本文介绍了一种利用多头自注意力机制的深度学习方法 Gene Transformer，用于对基因表达数据进行肺癌亚型分类，效果比传统算法更好，此方法有望在计算生物学中得到更好的应用。

Aug, 2021

本文介绍了一种名为 ViralVectors 的新型序列特征提取方法，该方法基于 minmizers 轻量级 “签名” 技术，可用于处理大量异构序列数据，能够在 SARS-CoV-2 spike 序列、Coronaviridae spike 序列和鼻咽拭子 PCR 测序数据集等多种样本数据的分类和聚类任务中优于当前基准结果。

Apr, 2023

通过 Virus2Vec 生成的数字特征向量，可以检测病毒感染的宿主，实验结果证明了 Virus2Vec 优于其他方法。

Apr, 2023

该研究提出了 Optimus PPIme - 一种深度学习方法，可从现有病毒（例如 SARS-CoV-2）中预测未来更具传染性的变体，以改善疫苗设计和提前预防疫情爆发，救援生命。

May, 2022

COVID-19 检测中，迁移学习结合视觉变换器是一种有效的方法，并且在实验中显示出了优于传统方法和卷积神经网络的表现，这证明了视觉变换器在改进临床筛查和诊断的效率和准确性方面具有潜力。

Jul, 2023

我们描述了一种用于自动识别与病毒和宿主相关的命名分类和其他实体的新数据集，并进一步描述了使用预训练模型在该新数据集上进行命名实体识别（NER）任务的一些初步结果。我们建议，我们手动注释的摘要数据集现在为未来训练自动从科学出版物中提取宿主 - 病原体检测方法的 NER 模型提供了金标准语料库，并进一步解释了我们的工作如何自动从科学文献中预测重要的与人类健康相关的病毒溢出风险的概念。

May, 2023

使用深度学习的分类模型，通过分析透射电子显微镜图像，成功识别图像中病毒的种类，结果表明该方法的有效性和可靠性。

May, 2024

癌症个性化治疗是全球面临的一个挑战，在临床和经济上都具有不断增长的负担。为了有效利用临床诊断面板中的基因组分析，需要准确的药物反应预测模型，本研究提出了一种基于转换器的创新方法，超越了基准数据上最先进的药物反应预测模型的性能，同时还设计了一种治疗建议系统，并正在新加坡国立大学医院进行临床试验评估。

Feb, 2024

本研究开发了一种高效的数字病理分类器 DPSeq，通过微调附带水平和垂直双向长短期记忆 (BiLSTM) 网络的测序器结构，预测结肠直肠癌 (CRC) 的癌症生物标志物，在国际数据集 MCO 和 TCGA 上评估了 DPSeq 的预测性能表现优异，并在预测 MSI 状态、BRAF 突变和 CIMP 状态方面超过了 4 个 CNN 和 2 个 transformer 模型。

May, 2023

本研究提出了一种基于 transformer 的神经网络 TCR 来预测抗癌药物的反应，利用注意力机制学习了药物子结构和分子签名之间的相互作用，同时设计了双重损失函数和交叉采样策略以提高预测能力，实验结果表明 TCR 优于其他方法，在独立的体外实验和体内实验中表现出显著的预测效果，具有癌症药物再利用和精准肿瘤治疗的潜在价值。

Jul, 2022