本文采用基于已知表达式的基因间相关性符号来确定基因间的符号不定共表达关系，同时提出了一种解决凸优化问题的方法，以计算和量化蛋白质调节中的基因相互作用结构和重要性。

Jul, 2023

提出了 Exceiver 模型，使用同一自我监督任务来处理单细胞 RNA 表达数据，学习基因之间的上下文依赖关系，并证明该模型具有迁移学习能力。

Oct, 2022

使用贝叶斯分层模型基于狄利克雷过程，对转录因子 Motif 聚类，减少大数据库中的冗余，该聚类模型可用于许多聚类应用，如预测共同调控的基因。

Oct, 2006

本文提出了 BFReg-NN，一个利用基因表达数据建立细胞系统中包含多种生物学知识的生物因子调控神经网络模型，并验证了其在不同基于基因表达数据的任务中相对于基线模型的卓越性能和生物学见解的一致性。

Apr, 2023

提出了一种基于 Bayesian 方法的计算模型，用于从基因表达的高通量遗传数据中发现基因之间的局部因果关系。模型的应用结果表明，可以从稳定且保守的局部因果结构后验概率中推导出最有意义的调控关系。

Sep, 2019

利用图机器学习方法构建了一个由 81,488 个独特的转录因子级联组成的知识图谱，研究发现转录因子之间的复杂相互作用以及其对基因表达的调控作用，通过路径富集分析找出与癌症、发育、细胞信号等多个功能类别相关的途径，从而为研究特定转录因子的研究者提供宝贵的信息，为治疗与转录因子失调相关的疾病提供潜在的干预目标，同时为理解转录因子之间的复杂相互作用和调控角色提供了有价值的资源。

Nov, 2023

利用转录组数据进行预训练的转移学习方法，通过基因扰动的转录响应，最小化给定初始和目标转录状态之间的差异，成功重现已知的重编程协议并创新性地设计适用于特定重编程转变的可调整模型，研究揭示了基因调控网络对表型的管理方式。

Mar, 2024

提出一种发现生物系统中潜在图结构的新算法，基于复杂的非线性调节相互作用网络，用图来表示各种核酸、蛋白质和代谢物之间的关系，并使用实验数据对其进行探测。

Jan, 2023

发展生物学的主要目标之一是揭示基因调控网络（GRNs）以实现多能祖细胞向具体细胞类型的准确分化。本文展示了如何使用物理信息神经网络（PINNs）推断预测性和动力学的 GRNs 参数，以提供生物过程的机制理解。我们的分析将为今后使用 PINNs 进行实验设计提供参考，并为进一步探索这一强大类神经网络模型提供起点。

Jan, 2024

介绍 DiscoGen，这是一种基于神经网络的 GRN 发现方法，它可以去噪基因表达度量并处理干预数据，我们证明了我们的模型优于 SOTA 神经网络基因因果发现方法。

Apr, 2023