《基因型表型图中的突变邻域：中性及非中性相互关联影响进化探索》的研究发现通过比较 3 个表型图，证明基因型表型图中的中性关联大大增加了突变的鲁棒性，这种中性关联还可以超过形成大型中性网络所需的临界阈值，从而增强了中性探索的能力，而非中性关联则可能减弱进化能力。

May, 2015

本研究探究了基因型表型图对于单倍体 Wright-Fisher 模型的进化动力学的影响，结果表明表现型频数大的现象更容易出现，并且即使具有更高适应度但频数小的表型也很难在人口中趋于固定，这表明进化遵循了非人类学的规则。

Feb, 2014

通过比较数字逻辑门电路基因型 - 表型映射与生物学基因型 - 表型映射的数学定义，研究电路复杂度、表型复杂度与进化中的冗余、鲁棒性和进化性等性质之间的关系，发现由于表型稀有性、大型相互连接的中性网络和低稳健性的高突变负载，演化复杂度较难，提出在基于遗传编程的进化过程中寻找映射到复杂表型的基因型的计算策略。

Sep, 2022

提出了一种基于深度学习的模型 DeepSequence，可以预测基因突变对分子属性的影响，具有非线性的高阶约束，是一种能够应用于有关蛋白质和 RNA 相互作用的普适模型。

Dec, 2017

本次研究首次提出了基因表达编程作为一种新技术，使用基因型 / 表现型遗传算法的线性和分叉形式来创建计算机程序，使用表达树的编码方式，通过已有的多种变异方法，分别进行染色体的改进，使该算法显著提高了适应性能力，可用于诸如符号回归、无常数创建的序列归纳、堆叠块等一系列问题。其中，基因表达编程的应用十分广泛，尤其在布尔概念学习中有着广泛的应用价值。

Feb, 2001

本文引入了一种简单方法来理解单核苷酸多态性（SNP）或相关 SNP 组，以及它们控制的表型之间的关系。该管道包括训练深度卷积神经网络（CNN）来区分具有参考和各种 SNP 的替代版本的植物图像，然后使用可视化方法来突出显示分类网络的关键。我们展示了深度 CNN 在执行分类任务方面的能力，并展示了这些可视化对 TERRA-REF 门架捕获的生物量高粱的 RGB 图像的效用。我们专注于几个具有已知表型表达的遗传标记，并讨论使用这种方法揭示基因型 x 表型关系的可能性。

Aug, 2021

采用相态理论，描述了共聚模型和考虑到重组后的共聚模型，并且计算了仅仅考虑到固定重组点和超过一个重组点的共聚模型中的因子频率谱、非固定重组点的两点祖先基因图计算量的平均数和方差。

Jun, 2018

使用笛卡尔遗传编程优化间接编码方法中基因与权重之间的距离函数，提高了 GENE 在神经网络演化中的表现。

Mar, 2024

本论文通过使用一定限制语法的编程方法，对符号回归模型空间的分布及模型之间的相似度进行了分析，研究表明凭借表型相似度，可以得出较为明确的模型分类，为符号回归模型的生成提供重要的信息。

Sep, 2021

通过引入轻量化图形表示学习方案，本研究建议一种有效分析野生型蛋白质微环境、推荐实用高阶突变，并使用有限的计算资源和少量的突变训练样本进行推断模型的连续改进的方法，从而准确预测蛋白质功能和变异效应。

Apr, 2023