论文题名： DanQ: a hybrid convolutional and recurrent deep neural network for quantifying the function of DNA sequences

期刊与年份： Nucleic Acids Research，2016。论文原文。

范围为正文全部编号主图及其子图，包含流程示意图。Extended Data 和 Supplementary Figures 不在本次范围。页码指阅读时所用 PDF 的文件页码。

返回专题总目录

本篇问题： 卷积与双向循环网络结合能否改善DNA功能预测并捕捉模体依赖？

研究问题：模体识别之后还缺什么

DanQ 提出，识别一个模体与理解它在一段 DNA 中如何组合是两件事。卷积适合共享一个局部扫描器，但在当时常用架构中，较远模体之间的顺序与关系可能没有被充分整合。作者用双向 LSTM 接在卷积之后，让网络阅读已经提取的局部特征，再完成多种染色质功能预测。这是一项架构替换与统一基准比较研究。

我的推测是，作者将序列模型在语音和文本中的依赖建模方法迁移到 DNA：不让 LSTM 从原始四种碱基开始，而先由 CNN 降低长度、识别局部模式，再由循环层处理模式间联系。这个组合把‘局部特征’与‘上下文整合’分工，具有清楚的工程动机。以上是我对想法形成过程的推断，而不是作者原话。

输入是中央 200 bp 标注区域周围的 1,000 bp one-hot DNA，输出 919 个 TF 结合、DNase 与组蛋白峰的二元概率，训练目标为多任务交叉熵。训练、验证、测试沿用 DeepSEA 的染色体拆分和反向互补流程，有助于降低数据处理差异对比较的干扰。这里的‘grammar’首先是一种建模假说：更好的功能预测与已知模体支持其合理性，正文并没有逐对模体进行间距编辑来证实具体语法。

Figure 1：卷积加双向LSTM的DanQ结构

原图来源：所用 PDF 文件第 2 页，Figure 1。点击图片可查看原图。

流程图将模型拆成卷积扫描、池化、双向 LSTM 和全连接预测。池化减少需要循环处理的空间位置，提高可行性，但也会损失一定精确位置信息。双向表示来自从左向右和从右向左处理同一序列，它不等于自动实现 DNA 反向互补对称；本文仍需要显式加入反向互补，并在测试时平均两种方向预测。

作者把 LSTM 放在卷积之后，希望每个局部模式的解释依赖附近或较远模式。不过隐藏状态是统计表示，不能把其中某个单元直接命名为‘协同因子’。最终每个输出仍是中央窗口的静态功能标记，模型并没有沿染色体连续输出，也没有模拟细胞时间进展。它的可见范围为 1 kb，不能因为循环网络能处理长依赖就宣称已包含任意远端增强子。

多任务共享局部特征也有代价：不同细胞数据的噪声、覆盖和正例数量不同，而同一参考序列对应的是多个实验环境。共享表示可以借助相关任务，但不能恢复没有进入标签的细胞状态。设计脑细胞模型时，应先检查目标细胞的可用数据是否真实独立，避免把多个相近实验当作独立供体证据。若全部任务平均值提高，却在疾病相关的少数细胞上下降，也不能据平均值选择模型。

Figure 2：ROC维度的预测性能

原图来源：所用 PDF 文件第 4 页，Figure 2。点击图片可查看原图。

上部两个目标示例显示 ROC 曲线的改进，下部按全部 919 目标画出成对 AUC，避免仅挑出一两个表现好的 TF。94.1% 目标更好说的是获胜目标比例，不是总体准确率提高 94.1%，绝对 ROC AUC 收益通常小得多。实例同时涵盖不同细胞与因子，有助于看清方法收益不是单一目标特例。

正文将 ROC 表现较高与阳性稀少联系起来，这一点应精确理解：在固定阳性与阴性得分分布下，ROC AUC 并不会因简单改变类别比例而数学上自动提高。但在稀少阳性应用中，很小的假阳性率也可能产生大量错误候选，因而高 ROC AUC 不充分保证实际筛选质量。下一张 PR 图正好回答这个实际问题。不能把作者的提醒变成‘类别不均衡会自动使任何模型 ROC 虚高’的通用定理。

Figure 3：精确率与召回率维度的预测性能

原图来源：所用 PDF 文件第 4 页，Figure 3。点击图片可查看原图。

这里沿用同样目标，用 precision 和 recall 检查候选列表的可信度。上部 EBF1 和 SIX5 的改善比 ROC 图更明显，因为多余假阳性会直接降低精确率；下部确认这种收益普遍存在。PR 的随机水平受阳性比例影响，因此不同任务的原始 PR AUC 也不能不看基线直接横向比较。

97.6% 目标胜出与部分目标超过 50% 的相对收益是两种统计。相对收益应与起始水平一起解释，不能写成所有调控任务有同样幅度提升。网络在染色质标记上的改善，最后在 eQTL/GWAS 变异排序中只带来较小提升，原文也承认这一点。这说明功能标签更准确与疾病位点更准确之间，还隔着 LD、疾病相关细胞环境与标签收录机制。

Figure 4：学到的卷积模体

原图来源：所用 PDF 文件第 4 页，Figure 4。点击图片可查看原图。

A 用 EBF1、TP63、CTCF 的数据库模体与学习核对齐，展示局部特征确实含有可解释的调控模式。匹配的显著性来自序列模式比较，不是对相应 TF 在某个患者细胞内结合的实测显著性。模型中的一个核可能只识别部分模体或与多个 TF 家族相似，不能用一次匹配认定精确蛋白身份。

B、C 是同一批核的两种信息量显示方式，分别看每种碱基与每个位点总体结构，并按相似性组织集合。它们没有证明核之间的相互作用已经被实验验证，也不能将卷积核总数当作发现了同样多种 TF。正文较大 DanQ-JASPAR 版本同时增加核数量并使用已知模体初始化，收益无法仅归因于初始化；只有保持其他条件相同的额外消融才能分开二者。图 4 与图 2、3 同页，最终图像要单独裁取，避免把几张主图混成一张。

我的理解与可迁移启发

这篇论文教会我的，是把架构假说转为能公平比较的问题。使用同一输入、同一标签、同一拆分，再比较不同上下文整合方式，比直接换一套更大数据和更大模型更能说明改动价值。对 16 GB 显存的公共 AD 或 TE 项目，可用较小 CNN 加上下文模块作为基线，但应实际测量显存与训练时间。论文基于当年 Titan Z 与旧框架的时长不能直接换算到现在的显卡。

若想从 TE 内模体组合得到创新点，应进一步问：同一家族相似拷贝为何在不同脑细胞中功能不同？DanQ 可以给出预测与候选模式，但真正的组合规则需要固定背景下增加、删除、交换模体或间距的对照，并用独立实验或留出数据检验。不能只展示 LSTM 加入后分数提高，就宣布发现了某种生物学语法。

疾病证据还要注意，本文下游 SNP 优先排序使用额外的 boosted classifier 与 eQTL/GWAS 标签；它不是由交叉熵训练的序列模型直接输出疾病概率。关联 SNP 可以只是与真正因果位点连锁，负例也不是全部得到验证的无功能位点。研究 AD 时应尽量区分已精细定位候选、单纯关联候选和频率匹配背景，并保留不确定性。

最后，正文没有新的基因编辑验证。它主要证明一个混合架构在同样基准上更有效，并能学到已知模体。可以借鉴这种计算创新路径，但若目标是机制性论文，后续工作应增加独立细胞数据、相似序列留出、明确的功能问题和可被反驳的干预预测。网络模块的名字不能代替疾病或调控证据链。

本文说明的转化路径还提醒我，序列是稳定的输入，细胞环境却会改变。研究疾病进展时仅改变网络读取方式不足以模拟进展，仍须提供对应环境的真实训练或验证资料。