从基因表达数据中提取信息的广泛使用方法采用基因共表达网络的构建以及随后发现网络结构的算法的应用。特别是，一个共同的目标是基因簇的计算发现，通常称为模块。当应用新的基因表达数据集上时，可以使用基因本体学富集自动评估计算模块的质量，该方法可在计算的模块中测量基因本体论项的频率并评估其统计学上的可能性。在这项工作中，我们建议基于光谱网络理论数学中相对较新的开创性工作，提出了SGC的基因聚类的新型管道。 SGC由多个新型步骤组成，这些步骤能够以无监督的方式计算高度富集的模块。但是，与所有现有框架不同，它进一步结合了一个新的步骤，该步骤在半监督聚类方法中利用基因本体学信息，进一步提高了计算模块的质量。与已经众所周知的现有框架相比，我们表明SGC导致实际数据的富集更高。特别是，在12个实际基因表达数据集中，SGC的表现优于除1个。

工程方法集中在传统的分解和重构概念上，这些概念依赖于分区组件的输入和输出，以允许组成后的组件级属性。但是，在人工智能（AI）中，通常期望系统会影响其环境，并通过环境影响自己。因此，目前尚不清楚AI系统的输入是否将独立于其输出，因此，是否可以将AI系统视为传统组件。本文认为，工程通用智能需要新的通用系统戒律，称为核心和外围，并探索其理论用途。使用抽象系统理论和必要品种定律详细阐述了新的戒律。通过使用呈现的材料，工程师可以更好地理解调节AI结果以满足利益相关者需求的总体特征，以及实施方案的一般系统性质如何挑战传统工程实践。

理解话语动态的新科学方式之一正在分析社交网络的公共数据。该研究的目的是Covid-19现象（Laclau和Mouffe的话语理论启发）的结构主义话语分析（PDA）通过为波斯社会使用智能数据挖掘。检验的大数据是波斯推特网络的160,000个用户的五百万推文，以比较两个散文。除了单独分析推文文本之外，还创建了一种基于转推关系的社交网络图数据库。我们使用Voterank算法介绍和排名帖子成为口中的人的人，条件是通过网络最大化的总信息传播范围。这些用户也根据其单词使用模式进行聚类（使用高斯混合模型）。将有影响的扩展器的构建话语与最活跃的用户进行比较。该分析基于八集中的Covid相关员额完成。此外，通过依靠推特词语的统计含量分析和极性，对整个提到的群体进行话语分析，特别是对于顶部个人来说。本研究中最重要的结果是，Twitter主题的话语建设是基于政府的，而不是基于社区的。分析的伊朗社会并不认为自己对Covid-19邪恶问题负责，不相信参与，并期望政府解决所有问题。最活跃和最有影响力的用户的相似性是政治，国家和批判性话语建设是主要的。除了研究方法的优点外，还必须注意研究的局限性。给出了伊朗社会未来遇到相似危机的建议。