应用数学与交叉科学研究中心生物信息学团队于2025年4月23日第3次组会按期举行，小组全体成员和各位导师共同参加。在这次组会上，由两名研一学生和两名研二学生分别汇报自己的研究进展，然后老师与同学们对汇报内容进行学术探讨，并对存在的问题给出相应的指导和建议。

袁玉：本次汇报了一篇文献。该文献提出了一种用于高光谱图像分类的双分支MSLAN模型。在MSLAN中，利用多向长短期记忆网络（LSTM）充分捕捉六个方向的光谱-空间依赖关系。设计了一个基于注意力的特征融合（AFF）模块来选择和融合这些方向特征，之后连接一个带有交叉熵损失的全连接层用于分类。为考虑不同空间分布的影响，在模型中引入了一个辅助分支，该分支采用随机空间打乱和余弦损失进行特征一致性学习。这两个分支网络具有相同的网络结构和权重，并在统一的深度学习框架中进行训练。在四个数据集上进行的实验证明了 MSLAN 在训练样本有限的情况下对高光谱图像分类的有效性。

徐芊芊：本次汇报了一篇文献。在本文中，在LEARNA算法的基础上，更新得到LibLEARNA算法。可以处理部分结构或序列已经固定的设计任务，并且支持多目标优化，比如同时控制 RNA 的结构形状和 GC 含量。突破了传统RNA设计的固定长度和完全约束限制，为灵活、高效的RNA分子设计提供了新范式。实验验证了其在多目标优化和实际应用中的优越性，未来可进一步扩展至更复杂的生物分子设计场景。

和琰：本次汇报了一篇文献。基于测序的空间转录组学技术通过在保留空间上下文的同时进行转录组分析，彻底改变了我们对复杂生物系统的理解。然而，基于点位的表达测量往往会将来自不同细胞的信号混合在一起，从而掩盖了潜在的异质性。现有方法旨在利用单细胞RNA测序参考资料将空间转录组学数据解卷积为每个位点的细胞类型比例，但忽略了细胞类型特异性基因表达，这对于揭示类型内异质性至关重要。我们提出了PANDA (ProbAbilistic-based decoNvolution with spot-aDaptive cell type signAtures)基于概率的点自适应细胞类型标签反卷积，这是一种同时将点水平基因表达解码为细胞类型比例和细胞类型特异性基因表达的新方法。我们提出了一种新方法PANDA（基于概率的去卷积与自适应细胞类型标志），它可以同时将点水平基因表达解析为细胞类型比例和特定细胞类型的基因表达。仿真实验证明了PANDA的优越性能。PANDA应用于来自不同组织（包括肿瘤、大脑和发育中的心脏）的真实空间转录组学数据，重建了空间结构，揭示了特定细胞类型中微妙的转录变化，提供了对组织动力学的全面理解。

李莎莎：本次汇报了一篇文献。RNA三维结构预测是一个长期的挑战。受AlphaFold2蛋白质结构预测突破的启发，本文开发了trRosettaRNA，这是一种基于深度学习的RNA 3D结构预测自动化方法。trRosettaRNA的流程包括两个主要步骤：通过Transformer网络进行的1D和2D几何结构预测;以及通过能量最小化进行的3D结构折叠。对于两个基准测试集的结果表明，trRosettaRNA优于传统的自动化方法。在第15届结构预测关键评估（CASP 15）和RNA-Puzzles实验的盲测试中，对天然RNA的trRosettaRNA预测与最高的人类专家组预测具有竞争力。在CASP 15中，trRosettaRNA在均方根差的Z-score上也优于其他基于深度学习的方法。然而，用自动化方法预测人工合成RNA的准确结构仍然具有挑战性。