This paper uses the Deep Learning course at Guilin Tourism University as a case study to start from understanding the application scenarios of deep learning in the tourism industry. It deeply analyzes the problems and challenges of the existing teaching models, introduces the goal design, content design, and the assessment and feedback mechanisms of the course. It discusses how to use deep learning technology to achieve smart tourism, optimize the teaching pathway, and improve teaching quality and effectiveness. The focus is on innovative practices in project-based learning and practical teaching. The paper also provides a forward-looking perspective on the development direction of deep learning and tourism education in the context of AI-enabled industries, offering valuable ideas and references for the continuous reform and innovation of smart tourism education.

Aptamers are single-strand nucleic acid ligands, featuring high affinity and specificity to target molecules. Traditionally they are identified from large DNA/RNA libraries using in vitro methods, like Systematic Evolution of Ligands by Exponential Enrichment (SELEX). However, these libraries capture only a small fraction of theoretical sequence space, and various aptamer candidates are constrained by actual sequencing capabilities from the experiment. Addressing this, we proposed AptaDiff, the first in silico aptamer design and optimization method based on the diffusion model. Our Aptadiff can generate aptamers beyond the constraints of high-throughput sequencing data, leveraging motif-dependent latent embeddings from variational autoencoder, and can optimize aptamers by affinity-guided aptamer generation according to Bayesian optimization. Comparative evaluations revealed AptaDiff’s superiority over existing aptamer generation methods in terms of quality and fidelity across four high-throughput screening data targeting distinct proteins. Moreover, Surface Plasmon Resonance (SPR) experiments were conducted to validate the binding affinity of aptamers generated through Bayesian optimization for two target proteins. The results unveiled a significant boost of 87.9% and 60.2% in RU values 1 , along with a 3.6-fold and 2.4-fold decrease in KD values 2 for the respective target proteins. Notably, the optimized aptamers demonstrated superior binding affinity compared to top experimental candidates selected through SELEX, underscoring the promising outcomes of our AptaDiff in accelerating the discovery of superior aptamers.

Abstract As a crucial class of macromolecules, RNA plays a vital role in various biological functions within living organisms. Accurately predicting the secondary structure of RNA contributes to a better understanding of its intricate three-dimensional structure and functionality. Previous energy-based and learning-based methods model RNA secondary structures in a static view and impose strong prior constraints. Inspired by the success of diffusion models, in this work, we propose a generative prediction method based on multinomial diffusion. We consider the prediction of contact maps as a pixel-level segmentation task and train the denoise model to iteratively refine contact maps from noise. Additionally, we design an effective condition to extract features from sequences, guiding the model to generate the corresponding secondary structure. These features include sequence one-hot encoding, probability maps from a pre-trained score network, as well as embeddings and attention maps from RNA-FM. Experimental results on both within- and cross-family datasets demonstrate RNADiffFold’s competitive performance compared with current state-of-the-art methods. Moreover, RNADiffFold moderately captures dynamic structural features of RNA, as validated on a multi-conformational dataset.