本文介绍了一种名为 CRank 的算法，可以用于网络社区检测，优先选择对下游实验有帮助的候选模块，实验结果表明，CRank 在社区优先选择方面取得了近50倍的改善。

May, 2018

该论文提出了一种称为RepBin的新型方法，它使用图形进行基因组学子序列的表示和聚类，并通过建模生物约束来提供有关节点的信号，并改善了元基因组学binning的状态和图形表示学习的最新技术。

Dec, 2021

META-CODE是一种新的端到端解决方案，可通过易于收集的节点元数据和探索性学习来检测未知拓扑结构的网络中的重叠社区。其算法包括三个步骤：1）初始化网络推断，2）基于图神经网络的节点层次社区归属嵌入，3）基于社区归属的网络探索。实验结果表明，META-CODE具有优于基准方法的性能，训练模型的有效性以及快速网络探索。

Aug, 2022

通过采集易于获得的节点元数据，META-CODE 提出了一种新的端到端解决方案，用于检测未知拓扑结构的网络中的重叠社区， META-CODE 通过图神经网络训练节点层次社区从属嵌入，并使用Siamese神经网络模型进行网络推理。

Apr, 2023

提出了一种框架，知识指导的表示学习和因果结构学习（KGRCL），通过匹配观察到的土壤过程的条件分布改进模拟土壤过程的表示学习，同时利用观察到的和模拟数据学习土壤过程的因果结构，这种方法可以加速土壤科学的科学发现，并在监督学习设置中利用学习的因果关系预测化肥使用和气候变化对土壤碳的影响，该方法能够提高土壤碳的预测性能。

Jun, 2023

本研究使用机器学习的方法，通过分析土壤生物、化学和物理性质以及微生物群落密度等环境特征，提高了对植物表型的预测准确度，并对数据预处理策略进行探讨，强调合理的标签定义比正态化、分类水平或模型特征更为关键。

Jun, 2023

微生物、网络推断算法、细菌、超参数和微生物组成数据是该研究论文的关键词，该研究提出了一种新的交叉验证方法来评估共存网络推断算法，并采用现有算法来预测测试数据，从而对不同算法的推断网络质量进行比较。

Sep, 2023

我们提出了一种基于图神经网络的深度自回归模型ARTree，可以灵活地设计概率模型并解决系统发生推断问题，通过学习可学习的拓扑特征来对树的拓扑结构进行建模，并提供了一系列包含简单采样算法和密度估计过程的树拓扑空间分布，无需使用启发式特征。我们在具有挑战性的真实数据树拓扑密度估计和变分贝叶斯系统发生推断问题的基准测试中证明了我们方法的效果和效率。

Oct, 2023

在研究中，我们介绍了一种适用于大规模稀疏网络的直观客观函数来量化聚类结果的质量，并且通过模拟网络的优化试验和基准问题的应用来证明了这种方法的实用性和准确性。

May, 2024

利用基因组信息进行微生物适应性预测，并发现基因相互作用与复杂特征之间的关联。

May, 2024