2022年77779193永利官网第七期研究生論壇如期舉行。5月5日上午9:00-12:00，RCNS全體成員和各位導師共同參加。在這次組會上，首先由1名研一學生彙報自己的研究進展，然後由2名研三的學生彙報自己的畢業論文，最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。

翟立凱：本文研究了具有不同時間尺度的随機FitzHugh–Nagumo系統的平均原理。在适當的條件下，證明了該耦合系統消除快速變量的平均方程的存在性，從而将該系統簡化為一個具有修正系數的單一随機普通方程。此外，慢分量對平均方程解的收斂速度為1/2階。

曹文潔：高通量的單細胞轉錄組測序技術能夠以單細胞分辨率表征轉錄圖譜，更好地揭示未知生物的多樣性。然而，由于RNA轉錄組的數量少、基因表達模式的随機性、細胞的低捕獲和低測序效率産生大量的技術和生物噪音，導緻scRNA-seq具有高維度、稀疏性、具有大量缺失值以及受批次效應影響的特點。正是scRNA-seq數據中存在的大量缺失值，掩蓋了基因間的關系，阻礙了下遊分析。因此，對于scRNA-seq數據缺失值的插補，細胞類型和巨大細胞數量的精确快速分類仍是一項巨大挑戰。基于生物數據，對其缺失值插補與分類進行研究，主要工作包含如下幾方面：1、對單細胞數據缺失值插補方法進行綜述研究。通過算法原理與優缺點的比較和分析，為針對特定問題與數據在插補方法的選擇上提供建議，對數據的下遊功能分析具有基礎性研究意義。然後，針對數據稀疏、存在大量缺失值的問題，提出了一種基于多個編碼解碼器和注意力網絡的深度神經網絡模型(AMEDNN)，通過實驗驗證了該模型的有效性。2、基于生物序列數據分類算法的研究。針對RNN存在的記憶能力不足以及梯度反向傳播困難等問題提出一種新的算法SS-RNN。3、針對scRNA-seq數據分類提出了六種基于集成學習的分類模型，EL-KNN、EL-LDA、EL-SVM、EL-NB、EL-DT和EL-HW。4、基于圖注意力網絡的單細胞轉錄組測序數據缺失值插補與聚類算法scGATv2。該框架通過三種不同的自動編碼器的疊代，來挖掘細胞間的潛在關系。本工作主要創新之處在于融入圖注意力變分自動編碼器，不僅能保持原本的拓撲結構，還可以通過注意力機制自動的學習和優化細胞間的連接關系。

尹作壯：由于多孔介質内部孔隙結構的複雜性和随機性，探索氣體輸運過程時往往忽略了内部孔隙或通道的表面形貌。因此拟基于分形幾何理論與蒙特卡羅方法，重點模拟具有粗糙形貌的多孔介質中氣體輸運的詳細過程，主要包括氣體擴散和氣體流動，分析多孔介質結構參數，特别是孔隙表面粗糙度對氣體輸運特性的詳細影響機理。

—  學生彙報照片展示  —