学术报告会：DeepCE: a deep learning framework for gene network inference in scRNA-seq data

报告题目：DeepCE: a deep learning framework for gene network inference in scRNA-seq data

报 告 人：    田天海    (澳大利亚莫那什大学  教授)

报告时间：2026年6月30日周二15：30

报告地点：S3-313

Abstract：This talk discusses DeepCE, a deep learning framework for correlation-enhanced gene network inference. DeepCE strengthens the extraction of dynamic regulation by integrating Bidirectional Gated Recurrent Units (BiGRU) with Convolutional Neural Networks (CNN). Specifically, BiGRU captures dynamic temporal dependencies, while CNN focuses on local spatial patterns within single-cell data, enabling the model to uncover complex gene-gene interactions and generate high-quality GRNs. This framework improves the accuracy and robustness of GRN inference by smoothing noisy gene expression data, extracting time-lagged regulatory signals, and filtering out spurious correlations.

个人简介：

田天海，澳大利亚莫那什大学数学学院教授。2001年在澳大利亚昆士兰大学取得博士学位，其研究领域包括基因网络和细胞信号传导等生物系统的随机建模，随机动力系统的数值模拟，模型参数估计和统计分析与计算。曾获澳大利亚研究基金会“未来研究员”（Future Fellow）和“澳大利亚研究员”(Australian Fellow)以及格拉斯哥大学“凯尔文爵士研究员”(Lord Kelvin Fellow)等称号。其研究成果已发表在高级别的学术刊物上，包括“自然杂志细胞生物学分刊”，“美国国家科学院会刊”和“当代生物学”等杂志。共发表150多篇学术论文,其中有100多篇学术论文被SCI收录，被他人SCI引用1700多次。