4. 调控元件的计算表示与特征工程

要让模型“读懂”启动子与调控元件，第一步不是选网络结构，而是把DNA序列变成数值张量。同一段序列，用不同编码方式送入模型，可学习到的模式、所需数据量和可解释性差别很大。本节围绕四种主流表示——独热编码、位置权重矩阵（PWM）、k-mer计数/向量、深度学习嵌入——讲清它们的构造方式、适用场景与工程取舍。

一、独热编码：最基础也最常用的序列张量

独热编码把长度为L的序列映射为4×L的矩阵，A、C、G、T各占一行，某一位碱基对应行置1，其余为0。若遇到N（未知碱基），通常置为0.25的均匀分布，避免引入虚假偏好。工程实现上，先建立字符到索引的映射，再一次性构造数组：

import numpy as np
BASE = {'A':0,'C':1,'G':2,'T':3}
def one_hot(seq):
    L = len(seq)
    X = np.zeros((4, L), dtype=np.float32)
    for i, b in enumerate(seq.upper()):
        if b in BASE:
            X[BASE[b], i] = 1.0
        else:
            X[:, i] = 0.25   # N 或非法字符
    return X
# 示例：TATA框核心片段
print(one_hot("TATAAA").shape)   # (4, 6)

独热编码保留了每个位置的碱基身份，适合CNN按位置扫描motif，也便于后续做卷积核可视化。缺点是维度随序列线性增长，且无法直接表达“某位置偏好嘌呤”这类模糊模式。当序列长度超过几千bp时，通常需要截断到启动子核心区（如TSS上游-2000至+500）或先做降采样。

二、位置权重矩阵：把motif变成可打分的概率模型

PWM从一组已知结合位点出发，统计每个位置各碱基的出现频率，加伪计数后转成对数几率（log-odds）矩阵。给定新序列，逐位相加得分，高于阈值即判为潜在结合位点。构造时需注意背景碱基频率（通常取基因组GC含量）和伪计数α（常用0.5～1.0），否则零频率会导致对数发散。

# 假设已有比对好的motif矩阵 counts (4 x W)
pwm = np.log2((counts + 0.5) / (counts.sum(0) + 2.0) / bg[:, None])
# 扫描序列：对每个窗口求得分
scores = [ (pwm * one_hot(seq[i:i+W])).sum() for i in range(len(seq)-W+1) ]

PWM的优势是可解释、可跨样本复用，JASPAR、HOCOMOCO等数据库直接提供矩阵文件。它适合做特征工程中的“先验注入”：把PWM得分作为额外通道拼接到独热张量上，让模型同时看到原始序列和已知motif响应。局限在于它假设各位置独立，无法刻画位置间协同，对长距离调控元件表达力不足。

三、k-mer表示：把局部组合变成可统计的特征

k-mer把序列切成所有长度为k的子串，统计频次或存在性。k=4时共256维，k=6时4096维。常用做法是“计数+TF-IDF+截断”，或直接做二进制存在向量。k-mer能捕捉PWM忽略的碱基组合，但维度随k指数增长，且丢失位置信息。实践中常与位置信息结合，例如按启动子分区（-500～-1、+1～+200）分别统计k-mer，形成分区特征向量。

四、深度学习嵌入：让模型自己学表示

嵌入表示不依赖人工定义，而是通过卷积、池化或Transformer从独热序列中学习连续向量。典型做法是：先用一维卷积在独热张量上滑动，每个卷积核相当于一个可学习的PWM；再经全局池化得到固定长度嵌入，送入全连接层做预测。Transformer则用自注意力捕捉远距离依赖，适合增强子-启动子交互建模。

嵌入的工程要点包括：卷积核宽度对应motif长度（常用8～16），通道数64～256；池化方式可选最大池化（保留最强motif信号）或平均池化（保留整体密度）；若数据量小，可先用预训练DNA语言模型（如DNABERT）提取嵌入，再微调下游任务。嵌入的代价是可解释性下降，但可通过注意力权重或卷积核可视化反推重要motif。

五、如何选择与组合

四种表示并非互斥。实际项目中常见的组合策略是：以独热编码为主输入，拼接PWM扫描得分作为先验通道，再在模型末端接入k-mer统计特征或预训练嵌入。若样本量少（<1000），优先用PWM+k-mer这类低参数特征，配合线性模型或浅层网络；若样本量充足（>10万），端到端卷积或Transformer嵌入通常表现更好。

特征工程的核心不是追求最复杂的表示，而是让输入张量中的每一个维度都能对应到可解释的生物学信号。建议在项目初期同时构造独热、PWM和k-mer三套特征，用交叉验证比较单路与拼接效果，再决定是否引入嵌入。这样既能保证基线可解释，也为后续深度模型留出提升空间。