单细胞RNA测序（scRNA-seq）技术能够以单细胞分辨率进行高通量转录组分析，极大地推动了细胞生物学的研究。然而，scRNA-seq技术的一个显著局限性是，它需要将组织解离，导致细胞在组织中的原始空间位置信息丢失。空间转录组学（Spatial Transcriptomics, ST）技术能够提供精确的空间基因表达图谱，但其在基因检测数量、成本以及细胞类型注释的精细度方面存在限制。因此，如何在scRNA-seq数据中恢复空间信息，成为了当前研究的一个重要挑战。 为了解决这一问题，研究人员提出了通过细胞对应学习（cell correspondence learning）在scRNA-seq和ST数据之间传递知识的方法，从而恢复scRNA-seq数据中的空间信息。然而，现有的方法在建模局部和全...

背景介绍 近年来，环状RNA（circRNA）作为一种新型的非编码RNA分子，在疾病的发生、发展和治疗中扮演着重要角色。circRNA具有独特的环状结构，不易被核酸酶降解，因此被认为是潜在的生物标志物和治疗靶点。然而，通过实验方法研究circRNA与疾病的关联不仅耗时且成本高昂，这限制了相关研究的进展。为了解决这一问题，研究人员开始开发计算模型，通过生物信息学方法预测circRNA与疾病的关联，从而为实验研究提供指导。 尽管多视图学习方法在预测circRNA与疾病关联方面得到了广泛应用，但现有方法往往未能充分利用不同视图之间的潜在信息，且忽略了不同视图对预测结果的重要性差异。因此，哈尔滨工业大学和电子科技大学的团队提出了一种结合共享单元和多通道注意力机制的新方法，名为MSMCDA（Multi...

多标签图像分类的新突破——双关系Transformer网络 学术背景 多标签图像分类（Multi-Label Image Classification, MLIC）是计算机视觉领域中的一个基础但极具挑战性的问题。与单标签图像分类不同，MLIC的目标是为一张图像中的多个对象同时分配标签。由于图像中可能包含多个对象，且这些对象之间存在复杂的空间和语义关系，MLIC任务面临着场景复杂、对象尺度多样以及对象间隐含关联等挑战。近年来，随着深度学习技术的快速发展，尤其是卷积神经网络（CNN）和Transformer的引入，MLIC任务取得了显著进展。然而，现有的Transformer方法在处理2D特征图时，通常会将特征图展平为1D序列，这导致空间信息的丢失。此外，现有的注意力机制模型往往只关注显著的特征...

利用实例-标签动态的互锚对比学习进行少样本关系抽取 学术背景 在自然语言处理（Natural Language Processing, NLP）领域，关系抽取（Relation Extraction, RE）是一项基础任务，旨在从文本中识别并提取实体之间的关系。然而，传统的监督学习方法依赖于大量标注数据，而在实际应用中，标注数据的稀缺性严重制约了模型的性能。为了应对这一挑战，少样本关系抽取（Few-Shot Relation Extraction, FSRE）应运而生，旨在通过少量标注数据训练模型，使其能够在有限的样本下准确识别实体关系。 近年来，预训练语言模型（Pre-trained Language Models, PLMs）在FSRE任务中取得了显著进展，尤其是结合对比学习（Contr...

基于多尺度双曲对比学习的跨被试脑电情绪识别研究 学术背景 脑电图（Electroencephalography, EEG）作为一种生理信号，在情感计算（Affective Computing）领域中具有重要应用。与传统的非生理线索（如面部表情或语音）相比，EEG信号具有更高的时间分辨率和客观性，能够更可靠地反映人类的情感状态。然而，EEG信号存在显著的个体差异，这使得跨被试（Cross-Subject）情绪识别成为一个具有挑战性的任务。不同个体的EEG信号受年龄、心理状态、认知特征等多种因素影响，导致预训练模型在新被试上的泛化能力较差。 为了应对这一挑战，研究者们提出了多种方法，包括基于时频域特征的分析、深度学习模型以及迁移学习等。然而，这些方法往往难以在减少被试间差异的同时保留情感特征的区...