GCBLANE：一种基于图增强的卷积双向LSTM注意力网络，用于提升转录因子结合位点的预测性能

识别转录因子结合位点（Transcription Factor Binding Sites, TFBS）对于理解基因调控机制至关重要，因为这些位点使转录因子（Transcription Factors, TFs）能够结合DNA并调控基因表达。尽管高通量测序技术取得了显著进展，但由于基因组数据量庞大以及转录因子结合模式的复杂性，准确识别TFBS仍面临挑战。为此，本文提出了一种基于图增强的卷积双向长短期记忆网络（Graph-enhanced Convolutional Bidirectional LSTM Attention Network, GCBLANE），以解决该问题。GCBLANE通过融合卷积层、多头注意力机制与循环神经网络，并引入图神经网络（Graph Neural Network, GNN），有效捕捉TFBS预测的关键特征。在690个ENCODE ChIP-Seq数据集上的实验表明，GCBLANE的平均AUC达到0.943；在另外165个ENCODE数据集上，AUC进一步提升至0.9495，显著优于采用多模态信息（包括DNA形状特征）的先进模型。这一结果充分证明了GCBLANE在TFBS预测任务中的优越性能。通过将基于图的表示学习与序列分析相结合，GCBLANE在转录因子结合位点识别方面实现了显著进展，为基因调控研究提供了强有力的计算工具。