完成了大模型判责工作和多任务司乘取消特征交叉工作

完成了多语言大模型预训练和后训练工作

完成了DeepDive和大模型工具调用强化工作

（此处已折叠，详情隐藏）

（此处已折叠，详情隐藏）

发表于《Nucleic Acids Research》，被引150次。该研究开发了首个面向生物序列功能分析的一站式深度学习平台，支持42种先进神经网络架构，可自动完成序列预测、功能注释与可视化分析。平台通过注意力机制提供模型可解释性，帮助研究者理解预测结果的生物学依据，在蛋白质功能预测等案例中展现出高准确率与鲁棒性，显著降低了生物信息学分析的技术门槛。

发表于《Advanced Science》，被引83次。针对短肽序列判别信息不足导致的二级结构预测难题，作者提出PHAT框架，创新性融合超图神经网络与Bi-LSTM-CRF多头注意力机制。该方法能有效捕捉肽链中非成对残基的高阶相互作用，同时通过特征可视化提供预测依据的可解释性，在下游药物设计任务中展现出实用价值。

发表于《Bioinformatics》（ISMB 2024会议论文集）。该研究针对乳腺癌HER2状态诊断中全切片图像标注成本高的问题，设计了表型引导的弱监督多实例学习架构。模型仅需图像级别标签即可从H&E染色病理切片中精准识别HER2表达状态，通过整合临床表型先验知识提升弱监督学习的可靠性，为病理AI辅助诊断提供新思路。

发表于《Nature Communications》。针对高通量细胞成像技术Cell Painting中普遍存在的批次效应、染色变异与细胞形态干扰（"三重效应"），作者提出cpDistiller校正框架。该方法结合预训练分割模型与对比学习、域对抗训练，有效消除技术噪声并保留生物学信号，在药物筛选与表型分析任务中显著提升数据质量与可重复性。

发表于《IEEE Transactions on Computational Biology and Bioinformatics》。该工作针对染色质构象捕获（Hi-C）数据稀疏性问题，设计轻量级注意力蒸馏网络，通过教师-学生知识迁移机制从低分辨率矩阵高效重建高分辨率染色质互作图谱。模型在保持计算效率的同时显著提升三维基因组结构解析精度，为表观遗传研究提供新工具。

（此处已折叠，详情隐藏）