融合不同来源和格式的多组学数据，构建统一的表示学习模型
结合了卷积神经网络(擅长提取空间特征)和循环神经网络(擅长捕捉时序依赖)，形成一个强大的混合模型，适合处理时空数据和多模态数据的融合编码。
采用层次化的注意力结构，允许模型在不同级别关注数据的不同部分，实现自适应特征权重学习，特别适合长序列数据和多模态数据的编码。
将数据元素间的关系建模为图结构，通过消息传递机制学习节点和边的表示，能够有效处理网络结构数据和复杂关系数据，是多模态数据融合的强大工具。
一种通用的多模态数据融合框架，支持不同模态数据的对齐、整合和联合表示学习，可适应各种多组学数据类型和实验设计。