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	2026-10-31	Automatic baseline correction of 1D NMR spectra using a spline-constrained neural network 2027-May, Magnetic resonance letters DOI:10.1016/j.mrl.2026.200308 PMID:42960196	研究论文	提出一种结构模型约束的深度学习框架SplineNet，通过预测三次B样条基函数系数重建基线，实现一维NMR谱图的自动基线校正	将神经网络输出约束在三次B样条基函数定义的平滑函数空间中，而非直接映射校正谱图或无约束逐点基线，利用NMR基线平滑缓慢变化的物理特性，减少模型将窄共振峰吸收进基线估计的倾向	仅在模拟谱图、水抑制氢谱和碳DEPT-135谱上验证，未涉及更广泛的谱图类型或复杂噪声场景	解决NMR波谱中基线畸变导致的谱线形状失真、弱峰检测困难和定量峰积分误差问题，实现自动基线校正	一维NMR谱图，包括模拟谱图、水抑制氢谱和碳DEPT-135谱	机器学习	NA	NMR波谱	神经网络	一维NMR谱图数据	NA	NA	SplineNet（样条约束神经网络）	基线估计误差、峰积分准确性、稳定性	NA
2	2026-10-31	LSTM-Based Methods for RNA-RNA Interaction Prediction 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5567-2_1 PMID:42955668	综述	综述了基于LSTM的RNA-RNA相互作用预测方法的最新进展，并讨论了关键数据集、评估指标和未来方向	系统总结了LSTM网络在建模RNA行为复杂性方面的优势，并整合了该新兴领域的数据集、评估指标与未来方向	属于综述性文章，未提出新的计算模型或进行实验验证	回顾基于LSTM的RNA-RNA相互作用预测方法的最新进展，梳理关键数据集和评估指标，并展望未来方向	RNA-RNA相互作用（RRI）	生物信息学	NA	深度学习	LSTM	序列	NA	NA	LSTM	NA	NA
3	2026-10-31	Support Vector Machine (SVM)-Based Review of RNA-RNA Interaction Prediction Methods 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5567-2_2 PMID:42955669	综述	本章综述了基于支持向量机（SVM）的RNA-RNA相互作用预测方法，并讨论了其在癌症中的应用	系统总结了SVM在RNA-RNA相互作用预测中的应用，并提出了SVM与深度学习及实验数据增强相结合的新趋势	作为综述，未提出新的计算方法或实验验证	回顾基于SVM的RNA-RNA相互作用预测方法，讨论当前挑战及其与癌症应用的相关性	RNA-RNA相互作用（RRIs）	机器学习	癌症	支持向量机（SVM）	SVM	NA	NA	NA	SVM	NA	NA
4	2026-10-31	Comparative Analysis of Hyperparameter Optimization Strategies for RNA-RNA Interaction Prediction 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5567-2_8 PMID:42955675	研究论文	本文对RNA-RNA相互作用预测中深度学习模型的超参数优化策略进行了全面的比较分析	系统比较了多种深度学习架构与超参数优化技术的组合，并分析了特征表示策略与超参数配置的交互作用	未提及具体的数据集规模、计算资源细节以及模型在真实场景下的泛化能力验证	评估不同超参数优化策略对RNA-RNA相互作用预测性能的影响，为选择深度学习框架提供指导	RNA-RNA相互作用数据	机器学习	NA	NA	CNN, LSTM, Transformer, GNN	序列数据	NA	NA	CNN, LSTM, LSTM-CNN, Transformer, GNN	精确率, 召回率, F1分数, 计算效率, 收敛行为	NA
5	2026-10-31	A Hybrid of LSTM-CNN for RNA-RNA Interaction Prediction 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5567-2_6 PMID:42955673	研究论文	该文提出一种结合LSTM和CNN的混合深度学习模型，用于提高RNA-RNA相互作用预测的准确性	将LSTM捕获长程依赖与CNN提取局部空间模式的能力相结合，并引入特征重要性可视化以提供可解释性和生物学洞察	仅基于摘要无法确定具体局限性，可能包括对基准数据集的依赖、未在更广泛或更复杂的真实数据上验证等	提高RNA-RNA相互作用的预测准确性，以理解RNA介导的调控机制并推动RNA靶向治疗开发	RNA序列及其二级结构特征	生物信息学	NA	深度学习	LSTM, CNN	序列, 二级结构特征	基准RRI数据集（具体样本量未在摘要中说明）	NA	LSTM-CNN混合架构	精确率, 召回率	NA
6	2026-10-31	Pseudoknots: Based RRI Detection Using Machine Learning Models 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5567-2_9 PMID:42955676	综述	探讨如何将假结感知建模整合到基于机器学习的RNA-RNA相互作用检测流程中	系统性地将假结结构信息与机器学习模型结合用于RRI检测，提出假结感知的建模框架，弥补传统动态规划算法仅限于无假结模型的不足	作为综述章节，未提出新的计算方法或模型，主要对现有方法进行总结和展望	探索假结感知建模如何提升基于机器学习的RNA-RNA相互作用检测的准确性	RNA-RNA相互作用及假结结构	机器学习	NA	NA	经典机器学习模型, 深度学习模型	序列数据, 结构数据	NA	NA	NA	NA	NA
7	2026-10-31	Graph Neural Networks for Structure-Aware RNA-RNA Interaction Modeling 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5567-2_18 PMID:42955685	综述	本章全面介绍了基于图神经网络（GNN）的结构感知RNA-RNA相互作用（RRI）预测方法	系统性地将GNN用于结构感知的RRI建模，涵盖图表示、图构建策略以及GCN、GAT、Graph Transformer等先进架构，并强调其在捕获长程和非局部相互作用模式上的优势	文章为综述性章节，未提出新的计算模型或实验验证；且讨论了可扩展性和可解释性方面的挑战	综述基于GNN的结构感知RRI预测方法，探讨图表示、构建策略、模型架构及未来方向	RNA分子及其二级和三级结构、RNA-RNA相互作用	生物信息学	NA	图神经网络、深度学习	GNN	图数据（RNA序列和结构）	NA	NA	Graph Convolutional Networks, Graph Attention Networks, Graph Transformers	NA	NA
8	2026-10-31	Deep Learning Approaches for the RNA-RNA Interaction Prediction Problem 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5567-2_7 PMID:42955674	研究论文	对多种深度学习架构在RNA-RNA相互作用预测问题上的性能进行比较分析	系统比较了前馈神经网络、门控循环单元、Transformer及预训练生物医学语言模型在RRI预测上的表现，并分析了序列编码与二级结构特征及消融实验的贡献	仅基于基准数据集进行比较，未涉及更广泛的生物学验证或新型架构探索	比较不同深度学习技术在RNA-RNA相互作用预测中的性能，并评估特征表示策略的贡献	RNA-RNA相互作用数据	生物信息学	NA	深度学习	前馈神经网络, 门控循环单元, Transformer, 预训练生物医学语言模型	序列数据, 二级结构特征	NA	NA	前馈神经网络, GRU, Transformer, 预训练生物医学语言模型	准确率, 精确率, 召回率, F1分数, AUC-ROC, Matthews相关系数	NA
9	2026-10-31	Evaluating Web Servers for RNA-RNA Interaction 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5567-2_10 PMID:42955677	综述	本文综述了用于RNA-RNA相互作用预测的网络服务器，重点关注其计算基础、特征提取流程和编码策略	系统性地对现有RRI预测网络服务器进行分类比较，按机器学习/深度学习框架、特征提取流程和基于序列或结构的编码策略进行归类，并对比热力学方法与混合方法	仅对现有工具进行综述和基准测试，未提出新的预测模型或算法	为研究人员选择和设计适合其生物学问题的RRI预测工具提供资源参考	RNA-RNA相互作用预测网络服务器	生物信息学	NA	RNA-RNA相互作用预测、RNA二级结构分析	机器学习, 深度学习	序列, 结构	NA	NA	NA	NA	NA
10	2026-10-31	Explainable Artificial Intelligence for RNA-RNA Interaction Models 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5567-2_20 PMID:42955687	综述	本章全面综述了可解释人工智能（XAI）技术在RNA-RNA相互作用（RRI）预测模型中的应用，讨论了模型无关与模型特定的解释方法、基于注意力的可解释性、特征归因技术以及生物学验证策略。	系统性地将XAI技术应用于RRI预测模型，强调模型透明性、可解释性和生物学有效性，并通过案例研究展示如何识别序列区域、相互作用位点和结构特征等模型衍生信号。	作为综述章节，未提出新的计算模型或实验验证，主要总结现有方法，可能缺乏对XAI技术在不同RRI模型上性能的定量比较。	解决深度学习RRI预测模型的黑箱问题，提升模型的可解释性、可靠性和生物学有效性，促进其在生物发现和治疗应用中的接受度。	RNA-RNA相互作用预测模型（如Transformer和GNN）及其可解释性方法	机器学习	NA	NA	Transformer, 图神经网络（GNN）	NA	NA	NA	Transformer, 图神经网络（GNN）	NA	NA
11	2026-10-31	From Object Detection to RNA Interaction: Evaluating YOLOv8 and CNNs on RRI Data 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5567-2_12 PMID:42955679	研究论文	本文评估将YOLOv8和其他CNN架构迁移到RNA-RNA相互作用预测任务中的效果，探索计算机视觉方法在生物信息学中的应用	将原本用于实时目标检测的YOLOv8及CNN架构迁移到RNA-RNA相互作用预测领域，通过将RNA序列和结构编码为类图像矩阵，利用迁移学习策略实现生物序列中潜在空间依赖关系的检测	未明确说明具体数据集规模和多样性，模型在真实临床场景中的泛化能力有待验证，RNA结构编码方式可能丢失部分关键信息	探索计算机视觉中的目标检测模型和CNN架构在RNA-RNA相互作用预测中的适用性，建立可解释且可扩展的RRI预测流程	RNA序列及其结构数据，RNA-RNA相互作用	计算机视觉，生物信息学	NA	RNA序列和结构编码，迁移学习	CNN，YOLOv8	图像（由RNA序列和结构数据转换的类图像矩阵），序列数据，结构数据	NA	NA	YOLOv8，CNN	NA	NA
12	2026-10-31	Tutorial on Machine Learning Methods for RNA-RNA Interaction Prediction 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5567-2_11 PMID:42955678	综述	这是一篇关于机器学习方法用于RNA-RNA相互作用预测的教程与文献综述，涵盖从经典概率模型到深度学习技术的多种方法	系统性地综述了经典机器学习模型（如朴素贝叶斯、贝叶斯网络）与前沿深度学习技术（如BERT）在RNA-RNA相互作用预测中的应用，并对比了特征工程策略与模型优劣	作为综述文章，未提出新的计算方法或实验验证，主要基于现有文献的归纳分析	全面概述应用于RNA-RNA相互作用预测的机器学习方法，为研究人员提供实践指导和理论见解	RNA-RNA相互作用（RRI）及其预测方法	机器学习	NA	NA	朴素贝叶斯, 贝叶斯网络, BERT	RNA序列与结构数据	NA	NA	Naive Bayes, Bayesian networks, BERT	NA	NA
13	2026-10-31	Current Trends and Future Challenges in the RNA-RNA Interaction Prediction Tools and Methods 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5567-2_16 PMID:42955683	综述	本章综述了RNA-RNA相互作用预测工具和方法的最新趋势与未来挑战	系统总结了混合建模、多组学数据整合、3D RNA结构特征引入以及基于图的学习等新兴趋势，并前瞻性地指出未来发展方向	模型可解释性不足、真实数据有限、类别不平衡以及跨物种泛化能力有限	梳理RNA-RNA相互作用预测领域的最新进展，识别机遇与障碍，为计算RRI研究提供前瞻性路线图	RNA-RNA相互作用及其预测工具和方法	分子生物学	NA	热力学、机器学习、深度学习、结构生物学、多组学数据整合	机器学习、深度学习、图学习	多组学数据、RNA结构数据	NA	NA	NA	NA	NA
14	2026-10-31	A Comprehensive Review of Machine Learning and Deep Learning Techniques for RRI Prediction 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5567-2_15 PMID:42955682	综述	本文全面综述了用于RNA-RNA相互作用（RRI）预测的机器学习和深度学习技术	系统整合了从经典机器学习到现代深度学习的RRI预测方法，并对基准数据集、性能指标和比较研究进行了评估	指出了特征提取、模型可解释性和数据稀缺等关键挑战	综述并分析RRI预测领域最先进的机器学习和深度学习方法，探讨未来研究方向	RNA-RNA相互作用（RRI）	机器学习	NA	NA	SVM, 随机森林, 集成方法, CNN, RNN, GNN	高维异质生物数据	NA	NA	SVM, 随机森林, 集成方法, CNN, RNN, GNN	NA	NA
15	2026-10-31	Benchmarking, Reproducibility, and FAIR Pipelines for RNA-RNA Interaction Prediction 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5567-2_21 PMID:42955688	综述	本章讨论RNA-RNA相互作用（RRI）预测模型的基准测试最佳实践、可复现性以及FAIR计算流程的开发	系统性地提出RRI预测领域的标准化基准测试、可复现性和FAIR数据管理框架，整合数据集构建、评估指标、跨数据集验证、容器化可复现工作流及社区驱动基准测试倡议	作为综述章节，未提出新的计算方法或模型，主要聚焦于方法论和流程建议	解决RRI预测中缺乏标准化基准测试、可复现性和透明数据处理的问题，建立稳健、透明、可复用的RRI研究基础	RNA-RNA相互作用预测模型及其基准测试流程	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
16	2026-10-31	Tutorial: End-to-End Deep Learning Pipeline for RNA-RNA Interaction Prediction 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5567-2_24 PMID:42955691	教程	提供一个从原始RNA序列到模型可解释性分析的端到端深度学习流程构建指南，用于RNA-RNA相互作用预测	系统性地整合了序列基Transformer、结构感知图神经网络以及融合序列与结构信息的混合架构，并强调可重复性、工作流管理、容器化、版本控制数据集和FAIR合规流程	作为教程章节，未提出新的算法模型或进行大规模实验验证，主要侧重于方法流程和最佳实践指导	指导读者构建稳健、可解释且可迁移的RNA-RNA相互作用预测深度学习模型	RNA序列及其二级结构和拓扑关系	计算生物学	NA	RNA序列分析、负采样、特征工程、可解释AI技术	Transformer, GNN, 混合架构	RNA序列、RNA二级结构	NA	NA	Transformer, Graph Neural Network (GNN), 混合架构（序列与结构融合）	NA	NA
17	2026-10-31	RNA-RNA Interaction Prediction in Therapeutics and Drug Discovery 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5567-2_22 PMID:42955689	综述	本章探讨RNA-RNA相互作用预测在RNA疗法和药物发现流程中的作用，重点介绍计算策略、深度学习模型和验证框架	系统整合RNA-RNA相互作用计算预测在治疗性RNA（反义寡核苷酸、siRNA、mRNA、CRISPR相关RNA）设计、优化和验证中的应用，涵盖深度学习模型与验证框架，并结合肿瘤学、传染病和遗传病案例说明其支持疗效与安全性评估	摘要未明确说明具体方法学局限；作为章节综述，可能缺乏对预测工具性能的系统性定量比较和统一基准评估	阐明RNA-RNA相互作用预测在治疗和药物发现管线中的作用，讨论临床应用可部署的RRI预测系统面临的挑战与未来方向	RNA-RNA相互作用，包括治疗性RNA的预期靶标结合与非预期脱靶效应	计算生物学	肿瘤、传染病、遗传病	NA	深度学习模型	RNA序列	NA	NA	NA	NA	NA
18	2026-10-31	Protocols for RNA-RNA Interaction Dataset Construction and Model Training 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5567-2_23 PMID:42955690	研究方法学章节	本章提供构建RNA-RNA相互作用数据集、生成负样本、提取序列与结构特征、训练深度学习模型及标准化评估的逐步实验方案	提出模块化、可适配的标准化流程，支持基于序列、结构感知和基于图的模型，并遵循FAIR原则	文中未提供具体的实验验证结果或性能比较	标准化RNA-RNA相互作用预测的数据集构建和模型训练流程，提高可重复性和实际应用性	RNA-RNA相互作用数据	生物信息学	NA	深度学习	NA	序列和结构数据	NA	NA	NA	NA	NA
19	2026-10-31	Artificial intelligence augmented imaging of pancreatic fluid collections in acute pancreatitis 2026-Dec, Indian journal of gastroenterology : official journal of the Indian Society of Gastroenterology IF:2.0Q3 DOI:10.1007/s12664-026-01979-5 PMID:41957213	综述	本文综述了人工智能（尤其是深度学习和影像组学）在急性胰腺炎胰腺液体积聚（PFC）成像中的应用，涵盖分割与体积测量、图像生成、结果预测和工作流程优化，并讨论了临床整合的挑战与未来方向	系统整合了AI在PFC成像中的多方面应用，包括自动化分割、坏死碎屑客观量化、疾病严重程度预测、加速MRI采集和合成图像生成以减少扫描仪依赖	作为综述文章，未提供原始实验数据；AI临床整合仍面临挑战，如数据标准化、泛化能力和临床验证等问题	探讨AI技术如何增强急性胰腺炎中胰腺液体积聚的影像学评估，克服传统成像在区分假性囊肿与包裹性坏死方面的局限	急性胰腺炎患者的胰腺液体积聚（PFC），包括假性囊肿和含碎屑的包裹性坏死	医学影像人工智能	急性胰腺炎	对比增强计算机断层扫描（CECT）、磁共振成像（MRI）、超声内镜（EUS）、深度学习、影像组学	深度学习, 影像组学	图像	NA	NA	NA	NA	NA
20	2026-10-31	Artificial intelligence in allergen immunotherapy: toward a proactive and personalized management of allergic diseases 2026-Dec-01, Current opinion in allergy and clinical immunology IF:3.0Q3 DOI:10.1097/ACI.0000000000001172 PMID:42235032	综述	探讨人工智能在过敏原免疫治疗和IgE介导过敏性疾病管理中的应用，包括机器学习患者分层、深度学习实时监测、联邦学习多中心研究等	系统总结了机器学习、深度学习、联邦学习和生成式AI在过敏原免疫治疗中的最新应用进展，提出了主动和个性化过敏性疾病管理的新范式	生成式AI在直接患者使用方面可靠性有限；AI仅作为决策辅助工具，仍需专家监督以确保患者安全和复杂数据解读	综述人工智能在过敏原免疫治疗中的应用前景，探索如何通过AI实现更高效的精准医学管理	IgE介导的过敏性疾病患者及过敏原免疫治疗管理过程	机器学习	过敏性疾病	NA	长短期记忆循环神经网络, 随机潜在演员-评论家, 深度学习, 联邦学习, 生成式AI	组学数据, 分子致敏谱, 可穿戴传感器数据, 环境参数, 临床记录	NA	NA	长短期记忆循环神经网络, 随机潜在演员-评论家	NA	NA