通过应用自我监督学习和视觉转换器，我们在本研究中提出了一种集合级一致性学习算法 (Set-DINO)，通过弱监督来提高单细胞图像中扰动效应的学习表示，结果显示它能够更准确地召回已知的生物关联，并从基于 OPS 的药物靶点发现活动中获取更可靠的见解。

Jun, 2024

本文提出了一种名为 Interventional Style Transfer 的方法，是针对在计算机视觉系统的实际应用过程中，包括在生物医学研究的发现过程中，需要具有一种对上下文干扰具有不变性及对新数据具有普遍适用性的因果表示的问题，在两个新的单细胞荧光显微镜数据集的内部复制结构中进行了验证，证明了该方法可以显著地提高 OOD 的泛化能力。

Jun, 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

在本研究中，我们介绍了一种基于偏最小二乘（PLS）的框架，称为 Cluster-Bootstrap PLS（CLUB-PLS），它可与高维度的遗传和脑成像数据以及大规模样本一起工作，通过使用聚类自助法为两个领域的单个输入特征提供稳健的统计数据。我们将 CLUB-PLS 应用于英国生物库的 33,000 个受试者的表面积和皮层厚度的遗传基础研究中，发现了 107 个与 386 个不同基因相关的基因组范围显著性基因座 - 表型对。我们进一步经典 GWAS 或基因组范围内推断统计（GWIS）的结果验证了其中大多数基因座 - 表型对，其中 85 个基因座 - 表型对超过了基因组范围建议性（P<1e-05）的阈值。

Sep, 2023

通过多视图图对比学习和 HSIC 约束正规化方法构建的空间转录组学 (ST) 框架 (ST-GCHB)，以学习共享表示来考虑空间依赖性，从而根据查询的图像点来估计相应的基因表达量。

Jun, 2024

从全幻灯图像中预测基因突变对于癌症诊断至关重要。本研究设计了一种生物知识增强的 PathGenomic 多标签 Transformer，通过构建基因优先级和基因突变预测模块，提高了预测性能，实验证明该方法优于现有最先进技术。

Jun, 2024

评估了用于高内容荧光显微数据集中的图像恢复的最新修复方法，并提出了一种新的保留表型度量设计策略以控制修复质量。

Jul, 2023

本文提出了一种新的联合生成 - 对抗网络架构，通过学习细胞级别的视觉表示来执行无监督的细胞级别视觉表示学习，并利用这种学习开发了一种能够在骨髓数据集上进行组织病理学图像分类的流程。

Nov, 2017

本文引入了一种简单方法来理解单核苷酸多态性（SNP）或相关 SNP 组，以及它们控制的表型之间的关系。该管道包括训练深度卷积神经网络（CNN）来区分具有参考和各种 SNP 的替代版本的植物图像，然后使用可视化方法来突出显示分类网络的关键。我们展示了深度 CNN 在执行分类任务方面的能力，并展示了这些可视化对 TERRA-REF 门架捕获的生物量高粱的 RGB 图像的效用。我们专注于几个具有已知表型表达的遗传标记，并讨论使用这种方法揭示基因型 x 表型关系的可能性。

Aug, 2021

本研究提出了一种新的方法，使用基因表达数据进行癌症分类问题的解决，首先运用信噪比算法筛选出非冗余基因的子集，然后运用多目标粒子群算法进行特征选择，并采用自适应 K 最近邻算法进行癌症分类，从而提高了癌症分类的准确性。

May, 2022