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

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

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

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

通过利用基因的独立性，Swift-DynGFN 框架提升了对基因调控网络（GRNs）中因果结构的学习能力，同时兼顾可扩展性，实验证明其在学习 GRNs 的因果结构和适应大型系统上的效果显著。

Oct, 2023

通过建立基于化学反应的数学模型，将基因调控网络转化为基因调控神经网络（GRNN），进行稳定性分析，并探究参数变化对分类界限的影响，为满足不同应用需求的可编程 GRNN 打下基础。

Sep, 2023

利用人类相互作用网络，采用联合学习功能和蛋白质周围的连通性模式的方法预测疾病基因关系。我们提出了 Random Watcher-Walker（$RW^2$）的扩展版本，成功地与已知最佳系统和其他最先进的基于图形的方法进行比较。与以前的研究相反，我们的研究结果表明，仅有连接性无法足以分类与疾病有关的基因。

Feb, 2019

使用基于 Zadeh 计算的新方法，可以针对存在大量不确定性的时间基因表达数据有效地识别出吸引子，这种方法不仅基于模糊逻辑和语言描述，而且容易被人类专家理解，因此可被视为向可解释人工智能迈出的一 [有效] 步骤。

Mar, 2024

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