中文文档

切换语言: English Documentation

本项目文档在保留旧版 DeepChrInteract 写作内容的基础上，系统补充当前 PyTorch 版增强子-启动子相互作用预测框架，包括生物学背景、数据组织、模型体系、训练评估流程以及 GitHub Pages 发布思路。保留的旧版原文页面可通过 Legacy DeepChrInteract Documentation 访问。

生物学背景
- 为什么这个问题重要
- 任务本质
- 输入与输出
- 项目定位
快速开始
- DeepChrInteract 原始动机
- 环境要求
- 安装
- 数据预处理
- 无真实数据时的完整管道测试
- 单实验训练
- 单实验评估
- 五个随机种子的批量实验
- DNA 大语言模型流程
- MAE 预训练流程
- 文档发布
DeepChrInteract 模型总览
- 模型地图
- 注册表概览
- 设计逻辑
CNN 模型
- 为什么 CNN 对 EPI 有意义
- M1：单路 CNN 基线
- M2：双路 CNN 基线
- M3：k-mer Embedding + CNN
- 共同优势
- 计算复杂度与适用范围
- 共同局限
- 与旧版项目的关系
ResNet 模型
- 为什么 ResNet 应该在这里
- 残差形式本身是什么
- 它和早期资源限制的关系
- ResNet18 和 ResNet34 的位置
- 残差连接到底增加了什么
- 为什么它对基因组序列建模仍然重要
- 文档中的定位
- 计算复杂度与适用范围
BiLSTM 模型
- 为什么要保留 BiLSTM
- 结构概览
- 为什么对 EPI 有帮助
- 计算复杂度与适用范围
- 项目中的作用
mLSTM 模型
- 它和普通 LSTM 的不同
- 核心思想
- 为什么适合基因组序列
- 计算复杂度与适用范围
- 项目中的作用
Transformer 模型
- 为什么标准 Transformer 仍然必须存在
- 结构概览
- 为什么 CNN 前端重要
- 计算复杂度与适用范围
Linear Transformer 模型
- 核心动机
- 项目中的实现特点
- 为什么它对 EPI 有意义
- 计算复杂度与适用范围
iTransformer 模型
- 为什么它比较特别
- 为什么这对 DNA 有意思
- 计算复杂度与适用范围
Mamba 模型
- 为什么要引入 Mamba
- 项目中的实现
- 为什么它对当前项目重要
- 计算复杂度与适用范围
- 注意点
RWKV 模型
- RWKV 带来了什么
- 项目实现特点
- 为什么它对 EPI 有意义
- 计算复杂度与适用范围
混合模型
- 为什么会有混合路线
- M11：CNN + BiLSTM
- M12：CNN + Transformer
- 为什么混合架构重要
DNA 基础模型
- 支持的 backbone
- 为什么这一类模型重要
- 两种使用模式
- 为什么要保留多个 backbone
- 项目中的作用
- 计算复杂度与适用范围
MAE 预训练模型
- 核心思想
- 它和 M13 的区别
- 为什么这一页重要
- 实现逻辑
- 项目中的作用
- 计算复杂度与适用范围
融合策略
- 支持的策略
- 为什么融合层重要
- 主要策略的含义
- 默认选择
- 计算复杂度与适用范围
数据与目录组织
- 仓库结构
- 原始数据布局
- 处理后数据布局
- 结果目录布局
- 旧版归档
训练与评估
- 训练入口
- 训练系统核心行为
- 输入管道
- 为什么在线编码重要
- 验证逻辑
- 评估输出
- 指标解释
- 推荐流程
实验设计
- 实验组织思路
- 主实验矩阵
- 融合策略消融
- 为什么这个对比重要
- 随机种子策略与可复现性
- 每个实验的预期输出
- 展示价值
部署发布
- 文档构建方式
- 为什么选择 GitHub Pages
- 预期站点地址
- 构建方式选择
- 建议的发布路径
- 需要的账号与权限
- 不需要的东西
- 下一步
旧版保留说明
- 旧版 QuickStart 重点
- 旧版动机
- 旧版模型清单
- 旧版数据组织重点
- 保留原则