传统的荧光染色对活细胞具有光毒性，操作速度慢且昂贵；因此，从透射光图像中预测细胞亚结构成为一种无标记、更快速、低成本的替代方法。本文提出了一种高效的框架 SparseSSP，通过对目标体素网格内的荧光强度进行预测，在效率上取得了突破，而非完全依赖于 3D 拓扑结构。SparseSSP 引入了一对多体素映射的范式，允许稀疏的透射光切片重建细胞亚结构。其次，我们提出了一种混合维度拓扑结构，将 Z 轴信息折叠进通道特征中，使得 2D 网络层能够以较低的计算成本解决 SSP 问题。通过广泛的实验验证 SparseSSP 在不同的稀疏成像比率下的有效性和优势，与纯 3D 拓扑相比，该方法取得了领先的性能。SparseSSP 减少了之前密集观察的成像频率（即最多减少 87.5% 的成像次数），这在低成本设备和样本上可视化快速生物动态具有重要意义。

Jul, 2024

利用荧光分子创建低密度、衍射限制图像的长序列，可以实现高精度的分子定位；然而，该方法需要较长的成像时间，限制了对活细胞动态相互作用的观察；我们提出了一种深度展开的自监督学习方法，通过训练一个仅从给定测量值学习的基于模型的自编码器来消除对大量训练数据的需求，该方法在性能上超过了其有监督对应物，从而实现了动态成像在衍射极限以下，而无需任何标记的训练样本；此外，建议的基于模型的自编码器框架可以用于改善任何稀疏恢复框架中的泛化能力，而无需外部训练数据。

Mar, 2024

采用基于扩散的模型 DISPR，该研究介绍了 3D 细胞形态预测的逆问题的求解方法。通过对 2D 显微镜图像进行条件预测，实现对真实 3D 形态的预测。进一步将该模型作为数据增强工具运用于单细胞分类任务，并取得了较好的效果。本研究表明扩散模型可成功应用于逆生物医学问题，能够从 2D 显微镜图像中学习重构具有真实形态特征的 3D 物体。

Aug, 2022

使用跨模态条件扩散模型，结合组织学图像和基因表达进行超分辨率空间转录测序图，实现了更高的精度和性能。

Apr, 2024

通过模型分离和参数化，我们提出了一种名为 SepRep-Net 的新框架，用于解决多源自由域自适应问题，在保持计算成本较低的同时，在目标领域上获得竞争性性能，同时保留比现有解决方案更多的源知识。

Feb, 2024

使用变分自动编码器进行监督学习的深度学习细胞特征提取模型，用于从多重免疫荧光细胞图像中提取细胞特征，并通过对乳腺癌患者的 1,093 个组织微阵列核心中提取的超过 44,000 个多重免疫荧光细胞图像块进行细胞表型分类来验证其成功。

Jun, 2024

提出了一种超快、精确的、无参数方法 Deep-STORM，用于从随机闪烁的发射器（如用于定位显微镜的荧光分子）中获取超分辨率图像。该方法使用了深度卷积神经网络，可以在模拟数据或实验测量上进行训练，可以在挑战性的信噪比条件和高发射器密度下实现最先进的分辨率，并且比现有方法快得多。此外，它不需要关于基础结构形状的先验信息，使得该方法适用于任何闪烁数据集。通过对模拟和实验数据的超分辨率图像重建，验证了我们的方法。

Jan, 2018

蛋白质表示学习旨在从蛋白质数据库中提取知识，以应用于各种蛋白质相关的下游任务，我们引入了新颖的不对称多模态掩码自编码器（AMMA），利用统一多模态编码器将蛋白质序列、结构和功能三种关键形态集成为统一的表示空间，通过不对称解码器确保序列潜在特征反映结构和功能信息，实验表明 AMMA 在学习展现良好间模态关系的蛋白质表示方面具有极高的效果，进而使其在各种蛋白质相关的下游任务中发挥作用。

Apr, 2024

本文提出了一种适用于端到端 PCR 模型的半监督点基细胞识别（SSPCR）框架，该框架利用伪标签和共同教学策略来提高细胞识别的准确性，速度和健壮性。

Jun, 2023

通过多视图图对比学习和 HSIC 约束正规化方法构建的空间转录组学 (ST) 框架 (ST-GCHB)，以学习共享表示来考虑空间依赖性，从而根据查询的图像点来估计相应的基因表达量。

Jun, 2024