應用數學與交叉科學研究中心生物信息學團隊于2025年4月23日第3次組會按期舉行，小組全體成員和各位導師共同參加。在這次組會上，由兩名研一學生和兩名研二學生分别彙報自己的研究進展，然後老師與同學們對彙報内容進行學術探讨，并對存在的問題給出相應的指導和建議。

袁玉：本次彙報了一篇文獻。該文獻提出了一種用于高光譜圖像分類的雙分支MSLAN模型。在MSLAN中，利用多向長短期記憶網絡（LSTM）充分捕捉六個方向的光譜-空間依賴關系。設計了一個基于注意力的特征融合（AFF）模塊來選擇和融合這些方向特征，之後連接一個帶有交叉熵損失的全連接層用于分類。為考慮不同空間分布的影響，在模型中引入了一個輔助分支，該分支采用随機空間打亂和餘弦損失進行特征一緻性學習。這兩個分支網絡具有相同的網絡結構和權重，并在統一的深度學習框架中進行訓練。在四個數據集上進行的實驗證明了 MSLAN 在訓練樣本有限的情況下對高光譜圖像分類的有效性。

徐芊芊：本次彙報了一篇文獻。在本文中，在LEARNA算法的基礎上，更新得到LibLEARNA算法。可以處理部分結構或序列已經固定的設計任務，并且支持多目标優化，比如同時控制 RNA 的結構形狀和 GC 含量。突破了傳統RNA設計的固定長度和完全約束限制，為靈活、高效的RNA分子設計提供了新範式。實驗驗證了其在多目标優化和實際應用中的優越性，未來可進一步擴展至更複雜的生物分子設計場景。

和琰：本次彙報了一篇文獻。基于測序的空間轉錄組學技術通過在保留空間上下文的同時進行轉錄組分析，徹底改變了我們對複雜生物系統的理解。然而，基于點位的表達測量往往會将來自不同細胞的信号混合在一起，從而掩蓋了潛在的異質性。現有方法旨在利用單細胞RNA測序參考資料将空間轉錄組學數據解卷積為每個位點的細胞類型比例，但忽略了細胞類型特異性基因表達，這對于揭示類型内異質性至關重要。我們提出了PANDA (ProbAbilistic-based decoNvolution with spot-aDaptive cell type signAtures)基于概率的點自适應細胞類型标簽反卷積，這是一種同時将點水平基因表達解碼為細胞類型比例和細胞類型特異性基因表達的新方法。我們提出了一種新方法PANDA（基于概率的去卷積與自适應細胞類型标志），它可以同時将點水平基因表達解析為細胞類型比例和特定細胞類型的基因表達。仿真實驗證明了PANDA的優越性能。PANDA應用于來自不同組織（包括腫瘤、大腦和發育中的心髒）的真實空間轉錄組學數據，重建了空間結構，揭示了特定細胞類型中微妙的轉錄變化，提供了對組織動力學的全面理解。

李莎莎：本次彙報了一篇文獻。RNA三維結構預測是一個長期的挑戰。受AlphaFold2蛋白質結構預測突破的啟發，本文開發了trRosettaRNA，這是一種基于深度學習的RNA 3D結構預測自動化方法。trRosettaRNA的流程包括兩個主要步驟：通過Transformer網絡進行的1D和2D幾何結構預測;以及通過能量最小化進行的3D結構折疊。對于兩個基準測試集的結果表明，trRosettaRNA優于傳統的自動化方法。在第15屆結構預測關鍵評估（CASP 15）和RNA-Puzzles實驗的盲測試中，對天然RNA的trRosettaRNA預測與最高的人類專家組預測具有競争力。在CASP 15中，trRosettaRNA在均方根差的Z-score上也優于其他基于深度學習的方法。然而，用自動化方法預測人工合成RNA的準确結構仍然具有挑戰性。