QComp: A QSAR-Based Imputation Framework for Drug Discovery
Published in Journal of Chemical Information and Modeling (JCIM), 2025
提出QComp框架，将传统SAR模型与真实药物开发中的分步数据整合，转化传统模型为实际工具落地，缩短药物开发流程，降低研发成本。
在Merck默沙东期间工作为数不多可发表的部分，主要是靠同事带飞。
Publications
You can find a full list of my publication on Google Scholar.
scPerturb: harmonized single-cell perturbation data
Published in Nature Methods, 2024
单细胞扰动的方法很多，但每个工作都有自己in house的数据集。这份工作了建立了scPerturb数据集，整合并标准化单细胞扰动实验数据，为virtual cell类研究提供一个标准化的资源。
蹭了一个资源型的paper，也进行了一些比较研究。
De novo generation of T-cell receptors with desired epitope-binding property by leveraging a pre-trained large language model
Published in bioRxiv, 2023
本研究利用预训练大语言模型生成具有特定表位结合特性的T细胞受体，为免疫治疗设计提供新方法。
在腾讯AI Lab实习期间的工作，感谢老板姚建华老师、何冰老师和团队。
A deep learning algorithm to predict risk of pancreatic cancer from disease trajectories
Published in Nature Medicine, 2023
博士期间主要的工作之一。针对真实世界疾病历史深度设计了一种deep learning方法，实现个体级胰腺癌超早期（疾病发生前）风险识别，预测性能较传统方法提升2个数量级，首次将非侵入式筛查精度提高至临床可用水平，并入选2023年度全球七大医学突破。
想发Nature的，人家没收。
An Empirical Study of ML-based Phenotyping and Denoising for Improved Genomic Discovery
Published in NeurIPS NMRL Workshop, 2022
本研究实证分析了机器学习在表型鉴定和数据去噪中的应用，提升基因组学发现的准确性与可靠性。
在Google Brain Genomics实习期间的工作，感谢老板Justin Cosentino和Cory McLean。
Inference of cell dynamics on perturbation data using adjoint sensitivity
Published in ICLR SimDL Workshop, 2021
这是对CellBox的一个深度simulation的follow up，也重新梳理了优化的方法。
感谢季维奇大佬！
CellBox: interpretable machine learning for perturbation biology with application to the design of cancer combination therapy
Published in Cell Systems, 2021
提出CellBox模型，将interpretable ML应用于cell biology。提出data-driven的“扰动—观察—总结”范式，开发explainable的dynamic ML model，可在无先验知识的条件下重建信号通路并定量预测药物扰动反应。
PhD期间的第一个主要工作，当时还是SciML早期，前virtual cell时期，我们的工作还是比较novel，还是很幸运地产生了一定的影响力。导师也是给了共同通讯。
Constructing Data-Driven Network Models of Cell Dynamics with Perturbation Experiments
Published in NeurIPS NMRL Workshop, 2020发完CellBox预印本之后水了一篇workshop。
Unsupervised and supervised learning with neural network for human transcriptome analysis and cancer diagnosis
Published in Scientific Reports, 2020
将Neural Network方法首先用于human transcriptomics，整合unsupervised和supervised learning解决cancer diagnosis问题。
本科时候第一个AI生物学相关的工作，感谢许田老师信任。