本研究提出了Life-Code框架，整合多组学数据，解决了现代生物预训练模型在分析DNA、RNA和蛋白质相互作用时的不足。该框架通过逆转录和逆翻译过程，实现了对复杂基因序列的全面理解，实验结果显示其在多项任务上表现优异，展现了在多组学分析中的潜力。

本文提出了一种混合模型，将图卷积神经网络与关系网络结合，以提升乳腺癌亚型分类和患者存活分析的性能。同时，研究探讨了基于低维嵌入空间的知识图谱逻辑查询处理、图神经信息传递方法AWARE及多组学数据的图表示学习，展示了其在癌症分析中的应用潜力。

单细胞测序技术异军突起，军事医学研究院的研究团队在Nature Biotechnology期刊发表了题为「MIDAS」的研究论文，提出了一种用于单细胞多组学数据整合的计算工具。该工具能够实现通用的单细胞多组学数据的模态对齐、数据补全、批次校正等功能，为构建大规模多组学细胞图谱、实现大规模单细胞多组学分析与知识迁移提供了重要的技术。

该研究使用图嵌入模型预测基因相互作用网络链接，证明多组学数据整合可提高预测准确率，达到71％。基因甲基化和RNA测序数据整合对预测准确率提高显著。