利用多模式单细胞技术，通过整合不同数据类型并建模模态之间的相互关系，为疾病生物标志物检测和药物发现提供了改进，实验结果表明机器学习技术对于建模细胞发展中 DNA 到 RNA 及蛋白质之间的协变性具有显著效果，有望推动对细胞分化和功能的理解并发挥机器学习的潜能。

Nov, 2023

本文提出了一类基于核函数的两样本检验方法，其使用由深度神经网络参数化的核函数以确定两个样本集是否来自同一分布，适用于高维、复杂的数据，并在基准和实际数据上证明了其卓越的性能。

Feb, 2020

我们介绍了一种用于复杂关联性分析的新型基于核的神经网络测试方法，通过模拟实验证明了该方法在序列数据分析中的效果优于序列核关联性测试（SKAT），特别是在存在非线性和交互作用效应的情况下。我们还将该方法应用于全基因组测序（WGS）数据集，研究与海马体积随时间变化相关联的新基因。

Dec, 2023

该论文提出了一种基于核函数的机器学习算法，可以通过对数据集的分组进行处理，采用独立同分布的样本集作为数据点，利用非参数估计器提取核函数特征从而实现多种分类、回归和异常检测等任务。

Feb, 2012

提出一种基于重现核希尔伯特空间和大偏差界限的统计检验框架，可用于分析和比较分布，特别对于数据库属性匹配具有很好的性能表现。

May, 2008

提出了一种差分隐私保护的假设检验方法，扩展了经典的非隐私保护排列检验到隐私保护场景，从而实现有限样本有效性和差分隐私的同时保证。通过引入基于核的测试统计量，提出了两种不同差分隐私保护的核测试方法（dpMMD 和 dpHSIC），具有简单易施行、适用于多种数据类型、在不同隐私保护模式下达到极小 - 最优动力的特点。经实证评估，在各种合成和实际场景下展现出竞争力，突显其实际价值。公开提供的代码有助于我们该方法的实现。

Oct, 2023

通过单细胞技术，全面分析多样免疫细胞类型的特征，并使用机器学习方法对其进行评估，整合临床协变量以提高对临床表型的预测能力。

Jun, 2024

利用人工智能特别是深度神经网络的进展，对基因研究进行革命性改革，试图解码基因变异与疾病表现之间复杂关系，并提升对疾病病因理解的能力。

Dec, 2023

应用机器学习于生物序列 ——DNA、RNA 和蛋白质 —— 具有巨大的潜力推进人类的健康、环境可持续性和基础生物学的理解。因此，本研究旨在探讨这一问题领域中的挑战并提供修改现有基于核的机器学习方法以确保其准确性和可靠性的简单有效的方式。

Apr, 2023

本文全面调研并综述了深度学习在单细胞分析中的应用现状及其在多个单细胞分析任务中的表现和优势，提供单细胞分析研究者和计算机科学家合作的参考。

Oct, 2022