DNA模体发现是在给定的DNA序列数据集中识别保守的序列模式,一般用于定位DNA序列中的转录因子结合位点,有助于研究基因的表达调控机制。Ch IP-seq等DNA序列数据集含有数千及以上的序列,相对于传统的小规模数据集,对模体发现提出了新的挑战。近年来DNA模体数据库正公布着越来越多的已验证的模体,可以为模体发现提供一些先验知识,但目前还没有被应用于模体发现的过程。本文提出了一种结合模体数据库的DNA序列大数据集模体发现方法MLMD,基本思路是:生成一批初始模体,设计模体匹配模型将各个初始模体与模体数据库中的模体进行匹配,若匹配成功,则直接将匹配到的模体作为一个识别出的模体,否则对此初始模体进行求精,并将求精后的模体作为一个识别出的模体。具体而言,首先,设计了适用于大数据集的高效初始模体生成方法,将大的数据集分为小的样本集,分别对每个样本集提取相似子串对,并利用邻接表快速提取相似的子串对,再经过合并相邻子串、聚类等操作得到一批初始模体;其次,构建了基于深度学习的模体匹配模型,先结合模体求精方法生成训练模型的样本数据集,再训练基于卷积神经网络的模体匹配模型,用于预测初始模体与已有模体数据库中的模体是否匹配;最后,设计了针对大数据集的轻量化迭代的模体求精方法,利用优先队列改进基于期望最大化的模体求精过程,在迭代过程中逐步去除参与计算的背景子串,从而有效提高求精的性能。实验结果表明:1)所构建的模体匹配模型的平均预测准确率达到了90%左右,在真实小鼠数据集上的验证结果表明,使用匹配模型可以成功匹配到数据集中约80%的模体,同时相比不引入匹配模型的方法,平均加速比达到了2.6;2)轻量化迭代的模体求精方法能够得到与基于期望最大化的模体求精方法相近的结果,在此基础上加速比达到了6.7;3)与现有权威的DNA模体发现算法在不同数据集下相比,在保证平均准确率相当的基础上,MLMD的时间性能有显著提升。