想象一座灯火通明的城市：DNA 是锁在市政厅保险柜里的城市总蓝图，上面画着几万栋“基因建筑”的设计图纸。可是，蓝图自己不会动手施工——它需要一群特殊的“城市管理员”（转录因子，Transcription Factor，TF）出场。每位管理员手里都攥着一把形状独特的钥匙（DNA 结合结构域），它们要在庞大蓝图上找到属于自己的“钥匙孔”（转录因子结合位点，TFBS），把锁拧开，再招呼施工队（RNA 聚合酶）进场开工。 建成的楼宇能否交付使用、何时开工、盖多高，全看管理员能不能准时、准确地找到那个钥匙孔。而现实往往更复杂：有些蓝图被锁在保险柜里（染色质关闭），钥匙再好也够不着；有些钥匙孔磨损变形（序列突变），钥匙插不进去；有些管理员甚至“配错钥匙”，跑去别家开门。本文要带你看懂的，正是这套“钥匙找锁”的全部秘密——管理员长什么样、钥匙孔长什么样、门何时开着，以及我们如何训练一个“AI 门卫”，一眼判断哪把钥匙该进哪扇门。

岗位关联

掌握调控预测，你就能读懂基因组中 98% 的“非编码暗区”：无论解释疾病突变、设计育种标记还是搭建精准医疗分析管线，都能比同行看得更深一层。

目录
  1. 可视化演示
  2. 调控中心法则
  3. 序列特征密码
  4. 染色质开放门窗
  5. 预测模型构建
  6. Motif发现方法
  7. 应用与工程落地
  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序列中转录因子结合motif的扫描定位、染色质开放性与TF结合关系、以及深度学习预测流水线的核心流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

序列Motif扫描定位 DNA序列以ATGC四色条带表示，motif区域高度突出 虚线框标注TF结合motif位置，附亲和力得分条 P(bind)=PWM_score×chromatin_access 扫描线滑动检测序列中所有潜在结合位点

调控中心法则

城市离不开一套清晰的管理条例：蓝图、盖章、施工、验收，环环相扣。细胞里也一样——DNA 是总蓝图，平时安静地躺在细胞核里；可基因不会自己表达，必须等一位“管理员”（转录因子）走到蓝图指定的盖章区，咔嗒一声盖下印章，施工队才敢破土动工。这场“盖章”仪式，就是基因表达调控的起点。

管理员凭什么知道自己该盖在哪页？因为它手里那把钥匙——DNA 结合结构域——只能插进特定的钥匙孔（转录因子结合位点，TFBS）。钥匙孔周围还有一圈“加粗提示”（顺式调控元件，包括启动子、增强子），它们像红头文件里的重点段落，告诉其他蛋白“这里允许开工”。管理员结合之后，招募 RNA 聚合酶读取基因信息，生产出 mRNA 施工单，再由核糖体翻译成蛋白质建材。这一整套流程，就是分子生物学的中心法则。

中心法则描述的是遗传信息的单向流动：DNA 把指令转录给 mRNA，mRNA 再把指令翻译成蛋白质。它是理解一切调控问题的地基——转录因子调节的是第一步“转录”，也就是决定施工单到底开不开印。

回到城市比喻：管理员的专业素养决定了盖章准不准、快不快；同样，转录因子结合的效率决定了基因表达的强度。我们预测 TF 结合位点，本质就是在预测“哪位管理员会在哪个印章区盖章”。

DNA→转录mRNA→翻译蛋白质\displaystyle \text{DNA} \xrightarrow{\text{转录}} \text{mRNA} \xrightarrow{\text{翻译}} \text{蛋白质}
中心法则像城市的文件流转：总蓝图（DNA）→ 施工单（mRNA）→ 建筑材料（蛋白质）。转录因子卡住的是第一道工序。
  1. DNA遗传信息的原始载体，相当于城市总蓝图，包含所有基因的建筑图纸。
    DNA\displaystyle \text{DNA}
  2. 转录RNA 聚合酶在转录因子协助下读取 DNA 片段，生成 mRNA 施工单。
    DNA→转录mRNA\displaystyle \text{DNA} \xrightarrow{\text{转录}} \text{mRNA}
  3. 翻译核糖体按 mRNA 上的密码子合成蛋白质，完成从图纸到建材的转换。
    mRNA→翻译蛋白质\displaystyle \text{mRNA} \xrightarrow{\text{翻译}} \text{蛋白质}

序列特征密码

每把钥匙都有独一无二的齿纹，转录因子的“钥匙”也对应一段特别的 DNA 序列齿纹，这就是 motif。以著名的 CTCF 蛋白为例，它偏爱 CCCTC 这样一串碱基；换成别的序列，钥匙就插不进去。这些序列特征在进化中极其保守——因为齿纹磨错一格，锁就打不开，细胞就会出大乱子。

如何把“齿纹”量化？生物学家发明了位置权重矩阵（PWM）：把一个结合位点切成 L 个小格子（每个位置一个碱基），统计大量已知位点中每个位置出现 A/C/G/T 的频率，再换算成权重。PWM 就像一张“钥匙齿纹标准模具”：任意一段待测序列，只要逐格套上去打分，分数越高，越像这个转录因子的标准钥匙。

实际计算中，为了处理小样本噪声，通常在频率上加上一个平滑项，再与基因组背景频率做对数比值。这样得到的权重可正可负：正的说明该碱基在这个位置被偏好，负的代表被嫌弃。

回看城市故事：PWM 就是配钥匙师傅手里的那张“齿纹卡尺”。你拿一段 DNA 序列过来，师傅卡尺一量，马上告诉你这把钥匙像不像管理员手里的标准款——像，就可能在蓝图上盖下章。

Mb,i=log⁡2fb,i+0.01pb\displaystyle M_{b,i}=\log_2\frac{f_{b,i}+0.01}{p_b}
这个公式回答“第 i 个齿位上，碱基 b 是加分还是减分”：比背景更常见就加分，反之减分。
  1. f_{b,i}+0.01第 i 个位置上碱基 b 出现的频率，加 0.01 是加个小平滑量，防止除零和过拟合小样本。
    fb,i+0.01pb\displaystyle \frac{f_{b,i}+0.01}{p_b}
  2. p_b基因组中碱基 b 的背景频率，例如人类基因组 A 约占 29%，这就是“默认运气”。
    pb\displaystyle p_b
  3. log₂ 比值取以 2 为底的对数，把比值转换成信息量单位（bit），正值代表偏好，负值代表排斥。
    Mb,i=log⁡2fb,i+0.01pb\displaystyle M_{b,i}=\log_2\frac{f_{b,i}+0.01}{p_b}

染色质开放门窗

管理员拿着钥匙满城跑，却发现有些门根本推不开——因为城市档案馆里，不是所有蓝图都摊在桌面上的。DNA 在细胞里不是裸奔的，它缠在组蛋白上，再卷成染色质。缠得紧密的区域（异染色质）像锁进保险柜的文件，谁也别想读；松散的区域（常染色质）像摊在桌上的图纸，管理员随到随读。这个“能不能被读到”的属性，叫染色质开放性（chromatin accessibility）。

怎么知道哪扇门开着？实验上有两把“侦察螺丝刀”。DNase-seq：用 DNase I 酶去切基因组，酶只能在开放区域下刀，切出的缺口两端被测序，就得到开放区图谱；ATAC-seq 更灵巧——Tn5 转座酶像一把带抓钩的剪子，专门往开放的染色质里插入测序接头，样本量小、信噪比高，如今是单细胞时代的主力。组蛋白修饰则是门上的“状态牌”：比如 H3K4me1 标记增强子，H3K27ac 标记活跃调控区，看见它们就知道这扇门最近被频繁推开。

测序数据要比较，得先归一化。最常用的 CPM（counts per million）把每个窗口的读数除以总读数再乘以一百万，相当于把不同城市的人口统一折算成千分率，才好横向比较谁的门更开放。

所以，预测转录因子结合不能只盯着序列钥匙形不行，还得看门开没开。染色质开放数据就是那把“门状态检测仪”——在城里巡逻一圈，哪些门开着、哪些门上了锁，一目了然。

CPMi=ReadsiTotalReads×106\displaystyle \text{CPM}_i=\frac{\text{Reads}_i}{\text{TotalReads}}\times 10^6
CPM 就像“每百万人中到访这扇门的次数”，让不同测序深度、不同样本之间可以公平比较开放程度。
  1. Reads_i落在第 i 个染色质窗口的测序片段数，相当于侦察兵留下的脚印数量。
    Readsi\displaystyle \text{Reads}_i
  2. TotalReads该样本测序得到的总片段数，作为分母消除测序深度差异。
    ReadsiTotalReads\displaystyle \frac{\text{Reads}_i}{\text{TotalReads}}
  3. ×10⁶乘以一百万，把比值放大成直观的“每百万读数中”的计数。
    CPMi=ReadsiTotalReads×106\displaystyle \text{CPM}_i=\frac{\text{Reads}_i}{\text{TotalReads}}\times 10^6

预测模型构建

既然门卫老伯能凭经验认出每位管理员，我们能不能也训练一个“AI 门卫”？给它看一段 DNA 序列，它立刻判断：这个区域的钥匙孔是否会被某个转录因子打开？答案是肯定的，而且现代深度学习把这事做到了端到端。

第一步是特征工程——把 DNA 序列变成模型能消化的数字。最简单也最经典的是 one-hot 编码：把 A/C/G/T 变成四行 0/1 矩阵，碱基在哪行，哪行就置 1。这就像给 AI 看一张四色齿纹照片，而不是让 AI 去理解“ACGT“字母的含义。接下来是卷积神经网络（CNN）：卷积核像门卫的一排排眼珠子，在序列上滑动扫描，专门捕捉局部 motif 特征——第一层可能认出”这里是 CCCTC 样子“，深层则组合出”增强子 + 开放染色质 + TF 齐聚”的高层规律。

DeepSEA 是这一领域的明星模型。它只用 DNA 序列，就能同时预测上千个染色质特征、转录因子结合和剪接信号——相当于一个门卫同时记住了全城所有管理员的长相、所有门的开合时间表。评估这类模型，AUC 是首选指标：AUC 越接近 1，说明模型把“真钥匙”和“假钥匙”分得越开。

城市故事迎来转折：以前要靠管理员一把钥匙一把钥匙地试，现在 AI 门卫站在城门口，扫一眼齿纹、看一眼门闩，就能刷脸放行——预测转录因子结合，从此从“手工实验”走向“批量计算”。

yj=ϕ(∑k=0K−1wk⋅xj+k+b)\displaystyle y_j=\phi\left(\sum_{k=0}^{K-1} w_k \cdot x_{j+k}+b\right)
一维卷积的公式：窗口内的 K 个碱基特征与卷积核权重逐位相乘求和，再过非线性激活函数，就像门卫上下打量一个人时的“综合印象打分”。
  1. x_{j+k}从位置 j 开始的第 k 个碱基的编码值，是 AI 看到的局部图像。
    xj+k\displaystyle x_{j+k}
  2. w_k卷积核的第 k 个权重，代表 AI 对“这个位置出现什么碱基”的重视程度。
    wk⋅xj+k\displaystyle w_k \cdot x_{j+k}
  3. 求和与激活 φ把窗口内所有贡献加总并加上偏置 b，再用非线性函数（如 ReLU）决定“这个局部特征够不够格被记住”。
    ϕ(∑k=0K−1wk⋅xj+k+b)\displaystyle \phi\left(\sum_{k=0}^{K-1} w_k \cdot x_{j+k}+b\right)

Motif发现方法

反过来的问题更有意思：假设监控拍下了一整年“哪位管理员成功进了哪扇门”的记录（对应 ChIP-seq 实验捕获的 DNA 片段），我们该如何倒推出每位管理员手里的钥匙长什么样？这就是 motif 发现（motif discovery）。

生物信息学家先把 ChIP-seq 的 peak 区域序列捞出来，再问一个问题：这些序列里，有没有某些短串（6–20 bp）出现得比基因组随机背景更频繁？这种“过代表”检验就是富集分析。最严谨的做法是用超几何分布计算 p 值：把全基因组序列看成一个大抽奖箱，看“带目标 motif 的 peak 序列”是不是超出了随机抽取的预期。p 值越小，越说明这把钥匙的齿纹特征确实被偏爱。

工具各有分工：MEME 擅长从头（de novo）挖掘——不给你任何先验知识，直接从序列集合里搜出最显著的 motif 矩阵；HOMER 则偏向注释——拿已知 motif 库去比对 peak 区域，告诉你“这些位点可能是某个已知管理员的钥匙孔”。还有一类体外实验 SELEX：把转录因子丢进海量随机 DNA 序列池里，让它自己反复挑选最爱的序列，几轮之后剩下的就是最优钥匙齿纹。

回到城市监控室：motif 发现就是从海量“开门记录”里反推管理员钥匙的通用齿纹。有了这把“通用模具”，再去全城扫描，就能预测哪里还有同款锁孔——这就是从实验数据到预测模型的关键一步。

p=∑k=mn(Mk)(N−Mn−k)(Nn)\displaystyle p=\sum_{k=m}^{n}\frac{\binom{M}{k}\binom{N-M}{n-k}}{\binom{N}{n}}
这是超几何检验的公式：从 N 个序列中随机抽出 n 个，居然有 k 个都带目标 motif 的概率有多大。算出来极小，就说明“不是巧合”。
  1. N 与 nN 是背景序列总数（整个基因组窗口），n 是抽查的 peak 序列数。
    N,  n\displaystyle N, \; n
  2. M 与 mM 是背景中带目标 motif 的序列数，m 是 peak 序列中带 motif 的数量。
    M,  m\displaystyle M, \; m
  3. 组合数与求和把所有“至少观察到 m 个”的极端情况概率累加，就是单侧检验的 p 值。
    ∑k=mn(Mk)(N−Mn−k)(Nn)\displaystyle \sum_{k=m}^{n}\frac{\binom{M}{k}\binom{N-M}{n-k}}{\binom{N}{n}}

应用与工程落地

理论齐了，就该给整座城市装上自动门禁系统。第一步是接上城市档案：ENCODE 数据库收录了上千个转录因子的结合图谱和染色质开放数据，GTEx 记录了各组织基因表达量，这两个库就是门禁系统的“管理员花名册”和“楼层索引”。没有它们，AI 门卫再聪明也缺少训练素材。

最贴近临床的应用是变异解释。肿瘤或罕见病样本做完全基因组测序，绝大多数突变落在非编码区，不改变氨基酸序列——那它们如何致病？常见机制就是“钥匙孔变形”：突变改变了 PWM 匹配得分，导致原本结合的管理员进不了门。比如著名的结肠癌风险位点 rs6983267，位于增强子区域，风险等位基因破坏了 TCF7L2 转录因子的结合，MYC 基因表达随之失调。预测流程也很工程化：取变异前后各 100–200 bp 序列 → 用训练好的模型分别打分 → 计算风险倍数 R_effect。

整个工程管线如今可以完全自动化：原始测序数据 → 比对 → peak calling → motif 富集 → 变异注释 → 生成报告，每一步都有成熟工具。城市不再需要一个个人工门卫，而是一套 24 小时运转的智能门禁网络，随时回答：这把新钥匙，到底能不能打开这扇基因之门。

Reffect=P(bind∣alt)P(bind∣ref)\displaystyle R_{\text{effect}}=\frac{P(\text{bind}\mid \text{alt})}{P(\text{bind}\mid \text{ref})}
R_effect 是“变异后结合概率 ÷ 变异前结合概率”。比值大于 1 说明突变增强结合，小于 1 说明破坏结合，偏离 1 越远，调控受影响越大。
  1. P(bind|ref)参考（正常）等位基因被转录因子结合的概率，即原始钥匙开锁的把握。
    P(bind∣ref)\displaystyle P(\text{bind}\mid \text{ref})
  2. P(bind|alt)突变后的序列被结合的概率，相当于被磨过或补过的钥匙。
    P(bind∣alt)\displaystyle P(\text{bind}\mid \text{alt})
  3. 比值 R两个概率相除，得到突变对结合的影响倍数。
    Reffect=P(bind∣alt)P(bind∣ref)\displaystyle R_{\text{effect}}=\frac{P(\text{bind}\mid \text{alt})}{P(\text{bind}\mid \text{ref})}

AI 应用场景

精准医疗中的非编码突变解释

阶段：变异注释与致病性预测

解决的问题：传统临床解读只关注外显子区编码突变，对非编码区 98% 的突变束手无策；AI 模型能结合 TFBS、染色质开放和表观修饰特征，把“这个突变可能破坏了哪个转录因子的结合”变成可量化的风险倍数。

具体案例：某肿瘤样本 WGS 报告显示 chr8 增强子区域有一个杂合突变 rs6983267，传统数据库标注为“意义未明”。分析人员把突变前后各 200bp 序列输入 DeepSEA，发现风险等位基因使 TCF7L2 结合概率下降约 65%，同时邻近开放染色质峰信号减弱——最终报告将变异升级为“可能致病，影响 MYC 调控”。

单细胞 ATAC-seq 细胞类型鉴定

阶段：单细胞开放染色质峰识别与 motif 富集

解决的问题：传统聚类只能告诉我们“这些细胞长得像一群”，但说不清它们是谁；对每个细胞簇的开放峰做 motif 富集分析，就能通过“哪位管理员常来串门”推断细胞身份。

具体案例：研究团队对肿瘤微环境样本做 scATAC-seq，得到 8 个细胞簇。对每个簇的 peak 区域跑 HOMER 富集，发现簇 3 显著富集 FOXP3 motif、簇 5 富集 CD8A 相关 TF——结合 marker 基因，成功鉴定出调节性 T 细胞和细胞毒性 T 细胞，为免疫治疗响应分析提供了关键依据。

作物育种的调控元件精准编辑

阶段：调控位点设计与结合强度预测

解决的问题：传统育种靠随机突变碰运气，基因编辑又常盯着编码区；用预测模型扫描作物基因组中的 TFBS，可以主动设计“加强结合”或“减弱结合”的启动子编辑方案。

具体案例：水稻育种团队想提高耐旱基因 DREB1A 的表达，先用 PWM 扫描其启动子发现一个 MYB 转录因子的弱结合位点（打分仅 0.2），设计 3 个碱基替换使打分提升到 0.85，编辑后突变体在干旱胁迫下存活率提高 40%。

Python 演示

python47 行
import numpy as np class PWMMatcher:    def __init__(self, pwm, bg=None):        self.pwm = pwm        self.length = pwm.shape[1]        self.bg = np.array([0.25, 0.25, 0.25, 0.25]) if bg is None else bg     def _encode(self, seq):        base_map = {'A': 0, 'C': 1, 'G': 2, 'T': 3}        vec = np.zeros((4, len(seq)))        for i, ch in enumerate(seq.upper()):            if ch in base_map:                vec[base_map[ch], i] = 1        return vec     def score(self, seq):        vec = self._encode(seq)        return float(np.sum(self.pwm * vec))     def scan(self, dna, thresh=0.0):        sites = []        for i in range(len(dna) - self.length + 1):            sub = dna[i:i + self.length]            s = self.score(sub)            if s > thresh:                sites.append((i, s))        return sites  def main():    pwm = np.array([        [0.05, 0.65, 0.10, 0.10, 0.20, 0.20, 0.10, 0.10, 0.20, 0.10, 0.65, 0.05],        [0.20, 0.10, 0.20, 0.10, 0.20, 0.20, 0.20, 0.20, 0.20, 0.20, 0.10, 0.20],        [0.55, 0.15, 0.60, 0.70, 0.40, 0.40, 0.60, 0.60, 0.40, 0.50, 0.15, 0.65],        [0.20, 0.10, 0.10, 0.10, 0.20, 0.20, 0.10, 0.10, 0.20, 0.20, 0.10, 0.10],    ])    matcher = PWMMatcher(pwm)    dna_seq = "ATGGCTAGCCAAACCCTTTGGGCCTAGGCCTTTGGGCCAAA"    hits = matcher.scan(dna_seq, thresh=0.6)    print("扫描到 {} 个候选结合位点：".format(len(hits)))    for pos, score in hits:        print("位置 {}：得分 {:.2f}".format(pos, score))  if __name__ == "__main__":    main()
目的：实现一个位置权重矩阵（PWM）扫描器，在给定的 DNA 序列上逐窗口滑动，找出可能被某转录因子结合的候选位点。
  1. vec = np.zeros((4, len(seq)))建立 4×L 的 one-hot 空矩阵，四个碱基各占一行。
  2. if ch in base_map: vec[base_map[ch], i] = 1把当前碱基对应的位置置 1，相当于给钥匙齿纹拍照。
  3. return float(np.sum(self.pwm * vec))PWM 与 one-hot 逐元素相乘再求和，得到该段序列与 motif 模板的相似度打分。
  4. for i in range(len(dna) - self.length + 1):用滑窗的方式遍历整条 DNA，保证每个可能的钥匙孔都被试过。
  5. hits = matcher.scan(dna_seq, thresh=0.6)只保留得分高于 0.6 的窗口，模拟 AI 门卫“刷脸达标才放行”。

常见误区

误区我拿到一个 TFBS 预测软件，某个启动子打分特别高，那这个基因肯定被这个转录因子激活，表达量一定很高。

正解预测分数高只说明“钥匙齿纹对得上”，但门没开一切白搭。染色质若是关闭状态，转录因子连 DNA 都摸不到；就算门开着，还需要其他辅助蛋白和增强子协同。所以专业的做法是把序列预测和染色质开放性、表观修饰数据结合起来看，就像门卫既要核对钥匙，也要确认这扇门今天在营业时间。

为何常见：因为很多入门教程只讲“TF 结合 motif→调控表达”的简化链路，忽略了染色质状态这个关键前置条件，导致初学者把充分条件当成了充分必要条件。

误区想找转录因子结合位点，直接看基因的启动子区域就够了，增强子和基因内部不用看。

正解实际上大量 TFBS 位于增强子、内含子甚至基因间区。增强子可以隔着几十万碱基远距离调控目标基因，比如 CTCF 介导的染色质 looping 能把远端增强子“拉”到启动子旁边。只盯启动子会漏掉一大半调控事件。

为何常见：经典教科书强调启动子是转录起始的开关，给初学者留下了“调控=启动子”的印象，而增强子等远端元件的知识直到基因组时代才大规模普及。

误区我用 PWM 扫描序列，发现某窗口与 consensus 序列有 3 个碱基不一样，这肯定不是结合位点，直接丢掉。

正解转录因子结合是概率事件，不是数字电路的开与关。PWM 打分本身就是连续值，错配几个碱基只是降低结合亲和力，不一定完全丧失。很多真实结合位点与标准 motif 并不完美匹配，生物学上这叫“弱结合位点”，它们在发育调控中往往有重要功能。阈值设太死，会漏掉真实位点。

为何常见：日常生活中的钥匙确实要求严丝合缝，人们把“钥匙 vs 锁孔”的二元思维照搬到分子层面，忽略了生物系统本质上的连续性和容错性。

误区DeepSEA 这种深度学习模型就是一堆参数，预测完只能给个概率，根本解释不了为什么这个突变会导致疾病。

正解现代可解释性方法能打开黑箱：saliency map（显著图）可以计算每个碱基对预测结果的梯度贡献，DeepLIFT / SHAP 可以量化每个位置的归因分数。用这些工具，你能定位到“第 47 位的碱基从 G 变成 A 导致结合概率下降”，甚至发现新的调控 motif，模型不但能预测，还能反哺生物学假说。

为何常见：早期深度模型确实以“端到端、不可解释”著称，很多人停留在几年前的印象里，不知道可解释 AI（XAI）在基因组学领域已经发展成熟。

面试题

Q1. 分子生物学中心法则的正确顺序是？

单选题 · easy

  • A.DNA→RNA→蛋白质← 正确答案
  • B.RNA→DNA→蛋白质
  • C.蛋白质→RNA→DNA
  • D.DNA→蛋白质→RNA

答案：A。中心法则是遗传信息从 DNA 转录为 RNA、再翻译为蛋白质的单向流动，像城市里总蓝图先变成施工单，再盖成房子。B 是逆转录病毒的特殊路径，C 和 D 不存在或极罕见。

Q2. 转录因子结合位点通常位于基因组的哪些区域？

单选题 · easy

  • A.启动子和增强子等调控区← 正确答案
  • B.外显子的编码区内部
  • C.端粒和着丝粒周围区域
  • D.线粒体基因组编码区

答案：A。TFBS 是管理员盖章的地方，集中在启动子、增强子等顺式调控元件上。编码区要保留蛋白质序列，突变代价太高，很少作为 TF 结合热点；端粒着丝粒高度关闭，线粒体是独立小基因组，都不是 TF 结合的主要区域。

Q3. 用 PWM 给一段序列打分，得分很高说明什么？

单选题 · mid

  • A.序列与结合模板相似度高← 正确答案
  • B.该序列一定被转录因子结合
  • C.该段序列 GC 含量非常高
  • D.该序列编码重要功能蛋白质

答案：A。PWM 是“钥匙齿纹卡尺”，得分高等于齿纹对上了标准模具，只是结合的可能性大。但最终是否结合还要看染色质是否开放、有没有竞争性蛋白等因素，所以 B 太绝对；GC 含量和编码功能与 PWM 打分没有直接关系。

Q4. 检测染色质开放性最常用的高通量技术是？

单选题 · mid

  • A.ATAC-seq 转座酶可及性← 正确答案
  • B.RNA-seq 转录组测序
  • C.WGS 全基因组测序
  • D.ChIP-seq 蛋白质结合

答案：A。ATAC-seq 用 Tn5 转座酶特异地插入开放染色质区域，像侦察兵专挑敞开的大门进入，是目前检测“门开没开”的主力技术。RNA-seq 测的是表达产物，WGS 看序列本身，ChIP-seq 测蛋白质在哪儿结合，都不是直接测开放性。

Q5. 以下哪些因素会影响转录因子与 DNA 的实际结合？

多选题 · mid

  • A.染色质开放状态← 正确答案
  • B.竞争性转录因子← 正确答案
  • C.DNA 甲基化修饰← 正确答案
  • D.蛋白质翻译速率

答案：ABC。门要开着（染色质开放）管理员才进得去；其他管理员占着同一个锁孔（竞争性 TF）会挡住路；DNA 甲基化就像糊在锁孔上的胶带，常阻碍结合。翻译速率影响的是下游蛋白质产量，不是 TF 结合本身。

Q6. DeepSEA 模型主要使用哪种深度学习架构？

单选题 · hard

  • A.卷积神经网络 CNN← 正确答案
  • B.循环神经网络 RNN
  • C.支持向量机 SVM
  • D.K 近邻算法 KNN

答案：A。DeepSEA 使用 CNN 在 DNA 序列上滑动卷积核，自动学习局部 motif 特征，像门卫扫视钥匙齿纹。RNN 适合序列依赖建模但计算重；SVM 和 KNN 是传统机器学习，需要手工特征，无法端到端从原始碱基学习。

Q7. 在 motif 富集分析中，计算 p 值最常使用哪种概率分布？

单选题 · extreme

  • A.超几何分布检验← 正确答案
  • B.正态分布检验
  • C.泊松分布检验
  • D.指数分布检验

答案：A。超几何分布描述的是“从 N 个序列里抽 n 个，其中带 motif 的个数 k 是否远多于随机预期”，是富集分析的标准模型，相当于从抽奖箱不放回抽奖。正态分布和指数分布不适合小样本离散计数；泊松分布可用于稀有事件但不如超几何精确。

Q8. 非编码区突变导致疾病的可能机制包括？

多选题 · hard

  • A.破坏转录因子结合位点← 正确答案
  • B.改变染色质开放状态← 正确答案
  • C.扰乱增强子远程调控← 正确答案
  • D.直接改变蛋白质氨基酸

答案：ABC。非编码突变可以让钥匙孔变形（破坏 TFBS）、给门窗上锁（影响染色质）或拉断增强子与启动子的联系（远程调控紊乱），这些都是“施工单开不出来”的间接致病方式。D 改变氨基酸属于编码区突变，与非编码变异定义矛盾。

Q9. ENCODE 数据库的主要定位是什么？

单选题 · easy

  • A.基因调控元件百科全书← 正确答案
  • B.蛋白质三维结构数据库
  • C.医学影像存储数据库
  • D.代谢小分子数据库

答案：A。ENCODE（DNA 元件百科全书）收录转录因子结合、染色质开放、组蛋白修饰等调控数据，是研究“钥匙、锁孔、门”的官方档案库。蛋白质结构要看 PDB，影像和代谢物各有其库，都不属于 ENCODE 的范畴。

Q10. 评估转录因子结合预测模型时，哪些指标值得关注？

多选题 · mid

  • A.AUC 曲线下面积← 正确答案
  • B.PR-AUC 精确召回← 正确答案
  • C.氨基酸比对得分
  • D.整体准确率 Accuracy← 正确答案

答案：ABD。AUC 衡量排序能力，PR-AUC 在正负样本极不平衡时更敏感，Accuracy 直观但会被多数类带偏，三种指标从不同角度评价“门卫眼光准不准”。氨基酸比对得分用于蛋白质序列比对，与 TF 结合预测无关。