初创公司Tahoe Therapeutics融资3000万美元，旨在构建10亿个单细胞数据集，开发AI模型模拟活细胞，以寻找癌症新疗法。该公司已研发候选药物，并进行FDA前研究，致力于提高肿瘤学研究效率。

本文提出了一种基于数据驱动的深度学习框架，用于分类动力学区域和表征分支边界，应用于单细胞数据分析，以恢复胰岛内分泌发育轨迹。研究表明该方法在检测物理和生物系统中的分叉转变方面有效，并具有提供早期预警信号的潜力。

该研究提出了一个基于注意力机制的无监督对比学习框架（AMUCL），用于分析癌症多组学数据以识别和表征癌症亚型。DMACL模型用于学习多组学数据特征和聚类，并识别新的癌症亚型。该方法在单细胞和癌症多组学数据集上获得了较好的聚类结果，并揭示了AML的六个癌症亚型。通过GO功能富集分析和GSEA进一步提高了解释能力。