O aprendizado por transferência é uma técnica de aprendizado de máquina na qual um modelo é pré-treinado em um conjunto de dados grande e amplo para codificar recursos e relacionamentos subjacentes e, em seguida, refinado usando um conjunto de dados menor para um espaço de problema específico. Esta técnica é relevante para pesquisas em biologia espacial, onde os conjuntos de dados normalmente têm tamanho de amostra limitado e o espaço do problema é restrito. Seu desafio é: (1) projetar um banco de dados abrangente de conjuntos de dados biomédicos disponíveis publicamente que possam ser usados para pré-treinar diferentes modelos para um “zoológico modelo” e (2) determinar conjuntos de dados relevantes de biologia espacial disponíveis publicamente que possam então ser usados para refinar os modelos para investigar questões específicas da biologia espacial.