通过分析 CausalBench 挑战赛中的方法提交情况，提升了基因 - 基因相互作用网络的构建能力，为生物学和医学领域关键任务的状态提供了改进和新的技术水平。

Aug, 2023

本文利用因果发现算法和大型语言模型通过对 705 名乳腺癌患者的基因组信息的剖析，从多个角度研究患者存活状况的因素，表明因果发现算法和语言模型的可靠性，有助于深入挖掘临床应用上的可靠因果关系。

May, 2023

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

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

最近单细胞组学技术取得了突破性的发展，使得能够以前所未有的分辨率对个体细胞中的分子特征进行量化。深度学习作为机器学习中一个迅速发展的子领域，由于其在分析异质高维单细胞组学数据方面的显着成功而引起了人们的极大兴趣。然而，深度学习模型固有的多层非线性结构通常使其成为一个 “黑箱”，因为预测背后的推理往往是未知的，用户无法了解到其透明性。这促使了越来越多的研究工作来解决深度学习模型中缺乏可解释性的问题，特别是在单细胞组学数据分析中，分子调控因子的识别和理解对于解释模型预测并引导下游实验验证是至关重要的。本文介绍了单细胞组学技术的基础知识和可解释深度学习的概念，随后回顾了近期应用于各种单细胞组学研究的可解释深度学习模型。最后，我们强调了当前的限制因素并讨论了未来可能的发展方向。我们期望本综述将汇集单细胞和机器学习研究社区，促进可解释深度学习在单细胞组学研究中的未来发展和应用。

Jan, 2024

提出了 Exceiver 模型，使用同一自我监督任务来处理单细胞 RNA 表达数据，学习基因之间的上下文依赖关系，并证明该模型具有迁移学习能力。

Oct, 2022

本文探讨了如何将因果推断融入临床决策支持系统，以及因果表示学习、因果发现和因果推理领域中的研究方向，以解决医疗应用中存在的高维非结构化数据处理、样本推广和时间关系等挑战。以 Alzheimer 病为例，展示了因果机器学习在临床场景中的优势。

May, 2022

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

本次研究主要集中于建立更为丰富的因果模型，以此来解决基因因素与人类主要疾病之间的因果关系等问题，并且采用了现代概率建模的思想，如采用神经结构并结合隐式条件来建立该模型。

Oct, 2017

图神经网络是通过揭示基因和细胞之间的深层连接来重塑我们对生物医学和疾病的理解。本文总结了过去几年针对单细胞数据量身定制的图神经网络方法，并强调了以图注意力网络为中心的多样化图深度学习架构及其在单细胞数据上的几个目标，包括细胞类型注释、数据整合和插补、基因调控网络重建、聚类等。预计在生物医学领域中，随着不断产生的大规模组学数据和细胞与基因之间的相互关联性加强，图神经网络将成为单细胞分析工作的核心。

Oct, 2023