本研究提出了GeneQuery框架，解决基因表达预测中的多输出回归问题。通过问答方式，GeneQuery能够更好地捕捉基因间的依赖关系，从而提高新基因的预测能力。实验结果表明，该方法在已知和未知基因的预测上均优于现有技术。

本文提出了一种新的回归框架，Gaussian process regression networks (GPRN)，结合了贝叶斯神经网络的结构特性和高斯过程的非参数灵活性。GPRN适应多个响应变量之间的输入相关信号和噪声相关性，具有输入相关的长度尺度和振幅以及重尾进行预测分布的特点。通过有效的马尔可夫链蒙特卡罗和变分贝叶斯推断过程，应用GPRN提出了多输出回归和多元波动性模型。在基准数据集上，GPRN的性能明显优于八个流行的多任务高斯过程模型和三种多元波动性模型，包括一个1000维基因表达数据集。