提出了AutoFE-Pointer，这是一个轻量级的新型框架，它利用改进的软化指针网络，从不同的DNA序列中动态提取和加权特征。AutoFE-Pointer旨在同时处理跨多个物种的17个不同的基准数据集， 与基于单物种数据单独训练的模型相比，其性能更卓越。这样，它不仅提供了最先进的预测精度和强大的跨物种泛化能力，还显著降低了计算需求，使其易于在本地离线环境中部署。...

提出了一种基于深度学习的计算方法Definer，用于准确识别人类、酿酒酵母和小鼠三个物种中的RNA假尿苷位点。该方法融合了NCP和One-hot两种序列编码方案，然后将提取的RNA序列特征输入到由CNN、GRU和Attention构建的深度学习模型中。 基准数据集包含人类（H. sapiens）、酿酒酵母（S. cerevisiae）和小家鼠（M. musculus）三个物种的数据，使用10倍交叉验证的结果表明，Definer方法显著优于其他现有方法。 同时，对人类（H. sapiens）和酿酒酵母（S. cerevisiae）两个物种的数据集进行了独立测试，进一步证明了模型的预测能力。

我们引入了基于注意力机制SDBA（Score Domain-Based Attention）的可训练集成方法，将任务无关的编码结果输入模型，并通过SDBA机制动态集成不同视角的特征，使模型自主获取和加权序列特征，取得了DNA N4-甲基胞嘧啶位点预测领域基准数据集上的最新最优结果。...

提出一种多视角特征融合的注意力卷积循环神经网络（multi-aCRNN）模型，通过结合CNN、GRU和注意力机制，深度融合来自多个角度的EEG特征，使用标签平滑技术降低标签噪音的影响，最终在DEAP公共数据集上通过五折交叉验证实现情绪识别，分别在唤醒和情感价值分类任务中达到96.43%和96.30%的平均分类准确率。...

该研究使用了基于特征工程的定量转录调控模型对慢性淋巴细胞白血病（CLL）转录组进行了研究，发现了七个在CLL患者中表达水平未变的“暗生物标记”，可能是由重叠的长链非编码RNA导致的表达计算错误。...