数据量: {len(X_text)} (含反向互补增强)")     # 编码并划分    X = one_hot_encode(X_text)    X_train, X_test, y_train, y_test = train_test_split(        X, y, test_size=0.2, random_state=42, stratify=y)     # 训练CNN    model = SimpleCNN(kernel_size=6, n_filters=16, lr=0.05)    print("开始训练简易CNN模型...")    model.fit(X_train, y_train, epochs=20)     # 评估    y_pred = model.predict(X_test)    f1 = f1_score(y_test, y_pred)    auc = roc_auc_score(y_test, model.predict_proba(X_test))    print(f"\n测试集结果: F1={f1:.3f}, AUC={auc:.3f}")
目的：演示从 DNA 序列数据生成、One-Hot 编码到 CNN 分类训练的完整流程，适用于转录因子结合位点或启动子识别任务。
  1. comp = {'A': 'T', ...}; rc_seq = ''.join(comp.get(b, b) for b in seq[::-1])实现反向互补增强：先逐个碱基互补，再反转整个序列，一箭双雕扩展数据集。
  2. mapping = {'A': 0, 'C': 1, 'G': 2, 'T': 3}; X[i, mapping[ch], j] = 1.0独热编码核心：每个位置在对应碱基的通道上置 1，生成 4×L 矩阵。
  3. conv_out[i, f, j] = np.sum(self.W_conv[f] * window) + self.b_conv[f]卷积操作：卷积核与局部窗口逐元素乘累加，检测模体模式。
  4. pooled = np.max(conv_out, axis=2)全局最大池化：每个滤波器在整个序列上取最大值，保留最强响应、降低维度。
  5. grad = (probs - y) / n; self.W_fc -= self.lr * (X_pooled.T @ grad)梯度下降更新权重，训练分类器区分正负样本。
  6. X_train, X_test, y_train, y_test = train_test_split(...)数据划分：防止信息泄漏，确保评估可靠。

常见误区

误区我听说 Transformer 的注意力复杂度是 O(n²)，那基因组序列动辄上百万碱基，是不是根本没法用深度学习？也许应该用传统方法。

正解这是一个常见的认知偏差。实际上，基因组深度学习模型的输入通常不是整条染色体，而是“滑窗截取”的短片段（如 200bp、2000bp、5000bp 等）。模型的任务是理解局部上下文和特定调控区域，而非通读全部三十亿碱基。就像读一本长篇小说时，评论家也是逐章精读，而非一次输入全本。只需将序列按窗口切分，CNN 和 Transformer 都能高效处理。

为何常见：人们容易被“全基因组”这个宏大规模吓住，忽略了建模任务的实际输入粒度。序列建模本质上是“局部理解”任务。

误区NLP 里 BERT、GPT 都用词嵌入把词映射为稠密向量，One-Hot 又稀疏又浪费。DNA 建模是不是也该用 Embedding 层或预训练向量？

正解DNA 只有四个字母，One-Hot 编码的信息论效率已经很高。更重要的是，One-Hot 保持了碱基之间的“正交性”——任意两种碱基的距离相等，不会引入虚假的相似性。而词嵌入依赖大规模语料统计共现，DNA 的“语法”远未被完全解读，贸然使用预训练向量反而可能掺入噪声。实际上，目前绝大多数 SoTA 基因组模型（如 Enformer、SpliceAI）的第一层仍然是 One-Hot 或类 One-Hot 编码。简单有时正是优点。

为何常见：习惯了 NLP 的丰富表示，容易忽视生物序列的特殊性和 One-Hot 在正交性上的数学优势。

误区大家都说 Transformer 是深度学习的未来，基因序列建模是不是也应该无脑上 Transformer？CNN 是不是老古董了？

正解这个误区源于对模型能力的过度简化。CNN 的核心优势是“局部连接+平移等变”，在捕捉 DNA 模体（通常 6-12bp）上极其高效，参数少、训练快、小数据下更稳。Transformer 在长程依赖上更强，但数据量不足时容易过拟合，算力消耗也大。关键在于任务匹配：预测 TF 结合位点用 CNN 足够，预测剪接位点的远端交互则 Transformer 更优，现实中更多是"CNN+Transformer"混合架构。工具没有新旧，只有合不合适。

为何常见：技术热度的“光环效应”容易让人忽略不同架构的归纳偏置与任务场景的匹配关系。

误区训练时把所有序列按正链方向输入，模型效果还不错；或者我干脆把反向互补也加入训练，但忘了把标签也一起调整，导致模型变差。

正解DNA 是双链结构，一条序列与其反向互补在生物学上功能等价。如果不做反向互补增强，模型可能学到“只在正链上识别 motif”，而对负链的等价序列毫无反应——这会造成严重的泛化问题。正确做法是：对每个样本，同时加入其反向互补序列，且标签保持不变，等效于两倍数据扩充。这对只有少数正样本的基因组任务尤其重要。

为何常见：初接触基因组任务时，容易忽略生物学先验（双链对称性），把序列当普通字符串处理。

误区我按常规做法随机划分训练集和测试集，模型 AUC 很高，是不是就能说明模型很好了？

正解基因组序列存在高度相似性——同一基因家族的序列、重复元件、同源区域都可能在染色体上重复出现。随机划分会让高度相似的序列同时出现在训练和测试集，模型“记住”了序列模式而非真正理解了生物学规则，导致指标虚高。正确做法是进行“染色体级别”的划分——按染色体分组，确保测试集的序列来自模型从未见过的染色体区域。这就像考试时，题目必须来自学生没做过的练习册，才能测出真实能力。

为何常见：习惯于图像分类的随机划分方式，没意识到基因组数据具有强序列相关性和空间自相关。

面试题

Q1. DNA 序列建模中，One-Hot 编码将每个碱基表示为一个四维向量，其主要优势是什么？

单选题 · easy

  • A.减少数据存储空间
  • B.保持碱基之间的距离正交性← 正确答案
  • C.自动捕捉碱基的频率信息
  • D.引入碱基之间的相似性

答案：B。One-Hot 编码将 A、T、C、G 映射为正交的四维向量，任意两种碱基间的欧氏距离相等，不会引入虚假的数值大小关系。这与“苹果+苹果=香蕉”的荒谬算术不同，避免了模型学到错误归纳偏置。选项 A 错误，One-Hot 反而更占空间；C 和 D 都不是 One-Hot 的特性。

Q2. 在基因组序列建模中，“反向互补增强”的生物学基础是什么？

单选题 · easy

  • A.基因序列在两链上都转录
  • B.DNA 双链中两条链都携带遗传信息且互为模板← 正确答案
  • C.RNA 聚合酶同时读取两条链
  • D.互补链的序列与正链完全相同

答案：B。DNA 是双螺旋结构，一条链的序列可由另一条链通过互补配对（A↔T, C↔G）并反转得到。两条链都携带遗传信息，功能上等价，因此反向互补序列是有效的训练样本。A、C 有误导性，转录通常只发生在一条链上；D 显然错误。

Q3. 为什么 CNN 特别适合捕捉 DNA 序列中的转录因子结合位点？

单选题 · mid

  • A.CNN 能处理任意长度的序列输入
  • B.卷积核的尺寸与结合位点的典型长度吻合且具有平移等变性← 正确答案
  • C.CNN 天然具有位置编码能力
  • D.CNN 能建立序列间长距离依赖

答案：B。转录因子结合位点通常是 6-12bp 的短模体，CNN 卷积核的尺寸恰好可以覆盖这一局部范围；滑动窗口机制使模体无论出现在序列中的哪个位置都能被识别（平移等变性）。A 错误，CNN 卷积层对输入长度限制较严；C 错误，CNN 不内置位置编码；D 是 Transformer 的优势。

Q4. Transformer 的自注意力机制中，为什么要将点积结果除以 $\sqrt{d_k}$？

单选题 · mid

  • A.降低计算复杂度
  • B.防止点积过大导致 Softmax 梯度消失← 正确答案
  • C.增加模型的非线性表达能力
  • D.使注意力权重之和等于 1

答案：B。当向量维度 $d_k$ 较大时，点积的方差也随之增大，会导致 Softmax 落入饱和区，梯度趋近于零。除以 $\sqrt{d_k}$ 将方差稳定在 1 附近，保证梯度正常传播。A 错误，此操作不改变复杂度；C 与非线性无关；D 是 Softmax 的作用。

Q5. 在基因组序列建模中，为什么训练集和测试集应按染色体划分而非随机划分？

单选题 · mid

  • A.减少训练数据量以加速训练
  • B.随机划分会导致同源序列泄漏到测试集中，使评估指标虚高← 正确答案
  • C.不同染色体的序列长度不一致
  • D.模型只能识别特定染色体的模式

答案：B。基因组中存在大量同源序列、重复元件和基因家族序列，随机划分可能让高度相似的序列同时出现在训练和测试集。模型等于“背题”，而非真正学习生物学规则。按染色体划分能迫使模型泛化到未见过的序列区域。C 是数据属性但非原因，D 恰恰是按染色体划分要避免的问题。

Q6. 关于 CNN 和 Transformer 在基因序列建模中的对比，正确的有：

多选题 · mid

  • A.CNN 卷积核适合捕捉局部短模体← 正确答案
  • B.Transformer 能建模长距离序列依赖← 正确答案
  • C.CNN 在小数据场景下通常比 Transformer 更稳健← 正确答案
  • D.Transformer 的计算复杂度与序列长度成线性关系

答案：ABC。A 正确，卷积核尺寸与 DNA 模体长度天然契合；B 正确，自注意力机制让每个位置都能看到全局；C 正确，CNN 参数更少、归纳偏置更强，在小数据下不易过拟合；D 错误，标准 Transformer 的注意力复杂度是 $O(L^2)$。

Q7. 在"CNN+Transformer"混合架构中，CNN 部分的主要作用是什么？

单选题 · hard

  • A.替代位置编码提供序列顺序信息
  • B.将局部序列片段转化为高质量的短特征表示← 正确答案
  • C.实现注意力权重的可视化
  • D.减少训练集数据的冗余

答案：B。混合架构的通常设计是：先用 CNN 对 One-Hot 编码的序列做局部卷积提取模体特征，再将特征序列送入 Transformer 建模远程交互。CNN 在这里充当“特征预处理器”，好比先找出关键词再理解语义。A 错误，位置编码由 Transformer 自身处理；C、D 与架构无关。

Q8. 关于 DNA 序列的数据准备，以下做法正确的有：

多选题 · hard

  • A.正负样本应保持 GC 含量分布相似← 正确答案
  • B.反向互补序列的标签应保持不变← 正确答案
  • C.数据增强可以引入随机点突变生成更多样本← 正确答案
  • D.测试集可以包含训练集序列的直系同源基因

答案：ABC。A 正确，GC 含量差异是常见混淆变量，应匹配控制；B 正确，反向互补序列在生物学上等价，标签不变；C 正确，随机突变增强可提升模型泛化性。D 错误，同源基因序列高度相似，泄漏到测试集会造成指标虚高。

Q9. 人类基因组中，DNA 使用的四种碱基是：

单选题 · easy

  • A.A, U, G, C
  • B.A, T, G, C← 正确答案
  • C.A, T, G, U
  • D.T, U, G, C

答案：B。DNA 使用腺嘌呤（A）、胸腺嘧啶（T）、鸟嘌呤（G）、胞嘧啶（C）四种碱基；RNA 则以尿嘧啶（U）替代胸腺嘧啶（T）。选项 A 和 C 都含 U，是 RNA 的组成；D 缺少 A。

Q10. 在评估基因组序列分类模型时，选用 F1 分数而非仅用准确率的合理场景有：

多选题 · hard

  • A.正负样本类别不平衡时← 正确答案
  • B.假阴性（漏检致病突变）的代价远高于假阳性时← 正确答案
  • C.所有样本被预测为多数类即可获得高准确率时← 正确答案
  • D.测试集完美平衡时

答案：ABC。类别不平衡时准确率会失真——比如 99% 负样本时，全猜负样本就有 99% 准确率，此时 F1 的召回率能暴露问题。假阴性代价高时，F1 能综合衡量模型对正类的识别能力。C 正是准确率失真场景。D 错误，数据集平衡时准确率也有参考价值，F1 的必要性下降。