ATCGATCGATCGATCG TGCATGCATGCATGCA GCTAGCTAGCTAGCTA ATCGATCGATCGATCG TGCATGCATGCATGCA
GCTAGCTAGCTAGCTA ATCGATCGATCGATCG TGCATGCATGCATGCA GCTAGCTAGCTAGCTA ATCGATCGATCGATCG
TGCATGCATGCATGCA GCTAGCTAGCTAGCTA ATCGATCGATCGATCG TGCATGCATGCATGCA GCTAGCTAGCTAGCTA
ATCGATCGATCGATCG TGCATGCATGCATGCA GCTAGCTAGCTAGCTA ATCGATCGATCGATCG TGCATGCATGCATGCA
GCTAGCTAGCTAGCTA ATCGATCGATCGATCG TGCATGCATGCATGCA GCTAGCTAGCTAGCTA ATCGATCGATCGATCG
Chapter 13

scroll to explore
↓
DNA Tokenization

DNA 토크나이제이션 탐색기
서열 입력 (최대 24bp):
핵심 차이: 토크나이제이션 전략이 어휘 크기, 토큰 수, 그리고 어떤 생물학적 패턴을 캡처할 수 있는지를 근본적으로 결정합니다.

Based on: Ji et al. (2021) DNABERT, Bioinformatics 37:2112; Zhou et al. (2023) DNABERT-2, ICLR 2024; Dalla-Torre et al. (2023) Nucleotide Transformer, Nature Methods

Attention Pattern Viewer

뉴클레오타이드 클릭 → 변이 도입. 어텐션 히트맵이 업데이트됩니다.
서열 (클릭하여 변이 도입):
CTCF 모티프 (위치 5-12): 골드 테두리로 표시됨
참조 서열: CTCF 모티프가 온전할 때 어텐션이 모티프 위치들 사이에 집중됩니다.

Based on: Ji et al. (2021) DNABERT Fig. 4 — attention visualization over ChIP-seq validated CTCF binding sites, Bioinformatics 37:2112

Variant Effect Prediction Pipeline

변이를 선택하면 파이프라인이 업데이트됩니다.

Based on: Benegas et al. (2023) "DNA language models are powerful predictors of genome-wide variant effects", PNAS 120:e2311219120; Ji et al. (2021) DNABERT, Bioinformatics