机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本研究提出生物人工智能科学家基准（BaisBench），旨在解决现有基准测试缺乏现实数据的问题。实验结果表明，尽管现有智能模型具有潜力，但在细胞类型注释和科学发现任务中仍显著低于人类专家。BaisBench将推动AI模型在科学发现领域的进步。

研究团队提出Celcomen模型，利用因果解耦方法分析空间转录组学数据，揭示细胞内外的基因调控机制。该模型在真实数据中表现优异，推动生物医学研究进展。

剑桥大学研究团队提出了Celcomen虚拟组织模型，实现了空间转录组学中的因果推断可识别性。该模型能够估计环境对单细胞的影响，并推测细胞对环境的作用，推动对细胞间复杂相互作用的理解。Celcomen结合拉格朗日力学和因果推断，展现出强大的自洽性和可识别性，具有重要的生物医学应用潜力。

本研究解决了在全身磁共振成像中神经纤维瘤（NF）自动分割的准确性和效率问题。提出了一种包含解剖学信息的自动化分割管道，通过多个阶段提升了分割性能，最终在高肿瘤负担情况下获得了68%的Dice相似系数提升。该方法在3D Slicer平台中被集成，具有实际的临床应用潜力。

Owkin公司利用联邦学习技术解决数据隐私问题，推动精准医疗，旨在根据患者特征定制治疗方案，提高癌症诊断和药物研发效率。未来计划开发自动化实验室，进一步促进医学研究进展。

本研究解决了传统全切片图像（WSI）分析中工作流程冗长的问题，提出了一种高效的PySpatial工具包，可以直接在感兴趣的计算区域上进行操作，简化了特征提取过程。实验结果表明，PySpatial在处理小而稀疏的病灶数据时比传统工具快近10倍，大型对象处理时也实现了2倍加速，显示出在数字病理学领域广泛应用的潜力。

本研究提出GLoG-CSUnet，旨在解决视觉变换器在医学图像语义分割中对局部空间信息建模不足的问题，尤其在小型数据集上。实验结果表明，该方法显著提高了分割精度，具有广泛的应用潜力。

本研究提出了一种新的双重融合框架，结合DNA甲基化数据与全幻灯片图像，显著提升神经系统肿瘤的分类性能和可解释性，展示了其在临床诊断中的潜在应用价值。

本研究针对多尺度生物系统动态建模中的数据挖掘和特征选择问题，提出了一种基于组学的数据建模管道，有效捕捉酵母菌株的动态行为，并为生物过程工程提供不确定性估计框架。

本研究开发了一种深度放射组学模型用于检测临床显著前列腺癌，并与PI-RADS评估进行比较。结果表明，该模型在患者层面的检测效果与PI-RADS相当，但在病灶层面表现不佳，显示其在前列腺癌筛查中的潜在应用价值。

研究使用对比自监督学习训练FT-Transformer模型，从miRNA、mRNA或RPPA数据预测癌症类型。相比XGBoost和CatBoost，该模型在标记样本稀缺时表现更好。提出的多模态模型通过后融合处理不同组学，实验显示多模态预训练提升了单一组学的预测效果，尤其在未标记多模态样本丰富时。适用于大量未标记数据但标记样本稀缺的情况。

SEPAL是一种新的模型，利用图神经网络和局部视觉上下文预测基因组，缩小了局部性和全局性之间的差距。在乳腺癌数据集中的评估表明，SEPAL优于之前的方法和其他机制。

形态学分析在表型药物发现中起着重要作用。机器学习和深度学习的进展推动了形态学分析的发展，包括复合物的作用机制研究、药物重用、细胞形态动力学的表征和新型治疗药物的发展。本综述总结了形态学分析流程、分析策略和可获取的基准数据集，并强调了深度学习在细胞分割、图像表征学习和多模态学习中的应用。同时，阐述了形态学分析在表型药物发现中的应用和面临的挑战和机遇。

Spatial transcriptomics技术提供了多模态的转录组、空间和形态学数据，但存在模态偏差现象。MuST方法整合了多模态信息，解决了不一致性问题，并在识别和保留组织和生物标志物结构方面优于现有方法。MuST为复杂生物系统的分析提供了多功能工具包。