将逻辑机器学习技术应用于细胞工程和生物学发现，以促进基因组规模代谢网络模型的学习与优化，进而创建一个自主驾驶微生物工程实验室。

May, 2024

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

现代生命科学研究越来越依赖于人工智能方法来模拟生物系统，主要集中在使用机器学习模型上。然而，机器学习在生物科学中的广泛应用表明其与传统科学探究方法存在显著差异，这种相互作用对未来的科学研究具有重要意义，但却受到较少关注。在本研究中，我们借鉴认识论工具集，将机器学习在生物科学中的最新应用放入现代哲学理论的框架下，以识别可指导机器学习系统为生物现象建模和推动科学知识进展的一般原则。我们提出，科学理解作为信息压缩、定性可理解性和依赖关系建模的概念，为解释机器学习介导的生物系统理解提供了有用的框架。通过对现代生物研究中机器学习的两个关键应用领域 —— 蛋白质结构预测和单细胞 RNA 测序的详细分析，我们探讨了这些特征迄今如何使机器学习系统推进对目标现象的科学理解，以及它们如何指导未来机器学习模型的发展，以及阻碍机器学习实现其作为生物发现工具潜力的关键障碍。考虑机器学习在生物学应用中的认识论特征将改善这些方法解决重要问题和推进对生命系统科学理解的前景。

Mar, 2024

该文探讨如何使用自然语言处理技术来开发一个推荐模型，以连接合成生物学家与其研究所涉及的伦理、法律和社会问题的信息。该推荐模型是一个更大的项目 —— 合成生物学知识系统（SBKS）的组成部分，旨在将相关伦理和社会问题信息汇总为一，嵌入到合成生物学研究工作流程中。

Jul, 2022

利用转录组数据进行预训练的转移学习方法，通过基因扰动的转录响应，最小化给定初始和目标转录状态之间的差异，成功重现已知的重编程协议并创新性地设计适用于特定重编程转变的可调整模型，研究揭示了基因调控网络对表型的管理方式。

Mar, 2024

现今，技术达到了巅峰。探索了不同的编程和技术途径用于数据分析、自动化和机器人技术。机器学习是优化数据分析、进行准确预测以及加快 / 改进现有功能的关键。因此，目前人工智能领域中的机器学习正在发展，并且正在探索它在不同领域的应用。其中一个领域突出的应用是微生物生物合成。本文提供了微生物生物合成中所使用的不同机器学习程序的全面概述，并简要描述了机器学习和微生物生物合成这两个领域。包括过去的趋势、现代的发展、未来的改进、过程的解释以及当前面临的问题。因此，本文的主要贡献是概括这两个关键领域的发展并提供全面的解释，以及它们对于改进工业 / 研究的适用性。它还突出了挑战和研究方向，旨在激发在不断发展的领域中进行更多的研究和发展。最后，本文旨在成为正在进行研究的学者、改进流程的行业专业人员和想要理解生物合成中的机器学习概念的学生的参考资料。

Aug, 2023

新型深度学习算法在提高新药发现效率方面表现出色，但其缺乏可合成性的信息，导致其合成难度大幅上升，需要新算法的开发来加以解决。

Feb, 2020

本文提出了三种生成神经网络方法，用于生成 DNA 序列，并调整其具有期望的性质。这些工具捕捉到数据的重要结构，并在设计蛋白质结合微阵列探针时，生成具有超越训练数据的性能的新序列。我们相信这些结果为将深层生成模型应用于推进基因组学研究开辟了新的空间。

Dec, 2017

通过机器学习指导的定向进化方法，可以更快速地探索突变多个位点编码的序列空间，从而大大提高通过蛋白工程实现梳理蛋白质序列空间的效率和多样性。在以人类 GB1 结合蛋白为例的实验中，机器学习指导的定向进化找到比其他定向进化方法更好的变异体，并成功地创造出合成两种可能的产物对映体的酶，通过两轮进化得到了催化选择性分别为 93％和 79％的变异体。

Feb, 2019

本文提出了一种半监督学习算法 InstructMol 来解决大规模的分子建模任务中数据稀缺的问题，并在细粒度后处理以提高准确性。

Apr, 2023