التفاعل المتسلسل للبوليمراز متعدد القوالب (PCR) يُعد تقنية حاسمة تتيح تضخيمًا موازيًا لجزيئات الحمض النووي المختلفة، مما يسهل تطبيقات متعددة في مجالات تبدأ من البيولوجيا الجزيئية الكمية وتمتد إلى تخزين البيانات باستخدام الحمض النووي. ومع ذلك، فإن التضخيم غير الموحد الناتج عن كفاءات تضخيم محددة تبعًا للتسلسل غالبًا ما يؤدي إلى انحراف في بيانات التوافر، مما يُضعف الدقة والحساسية. في هذه الدراسة، نعالج مسألة كفاءة التضخيم في مجموعات متنوعة من التضخيمات (amplicon libraries) من خلال استخدام شبكات عصبية متعددة الطبقات ذات تباين أحادي البعد (1D-CNNs) للتنبؤ بكفاءات التضخيم المحددة بالتسلسل، وذلك بناءً فقط على معلومات التسلسل. وقد تم تدريب هذه النماذج على مجموعات بيانات مُعلَّمة بشكل موثوق، مستمدة من مجموعات حمض نووي صناعي، حيث أظهرت أداءً تنبؤيًا عاليًا (AUC-ROC: 0.88، AUPRC: 0.44)، ما يمكّن من تصميم مجموعات تضخيمات ذات كفاءة موحدة بشكل داخلي. كما نقدّم إطارًا تفسيريًا قائمًا على التعلم العميق يُسمى CluMo، والذي يُحدد تسلسلات محددة (motifs) مجاورة لمناطق تثبيت المُستَبِقَات (adapter priming sites) على أنها مرتبطة ارتباطًا وثيقًا بانخفاض كفاءة التضخيم. وقد أفضى هذا الاستنتاج إلى توضيح أن التضخيم الذاتي المُحفَّز بواسطة المُستَبِقَات (adapter-mediated self-priming) هو الآلية الرئيسية المسببة لانخفاض كفاءة التضخيم، ما يتحدى افتراضات تصميم PCR التقليدية القائمة منذ فترة طويلة. وبمعالجة الأساس الكامن وراء التضخيم غير الموحد في تفاعل PCR متعدد القوالب، يقلل النهج القائم على التعلم العميق من العمق التسلسلي المطلوب لاسترداد 99% من تسلسلات التضخيم بمقدار أربع مرات، ويفتح آفاقًا جديدة لتحسين كفاءة تضخيم الحمض النووي في مجالات مثل الجينوميات، والتشخيص، والبيولوجيا التركيبية.