这项研究介绍了一个名为 BioSeq2Seq 的通用型深度学习框架，旨在通过整合 DNA 序列特征与 RO-seq 测序数据来全面分析转录调控。该模型采用 Transformer 架构，能够同时预测组蛋白修饰、功能元件识别、基因表达以及转录因子结合位点等多种基因组活动。相比于 dHIT 和 dREG 等现有技术，BioSeq2Seq 在预测精度上实现了显著提升，并极大缩短了计算时间。通过利用跨物种和跨细胞系的泛化能力，该框架为研究人员提供了一种低成本且高效的基因组注释替代方案。此外，这种多模态融合的方法能够捕捉长距离的基因相互作用，深化了对细胞特异性基因表达调控机制的理解。

References:

• Zhang Z, Fan X, Zhong J, et al. An end-to-end generalizable deep learning framework to comprehensively analyze transcriptional regulation[J]. Nature Communications, 2026.