研究使用深度学习和卷积神经网络来开发基于 MinION 便携式 DNA 测序系统的 basecaller 模型，最佳模型在使用 R9 孔径化学和 1D 读取的 E.Coli 数据集上实现了 91.4% 的匹配率。

Apr, 2019

基于自回归潜变量模型的纳米孔模拟器实现了竞争性的模拟性能，并学习到了对 DNA 标签具有预测能力的信息潜变量表示。

Apr, 2024

提出了一种名为 Deep SNP 的深度神经网络模型，它基于用于真相集的 SNP 单核苷酸多态性芯片探测数据，用于检测癌症等疾病的复制数变异和基因组突变点。

Jun, 2018

本文提出一种基于深度递归神经网络的自编码及序列交互学习，利用端到端的机器学习框架进行 miRNA 靶向预测，不仅准确性高，而且消除了手动特征提取的需求，该方法相比于现有的替代方案更为优秀，并取得了 miRNA 靶向预测领域巨大的进步。

Mar, 2016

通过深度学习，本文提出了一种新的 miRNA 前体预测算法，deepMiRGene，该算法采用循环神经网络，具有自动学习数据特征的优点，并在三个基准数据集中表现出与当前最优工具相当的性能。

Apr, 2016

本文介绍了一种用于小型自主飞行器（如无人机）的自主导航引擎，此引擎基于神经网络和并行低功耗计算平台 GAP8，可以使得纳米无人机在严格的实时约束下完整地执行复杂的深度卷积神经网络，以实现闭环端到端可视化导航，同时系统耗能相对较小，且不会对飞行结果进行任何妥协。

May, 2018

HyenaDNA 是一个在人类参考基因组上进行预训练的基因组基础模型，具有长达 100 万个单核苷酸的上下文长度和单核苷酸层面的全局上下文，以及可用于简单调整以适应新任务而无需更新预训练模型权重的上下文学习能力，并在核苷酸转换器和基因组基准测试中达到了最先进的水平。

Jun, 2023

基于轴向注意力和潜变量空间循环利用的 RNAformer 模型在 RNA 二级结构预测领域取得了突破性进展，超越了使用外部信息的方法，在 TS0 基准数据集上实现了最先进的性能，并实验证明 RNAformer 能够学习到 RNA 折叠过程的生物物理模型。

Jul, 2023

本研究提出了一种使用外部标记资源来改善泛化能力的全新生物医学命名实体识别方案，基于深度学习的 AIONER 工具比多任务学习等现有方法更为有效、稳健，能够识别训练数据中未出现的实体类型，并具有大规模处理生物医学文本的优势。

Nov, 2022

Splice sites are vital for gene expression and accurate prediction is crucial; DeepDeCode, an attention-based deep learning model, is introduced for splice site prediction, along with visualization techniques for sequence motifs, demonstrating its accuracy, explainability, and efficiency in healthcare applications for genomic processes.

Nov, 2023