Die Identifizierung von Transkriptionsfaktor-Bindungsstellen (TFBS) ist entscheidend für das Verständnis der Genregulation, da diese Stellen es Transkriptionsfaktoren (TFs) ermöglichen, sich an DNA anzulagern und die Genexpression zu modulieren. Trotz Fortschritten in der Hochdurchsatz-Sequenzierung bleibt die präzise Identifizierung von TFBS herausfordernd, bedingt durch die enorme Menge an genomischen Daten und die komplexen Bindungsmuster. GCBLANE, ein graphenverstärktes convolutionales bidirektionales Long Short-Term Memory (LSTM)-Attention-Netzwerk, wird vorgestellt, um dieses Problem zu lösen. Es integriert convolutionale, mehrfach-Head-Attention- und rekurrente Schichten mit einem Graph Neural Network, um relevante Merkmale für die Vorhersage von TFBS zu erkennen. Auf 690 ENCODE-ChIP-Seq-Datensätzen erreichte GCBLANE eine durchschnittliche AUC von 0,943, und auf 165 ENCODE-Datensätzen eine AUC von 0,9495, wodurch es fortschrittliche Modelle, die multimodale Ansätze einschließlich DNA-Forminformation nutzen, übertrifft. Diese Ergebnisse unterstreichen die Effektivität von GCBLANE im Vergleich zu anderen Methoden. Durch die Kombination von graphenbasiertem Lernen mit sequenzanalytischen Ansätzen stellt GCBLANE einen erheblichen Fortschritt in der Vorhersage von TFBS dar.