在DrugBank 5.1.10的5,357个结构可解析小分子上，Schrödinger Bridge Onsager Flow把均匀化学库向药物相似性分布的搬运误差压到总变差距离0.0141，而经过十档正则参数扫描、取最优设置的Sinkhorn基线为0.1753。该方法不再维护分子两两之间的耦合矩阵，而是为每个分子维护一个标量势并用镜像下降更新；其神经摊销版本SBOFNet以1.6M参数单次前向给出0.0380的总变差距离，代价是精度低于解析解。
时空转录组测序是破坏性的，每个时间点测到的是互不对应的细胞快照，中间轨迹和跨尺度细胞间相互作用因此看不到。stMIND把每个细胞的表达漂移拆成细胞内在程序、半径内基于相对表达差与空间几何的局部图差分算子、以及半径外按质量加权的非局部平均场注意力，并让邻域随细胞迁移共同演化。在蝾螈端脑再生与斑马鱼胚胎发生基准上，它取得最高的基因表达预测精度、解剖一致性与空间连贯性；消融显示局部与非局部算子缺一不可，并据此定位到损伤后10–15天的再生转折窗口。
多模态大模型与人脑视觉表征的相似度此前只能说明两者“像”，说不清像在哪些语义上。SAIL把体素解释改写为体素与多个稀疏语义单元之间的对应问题：先在多模态大模型多层表征上联合训练跨层稀疏自编码器，再为每个体素匹配多个单元，并用最优传输比较双方最偏好图像集合的语义相似度。在自然场景数据集八名被试上，跨层联合训练相比逐层独立训练降低了单元响应冗余，并在全皮层与选择性感兴趣区都取得更高的语义相似度。
单细胞扰动实验成本高、通量有限，计算预测却长期受评估口径不一和难以稳定超过简单基线困扰。DCAF把数据配对、评估标准与预测模型合成一个框架：用熵正则最优传输为每个扰动细胞找回扰动前状态，用非沉默基因的对数倍数变化打分，再用JEPA结构联合编码扰动前后细胞。在跨基因、跨细胞类型与跨脑区设定中，DCAF-model在非沉默基因上的对数倍数变化R²与MSE优于GEARS、scGPT、线性与均值基线。
BLOOM把转录组虚拟胚胎建模写成条件生成问题：给定一段已观测的细胞群体历史、目标发育阶段和细胞状态信息，生成该阶段的表达分布。它用伪轨迹连接独立采样的细胞群体，并把发育年龄、细胞身份层级、解剖背景、基因程序和转录因子–靶标网络作为条件，同时约束高斯基分布与流匹配生成器。在产前、视觉皮层和多器官内皮三个小鼠单细胞图谱上，与22个时间序列预测基线相比，BLOOM在三个数据集的阶段平均基因相关性和细胞相关性上都排第一。
比较两个稀疏自编码器（SAE，把模型激活拆成稀疏学习分量的字典）时，需要同时回答整本字典差多少、差在哪些潜变量、以及多少来自有限文档的抽样波动。这套方法用一张能量加权的最优传输计划把三者连起来：计划的总代价是字典级差异，代价可按潜变量精确分解，传输比例描述每个潜变量的激活能量如何分配到对方潜变量上，并给出联合渐近置信区间。在四个语言模型上，它定位了同数据不同随机种子训练出的SAE之间的差异，并把主题相关的改变拆成权重项与代价矩阵项。
熵正则最优传输的 Sinkhorn 散度算得快、统计上也稳定，但它不是度量，也没有现成的黎曼结构；此前构造出的切空间和度量张量还缺协变导数、测地线与平行传输方程，统计可推断性也未知。有限光滑代价下，度量张量沿测度曲线被证明 Hadamard 可微，据此可以导出 Levi-Civita 协变导数，并把测地线与平行传输写成固定 RKHS 上带光滑系数的常微分方程。再用 Banach 空间 ODE 理论对这些解做线性化，指数映射、对数映射、平行传输与平方 Sinkhorn 距离的插件估计量就得到 √n 高斯极限，非参数自助法也一致。
跨队列代谢组学模型换到另一台核磁平台后往往掉点，因为平台、样品处理与定量流程带来域偏移。研究以爱沙尼亚生物库1.2万份血浆核磁数据训练心衰（ICD-10 I50.9）分类模型，在另一平台独立测得的295份样本上评估，并用最多108份两平台重复测定的配对样本校准对齐。对齐普遍优于未对齐数据，配对样本越多越稳；但简单的域内归一化始终是强基线，全部108份配对时支持向量机加归一化取得平衡准确率0.72、MCC 0.46。
把概率测度先嵌入希尔伯特空间再学稀疏字典，训练从反复求解 Wasserstein 距离变成一次自编码器优化，在相同时间预算下重建误差比 Wasserstein 字典学习低约两到三个数量级。
三维荧光显微图像里的细胞分割长期在两条路之间取舍：深度学习效率高但只输出离散体素掩膜，主动曲面能给出连续形状却难以处理多目标。Nagini3D把两者接在一起，用一个三维U-Net同时预测目标位置和一组样条曲面参数，每个目标由一张闭合光滑的参数曲面表示。在含非星凸物体的合成集CAPS上，加细化步骤的Nagini3D+平均IoU为0.859，高于StarDist3D的0.779；在真实BONES集上两者接近，但Nagini3D推理最快，平均4.75秒。