近日，日本东京大学中井健太教授与博士生宫地由奈团队在《核酸研究》期刊发表突破性成果，推出名为SpliceSelectNet（SSNet）的分层Transformer深度学习框架。该模型突破传统算法瓶颈，能够高效处理长达十万碱基对的DNA序列，在保持单碱基级分辨率的同时，精准捕捉距离剪接位点数千碱基对外的远距离调控信号。 为解决长序列计算成本激增难题，SSNet采用分块局部分析结合全局层级注意力的创新架构，实现算力与精度的平衡。模型在多项基准测试中达成剪接位点预测与异常剪接检测的最先进性能，其生成的注意力图谱更能直观映射出具有生物学意义的调控区域，有效弥合了预测准确度与机制可解释性之间的鸿沟。研究指出，SSNet在杜氏肌萎缩症等基因模拟及临床致病位点评估中展现出对超远距离调控元件的强敏感度。 该框架有望突破RNA剪接预测范畴，拓展至启动子增强子互作、三维基因组结构解析及非编码区未知变异临床筛查。此外，其专属设计的架构逻辑为寡核苷酸药物研发及下一代DNA语言模型提供了全新计算范式，标志着计算基因组学向高精度、可解释的精准医学应用迈出关键一步。