（1）人工智能

【研究目标】
我们的研究致力于通过持续的创新和深入探索，推动人工智能技术的飞速发展。特别地，我们将目光聚焦于自然语言处理和知识图谱等核心子领域，力求解决这些领域中存在的关键科学问题。我们的目标是开发出先进的理论方法和实用技术，并将这些成果应用于实际场景中，以提升机器对自然语言的理解和生成能力，从而构建出更加智能化的系统，支持复杂的决策过程。

【研究内容】
（a）自然语言处理（NLP）：我们专注于文本挖掘、情感分析、机器翻译、对话系统等多个方面，致力于提升机器对自然语言的理解与生成能力，让机器能够更准确地理解人类的语言，更自然地与人类进行交互。
（b）知识图谱（KG）：我们的研究聚焦于知识抽取、实体关系识别、知识融合及推理等核心技术，致力于构建一个丰富、准确的知识体系，帮助机器更好地进行逻辑推理和知识应用，从而提升机器的智能化水平。
（c）大型语言模型（LLM）：随着GPT等先进模型的出现，大型语言模型已经成为NLP领域的研究热点。我们将探索如何优化这些模型的结构，提高训练及推理效率，并在此基础上开发新的应用场景，推动大型语言模型在实际应用中的广泛落地。

（2）联邦学习

【研究目标】
研究联邦学习相关基础理论和算法工具，提升模型的性能、效率和安全性，为支撑后续相关应用性工作奠定理论基础。

【研究内容】
（a）联邦学习效率研究；（b）隐私数据安全研究；（c）模型公平性和收敛性研究；（d）激励机制研究；（e）模型鲁棒性研究。

（3）区块链技术

【研究目标】
研究区块链技术，对医疗大数据进行分析、处理和整合，建立智能医疗应用平台，实现医疗数据安全共享，在明确数据所有权、不泄露敏感信息的前提下发挥数据价值。

【研究内容】
（a）跨链技术研究；（b）区块链性能研究；（c）区块链安全性研究；（d）共识算法研究；（e）区块链监管研究。

（4）脑科学研究

【研究目标】
以交叉前沿突破和国家区域发展等重大需求为导向，推动智能科学与脑科学的学科交叉融合，攻克基于脑电信号、生物信号等多模态信号的智能医疗健康系统的关键模型、算法、技术和工程实现方法。

【研究内容】
（a）脑电信号研究；（b）基于脑电信号的癫痫预测研究；（c）基于脑电信号的卒中分类研究；（d）基于脑电信号的情绪识别研究；

（5）高性能计算、超算智算融合

【研究目标】
实验室致力于打造全国产化的基于算力与算法融合感知的AI for science计算支撑平台。

【研究内容】
(a)国产化的统一编程模型与编程语言
(b)基于算力与算法融合感知的大模型关键技术
(c)面向生物医学领域超大规模数据的智能分析

（6）深度学习与生命组学

【研究目标】
鉴于基因组学大数据与疾病表型之间存在复杂的关联，本研究旨在应用深度神经网络模型，深入挖掘多组学数据，以揭示复杂疾病的致病机制。

【研究内容】
(a) 功能注释与细胞分类
(b) 基因功能和相互作用的预测
(c) 多组学数据整合

（7）肝脏类器官与疾病诊治

【研究目标】
基于胚胎干细胞ESC、诱导多能干细胞iPSC或间充质干细胞MSC构建具有一定组织结构和功能活性的肝脏类器官，用于肝纤维化、肝硬化、肝癌等疾病的机制研究、药物筛选和精准诊治

【研究内容】
(a) 干细胞和胚胎发育
(b) 类器官的构建
(c) 高通量药物筛选平台与药物研发

（8）脑血管病生物标志物筛选与疾病诊治

【研究目标】
建立脑血管病一级预防、二级预防临床研究队列，基于基因组、转录组、代谢组等多组学测序分析与数据整合技术，构建脑血管病诊断、预后预测模型，结合细胞、斑马鱼、小鼠等细胞动物模型，进行脑血管机制研究，筛选潜在生物标志物和治疗靶点。

【研究内容】
(a) 基于孟德尔随机化探索脑卒中的风险因素
(b) 基于多组学数据，筛选生物标志物，构建脑卒中诊断、预后预测模型
(c) 基于代谢组、脂质组学的疾病发病及治疗机制探究
(d) 构建脑血管病细胞、动物疾病模型，进行脑血管病机制研究

（9）细胞发育轨迹算法研究

【研究目标】
旨在应用包括深度学习、统计方法在内的多种方法，构建能够分析大规模基因组学数据，并推断细胞发育轨迹的算法

【研究内容】
(a)变分自编码器在构建细胞发育轨迹上的应用
(b)Transformer在构建细胞发育轨迹上的应用
(c)高性能计算

（10）基于AI大模型的恶性肿瘤新靶点、新机制药物筛选研发平台构建

【研究目标】
建立高发难治肿瘤数据库与药物研究平台，基于AI模型融合实验与临床数据，探究肿瘤发病、耐药新机制，新靶点；建立全链条新机制抗肿瘤药物研究平台。

【研究内容】
（a）融合实验室及公共数据，建立基因—疾病—药物网络
（b）基于AI模型，构建实验和临床数据融合数据库
（c）建立药物发现-药效评价-安全评价的全链条抗肿瘤药物研究平台