本文提出了一种基于随机投影的低维嵌入方法，可以快速高效地计算不同形式的生物序列，从而避免了核方法的计算时间、内存使用和泛化性挑战。该方法的预测性能在多种真实分类任务中优于若干最先进的嵌入和核方法

Apr, 2023

本文提出了一种基于 word2vec 模型的新方法，用于训练变长 k-mers 的分布式表示。实验表明 dna2vec 向量求和类似于核苷酸串联，并且 Needleman-Wunsch 相似度得分与 dna2vec 向量的余弦相似度之间存在相关性。

Jan, 2017

本研究提出了一种基于表征学习的框架，将蛋白质序列映射到表示蛋白质结构信息的序列向量中，并通过双向 LSTM 模型和全局结构相似度以及单个蛋白质残基接触映射的反馈机制进行训练，实现了蛋白质序列在预测结构相似性方面的多任务学习，而且该方法在跨膜域预测方面也取得了优异的表现。

Feb, 2019

基于同源图网络编码器和节点相似性构建正样本，我们提出了融合上下文信息和结构信息的 k-mer 嵌入方法，用于鲁棒的序列表示，从而在编辑距离近似和最接近字符串检索任务中，始终优于先前技术。

Dec, 2023

该研究开发了一种方法来识别不同敏感性水平下的聚类中心和最佳聚类数量，并可以在不同的序列数据集上同样有效地工作。该方法结合了线性映射哈希函数和多序列比对（MSA），利用已由 MSA 输出排序相似性的序列，识别了能表示不同物种参考基因凭证的最佳聚类数量、聚类截断点和聚类中心。该方法根据线性映射哈希函数将已按相似性距离矩阵排序的序列映射到索引，以揭示值周围的差距，从而识别出不同聚类的最佳截断点。在使用密切相关序列（Nocardia 物种的 16S rRNA 基因序列）和高度可变序列（Enterovirus 71 的 VP1 基因组区域）的数据集进行评估时，该方法优于现有的无监督机器学习聚类方法和降维方法。该方法不需要先验知识来确定聚类数量或聚类间距离，能处理不同大小和形状的聚类，并且与数据集呈线性比例尺度。使用线性映射哈希函数结合 MSA 的基因序列聚类是一种计算效率高的方式，可用于评估相似性、聚类不同微生物基因组、识别参考序列，以及研究细菌和病毒的进化。

Nov, 2023

在生物研究领域，我们提出了一种基于压缩模型的新方法，通过使用压缩算法和标准化压缩距离来进行分子序列分类，避免了依赖手工特征或预训练模型，提供了一种高效且有效的分析分子序列的方法。

Feb, 2024

DNA-ESA 是一种新颖的编码器模型，通过产生读数和参考片段的表示，将其投影到共享向量空间，其中读段的距离用作对准的替代指标。

Sep, 2023

本文介绍一种学习图嵌入的简单、有效方法，通过密集向量表示来近似节点之间的距离，以反映用户定义的图距离度量，避免了直接在图结构上进行操作引起的低效性，证明该方法在语义相似性和词义消歧任务上的表现比其他图嵌入方法更优秀，同时在 WordNet 和两个知识库图上进行了评估。

Jun, 2019

介绍了一种新的生物序列表示和特征提取方法 BioVec，通过人工神经网络方法，将蛋白质序列表示为单个 n 维向量，可精确地识别蛋白质家族分类、蛋白质结构预测、无序蛋白质鉴定等各类生物信息学任务，表现优于现有方法。

Mar, 2015

引入了 VQDNA，一个从基因词汇学习的角度改进基因标记化的通用框架；通过利用可学习的词汇的向量量化码书，VQDNA 可以自适应地将基因标记化为具有模式感知的嵌入结果；通过在层次结构中设计不同尺度的码书，提出了层次残差量化方法（HRQ）。在 32 个基因数据集上的广泛实验表明，与现有的基因语言模型相比，VQDNA 具有卓越的性能和有利的参数效率。值得注意的是，对 SARS-CoV-2 突变的经验分析揭示了学习 HRQ 词汇的细粒度模式感知和生物学意义，突显了其在基因组学中更广泛应用的潜力。

May, 2024