利用可分化编程工程化细胞团聚的形态发生
提供一种针对多层网络的有层级感知无监督节点特征学习方法，可在不同人体组织中学习蛋白质的特征，从而更准确地预测细胞功能。通过分层建模以及运用类似的特征来推断网络邻域和激活组织中的蛋白质，该算法可以预测多细胞系统中的多种表型，包括对功能未知组织的有效细胞功能转移。
Jul, 2017
该研究介绍了信息理论适应度函数，其中一种普适函数 empowerment 可以衡量代理通过其感知—运动系统对环境的控制量，该实验将 empowerment 作为第二目标添加到神经元元胞自动机发育中，结果表明发育过程中邻近细胞之间的协同作用对整个发育过程有益，并提供了单细胞转变为多细胞目标形态期间的潜在细胞间通信机制。
Apr, 2022
本文介绍了神经细胞自动机（NCAs）作为人工形态发生模型的发展，并展示了NCAs对于内部和外部信号的反应能力，能够通过内部信号生长出多种形态， 通过外部信号改变颜色，并为将动态行为嵌入NCA模型打下基础。
May, 2023
利用机器学习方法，我们提出了一种创新的方法来在早期C. elegans胚胎发育期间对细胞进行识别，通过利用细胞轨迹和细胞命运等少量时间空间特征，我们的模型能够在有限数据下实现90%以上的准确率，并能解释最重要的特征对生物知识的意义。
Jan, 2024
发展生物学的主要目标之一是揭示基因调控网络（GRNs）以实现多能祖细胞向具体细胞类型的准确分化。本文展示了如何使用物理信息神经网络（PINNs）推断预测性和动力学的GRNs参数，以提供生物过程的机制理解。我们的分析将为今后使用PINNs进行实验设计提供参考，并为进一步探索这一强大类神经网络模型提供起点。
Jan, 2024
我们提出了使用基于图的深度神经网络来预测多细胞集体的运动性，并展示了该方法在多细胞生物系统中的应用。随着多细胞数据的增加，我们提议创建一个多细胞数据库，从中构建一个大型多细胞图模型，以进行多细胞组织的普适性预测。
Jan, 2024
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
该研究探讨了通过细胞间的局部通信和自组织来实现神经网络的生长过程，引入了两种机制以确保保持神经元多样性，同时解决了优化稳定性和神经元多样性之间的矛盾。实验结果表明，通过这两种机制，神经发育程序在复杂运动任务中取得了与现有编码方式相当的结果。
May, 2024
我们提出了一个几何深度学习模型，可以预测多细胞折叠和胚胎发生过程，准确捕捉细胞之间高度复杂的空间相互作用。通过统一的图数据结构，考虑细胞相互作用和细胞连接网络，我们成功地完成了可解释的4D形态序列对齐和在单细胞分辨率上预测局部细胞重新排列的两个重要任务。此方法提供了研究形态发生的新范式，突出了统一的数据结构，并利用几何深度学习的能力来准确建模发育过程中细胞的机制和行为，为创建各种发育过程（如胚胎发生）的统一动态形态图谱提供了途径。
Jul, 2024