本研究通过可视化遗传编程系统的搜索轨迹作为基于图形的模型，探究基因型和表型空间中的搜索轨迹，特别是通过中性突变，帮助我们更好地理解进化的进展和算法行为。同时，通过量化表型特征，包括其基因型丰度和科尔莫戈洛夫复杂性，我们将这些量化指标与搜索轨迹可视化相连接，并发现更复杂的表型由较少的基因型代表，更难以被发现，而较简单的表型则被更多的基因型代表，更容易被发现，并经常被用作进化的垫脚石。

Nov, 2022

本文综述了去噪扩散模型在生物信息学中的应用及其新的发展和应用潜力。

Feb, 2023

本文介绍了一种新的用于最大似然推断的优化方法——基于 Phylo2Vec 的 hill climbing-based 优化算法，该算法结合了二叉进化树和机器学习优化的优点，旨在解决 NP-难问题。

Apr, 2023

Phylo-NN是一种无需标签，直接从昆虫图片中提取进化特征序列的方法，对鱼类进行了演示，证明了其用于物种图像生成和物种-物种图像转换的有效性。

Jun, 2023

我们采用连续空间中的树探索和推断方法来解决从大量可能的树中寻找合适的系统发育关系的问题，并通过在超度量空间中准确推断树和根来证明其有效性，并在数据不足的情况下成功地解决了关于有颌脊椎动物的系统发育关系。

Jun, 2023

采用生成流网络的框架，本文研究在系统发生学中的两个核心问题：基于减少原则和贝叶斯方法的系统发生学推断。通过我们的前向后验采样器，PhyloGFN，我们展示了在真实基准数据集上产生多样化和高质量的进化假设。PhyloGFN在边缘似然度估计方面与现有工作相媲美，并实现了更接近目标分布的拟合效果，超过了最先进的变分推断方法。

Oct, 2023

通过使用Self-Organizing Maps方法，该研究介绍了evolSOM软件包，用于探索和可视化生物变量的保守性，以实现表型和基因型属性的集成。该软件包可自动计算和可视化这些变量之间的位移，从而有效比较和显示保守和位移变量，且可增强复杂网络分析的可访问性。

Feb, 2024

神经网络模型的快速增长使模型权重成为重要的数据形式。我们通过定义模型树描述模型的起源来解决网络上公开的模型数据无法解释和组织的问题。我们介绍了模型树继承恢复任务，旨在根据模型权重解码模型的树结构，从而有助于模型的作者鉴定和互联网索引等应用。通过对权重的分布特性进行分类，我们能够确定两个模型之间的关系和关系的方向。MoTHer恢复将模型层次结构表示为一个有向树，成功地重建了复杂的模型树和“野外”模型族群的结构，如Llama 2和稳定扩散。

May, 2024

通过Tree of Diffusion Life（TDL）方法，对扩散模型的生成空间进行采样并利用图像编码器从这些样本中提取语义含义，借助一种新颖的演化嵌入算法明确编码迭代过程并保留高维关系，从而实现对数据演化的可视化，简化了对扩散模型数据演化的理解并提供了有价值的洞见。

Jun, 2024

本研究针对生物学中发现进化特征的挑战，提出了一种新框架HComP-Net，用于通过图像层次地学习原型。该方法有效解决了现有方法在层次原型学习中的不足，实验证明其在鸟类、蝴蝶和鱼类数据集上学习到的原型不仅准确且具有语义一致性，对未见物种也具有良好的泛化能力。

Sep, 2024