药物化学的后期官能团化长期受制于反应数据稀缺，尤其难以预测多个相似C–H键中哪一个会被硼化。罗氏与ETH团队用XGBoost集成模型驱动的主动学习，从22,253个候选分子中分三轮挑出50个未报道底物做高通量实验，把C–H硼化数据扩到6,865条反应、568个底物。随后训练的几何图神经网络在随机、Butina聚类和Bemis–Murcko骨架三种划分上多数情况下优于XGBoost，并在10个含N-杂芳基的未见底物上前瞻验证中把最可能的预测位点全部对上实验。
空间多组学数据既要合并同一组织切片上的RNA、蛋白等不同分子层，又要把参考数据集的细胞类型标签迁移到新样本上，此前这两件事由不同方法分别处理。DIRAC把两者统一为域适应问题，用图神经网络加对抗判别器学习对批次和模态不敏感、但对细胞类型有区分度的嵌入。在模拟数据和真实DBiT-seq数据上，它的域恢复与混合指标优于对照方法，并在胶质瘤组织中识别出其他方法漏掉的微血管增生域。
SimCortex v2 把左右半球的白质与软膜四张皮层表面放进同一个变形空间联合重建，在 560 例、14 个队列的 T1 加权 MRI 上把表面距离精度做到与最强基线相当，同时 92.14% 的病例完全没有表面间碰撞，而所有对比方法在每个病例中都至少出现一次碰撞。它先用分割结果生成拓扑正确的初始网格，再用带皮层带概率图的 U-Net 预测多尺度平稳速度场，并靠分离与嵌套损失约束表面间距。
该工作将基于消息传递卷积的图神经网络应用于水切伦科夫探测器中弥散超新星中微子背景的逆β衰变探测，构建了从原始光电倍增管命中重建低能事件的流程：一个模型回归3–30 MeV正电子能量，另一个模型对中子俘获信号进行分类，在类Hyper-Kamiokande几何的模拟数据上取得了与现有方法相当的性能。
已读完全部报道