本研究提出了一种创新的混合方法，将大型语言模型与特定领域表示模型结合，显著提升了单细胞组学数据解析的准确性和互操作性，为跨物种遗传分析提供了强有力的框架。

本文探讨了通过粗粒度原因信息表示和机器学习方法来降低计算时间，提高因果推断的有效性。研究提出了新的在线FDR规则、效应大小估计器及基准框架，旨在提升基因-基因相互作用网络构建能力，推动单细胞组学和数学问题解决的发展。

本文介绍了一种基于贝叶斯方法的计算模型，用于发现基因表达数据中的局部因果关系。研究表明，该模型能够有效推导调控关系，并在神经网络和单细胞组学中表现优异。未来，因果模型将成为实验设计的重要工具。

Meet AI4S第二期将正式开播，邀请到清华大学生命科学学院张强锋实验室博士后李雨哲分享空间转录组学和单细胞组学研究中的AI方法。介绍清华大学开发的基于图自编码器深度学习框架的AI算法SPACE，能够识别空间细胞类型和发现组织模块。直播将介绍算法的设计思路、研究难点以及基因组学研究中的人工智能方法的发展过程和前沿进展。

本文探讨了利用数据驱动的动态模型和机器学习技术预测细胞对扰动的响应。研究提出了SystemMatch方法，评估小鼠模型和人类肿瘤的适应性，并介绍了优先臂淘汰算法在基因扰动中的优势。通过分析单细胞组学数据，提出了sc-OTGM模型，实现细胞状态分类和基因干扰预测，表现出良好效果。此外，GenBench为基因组模型评估提供了基准测试，揭示了注意力模型与卷积模型在任务偏好的差异。