UT Austin的Oden官方教师页面介绍，Zheng Xia为生物医学工程副教授及Oden附属教师，研究把机器学习和人工智能用于生物医学数据分析。阅读这一方向的项目介绍时，重点可以放在研究问题、数据类型和验证方式之间的关系。
从分子测量连接到临床表型
该实验室关注表型引导的计算生物学，将基因组、单细胞与空间组学、医学影像等信息连接起来。这里需要区分“数据来自哪里”和“希望回答什么问题”：不同层次的数据可能描述分子、细胞、组织或临床表现，分析时不能只因它们被放进同一模型，就忽略各自的含义。
多模态分析需要对应实际问题
理解一个研究方案时，可以先列出输入数据的类型、测量对象和预期输出，再看不同数据之间怎样建立联系。比较方法时，不只问是否使用了人工智能，也要关注数据质量、模型假设，以及输出能否帮助回答原来的生物学问题。
区分计算发现与进一步验证
理解研究时，需要关注计算结果如何与生物学和临床研究相互验证。阅读论文时，可将模型给出的预测、已有数据中的关联，以及后续实验或其他证据分开记录。观察到某种关联，与已经证明可用于临床决策，是不同层次的结论。
围绕真实研究问题准备材料
如果希望进一步了解该方向，可以从实验室公开论文选取自己能够理解的一项工作，整理研究问题、数据、方法和局限。介绍个人经历时，应说明自己实际完成了哪些任务，遇到过什么问题，以及这些经验如何与目标研究发生联系。
教师简介和实验室研究方向能够说明学术背景，却不能直接证明当前存在某个招生名额、固定学制或保证资助。具体申请安排应另行查看相应项目的正式页面。
