DNA结合蛋白在真核和原核蛋白质组的选择性剪接、RNA编辑、甲基化和许多其他生物学功能中发挥关键作用。目前,使用深度学习网络能够对多种DNA结合蛋白一级序列做出精度较高的预测,但由于深度学习网络数据传递较多、不同功能层处理方式不统一等原因,很难对其训练模型和结果做出解释。我们设计了以下几个实验模块来解决这一问题:(1)简化的特征工程和序列处理模块和简单的判别器。我们使用独热编码的方式处理DNA结合蛋白的一级序列,并使用多个卷积核的一维卷积层进行第一层处理,之后将生成的结果转置后,使用一个窗口大小为1的卷积核进行卷积处理。我们对序列处理后的结果直接使用逻辑斯蒂回归进行分类,因为序列处理和分类过程完全是线性过程,所以可以直接整合前后操作,得到卷积过程中的带权求和卷积核。该模型的交叉验证准确率可以达到80.5%~86.6%,我们使用该模型找到了在DNA结合蛋白中部分氨基酸表现的相似性。(2)引入解释性子网络。我们用解释性子网络代替逻辑斯蒂回归,这是一种利用多层感知机能够在一定精度逼近任意有理函数的特性,对每个特征都引入一个子网络,来学习各特征的非线性贡献的过程。使用解释性子网络,我们得到了一些卷积核和他们的非线性贡献,并认为非线性模型能够更加快速且准确地收敛。(3)基于卷积判别的生成模型。我们设计了一种评分增长的序列生成算法来生成可以被现有的判别模型识别的序列,对生成的DNA结合蛋白一级结构序列进行评估。