现代药物发现的关键是发现，识别和准备药物分子靶标。但是，由于通量，精度和成本的影响，传统的实验方法很难广泛用于推断这些潜在的药物-靶标相互作用（DTI）。因此，迫切需要开发有效的计算方法来验证药物与靶标之间的相互作用。作者开发了基于深度学习的DTI预测模型。蛋白质的进化特征是通过特定位置评分矩阵（PSSM）和勒让德矩阵（LM）提取的，并与药物分子的亚结构指纹相关联，以形成药物-靶对的特征向量。然后

RNA 结合蛋白占真核蛋白质组的5-10%，并在许多生物过程中发挥关键作用。RBP结合位点的实验检测仍然是耗时且成本高的。而使用从现有注释知识中学习的模式对RBP结合位点进行计算预测是一种快速方法。从生物学的角度来看，源自局部序列的局部结构上下文将被特定的RBP识别。然而，在使用深度学习的计算建模中，只使用了整个RNA序列的全局表示。到目前为止，在深度模型构建过程中忽略了局部序列信息。在这项研究中

作为一种新发现的蛋白质翻译后修饰，赖氨酸乳酸化（Kla）在各种细胞过程中起着举足轻重的作用。高通量质谱法是检测 Kla 位点的主要方法。然而，与计算方法相比，识别 Kla 位点的实验方法通常既耗时又费力。因此，需要开发一种强大的工具来识别 Kla 站点。为此，作者通过结合嵌入层、卷积神经网络、双向门控循环单元和注意机制层，提出了第一个称为 DeepKla 的计算框架，用于水稻中 Kla 位点预测。

对离子通道具有高亲和力的配体肽对于调节跨质膜的离子通量至关重要。在这项工作中，作者开发了 Multi-Branch-CNN，这是一种具有多个输入分支的 CNN 方法，用于从特征内和特征间类型中识别三种类型的离子通道肽结合剂（钠、钾和钙）。为此，作者在两个测试集上测试了开发的模型：一个通用测试集，包括与训练集具有不同相似度的序列；以及一个新的测试集，仅包含与训练集序列几乎没有相似之处的序列。最终的实

伪尿苷(Pseudouridine，Ψ)在核糖核酸、核糖核酸、转录核糖核酸和核仁核仁等多种核糖核酸修饰中广泛存在。因此，鉴定它们在学术研究、药物开发和基因治疗等方面具有重要意义。本文提出了一种采用二进制编码的多通道卷积神经网络。作者使用k折交叉验证和网格搜索来调整超参数。在独立的数据集上评估了它的性能，发现了有希望的结果。结果证明，作者的方法可以用于识别相关目的的伪尿苷位点。

N4乙酰胞苷（ac4C）是mRNA的一种转录后修饰，是mRNA的一种成分，在mRNA的稳定性控制和翻译中起重要作用。 mRNA 变化的 ac4C 方法对于传统的实验室实验来说仍然不简单、耗时或具有成本效益。因此，作者开发了 DL-ac4C，这是一种基于 CNN 的用于 ac4C 识别的深度学习模型。在这项研究中，DL-ac4C 方法（深度学习）与非深度学习（机器学习）方法中的回归和支持向量机进行了

近年来，语言表示模型以其显著的效果引起了人们广泛关注。其中，来自transformer的BERT已被证明是一种简单但功能强大的语言模型，它实现了新颖的最先进的性能。BERT采用了语境化单词嵌入的概念来捕捉它们出现单词的语义和上下文。在这项研究中，作者提出了一种新的技术，将基于BERT的多语言模型融入到生物信息学中来表示DNA序列的信息，将DNA序列看作自然语句，然后使用BERT模型将其转换为定长的

深度学习方法的有效性很大程度上归功于从原始数据中自动提取相关特征。在这篇论文中，作者提出了一种新方法，它已经成功地收集了关于大肠杆菌转录过程的见解。这项工作建立在一个基于transformer 的神经网络框架设计的原核基因组注释的目的。作者发现，该模型的大多数亚基(注意头)专门用于识别转录因子，并能够成功地表征它们的结合位点和一致序列，揭示了参与转录过程启动的已知和潜在新元素。

DNA受到N4-甲基胞嘧啶(4mC)分子的表观遗传修饰。N4-甲基胞嘧啶在DNA修复和复制中起重要作用，保护宿主DNA免受降解，调节DNA表达。目前的实验技术昂贵又费力。传统的基于机器学习的方法依赖于手工提取的特征，但是新方法通过利用学习特性而节省了时间和计算成本。在这项研究中，我们提出了i4mC-Deep，这是一个基于卷积神经网络(CNN)的智能预测器，可以预测DNA样本中的4mC修饰位点。提取

抗癌肽（ACPs）是一类已被证明具有抗癌活性的肽。使用ACP来预防癌症可能是传统癌症治疗的可行替代方案，因为它们更安全，并显示出更高的选择性。作者提出了一种利用序列信息预测ACP的计算方法。该过程包括肽序列的输入，利用位置信息进行序列编码和手工特征提取，最后进行特征选择。整个模型由两个模块组成，包括深度学习和机器学习算法。深度学习模块包含两个通道：BiLSTM和CNN。最后，作者针对得出模型集成层