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。

本研究提出了一种基于多视图对比学习和HSIC约束的空间转录组学框架（ST-GCHB），用于估计基因表达量。通过整合26个公共资源，构建了新数据库，并引入先进的补全技术，显著提升了转录组预测性能。研究还展示了多模态学习在乳腺癌和皮肤鳞状细胞癌数据集上的应用，证明了其在基因表达预测中的优越性。

本文介绍了一个新数据库，整合了26个公共资源，显著提升了基因表达预测性能。研究利用卷积神经网络和概率机器学习方法，分析肿瘤基因表达及其空间分布，特别是在乳腺癌中的应用。此外，强调了形态学分析在药物发现中的重要性，深度学习技术在细胞分类和图像分析中的进展也推动了相关研究的发展。

本研究介绍了STimage-1K4M数据集，支持多模态数据分析和计算病理学。提出的ST-GCHB框架和QuST扩展解决了数字病理学中的数据格式差异。MuST方法整合多模态信息，提升分析准确性。G-HANet通过基因组数据重构改善癌症预后。SPT工具包用于分析肾小球细胞病理，BLEEP框架简化基因表达分析。M2ORT和hist2RNA方法提高病理图像的基因表达预测精度。

本文探讨了图神经网络（GNN）在医学中的应用，特别是在疾病分类和预测中的有效性。提出了动态本地化图剪枝方法和病患超图网络（PHGN），并展示了其在舌咽癌和自闭症分析中的优势。强调了图卷积网络（GCN）在生物医学数据处理中的重要性，尤其是在单细胞分析和蛋白质相互作用预测方面。

本文提出了多种基于大型语言模型（LLMs）的方法，解决了序列文本与空间-时间数据的不匹配问题，提升了视频理解和语音翻译的性能。通过引入STG-LLM和LLM-ST模型，研究展示了在交通预测和科学软件代码分析中的应用，取得了显著的性能提升。

本研究利用机器学习分析血清代谢物对糖尿病肾病的影响，开发了XGBoost预测模型，AUC值达到0.966，识别出C2、C5DC等重要生物标志物。同时，研究探讨了糖尿病眼病的检测，使用卷积神经网络实现94%的准确率，展示了机器学习在眼科疾病预测中的应用潜力。