摘要精准识别单核苷酸分辨率下的转录因子结合位点(transcription factor binding sites,TFBSs)是解析基因表达调控网络的核心科学问题.为改进现有计算模型在跨细胞类型预测中的性能,本研究提出一种融合通道与空间注意力机制的深度学习模型.通过系统整合 10 个核心转录调控因子(包括 CTCF、EGR1、FOXA1 等)在 13种典型人类细胞系(涵盖 A549、GM12878、H1-hESC 等)的 51 组染色质免疫沉淀测序(chromatin immunopreci-pitation sequencing,ChIP-seq)数据和 13 组脱氧核糖核酸酶 I 高敏感位点测序(deoxyribonuclease I hypersensitive site sequencing,DNase-seq)数据对模型进行训练与测试,结果表明在 23 个测试的 TF-细胞类型中表现出优异性能,平均受试者工作特征曲线下面积(area under receiver operating characteristic curve,AUROC)达到 0.986,其中91%样本的 AUROC 超过 0.970;平均精确率-召回率曲线下面积(area under precision recall curve,AUPRC)为0.169,较随机预测基线(0.000156)提升超 1,000 倍.相较于 FactorNet、Leopard 及 DeepGRN 等当前领域内具有代表性的模型,本模型在 9 个共有的 TF-细胞类型数据集上,其 AUROC 均值展现出优势.可视化分析表明,模型能精准识别 TF 在不同细胞类型中的特异性结合位点.上述结果表明,本模型为跨细胞类型的 TFBSs 精准预测提供了高效计算工具,有望为基因表达调控机制的深入解析及相关疾病分子机理研究提供重要支撑.