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

利用深度强化学习方法，成功控制了具有 200 个节点的转移间隔概率较高的有转移蜕变的黑色素瘤蛋白联锁网络

Oct, 2022

提出了一种针对单细胞 RNA 测序随机解释基因表达水平的概率模型，其利用低维潜在表示、额外潜在变量和神经网络进行条件分布的建模，并利用方差推断和随机优化来拟合数据。此推断过程适用于 100 万个细胞以上的数据，且优于 ZIFA 和 ZINB-WaVE 方法。作者还将该框架扩展到批次效应和其他混淆因素，并提出了一种超越 DESeq2 方法的 Bayesian 假设检验，以分析基因差异表达。

Sep, 2017

为了支持生物制造过程中的机制在线学习和数字孪生发展，本文开发了一种高效的贝叶斯推理方法，用于部分观察到的酶随机反应网络（SRN），这是多尺度生物工艺机械建模的基础构建模块。

May, 2024

本文描述了在动态贝叶斯网络中维护精简的信任状态的想法，以及分析错误是如何随过程演化呈指数级收缩的，最终向我们展示了如何在监测任务中应用我们的想法。

Jan, 2013

探讨了一种基于贝叶斯非参数方法的连接组学模型，通过混合模型降低维度并在每个混合组件中高效地整合网络信息，提高了对网络值随机变量概率质量函数的推断灵活性。

Jun, 2014

该研究利用交换神经网络，实现了基于模拟数据的统计推断，旨在解决高维变量积分与数据置换不变性问题，取得了在重组热点测试问题上领先于现有技术的成果。

Feb, 2018

本文介绍了利用 DBN 模型对三种生物 ODE 模型进行建模的过程，并使用粒子滤波算法对模型变量进行推断，其结果表明 DBNs 能够在缺失、不完整、稀疏和不规则的数据情况下，高精度地推断 ODE 模型的模型变量。

Oct, 2019

本文提出了递归贝叶斯网络 (RBNs)，它是概率上下文无关文法和动态贝叶斯网络的扩展和统一，将它们的优点结合在一起作为特殊情况，定义了一个关于离散或连续潜在变量的树形结构贝叶斯网络的联合分布，同时解决了潜在变量为连续的情况下的结构和连续变量推断的挑战。

Nov, 2021

本文提出了使用近似贝叶斯计算法 (ABC) 和神经网络来解决单个神经元动态机制模型的建立和参数估计中的挑战，旨在为神经科学家提供一种能够在复杂神经元模型上进行贝叶斯推断的方法。

Nov, 2017