深度学习在生物医药领域的应用

序号	推送日期	文章	类型	简述	创新点	不足	研究目的	研究对象	领域	病种	技术	模型	数据类型	样本量	算法框架	模型架构	性能指标	计算资源
1	2025-12-13	Interpretable large language models for early prediction of antimicrobial multidrug resistance 2026-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-025-00401-2 PMID:41383823	研究论文	本研究提出基于大语言模型的新架构，用于重症监护病房患者抗菌素耐药性的早期预测，利用电子健康记录作为不规则多变量时间序列数据	首次将大语言模型应用于不规则多变量时间序列的抗菌素耐药性分类任务，结合了高预测性能与模型可解释性	研究数据来源于单一医院（西班牙马德里富恩拉夫拉达大学医院），可能限制模型的泛化能力	开发早期预测抗菌素耐药性的模型，以支持重症监护病房的及时干预和有效治疗	重症监护病房患者的电子健康记录数据	自然语言处理	抗菌素耐药性	电子健康记录分析	LLM, GRU, LSTM, Transformer, Mamba, GCNN	不规则多变量时间序列	3502份匿名电子健康记录	NA	InstructTime-LLM, Blocks-LLM	ROC-AUC	NA
2	2025-12-13	Label-efficient computational tumour infiltrating lymphocyte assessment in breast cancer (ECTIL): multicentre validation in 2340 patients with breast cancer 2026-Nov-10, The Lancet. Digital health DOI:10.1016/j.landig.2025.100921 PMID:41381302	研究论文	本研究提出并验证了一种名为ECTIL的标签高效计算模型，用于评估乳腺癌组织切片中的肿瘤浸润淋巴细胞密度，该模型在少量标注数据上快速训练，并在多中心队列中展示了与病理学家评估的高度一致性	ECTIL模型采用病理学基础模型提取形态特征，并直接回归WSI的TIL评分，避免了复杂的深度学习分割和检测流程，训练时间仅需10分钟且标注数据需求减少100倍	研究未详细讨论模型在不同病理实验室或染色变异下的泛化性能，且模型主要针对乳腺癌，在其他癌症类型中的适用性有待验证	开发一种高效、可重复的计算模型，以辅助病理学家评估乳腺癌组织切片中的肿瘤浸润淋巴细胞密度，并验证其临床预后价值	乳腺癌患者的全切片图像，包括三阴性乳腺癌及其他分子亚型，共涉及2340名患者的多中心数据	数字病理学	乳腺癌	全切片图像分析，苏木精-伊红染色，福尔马林固定石蜡包埋组织处理	深度学习回归模型	图像	2340名乳腺癌患者的全切片图像，包括来自美国、英国和荷兰的多中心队列及临床试验数据	未明确指定，但提及使用病理学基础模型进行特征提取	未指定具体架构，但基于病理学基础模型提取的特征进行回归	Pearson相关系数，受试者工作特征曲线下面积，风险比	未明确指定，但模型训练仅需10分钟，暗示计算资源需求较低
3	2025-12-13	MediFlora-Net: Quantum-enhanced deep learning for precision medicinal plant identification 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108674 PMID:40974619	研究论文	提出一种名为MediFlora-Net的新型深度学习模型，用于精准识别药用植物	结合多模态深度学习、量子辅助特征提取和混合集成方法，并整合了量子启发的特征提取技术（量子概率特征映射和基于纠缠的表示）	NA	提高药用植物的准确识别与分类精度，以支持植物学研究、药理学和传统医学	药用植物	计算机视觉	NA	NA	CNN, GAN, Transformer	图像（RGB和高光谱植物图像）	NA	NA	Vision Transformer (ViT), CNN, 自定义Med-Plant-GAN	NA	NA
4	2025-12-13	EnsembleRegNet: Interpretable deep learning for transcriptional network inference from single-cell RNA-seq 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108702 PMID:41043336	研究论文	本文提出了EnsembleRegNet，一种用于从单细胞RNA测序数据推断基因调控网络的深度学习框架	通过集成编码器-解码器和多层感知机架构，结合Hodges-Lehmann估计器二值化、案例删除分析、RcisTarget基序富集和AUCell调控子活性评分，提高了鲁棒性和生物学可解释性	未明确提及具体限制，如计算资源需求或特定数据集上的泛化能力	从高维单细胞RNA测序数据中准确推断基因调控网络结构	转录因子与靶基因关系、细胞类型特异性调控模块	机器学习	NA	单细胞RNA测序	集成编码器-解码器, 多层感知机	单细胞RNA测序数据	NA	NA	EnsembleRegNet	聚类性能, 调控准确性	NA
5	2025-12-13	Microbiome-transcriptome-histology triad enhances survival risk stratification in multiple cancers 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108703 PMID:41043335	研究论文	本研究提出了一种名为HMTsurv的多模态生存预测框架，通过整合数字组织病理学、宿主转录组学和肿瘤相关微生物组特征，提高了多种癌症的生存风险分层准确性	首次将组织病理学、转录组学和微生物组特征三者整合到一个统一的多模态生存预测框架中，识别出14个泛癌生存生物标志物，并阐明了基因-微生物共表达网络等复杂相互作用	研究仅基于四种癌症类型的数据集，尚未在其他癌症类型或更大规模队列中得到验证，临床实用性仍需进一步评估	开发一个可推广的多模态架构，用于癌症预后预测，并阐明生存的病理学、分子和生态学决定因素之间的复杂相互作用	结直肠癌、胃癌、肝细胞癌和乳腺癌患者的多组学数据	数字病理学	多种癌症	数字组织病理学、宿主转录组学、肿瘤相关微生物组分析	深度学习模型	组织病理学图像、转录组学数据、微生物组数据	来自四种癌症类型的多组学数据集（具体样本数量未在摘要中明确说明）	NA	HMTsurv（具体架构未在摘要中详细说明）	c-index, log-rank p值	NA
6	2025-12-13	TK-DDI: Accurate and efficient drug-drug interaction prediction via token encoding 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108734 PMID:41161125	研究论文	本文提出了一种基于分子标记化的深度学习框架TK-DDI，用于准确高效地预测药物相互作用	通过分子标记化统一表示2D结构和3D构象信息，并采用两阶段注意力策略（分子内和分子间）来建模长程依赖和突出关键子结构	未在摘要中明确提及	提高药物相互作用预测的准确性和效率，以预防不良药物事件和保障患者安全	药物分子	自然语言处理	NA	分子标记化	Transformer	分子序列	NA	NA	Transformer编码器	NA	NA
7	2025-12-13	Survey on phylogenetic tree construction using machine learning 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108751 PMID:41172604	综述	本文综述了使用机器学习方法构建系统发育树的研究进展，涵盖传统和基于机器学习的多序列比对与系统发育推断方法	整合机器学习技术于系统发育分析全流程，特别关注绕过传统比对的嵌入或端到端学习新方法	NA	概述系统发育树构建方法，评估机器学习技术如何重塑系统发育推断	系统发育分析方法与工具	计算生物学	NA	机器学习，深度学习	NA	序列数据	NA	NA	NA	NA	NA
8	2025-12-13	Recent advances and applications of single-cell sequencing in insects 2026-Feb, Current opinion in insect science IF:5.8Q1 DOI:10.1016/j.cois.2025.101455 PMID:41173389	综述	本文综述了单细胞测序技术在昆虫科学中的最新进展与应用，探讨了该技术如何推动昆虫生物学从描述性研究转向功能与机制研究	系统总结了单细胞多组学技术（转录组、表观基因组、蛋白质组、代谢组）在昆虫研究中的应用，并展望了高通量空间转录组学等新技术的前景	作为综述文章，未提出新的实验数据或方法，主要基于现有文献进行归纳总结	总结单细胞测序技术在昆虫生物学研究中的最新进展，并探讨其未来发展方向	昆虫（泛指）	基因组学	NA	单细胞测序、单细胞多组学技术（转录组、表观基因组、蛋白质组、代谢组）、空间转录组学	深度学习算法	基因组数据、转录组数据、表观基因组数据、蛋白质组数据、代谢组数据	NA	NA	NA	NA	NA
9	2025-12-13	Deep ensemble model with blockchain technology for lung cancer detection with secured data sharing 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108729 PMID:41177067	研究论文	本文提出了一种结合区块链技术和混合集成深度学习模型的框架，用于肺癌检测和安全的数据共享	提出了一种新颖的混合集成深度学习模型HCNN-ALSTM，并结合改进的磷虾群算法进行参数优化，同时利用区块链智能合约确保医疗数据共享的安全性和隐私性	NA	提高肺癌早期诊断的准确性，并解决医疗数据在机构间安全、隐私共享的挑战	CT扫描图像	计算机视觉	肺癌	CT扫描	CNN, Autoencoder, LSTM	图像	NA	NA	HCNN-ALSTM	准确率, 特异性, Matthews相关系数, Fowlkes-Mallows指数, Bookmaker Informedness, Markedness	NA
10	2025-12-13	A data-driven modeling approach to prediction of persistent foot drop after gastroc-soleus lengthening surgery in children with cerebral palsy 2026-Feb, Gait & posture IF:2.2Q2 DOI:10.1016/j.gaitpost.2025.110010 PMID:41223483	研究论文	本研究开发了一种基于术前步态和临床数据的深度学习模型，用于预测脑瘫儿童接受腓肠肌-比目鱼肌延长术后持续性足下垂的风险	首次结合卷积神经网络和前馈神经网络，利用术前多模态数据预测术后足下垂，并采用SHAP方法解释模型以识别关键风险因素	样本量相对有限（110名儿童），且仅针对脑瘫儿童，模型在其他人群中的泛化能力尚未验证	预测脑瘫儿童接受腓肠肌-比目鱼肌延长术后发生持续性足下垂的风险，并识别相关的术前风险因素	110名患有脑瘫的儿童（36名单瘫，74名双瘫）	数字病理学	脑瘫	三维步态分析，物理检查	CNN, 前馈神经网络	步态数据，临床数据	110名儿童	NA	卷积神经网络，前馈神经网络	均方根误差，准确率	NA
11	2025-12-13	CUSP: Complex spike sorting from multi-electrode array recordings with U-net sequence-to-sequence prediction 2026-Feb, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2025.110631 PMID:41265572	研究论文	本文介绍了一种名为CUSP的深度学习框架，用于从高密度多电极阵列记录中自动检测和分类小脑浦肯野细胞的复杂峰电位	提出了一种基于U-Net架构的序列到序列预测方法，结合混合自注意力初始块，整合局部场电位和动作电位信号，实现了复杂峰电位的自动化高精度检测	方法主要在小脑神经像素记录上训练和验证，在其他神经系统的泛化能力虽被提及但需进一步实证	开发一个自动化、鲁棒的框架，用于从多电极阵列记录中准确检测和分类复杂峰电位，以研究神经信息编码	小脑浦肯野细胞的复杂峰电位和简单峰电位	机器学习	NA	多电极阵列记录，神经像素记录	U-Net	神经电生理信号序列	基于恒河猴的小脑神经像素记录数据	NA	U-Net with hybrid self-attention inception blocks	F1分数	NA
12	2025-12-13	Discovery of Mangifera indica-based natural inhibitors against TEM-1 β-lactamase from Escherichia coli using machine learning approaches 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108797 PMID:41297205	研究论文	本研究应用深度学习引导的流程，从芒果植物化学物中筛选潜在的TEM-1 β-内酰胺酶抑制剂	首次将深度学习与分子对接、分子动力学模拟及密度泛函理论相结合，从芒果中系统筛选出新型天然β-内酰胺酶抑制剂，并发现多个化合物在结合能和稳定性上优于现有临床抑制剂	研究主要基于计算模拟和体外数据，缺乏体内实验验证；筛选的化合物库仅限于芒果来源，可能遗漏其他潜在天然产物	发现新型天然β-内酰胺酶抑制剂以应对抗生素耐药性	大肠杆菌中的TEM-1 β-内酰胺酶及芒果植物化学物	机器学习	NA	深度学习, 分子对接, 分子动力学模拟, 密度泛函理论	神经网络	化合物结构数据	220个化合物用于训练神经网络，从芒果植物化学物中筛选出25个顶级化合物	NA	NA	ROC-AUC, PR-AUC, Matthews相关系数, 富集因子	NA
13	2025-12-13	A systematic review on deep learning based brain tumor segmentation and detection using MRI: Past insights, present techniques and future trends 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108696 PMID:41046785	综述	本文系统回顾了基于深度学习的MRI脑肿瘤分割与检测技术，总结了历史洞察、当前方法和未来趋势	提供了脑肿瘤分割与检测技术的全面概述，包括时间序列分析以验证技术鲁棒性，并讨论了深度学习方法的优势与局限性	作为综述文章，未提出新的实验模型或算法，主要基于现有文献进行分析	概述脑肿瘤分割与检测技术，分析深度学习模型在处理大量MRI数据中的应用	脑肿瘤的MRI图像	计算机视觉	脑肿瘤	MRI	深度学习模型	图像	NA	NA	NA	NA	NA
14	2025-12-13	GAN-based novel feature selection approach with hybrid deep learning for heartbeat classification from ECG signal 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108704 PMID:41046784	研究论文	本文提出了一种基于GAN和混合深度学习的ECG信号心跳分类新方法	结合GAN进行特征选择，并采用SExpHGS优化的DBN-VGG混合模型进行分类	未提及模型在更大或更复杂数据集上的泛化能力	开发一种自动分类ECG心跳以识别心律失常的深度学习技术	ECG信号中的心跳	机器学习	心血管疾病	ECG信号处理	GAN, DBN, VGG	ECG信号	NA	NA	DBN-VGG	准确率, 灵敏度, 特异性	NA
15	2025-12-13	GDT-Net: Multi-level feature extraction network for precise diagnosis of atrial and ventricular fibrillation 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108715 PMID:41086643	研究论文	提出一种名为GDT-Net的神经网络，用于在复合噪声条件下对心房颤动和心室颤动进行鲁棒的ECG分类	设计了一个包含G模块、D模块和T模块的神经网络架构，分别用于提取导联特异性特征、捕获空间相关性以及建模时序依赖关系，以应对复合噪声条件下的ECG分类挑战	NA	提高在心房颤动和心室颤动诊断中的准确性，特别是在复合噪声条件下的鲁棒性	心房颤动和心室颤动这两种心血管疾病	机器学习	心血管疾病	ECG信号分析	CNN, Transformer	ECG信号	基于MIT-BIH数据集构建的六个子集	NA	GDT-Net（包含分组卷积模块、密集连接模块和Transformer编码器模块）	F1分数	NA
16	2025-12-13	Ovarian cancer detection from mutual information-ranked clinical biomarkers using an explainable attention-based residual multilayer perceptron 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108714 PMID:41086647	研究论文	本文开发了一种名为EA-ResMLP的自动化深度学习模型，用于从临床生物标志物中检测卵巢癌，结合了残差多层感知器、注意力机制和可解释人工智能技术	提出了一种集成残差连接、挤压-激励注意力块和可解释人工智能的深度学习模型，通过自适应重校准强调信息丰富的特征，提高了诊断准确性	NA	优化工作流程效率并提高卵巢癌诊断准确性	卵巢癌的临床生物标志物	机器学习	卵巢癌	NA	多层感知器	临床生物标志物数据	NA	NA	残差多层感知器	准确率	NA
17	2025-12-13	Optimized ensemble learning with multi-feature fusion for enhanced anti-inflammatory peptide prediction 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108723 PMID:41086648	研究论文	本文提出了一种优化的集成学习方法，通过多特征融合来增强抗炎肽的预测性能	采用软投票策略集成五种集成分类器，并基于随机森林筛选的377维特征，显著提升了预测准确性，超越了现有最优预测器	未明确说明数据集的具体规模或潜在偏差，且特征选择方法可能受限于所选算法	开发一种计算预测方法，以高效发现抗炎肽	抗炎肽序列	机器学习	NA	序列组成分析	LSTM, CNN, DNN, XGBoost, RF, AdaBoost, GBDT, LightGBM	序列数据	NA	NA	LSTM, CNN, DNN	NA	NA
18	2025-12-13	A comprehensive comparison of convolutional neural network and visual transformer models on skin cancer classification 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108713 PMID:41092791	研究论文	本研究全面比较了卷积神经网络（CNN）和视觉变换器（ViT）模型在皮肤癌分类任务上的性能	首次在相同训练条件下，系统性地比较了15种先进CNN模型和15种ViT模型在皮肤癌分类中的表现，并揭示了ViT模型（特别是基于Swin架构的）在准确性上的优势及其计算资源需求较高的权衡	ViT模型参数更多，计算资源需求更高，内存使用和处理时间增加，这限制了其在计算资源有限环境下的临床应用	比较CNN和ViT模型在皮肤癌分类中的性能，包括参数数量、计算成本和整体效率，以评估它们作为皮肤癌诊断替代方案的潜力	皮肤癌分类任务	计算机视觉	皮肤癌	深度学习	CNN, ViT	图像	HAM10000和ISIC 2019公开数据集	NA	Swin	准确率	NA
19	2025-12-13	MicroarrayCancerNet: Hybrid optimized deep learning with integration of graph CNN with 1D-CNN for cancer classification framework using microarray and seq expression data 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108706 PMID:41110205	研究论文	提出了一种结合图卷积神经网络与一维卷积神经网络的混合深度学习框架，用于基于微阵列和序列表达数据的癌症分类	开发了混合优化深度学习框架，整合了图CNN和1D-CNN，并采用改进的沙锥优化算法进行基因选择和参数调优	未明确说明模型在更广泛数据集上的泛化能力或计算效率的具体限制	设计一个新的癌症分类框架，提高基因分类的准确性	微阵列和序列表达数据中的基因	机器学习	癌症	微阵列测序，序列表达分析	GCNN, 1D-CNN	基因表达数据（数值特征矩阵）	NA	NA	Graph CNN, 1D-CNN	精确度	NA
20	2025-12-13	PerturbSynX: Deep learning framework for predicting drug combination synergy scores using drug induced gene perturbation data 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108736 PMID:41129968	研究论文	本文提出了一种基于深度学习的多任务学习框架，用于预测药物组合的协同作用分数，并整合了多模态生物数据	采用混合架构结合BiLSTM和注意力机制，以捕获药物特征与细胞系特性之间的复杂相互作用，并引入互注意力层建模依赖关系	敏感性分析显示药物输入顺序存在轻微不对称性，这归因于留对出训练策略	加速癌症研究中药物协同作用的发现，通过预测药物组合的协同分数来识别更有效的联合疗法	药物对和未处理的癌细胞系	机器学习	癌症	药物诱导的基因表达谱	BiLSTM, 注意力机制	基因表达数据, 分子描述符	未明确指定样本数量，但涉及药物对和癌细胞系	未指定，但可能基于深度学习框架如TensorFlow或PyTorch	混合架构（BiLSTM与注意力机制结合）	RMSE, PCC, R	未明确指定计算资源