马里兰大学等团队发布的RawMod把每个位点上多条读段的纳米孔原始信号堆叠起来，与参考序列的预期信号逐位比较，用单个0.23M参数模型判断该位点是否存在修饰，而不区分修饰类型。在覆盖5mC、5hmC、4mC、6mA和5hmU五类修饰、跨细菌、噬菌体、植物、小鼠、人类与合成DNA的15个数据集上，它的平均AUROC为0.964，已发表模型中最高者为Dorado 4mC+5mC的0.799。它不需要同一样本的未修饰对照，但训练中未出现的修饰类型只有在同一碱基的另一种修饰参与训练时才能零样本迁移。
GRAC把手术场景表示为图，从训练集中检索相似的手术活动图-描述对，再比较当前场景与检索场景的器械-组织交互，用比较结果约束生成。在EndoVis-18合并评测集上，它的CIDEr-D为5.88，高于SGT的4.23和最强传统Transformer基线的3.36；器械-动作-目标三元组完全匹配率为52.6%，SGT为32.7%，最强传统基线为26.2%。在TORS数据集上，它的CIDEr-D为5.06，最强基线为3.80。
CloneTrast把配对单细胞RNA与TCR测序中的克隆身份当作训练标签，让模型只从基因表达学习T细胞的克隆功能状态，推理时不再需要TCR数据。训练使用26个数据集、14种癌症、逾150万个T细胞，另以11个数据集、逾100万个T细胞作外部测试，其中两种癌症类型未在训练中出现。在训练集与测试集上，患者克隆纯度均显著优于常规表达嵌入，并识别出一个富含肿瘤-血液共享TCR的NK样生态位，该生态位在多个研究中与免疫治疗无应答相关。
在超过110万个标注片段的大鼠EEG/EMG数据上，一套面向鲁棒性的深度学习流程把四类睡眠分期做到94.3%的F1，比SlumberNet的87.0%和随机森林的87.9%分别高7.3和6.4个百分点。此前多数自动分期模型用保留同一分布的随机划分评估，遇到新个体或药物造成的分布偏移就会明显退化。该流程用全局上下文向量、监督对比学习和双分支分类器学习对个体与处理条件不敏感的表征，只用生理盐水记录训练、在未见动物身上测试时，各项指标下降不到1%。
单细胞参考映射不再让类别代表随训练漂移。此前SCLSC用平均表达谱构造类型代表，代表位置在优化中不断变化；SOLAR在训练前给每个参考标签指定一个固定的正交方向，让编码器只学细胞落在该空间的哪里。在人类免疫、肺和胰腺三个数据集的九个留出批次上，30维输出的查询宏F1均值为0.811，高于匹配PCA的0.774，低于scANVI的0.838。
该工作提出 BrainSTR 时空对比学习框架，通过数据驱动的自适应相位划分学习状态一致的相位边界、用注意力识别诊断关键相位、并用经二值化、时间平滑与稀疏正则化的增量图结构生成器提取各相位内疾病相关连接，再以时空监督对比学习利用诊断相关的时空模式细化样本相似度度量，从而构建结构良好的语义空间；在 ASD、BD、MDD 上的实验验证了其有效性，所发现的关键相位与子网络提供了与既往神经影像发现一致的可解释证据。
已读完全部报道