2026年1月13日，云南民族大学丰继华课题组在《遗传》发表题为“融合通道与空间注意力机制的转录因子结合位点预测方法”的文章，提出融合注意力机制的深度学习模型用于TFBSs精准预测。该模型在23个TF-细胞类型测试中表现优异：平均受试者工作特征曲线下面积(area under receiver operating characteristic curve, AUROC)达0.986（91%样本超0.970)，平均精确率-召回率曲线下面积(area under precision recall curve, AUPRC)为0.169，较随机基线提升超1,000倍。

针对TFBSs一维序列特性，研究人员将二维图像的卷积块注意力机制(convolutional block attention module, CBAM)优化为一维结构。通道注意力机制舍弃最大池化仅保留平均池化，既契合序列局部依赖又降低计算量(图1A)；空间注意力机制移除平均池化与最大池化，完整保留位置信息。

在此基础上，研究人员通过改进U-Net架构，实现了核苷酸级精准标记，同步提升了预测性能与效率。训练采用余弦衰减学习率策略，通过动态平滑调整保障模型收敛。实验显示，该模型在9个共享TF-细胞类型测试中，AUROC均值优于FactorNet等代表性模型，且较传统“多对一”模型实现了推理加速。

云南民族大学丰继华副教授为文章通讯作者。该研究得到了国家自然科学基金项目的资助(编号：31160234)。

文章录用版链接：丰继华，陈忠兴，康琦林，李龙飞，杨佳慧，张雨亭. 融合通道与空间注意力机制的转录因子结合位点预测方法.遗传, 2026. DOI:10.16288/j.yczz25-184.