（文|黄锋  图|汤桂烽）4月16日上午，华中师范大学张晓飞博士和深圳大学欧阳乐博士应学院章文教授邀请，在逸夫楼C603会议室分别作了题为“EnImpute: imputing dropout events in single cell RNA sequencing data via ensemble learning”和“基于高斯图模型的多重差异网络联合推断”的学术报告。信息学院、武汉大学计算机学院的师生聆听了学术报告。

张晓飞博士首先介绍了当前单细胞测序分析的整体流程，然后介绍基于机器学习的大规模生物医学组学数据挖掘在单细胞测序的应用。机器学习方法一般只在生物医学专家测序完成之后所提供的基因表达谱上进行应用，然而这些表达谱数据存在结果不精确和复现性不高的问题，直接影响后期的数据挖掘与分析的效果。目前国际上普遍采用降低dropout影响来对表达谱数据进行预处理，但这些方法仅在各自的实验数据上有较好效果，对数据不具有普适性。为此，张晓飞主导研究团队尝试不同的集成策略，以提出一种对不同单细胞测序的基因表达谱数据均能减少其dropout所带来影响的集成方法。研究发现，将多种方法结果计算平均值即可达到很好预处理效果。这种基于奥卡姆剃刀思想的集成策略有效的将基因表达谱数据进行修正，比单一方法效果更好，且结果稳定性更高，为后续单细胞基因表达谱分析提供了高质量的数据。

欧阳乐博士介绍了其团队近年研究成果，详细介绍了高斯图模型在多重差异网络联合推断的流程和技术难点。他由浅入深的讲解自己的工作，从基础的高斯混合模型到差异网络的推断，逐渐讲到加约束的高斯图模型在基因与疾病的差异网络的推断步骤。研究结果表明，该方法可有效推断出在疾病中差异表达的突变基因。最后，欧阳乐博士对差异网络的未来研究分享了自己的见解和展望。

学术报告由章文教授主持。报告结束，现场师生积极提问，2位博士就各自报告的内容进行了细致解答，在场师生仔细聆听，各抒己见，均表示收获颇丰。