DeepChrInteract 模型总览

切换语言: DeepChrInteract Model Overview

本页作为模型体系的导航页，而不是把全部架构塞进一个超长页面。当前项目覆盖了 经典卷积基线、循环序列模型、注意力模型、状态空间风格编码器、DNA 基础模型、 以及自监督预训练路线。

模型地图

• 经典卷积编码器：CNN 模型

• 残差卷积路线：ResNet 模型

• 循环模型：BiLSTM 模型、mLSTM 模型

• 注意力家族：Transformer 模型、Linear Transformer 模型、 iTransformer 模型

• 线性时间 / 状态空间风格模型：Mamba 模型、RWKV 模型

• 混合架构：混合模型

• 基础模型与自监督路线：DNA 基础模型、MAE 预训练模型

• enhancer-promoter 配对层：融合策略

注册表概览

• M1：单路 CNN 最基础的局部 motif baseline。详情页：CNN 模型

• M2：双路 CNN enhancer / promoter 分开编码。详情页：CNN 模型

• M3：k-mer + CNN token embedding 加卷积。详情页：CNN 模型

• ResNet18 / ResNet34 更深的残差卷积路线。详情页：ResNet 模型

• M4：BiLSTM 双向顺序依赖建模。详情页：BiLSTM 模型

• M5：mLSTM 矩阵记忆递归建模。详情页：mLSTM 模型

• M6：Transformer CNN 压缩后做全局注意力。详情页：Transformer 模型

• M7：Linear Transformer 核函数化线性注意力。详情页：Linear Transformer 模型

• M8：iTransformer 通道维重解释注意力。详情页：iTransformer 模型

• M9：Mamba 选择性状态空间建模。详情页：Mamba 模型

• M10：RWKV 线性递推 time mixing。详情页：RWKV 模型

• M11：CNN + BiLSTM 局部检测器加循环上下文。详情页：混合模型

• M12：CNN + Transformer 局部检测器加全局注意力。详情页：混合模型

• M13：DNA LLM encoder 外部预训练基因组表示。详情页：DNA 基础模型

• M14：MAE 预训练 Transformer 在项目数据上的自监督预训练。详情页：MAE 预训练模型

设计逻辑

这个项目的广度是有意为之，用来展示一条完整的序列建模光谱：

• CNN 负责局部模式与 motif 抽取；

• 更深的残差卷积负责把卷积路线继续推深；

• 循环模型负责顺序依赖；

• 注意力模型负责全局交互；

• 线性时间 / 状态空间路线负责长序列效率；

• 基础模型负责迁移学习；

• MAE 路线负责贴近任务分布的自监督表征学习。

这种结构不仅便于比较指标，也便于比较归纳偏置、运行复杂度、显存开销和数据效率。