GeneLM · Evo2
科学智能 · 基因组学
基于 Evo2 生物基础模型构建的零样本基因组变异评分流程。
在 H100 上实现长上下文似然评分，并基于 ClinVar 与参考基因组完成评估。
研究生（博士预备阶段）大阪大学
张奕宸
用生成模型理解分子、基因组，并加速科学发现。
正在寻找生成式人工智能与生命科学交叉方向的博士机会与研究合作。
- 所在地
- 日本 · 大阪
- 研究方向
- 面向科学的生成式 AI
- 此前
- 纽约大学 · 计算机工程硕士
关于
我目前在大阪大学为生成式人工智能与药物发现方向的博士研究做准备，关注能在真实科学约束下设计分子与生物序列的生成模型与基础模型。
我从金融与量化建模进入人工智能，并在纽约大学攻读计算机工程硕士期间转向多模态系统和基因组基础模型。现在我关注的问题是：生成式智能如何让科学发现更快、更可靠？
研究方向
三个彼此关联的方向：从理解生物结构，到生成经得起验证的候选方案。
生成式 AI 与药物发现
研究可控分子生成、基于骨架的设计，以及能真正衡量候选化合物是否有用的评估方法。
生物基础模型
面向基因组序列、变异效应分析与跨任务生物表征学习的长上下文模型。
多模态智能
将复杂视觉与语言输入转化为可靠、结构化、机器可读结果的多模态系统。
精选项目
在构建中推进研究，覆盖科学智能、多模态学习与计算效率导向的推理。
GitHub
Schema-Constrained VLM
多模态 AI · 结构化生成
微调紧凑型视觉语言模型，生成确定且符合 Schema 的食物理解结果。
构建 1,500 条指令样本、参数高效微调方案与可复现验证流程。
Tiny Recursive Models
推理 · 计算效率
在 Sudoku-Extreme 上研究递归推理与自适应计算的效率边界。
识别出过度思考现象，并找到表现更优的浅层固定预算结构。
IL-10 Optimal Control
控制系统 · 免疫学
在生理噪声下建立免疫调节的连续时间控制模型。
在 MATLAB 与 Simulink 中设计并评估卡尔曼滤波与 LQR 控制器。
博客
关于模型、生物数据与背后系统实现的研究笔记。
研究笔记已经准备好，公开文章会很快出现在这里。
教育经历
一条跨学科的人工智能研究路径。
- 2026 —日本大阪
大阪大学
研究生 · 博士预备阶段
- 2024 — 26美国纽约
纽约大学
计算机工程硕士
- 2021 — 23中国北京
北京交通大学
通信工程学士
- 2017 — 21中国珠海
北京师范大学珠海分校
金融学学士
技术栈
建模
科学计算
工程
联系
欢迎就博士机会、研究合作，或任何生成式人工智能与生命科学交叉的话题与我交流。
给我写信z.yichen@outlook.com