想象一下，將海量的數字信息——從一本百科全書到珍貴的醫學影像——編碼進微小的DNA分子中，實現可存儲數千年的“生命硬盤”。這并非科幻，而是被稱為DNA數據存儲的前沿技術。然而，從DNA中精準“讀取”信息卻面臨巨大挑戰。由于測序技術固有的限制，堿基替換、插入和刪除錯誤不可避免，尤其是在納米孔測序等高錯誤率平臺上，這些“噪音”嚴重污染了原始數據，導致高質量信息難以獲取，成為制約DNA存儲實用化和基因組學精準分析的關鍵瓶頸�，F有方法，無論是傳統的基于多數投票的比對算法，還是早期的深度學習模型，要么在處理大規模數據時耗時過長，要么難以有效應對高錯誤率及插入/刪除錯誤，導致重建性能在復雜噪聲環境下急劇下降。為了攻克這一難題，來自大連大學先進設計與智能計算教育部重點實驗室的研究團隊在《Synthetic and Systems Biotechnology》期刊上發表了一項創新研究，他們提出了一個名為MACL的深度序列重建模型，旨在高錯誤率條件下實現DNA序列的精確重建。

為開展此項研究，作者團隊主要運用了以下幾項關鍵技術方法：首先，構建了一個集多尺度注意力機制與對比學習于一體的深度神經網絡模型架構。該模型以聚類后的DNA測序讀段為輸入，通過序列嵌入（包括One-Hot編碼和可學習的位置編碼）將變長序列標準化。核心技術包括：1）引入MSA Transformer（Multiple Sequence Alignment Transformer），在堿基尺度上從行和列兩個維度提取全局與局部特征；2）設計了序列間多頭注意力機制和序列內多頭注意力機制，分別處理序列間的噪聲干擾和序列內的堿基替換錯誤；3）采用多尺寸卷積核的卷積層來學習和適應由插入/刪除錯誤導致的局部位置偏移；4）創新性地將對比學習策略引入序列重建任務，設計了更貼合測序通道替換錯誤模式的負樣本構建與數據增強方法。模型在多個公開的真實世界DNA存儲數據集（如Erlich 2017, Organick 2018等）和基于SARS-CoV-2病毒基因組的模擬數據集上進行訓練與評估，使用序列重建率和序列恢復率作為核心評價指標，并與包括RobuSeqNet、DNAformer、Divider BMA和Hybrid BMA在內的四種前沿方法進行了全面對比。所有實驗均基于PyTorch框架，在NVIDIA GeForce RTX 3090 GPU上完成。

研究人員首先明確了DNA序列重建是一個跡重建問題，并選取了四種最新的先進方法作為基線進行公平比較。他們使用了多個具有不同錯誤率、合成技術和測序技術（Illumina和ONT）的真實DNA存儲數據集，并采用按參考序列層次劃分數據集的方式，確保訓練集和測試集在序列來源上完全獨立，防止數據泄露。評估指標采用了序列重建率（衡量堿基正確百分比）和序列恢復率（衡量完全恢復的序列百分比）。

在真實DNA存儲數據集上的評估表明，MACL在不同測序深度（30×, 20×, 10×）下均展現出優越且穩健的性能。尤其是在高錯誤率的納米孔測序數據上，MACL顯著優于其他方法。例如，在30×測序深度下，MACL在Srinivasavaradhan數據集上的重建率和恢復率分別達到98.68%和70.59%，遠超其他基線。隨著測序深度降低，基于多數投票的傳統方法性能急劇下降，而MACL則保持了相對穩定的重建能力。在模擬錯誤率（1%至5%）的測試中，MACL同樣表現出色，在高錯誤率（5%）和低測序深度下，其恢復率仍接近100%，而其他方法則出現嚴重下滑。這證明了其多尺度注意力模塊在復雜錯誤模式下的強大特征提取能力。

為了驗證端到端的數據恢復能力，研究團隊進行了醫學圖像重建實驗。他們將MRI、CT和眼底圖像通過不同的DNA編碼方案（0/1映射碼、陰陽碼、DNA Palette碼）編碼為DNA序列，引入模擬測序錯誤后，再使用MACL等模型進行序列重建并解碼回圖像。視覺和定量分析結果均表明，MACL在5%高錯誤率下能實現高質量的圖像恢復，而其他方法則出現明顯的像素丟失或錯位。定量指標顯示，當MACL與里德-所羅門碼（Reed–Solomon codes, RS codes）結合時，可以實現圖像的無損重建（失敗率僅0.36%），而單獨使用RS碼的失敗率高達86.77%。這凸顯了MACL在降低下游糾錯碼負擔方面的關鍵作用。

在基因組學應用方面，研究團隊在基于SARS-CoV-2病毒基因組的模擬數據集上測試了MACL。結果表明，在錯誤率最高的納米孔測序模擬條件下，MACL的序列重建率（97.37%）和恢復率（63.10%）均顯著高于所有對比方法，其編輯距離也最小，證明了該模型在自然基因組序列重建任務中的有效性和魯棒性。

消融實驗證實了模型核心組件的必要性。移除MSA Transformer模塊或對比學習損失項都會導致模型性能下降，尤其是在高錯誤率數據集上。當兩者同時移除時，性能下降最為顯著。這驗證了MSA Transformer在提取多尺度序列特征以及對比學習在提升模型噪聲魯棒性方面的不可或缺的作用。

計算效率分析顯示，MACL擁有約328萬個可訓練參數，在保持高重建精度的同時，其GPU內存占用和推理速度均優于對比的深度學習方法DNAformer，顯示出更優的計算復雜性和實際部署潛力。

這項研究得出結論，MACL模型通過整合多尺度注意力機制和對比學習，成功解決了在高錯誤率條件下精確重建DNA序列的難題。其在多個真實和模擬數據集上的卓越表現，特別是在處理納米孔測序等高噪聲數據時的強大魯棒性，證明了該方法的有效性。MACL不僅顯著提升了序列重建的準確率與完整序列恢復率，其端到端的圖像重建能力更是向DNA數據存儲的實用化邁出了關鍵一步。該模型的成功，得益于其能夠全面捕獲堿基尺度與序列尺度的關聯信息，并通過針對性的對比學習策略增強了對真實測序錯誤模式的辨別力。討論部分指出，當前工作主要基于主流測序平臺，未來將關注整合堿基質量分數等元信息以進一步提升預測置信度，并優化模型效率，拓展其在更廣闊生物信息學場景中的應用�？偠�言之，MACL為高噪聲環境下的DNA存儲數據讀取和基因組序列分析提供了一種高效、可靠的解決方案，奠定了相關領域走向實際應用的重要基石。