Die Multi-Template-Polymerase-Kettenreaktion (PCR) ist eine entscheidende Technik, die die parallele Amplifikation verschiedener DNA-Moleküle ermöglicht und somit Anwendungen in Bereichen von der quantitativen Molekularbiologie bis hin zur DNA-Datenarchivierung unterstützt. Allerdings führt die sequenzabhängige Variation der Amplifikationseffizienz häufig zu einer nicht-homogenen Amplifikation, was zu verzerrten Häufigkeitsdaten und damit zu reduzierter Genauigkeit und Sensitivität führt. In dieser Studie greifen wir das Problem der Amplifikationseffizienz in komplexen Amplicon-Bibliotheken mit Hilfe eindimensionaler Faltungsneuraler Netze (1D-CNNs) auf, die auf der Basis von Sequenzinformationen allein die sequenzspezifische Amplifikationseffizienz vorhersagen. Diese Modelle wurden auf zuverlässig annotierten Datensätzen basierend auf synthetischen DNA-Pools trainiert und erreichen eine hohe Vorhersageleistung (AUROC: 0,88; AUPRC: 0,44), wodurch die Gestaltung von intrinsisch homogenen Amplicon-Bibliotheken ermöglicht wird. Darüber hinaus stellen wir CluMo vor, einen tiefen Lernansatz zur Interpretation, der spezifische Motive in der Nähe der Adapter-Primer-Stellen als eng mit schlechter Amplifikation assoziiert identifiziert. Diese Erkenntnis führt zur Aufklärung des adaptervermittelten Selbst-Primerings als des Hauptmechanismus für geringe Amplifikationseffizienz und stellt lange bestehende Annahmen im PCR-Design in Frage. Durch die Behandlung der Ursachen für die nicht-homogene Amplifikation in der Multi-Template-PCR reduziert unser tiefes Lernverfahren die erforderliche Sequenzierungstiefe, um 99 % der Amplicon-Sequenzen zurückzugewinnen, um das Vierfache, und eröffnet neue Wege zur Verbesserung der Effizienz der DNA-Amplifikation in Bereichen wie Genomik, Diagnostik und synthetischer Biologie.