本文提出了一种使用深度学习自编码器的无监督学习模型来检测和分类基因表达相似的显微镜图像区域，该模型通过平衡潜在层的长度和复杂性来进行优化，模型的性能通过适应均方误差度量值进行验证，并与专家的评估进行比较。

Apr, 2023

探究生命早期生物变化的演变需要对分子（如 DNA 甲基化）进行纵向分析，而儿童数据采集可能存在一定挑战。我们引入了一种基于多平均高斯过程（GPs）的概率性和纵向机器学习框架，考虑时间上的个体和基因相关性，提供了在不同个体年龄下 DNA 甲基化状态的未来预测，同时考虑了不确定性。我们的模型是在一个 0-4 岁儿童的出生队列中进行训练的，并且我们证明了在 5-7 岁的年龄段可以准确预测每个儿童的甲基化位点的状态。我们展示了多平均高斯过程预测的甲基化配置可以用于估计其他表型，如表观遗传年龄，并与其他感兴趣的健康指标进行比较。该方法鼓励表观遗传学研究朝向纵向设计，以探究发育、衰老和疾病进展过程中的表观遗传变化。

Dec, 2023

提出了一种多模态预训练框架，通过整合基因组学和医学图像数据，在肿瘤分割任务中优于相关方法。

Jun, 2024

合成生物学中，ILP-iML1515 是一种基于归纳逻辑编程的机器学习框架，通过逻辑推理和学习从实验样本中更新基因组规模代谢模型的新逻辑结构，以有效探索宿主细胞系统的假设空间并引导实验设计，从而降低学习基因功能的实验成本。

Aug, 2023

本文介绍了使用深度学习对缺失值进行插值的方法，以促进基因组数据的应用，混合使用 RNA、microRNA 和甲基化可以提高性能，但是多任务学习仅在生存预测中表现出优越性。

Apr, 2022

该研究使用神经网络结合自编码器提取特征的潜在空间，并利用生成对抗网络 GAN 生成合成样本，以解决医学数据集中的样本不平衡和高维数据降维的挑战，并在膀胱癌数据集和乳腺癌数据集上分别取得了 95.09% 和 88.82% 的准确度。

May, 2024

本文介绍了一种名为 “可解释的 Mimic 学习” 的新型知识蒸馏方法，用于学习解释性的表型特征，以进行强大的预测，同时模仿深度学习模型，以解决临床决策中关键的模型可解释性问题。在临床时间序列数据集上进行的详尽实验表明，我们的方法获得了与深度学习模型相似或更好的性能，且为临床决策提供了可解释的表型特征。

Dec, 2015

该研究提出了一种多模态学习框架，用于从医学图像中提取有关 Isocitrate Dehydrogenase (IDH) 基因突变的特征，以预测胶质瘤的基因型。实验结果表明，该模型优于基线深度学习模型，提供了一种预测胶质瘤基因型的新方法。

Mar, 2022

使用 meta-recognition 模型通过 autoencoder 方法，学习简洁的模型代码，并通过 meta-generative 模型构建任务特定模型参数，实现比 fine-tuned 基线网络更低的损失和与最先进的元学习算法相匹配的性能，同时还能够识别对模型预测有影响的训练样本和预测获取哪些附加数据将对改善模型预测最有价值。

Jul, 2018

提出了一种新颖的基于 $Meta_{Abd}$ 的自动生物设计工程框架，使学习机器能够同时优化模型并减少实验成本和数据注释的研究。

May, 2021