本文利用深层卷积 / MLP 框架对基因组序列进行分类，在优化驱动策略的指导下提取 “motifs” 以可视化网络学习的正向分类。实验证明，本文提出的 Deep Motif（DeMo）提取的 motifs 类似于并在某些情况下优于当前已知的 motifs；此外，本文还发现由多个卷积和 highway 层组成的深度模型可以胜过以前最先进的单个卷积和全连接层。

May, 2016

本文提出了一个名为 Deep Motif Dashboard 的工具套件，提供了一系列深度学习网络模型中 DNA 定序信号及转录因子结合位点分类的可视化策略。其中，卷积递归架构在实验结果中表现最佳，其可视化技术指出了 CNN-RNN 模型在建模模式以及其中相互依赖的模体方面的性能。

Aug, 2016

本文提出了一种数据驱动的基于统计度量的 MotifPiece 方法用于有效地提取分子中的结构模式，并通过引入异构学习模块作出了全面评估，表明其在提取结构模式方面具有改进，同时还展示了通过合并多个共享足够结构模式的数据集来进一步提高性能的方式。

Dec, 2023

本文提出了一种新方法称为 k-Motiflets，将 motif discovery 颠倒了过来，使用基于 k 个重复片段的算法来避免繁杂、不可预知的规则，此外还有自动确定输入参数的扩展功能。实现了无需先验知识就能提取有意义的 motif sets，与现有状态下的四种算法比较，发现本文所提出算法具有（a）数量上更好的相似度，可以找到更大的 motif set；（b）质量更佳，可以导致更清晰、更易解释的 motif，（c）具有最短的运行时间。

Jun, 2022

该论文提出了一种基于优化的方法来发现时间序列中的模式，该方法相对于搜索更能够发现频繁出现的、最优的模式，即使这些模式并不是明确的子序列。

May, 2015

通过数据库搜索和匹配算法，对蛋白数据银行中超过 18 万个配体结合位点进行了全对比，共确定了约 3000 个明确定义的配体结合位点的结构模式，并发现这些结构通常局限于单个家族或超家族，并与特定的配体相关联。同时，分析了相似性网络的组成，并列举了超过 4000 对在不同蛋白质折叠中共享的配体结合位点。

Oct, 2008

本文介绍了使用强化学习技术的 RL-MD 模型，可以在无标签数据的情况下进行核酸序列模式发现任务，并能在真实世界数据中识别出高质量的模式。

Sep, 2022

Splice sites are vital for gene expression and accurate prediction is crucial; DeepDeCode, an attention-based deep learning model, is introduced for splice site prediction, along with visualization techniques for sequence motifs, demonstrating its accuracy, explainability, and efficiency in healthcare applications for genomic processes.

Nov, 2023

使用贝叶斯分层模型基于狄利克雷过程，对转录因子 Motif 聚类，减少大数据库中的冗余，该聚类模型可用于许多聚类应用，如预测共同调控的基因。

Oct, 2006

通过机器学习算法使用蛋白质网络的保守性质确定并验证了蛋白质相互作用候选者，成功率在 20-50% 之间。

Jun, 2004