本研究提出GROOT方法，通过邻域采样生成伪标签并进行标签传播，解决生物序列设计中的优化瓶颈。实验结果表明，GROOT在多项任务中优于现有方法，验证了其在标记数据有限情况下的有效性。

本研究提出了Bio-xLSTM，一种针对生物和化学序列的xLSTM变体，旨在解决现有转化器在处理长基因组序列时的时间复杂度问题。研究结果表明，Bio-xLSTM在生成模型和上下文学习方面表现优越。

本研究提出了一种新算法DRAKES，优化了离散扩散模型在生成生物序列时的性能。通过使不可微分轨迹可微分，实现了奖励的直接反向传播，提升了DNA和蛋白质序列的自然性和功能性，对基因和蛋白质治疗有重要意义。

本研究提出了一种新型混合模态生物序列基础模型BSM，解决了多种数据类型处理的局限性。BSM在学习效率和跨模态表示能力上优于单模态模型，尽管只有110M参数，其性能与更大型模型相当，显示出在多模态生物序列建模中的潜力。