應用數學與交叉科學研究中心生物信息學團隊于2024年4月3日組會按期舉行，小組全體成員和各位導師共同參加。在這次組會上，由兩名研一學生和一名研三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。

侯雅雯：本次彙報了一篇文獻《LightGCL: simple yet effective graph contrastive learning for recommendation》。該篇文獻，将用戶-項目圖經過奇異矩陣分解，然後再重新重構用戶-項目圖，之後将原始的用戶-項目圖和重構之後的用戶項目圖分别進行兩層GCN，最後進行不同視圖間的全局對比學習和統一視圖間的局部對比學習。

窦博正：本次彙報的内容是博士面試模拟内容。具體包括以下幾點：1.英文自我介紹部分；2.教育背景以及獲得的榮譽和獎項；3.碩士期間的工作内容，包括機器學習在小數據上的應用、拓撲推斷藥物成瘾性學習模型和疼痛相關電壓門控鈉通道形成的擴展藥物-靶标相互作用網絡的機器學習研究；4.博士期間研究計劃，彙報了博士期間拟開展的課題以及個人目标

萬智康：本次彙報了一篇文獻《Exploring variable-length features (motifs) for predicting binding sites through interpretable deep neural networks》。轉錄因子結合位點(TFBS)和RNA結合蛋白(RBP)在基因調控、轉錄、RNA編輯等方面發揮着關鍵作用。識别和定位這些潛在位點對于檢測許多生物過程中的緻病變異至關重要。近年來開發了一些深度學習方法來快速準确地預測結合位點，雖然現有的方法取得了良好的性能，但許多方法需要專門的特征集，而且可解釋性仍然具有挑戰性。為了克服這些問題，本文提出了一種可解釋的深度學習技術，稱為蛋白質結合變量模式預測器(PBVPP)，它使用各種各樣的實驗數據和性能指标來預測結合位點。本文提出的方法的新穎性基于三個關鍵因素:(i) PBVPP及其變體能夠從高通量技術獲得的大規模基因組序列中提取重要特征，以預測TFBS和RBP位點的發生。(ii)提出的可解釋模型揭示了如何挖掘重要特征，并提取可變長度模式以準确預測結合位點。(iii)根據TFBSshape DNA (JASPAR)數據庫中已知的目标基序進行驗證。該模型在TFBS、RBP的接收者工作曲線上分别比現有方法提高了5.88%、5.01%，在TFBS預測的查全率曲線上也提高了60%。

— 學生彙報照片展示 —