近日，九州·体育数学与信息学院、软件学院唐德玉/毛宜军团队在国际生物信息学领域著名刊物《Briefings in Bioinformatics》（JCR分区1区，5年影响因子8.7）、《BMC Genomics》（中科院2区，5年影响因子4.2）等期刊发表研究论文，将人工智能理论引入基因数据处理，取得一系列原创性成果。
团队在《Briefings in Bioinformatics》发表题为“MDNN: memetic deep neural network for genomic prediction”的研究（毛宜军博士为第一作者，唐德玉教授为通讯作者）。团队提出的基因组学预测方法，为农作物育种提供帮助。传统的线性模型在处理简单特征方面表现良好，但在提取复杂特征的非线性特征方面存在局限性。深度学习技术的引入为基因组学预测提供了新的方法，特别适用于高维数据处理和复杂的预测。然而，传统的深度学习模型需要人工设计网络架构，这需要继续进行实验和修改。对此，团队提出了一种新的MDNN框架，利用这些算法进行更大规模的架构研究，并自动优化网络架构。与目前著名的DNNGP算法相比，MDNN在599个小麦数据集上的平均皮尔逊相关系数提高了36.49%，在2000个小麦数据集中提高了12.28%。
团队在《Briefings in Bioinformatics》发表题为“Inter-view contrastive learning and miRNA fusion for lncRNA-protein interaction prediction in heterogeneous graphs”的研究（毛宜军博士为第一作者，唐德玉为通讯作者）。在该项研究中，团队提出了一种基于视点间对比学习和miRNA融合的模型，称为ICMF-LPI，利用同源信息网络来增强LPI预测。该模型整合了miRNA作为介质，构建了lncRNA-miRNA-蛋白质网络，并采用路径从异质性图中提取了不同的关系，通过融合miRNA相关信息和平衡交叉视图中的反向学习，ICMF- LP有效地捕捉到了潜在的相互作用。值得注意的是，即使排除直接的LPI连接，ICMF-LPI也能实现竞争的预测准确性，其性能与某些现有模型相比更好，为开发生物信息学分子相互作用预测模型提供了一个有前景的方向。
团队在《BMC Genomics》发表题为“SEEI:spherical evolution with feedback mechanism for identifying epistatic interactions”的研究（唐德玉教授为第一作者，毛宜军博士为共同通讯作者）。团队提出了一种线性混合统计上位性模型（LMSE）和一种具有反馈机制的球形演化方法（SEEI），在现有测算算法中表现更为优异。同时，团队在实际数据中发现了新的单核苷酸多态性（SNP)–单核苷酸多态性（SNP）相互作用组合,为全基因组关联研究提供了新的思路。
系列研究成果得到了国家重点研发计划（2021YFD1300100)、国家自然科学基金(61976239)、广东省自然科学基金(2020A1515010783)和广东省基础与应用基础研究基金(2023A1515110959)等项目的资助。
相关论文链接：
https://academic.oup.com/bib/article/26/2/bbaf148/8107852
https://academic.oup.com/bib/article/26/4/bbaf352/8210808
https://bmcgenomics.biomedcentral.com/articles/10.1186/s12864-024-10373-4
文图/数学与信息学院、软件学院
