伪尿苷(Pseudouridine，Ψ)在核糖核酸、核糖核酸、转录核糖核酸和核仁核仁等多种核糖核酸修饰中广泛存在。因此，鉴定它们在学术研究、药物开发和基因治疗等方面具有重要意义。本文提出了一种采用二进制编码的多通道卷积神经网络。作者使用k折交叉验证和网格搜索来调整超参数。在独立的数据集上评估了它的性能，发现了有希望的结果。结果证明，作者的方法可以用于识别相关目的的伪尿苷位点。

基于靶标蛋白的药物研发是一种成功的策略，但许多疾病机理或者发病机制缺乏明显的靶点来实现这种方法。为了克服这一挑战，该研究描述了一种基于深度学习和基因指纹的药效预测系统 (DLEPS)，该系统使用疾病相关基因表达谱的变化作为输入来识别候选药物。DLEPS 使用 L1000 项目中化学诱导的转录谱变化进行训练。该研究发现，以前未知的转录谱的变化Pearson相关系数被预测为 0.74。该研究在3种代谢

开发一种深度学习（DL）模型，用于自动分类黄斑孔（MH）Aetiology（特发性或次要），以及在1个月内可靠地预测MH状态（关闭或打开）的多模式深融合网络（MDFN）模型玻璃体切除术和内部限制膜剥离（Vilmp）。有330 MH的眼睛具有1082个光学相干断层扫描（OCT）图像和3300个从四个眼科中心注册的临床数据，用于训练，验证和外部测试DL和MDFN模型。从三个中心的266只眼睛被患者随机

抗癌肽（ACPs）是一类已被证明具有抗癌活性的肽。使用ACP来预防癌症可能是传统癌症治疗的可行替代方案，因为它们更安全，并显示出更高的选择性。作者提出了一种利用序列信息预测ACP的计算方法。该过程包括肽序列的输入，利用位置信息进行序列编码和手工特征提取，最后进行特征选择。整个模型由两个模块组成，包括深度学习和机器学习算法。深度学习模块包含两个通道：BiLSTM和CNN。最后，作者针对得出模型集成层

考虑到肿瘤的异质性，预测每个个体的药物反应是精准医学的关键问题。各类药物信息学和多组学数据的积累有助于开发有效的药物反应预测模型。然而，高质量数据源的选择和合适方法的设计仍然是一个挑战。本文设计了NeRD，一种基于PRISM药物反应数据库的多维数据集成模型，用于预测药物的细胞反应。

伪尿苷(Pseudouridine，Ψ)在核糖核酸、核糖核酸、转录核糖核酸和核仁核仁等多种核糖核酸修饰中广泛存在。因此，鉴定它们在学术研究、药物开发和基因治疗等方面具有重要意义。本文提出了一种采用二进制编码的多通道卷积神经网络。作者使用k折交叉验证和网格搜索来调整超参数。在独立的数据集上评估了它的性能，发现了有希望的结果。结果证明，作者的方法可以用于识别相关目的的伪尿苷位点。

提出了一种新的基于自适应非局部随机游走(ANRW)算法的超像素分割方法。图像超像素分割算法主要有三个步骤（方法基于随机游走模型）：第一步，通过基于梯度的方法产生种子点来生成初始超像素。第二步，提出了ANRW算法，通过调整非局部随机游走(NRW)来获得初始超像素，以获得更好的图像分割和超像素分割。第三步，将这些小的超像素进行合并，得到最终规则且紧凑的超像素。实验验证，与现有的方法作比较，有更好的超像

药物靶点亲和力（drug-target affinity，DTA）的预测在药物发现中发挥着越来越重要的作用。如今，许多预测方法都集中在药物和蛋白质的特征编码上，而忽略了特征聚合的重要性。然而，越来越复杂的编码器网络会导致隐含信息的丢失或模型尺寸过大。为此，作者提出了一种基于深度学习的方法，即 FusionDTA。对于隐含信息的丢失，使用一种新颖的多头线性注意机制来代替粗糙的池化方法。这允许 Fus

最近的研究表明，通过转录后RNA修饰的表达转录调控对所有类型的RNA都是至关重要的。精确地确定RNA修饰位点对于理解RNA的功能和调控机制至关重要。作者提出一种方法：MultiRM，可以综合预测和解释转录后RNA修饰。该方法建立在一个基于注意力机制的多标签预测深度学习框架上，MultiRM不仅可以同时预测十二个广泛发生的RNA转录组修饰（m6A，m1A，m5C，m5U，m6Am，m7G，ψ，I，A

作为一种新发现的蛋白质翻译后修饰，赖氨酸乳酸化（Kla）在各种细胞过程中起着举足轻重的作用。高通量质谱法是检测 Kla 位点的主要方法。然而，与计算方法相比，识别 Kla 位点的实验方法通常既耗时又费力。因此，需要开发一种强大的工具来识别 Kla 站点。为此，作者通过结合嵌入层、卷积神经网络、双向门控循环单元和注意机制层，提出了第一个称为 DeepKla 的计算框架，用于水稻中 Kla 位点预测。