近期深度学习在药物-靶标亲和力（DTA）任务上受到极大关注，然而现有工作多将分子单一结构嵌入为向量，忽略了多视角融合分子特征对最终特征表示提供的信息增益。针对单一结构分子存在特征不完备性的问题，提出了一种基于注意力融合多视角分子特征的预测DTA的端到端深度学习方法，其核心模块为多视角分子结构嵌入（Mas）和多注意力特征融合（Mat）。首先，使用Mas模块将多视角分子结构嵌入到特征向量空间；然后，通过Mat模块融入分子特征层级的注意力机制，从而对不同视角的分子特征进行加权融合；其次，根据药物-靶标相互作用（DTI）执行两者特征级联；最后，利用全连接神经网络回归预测亲和力。在Davis和KIBA数据集上的实验验证了训练比率、多视角特征融入、多注意力融合、以及相关参数对亲和力预测性能的影响。与GraphDTA方法相比，所提方法的均方误差（MSE）在Davis和KIBA两个数据集上分别降低了4.8%和6%。实验结果表明，注意力融合多视角分子特征能够捕获对蛋白质靶位上链接的相关性更高的分子特征。

脉象识别是中医诊断的重要手段之一。长期以来，依据个人经验进行的脉诊制约了中医的推广与发展。因此，利用传感设备进行脉象识别的研究正在逐步展开。针对神经网络识别脉象的相关研究中，存在需要大量训练数据集，以及存在处理“黑箱”和时间花销较大等问题，在强化学习的框架下，提出了一种采用马尔可夫决策和蒙特卡罗搜索的脉象图分析法。首先依据中医理论对特定的脉象进行路径分类，然后在此基础上为不同的路径选择代表性特征，最终通过对代表性特征的阈值对比完成对脉象的识别。实验结果表明，所提方法可缩减训练时间和所需资源，并可保留完整的经验轨迹；且在提高脉象识别的准确率的同时，还可解决数据处理过程中的“黑箱”问题。