为什么卷积网络最早在生物信息学里跑出来了
为什么卷积网络最早在生物信息学里跑出来了
在深度学习进入生物信息学的早期，卷积神经网络（CNN）是最先取得突破的架构。2015年的DeepBind、2016年的Basset，这些工具在转录因子结合位点预测、染色质可及性分析等任务上，迅速超越了传统方法。
先说一个容易被误解的前提：CNN没有”过时”。 Transformer和大语言模型的热度让很多人以为CNN是旧时代的产物，已经被取代了。但在生物信息学的实际工作中，CNN到今天仍然是很多任务的主力——不是因为怀旧，而是因为很多生物问题的核心计算挑战恰好就是CNN最擅长的那个。这篇文章要回答的是：为什么是CNN先跑出来，以及这个逻辑今天还成不成立。
这不是偶然。CNN的核心能力——局部模式识别——恰好对应了生物序列数据的一个基本特征：功能往往由局部序列决定。
生物序列的局部性
DNA、RNA、蛋白质都是一维序列，但它们的生物学功能往往不是由整条序列决定的，而是由其中的局部片段决定。
DNA上的转录因子结合位点通常只有6-20个碱基对。这些短序列被称为motif，是转录因子识别和结合的目标。一个转录因子可能只认其中几个关键位置的碱基，其他位置有一定的容错空间。
蛋白质的局部结构——比如α螺旋、β折叠、转角——通常由连续的10-20个氨基酸决定。这些二级结构元素是蛋白质折叠的基本单元。
调控序列中的增强子、启动子虽然可以跨越几千个碱基对，但核心功能区域往往只有几百个碱基，内部由多个转录因子结合位点组合而成。
这种”局部决定功能”的特性，让CNN的卷积核成为天然的选择。
CNN如何工作
卷积神经网络的核心是一个滑动窗口（卷积核），它在输入序列上从左到右移动，每次只看窗口内的局部内容，提取特征，然后输出一个数值。
对于DNA序列，一个卷积核可能学会识别特定的motif模式。比如一个3×4的卷积核（3个位置，4种碱基编码），可以学会识别”A-T-G-C”这样的短序列特征。
关键之处在于：同一个卷积核在序列的不同位置重复使用。这意味着，无论一个motif出现在序列的开头还是结尾，CNN都能用同样的方式识别它。这种”位置不变性”对生物序列很重要——调控元件可以出现在基因的上游、下游，甚至内含子中。
多层卷积堆叠后，网络可以学习层次化的特征。第一层可能识别单个碱基或短二核苷酸，第二层组合成motif，第三层识别motif之间的空间关系。
DeepBind：一个典型的早期应用
2015年发表在Nature Biotechnology的DeepBind，是CNN在生物信息学中的里程碑工作。
它的任务很简单：给定一个DNA序列，预测某个转录因子是否会结合到这里。
训练数据来自SELEX、ChIP-seq等实验，包含已知的结合序列和非结合序列。DeepBind用一个单层的CNN学习序列特征，然后用全连接层输出结合概率。
这个简单的架构在体外和体内实验数据上都取得了很好的效果。更重要的是，它提供了一种解释方式：通过观察卷积核的权重，可以知道网络学会了识别哪些motif。这些学到的motif往往与已知的转录因子结合模式一致。
这种可解释性是CNN在早期受欢迎的原因之一。研究者不只是得到一个黑盒预测器，还能从中提取生物学知识。
Basset：扩展到染色质可及性
2016年的Basset把CNN应用扩展到更复杂的任务：预测染色质可及性。
染色质可及性反映了DNA在细胞核中的开放程度——只有开放的染色质区域，转录因子才能接触到DNA。DNase-seq和ATAC-seq是测量染色质可及性的常用实验。
Basset的任务是：给定一个DNA序列，预测它在164种不同细胞类型中的染色质可及性状态。
这比转录因子结合预测更复杂，因为：
- 输出不是单一概率，而是164维向量
- 不同细胞类型之间有关联，需要建模
- 调控逻辑更复杂，涉及多个转录因子的组合
Basset用多层CNN提取序列特征，然后用全连接层同时预测所有细胞类型的可及性。结果显示，CNN学到的特征可以区分不同细胞类型的调控逻辑，还能识别出细胞类型特异性的motif组合。
CNN的局限与后续演进
CNN在生物信息学中的成功，很大程度上依赖于”局部模式决定功能”这个假设。但这个假设并不总是成立。
需要明确：指出CNN的局限不是否定CNN，也不意味着后续架构”更好”。 每种架构解决的是不同类型的计算挑战。CNN解决局部模式识别，RNN解决序列时序依赖，Transformer解决任意位置之间的长程关系，GNN解决图结构推理。它们之间不是替代关系，是分工关系。说”CNN不够用”，和说”锤子不够用”一样——取决于你要敲的是什么。
长程相互作用是CNN的弱点。增强子可以跨越几十万个碱基对调控靶基因，这种超长程的依赖关系超出了卷积核的感受野。扩张卷积（dilated convolution）可以缓解这个问题，但无法彻底解决。
序列之间的复杂关系也难以用CNN捕捉。比如RNA二级结构中的碱基配对，是序列中相距很远的两个位置之间的相互作用，CNN没有内置的机制来建模这种关系。
这些局限为后续架构的引入留下了空间。RNN可以建模序列的时序依赖，Transformer可以捕捉任意位置之间的长程关系，GNN可以直接在图结构上操作。每种架构解决的是CNN无法很好处理的问题。
但这不意味着CNN被取代了。在很多场景下，局部模式识别仍然是核心需求，而CNN在这个任务上高效、可解释、易于训练。后续的很多混合架构——比如CNN+Transformer、CNN+GNN——仍然把CNN作为前端特征提取器。
对今天的意义
理解CNN为什么早期成功，有助于理解生物信息学方法演进的路径。
生物信息学不是简单地追逐最新的深度学习架构，而是根据生物问题的特性选择合适的工具。局部模式识别是生物序列的基本特征，所以CNN在早期自然成为首选。当研究问题转向长程相互作用、复杂结构建模时，新的架构才被引入。
这个逻辑今天仍然适用。面对一个具体的生物问题，首先要问：这个问题的核心计算挑战是什么？是局部模式识别、长程依赖建模、图结构推理，还是生成式设计？然后选择最适合这个挑战的架构，而不是盲目追求最新最流行的模型。
回头看这段历史，不是为了怀旧。 恰恰相反——正是因为CNN的成功建立在对生物问题特性的深刻理解上，它才提醒我们一个更根本的原则：在生物信息学中，理解问题的生物学特性，比追逐技术潮流更重要。这个原则不会因为任何新架构的出现而过时。
参考文献
Alipanahi, B., Delong, A., Weirauch, M. T., & Frey, B. J. (2015). Predicting the sequence specificities of DNA- and RNA-binding proteins by deep learning. Nature Biotechnology, 33(8), 831-838. https://www.nature.com/articles/nbt.3300
Kelley, D. R., Snoek, J., & Rinn, J. L. (2016). Basset: learning the regulatory code of the accessible genome with deep convolutional neural networks. Genome Research, 26(7), 990-999. https://genome.cshlp.org/content/26/7/990
Zou, J., Huss, M., Abid, A., Mohammadi, P., Torkamani, A., & Telenti, A. (2019). A primer on deep learning in genomics. Nature Genetics, 51(1), 12-18. https://www.nature.com/articles/s41588-018-0295-5