标签：“{机器学习算法}”

李博文等利用机器学习+组合化学，加速发现用于mRNA递送的可电离脂质

该研究通过将机器学习和组合化学相结合，建立了一种加速发现和评估可电离脂质的方法，促进了用于精准递送mRNA的脂质纳米颗粒（LNP）的开发。

2024-05-20

该研究开发了一种机器学习程序——SenCID（Senescent Cell Identification），它可以准确地识别bulk转录组和单细胞转录组数据中的衰老细胞。

2024-04-17

CIRI-deep可以实现多种转录组测序数据中差异剪接环形RNA的可靠预测，并在单细胞及空间水平实现细胞类型特异环形RNA的准确解析，具有广泛的应用场景。

2024-02-21

研究人员开发了一种名为Puffin的机器学习程序，当分析了数以万计已知的人类启动子数据后，这种新型程序就能确定其由三种类型的序列模式所组成，即基序、启动子和三核苷酸（trinucleotides）。

2024-05-27

该研究为构建高性能细胞工厂提供了一种新策略，该策略无需复杂的基因组编辑工具，可适用于多种微生物中。

2024-06-13

CalicoST算法的诞生填补了这一空白。它不仅能够从空间转录组数据中推断出肿瘤的等位基因特异性拷贝数变异，还能够重建肿瘤克隆在空间中的进化轨迹，绘制出肿瘤演化的“进化地图”。

2024-11-10

CalicoST算法的核心优势在于其能够从SRT数据中精确推断等位基因特异性拷贝数变异（allele-specific CNAs）。

2024-11-23

科研人员利用SIRM方法，对几种带有缺失锥的数据集进行处理。结果显示，使用SIRM方法后的重建图像在缺失锥方向上的分辨率得到提高，恢复了取向优势带来的密度畸变问题，并提升了分辨率。

2024-08-08

这个名为复杂结构变异自动重建算法（ARC-SV）的新工具能够以95%的准确率捕捉各种DNA重排。

2024-10-26

结果显示，在蛋白质丰度预测方面，totalVI 和 scArches 表现最为优异；在染色质可及性预测中，LS_Lab 算法排名领先。

2024-10-02