来自Manolis Kellis教授（MIT计算生物学主任）的课《人工智能与机器学习》

主要内容就是调控基因组学和深度卷积网络的结合

由于这部分在我学习的课程中内容很少，下面贴出油管链接（这个每节课一个半小时）：

教授详细的课1：Deep Learning for Regulatory Genomics - Regulator binding, Transcription Factors TFs

教授详细的课2：Regulatory Genomics - Deep Learning in Life Sciences - Lecture 07 (Spring 2021)

Regulatory Genomics

Biological motivation of Deep CNN

深度序列模型"或"深度位点特异性模型"的特殊类型的深度卷积神经网络（Deep Convolutional Neural Networks，简称 Deep CNNs），它在处理生物序列（如DNA，RNA或蛋白质序列）时，将滤波器初始化为位点特异性评分矩阵（Position-Specific Scoring Matrix，简称PSSM）或其他有生物学意义的模式（motifs）。这种模型的优点是可以利用已有的生物学知识来指导模型的学习，从而加速训练过程，提高模型的准确性。

以下是这种模型的工作流程：

1. 将生物序列转化为数值型的表示：和之前一样，我们需要将生物序列（如DNA）转化为数值型的表示，常用的方式是独热编码（one-hot encoding）。
2. 使用生物学意义的滤波器扫描序列：在这个步骤，我们首先将卷积层的滤波器初始化为PSSM或其他有生物学意义的模式（motifs）。这些滤波器会在序列上滑动，根据每个滤波器对应的模式，计算序列在各个位置的匹配程度。(与边缘检测不同的是，这里使用的卷积核（滤波器）是有生物意义的motifs)
3. 通过ReLU进行阈值化：ReLU（Rectified Linear Unit）是一种常见的激活函数，它对负数输出0，对正数保持不变。这个操作可以增加模型的非线性，使得模型可以学习更复杂的模式。
4. 最大池化（Max Pooling）：这是一种减小序列长度，同时保留关键信息的操作。在卷积神经网络中，池化层通常跟在卷积层后面，用于降低特征的维度和控制过拟合。
5. 使用逻辑回归预测概率：在所有处理步骤之后，我们可以用一个逻辑回归层（通常是一个全连接层，加上一个sigmoid激活函数）来预测类别。

值得注意的是，虽然我们在开始时将滤波器初始化为PSSM或其他有生物学意义的模式，但在训练过程中，滤波器的参数会被进一步调整，以更好地适应训练数据。这就使得我们既可以利用已有的生物学知识，又可以从数据中学习到新的知识。

Multi-task CNN