脑疾病基因鉴定对于揭示脑疾病的生物学机制和开发脑疾病药物至关重要。为了增强脑部疾病基因的识别，已经采用基于相似性的计算方法，特别是基于网络的方法来缩小搜索空间。然而，这些基于网络的方法仅使用分子网络，忽略了已广泛应用于许多大脑相关研究中的脑连接组数据。 我们提出了一个名为 BrainMI 的新颖框架，用于整合脑连接组数据和基于分子的基因关联网络来预测脑部疾病基因。为了实现基于分子的网络数据和脑连接组数据的一致表示，brainMI首先基于静息态功能磁共振成像数据和脑区域特定数据构建了一个新颖的基因网络，称为基于脑功能连接（BFC）的基因网络。基因表达数据。然后，提出了一种多网络集成方法，通过集成基于 BFC 的基因网络和现有的蛋白质-蛋白质相互作用网络来学习基因的低维特征。最后，这些特征用于基于支持向量机模型来预测脑部疾病基因。 作为共同作者完成基于影像学的连接组网络构建。

肝细胞癌（HCC）的诊断主要依靠计算机断层扫描或磁共振成像等非侵入性方法，但组织病理学评估在患者的临床护理中仍然是不可或缺的。然而，组织载玻片上的目视检查通常以 5 倍到 40 倍的放大倍数进行详尽的检查，这使得病理学家解释组织病理学形态的复杂性非常耗时。 我们使用从癌症基因组集（TCGA）数据集获得H&E染色数字幻灯片的全幻灯片以及来自华西医院生物银行的HCC组织微阵列构建了一个基于卷积神经网络的平台，以实现HCC的自动诊断和体细胞突变预测。 作为共同作者完成模型设计和训练工作。

准确识别潜在的药物-靶点相互作用（DTI）是药物发现的关键步骤。尽管过去几十年来已经开展了许多相关的DTI鉴定实验研究，但基于生物实验的DTI鉴定仍然耗时且昂贵。 我们开发了一种基于异构“图”卷积网络的新型“端到端”学习框架，用于“DTI”预测，称为端到端图。给定包含多种类型生物实体（即药物、蛋白质、疾病、副作用）的异构网络，EEG-DTI 使用基于图卷积网络的模型学习药物和靶标的低维特征表示，并根据学到的特征。在训练过程中，EEG-DTI以端到端的方式学习节点的特征表示。 作为共同作者完成对比方法的复现和测试。