深度学习在生物医药领域中的应用

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
41	2024-10-15	Semi-supervised Counting of Grape Berries in the Field Based on Density Mutual Exclusion 2023, Plant phenomics (Washington, D.C.) DOI:10.34133/plantphenomics.0115 PMID:38033720	研究论文	提出了一种基于密度互斥的半监督葡萄浆果田间计数方法	引入基于密度互斥的辅助任务，利用未标记数据的空间分布模式，并设计了密度差异损失以增强特征表示	未提及	解决葡萄浆果计数中的遮挡问题，提高计数准确性	葡萄浆果	计算机视觉	NA	深度学习	VGG16	图像	田间葡萄浆果数据集
42	2024-10-15	Hybrid transfer learning strategy for cross-subject EEG emotion recognition 2023, Frontiers in human neuroscience IF:2.4Q2 DOI:10.3389/fnhum.2023.1280241 PMID:38034069	研究论文	本文提出了一种混合迁移学习策略，用于跨受试者的脑电图情绪识别	设计了一种名为Emo-DA的领域自适应学习模块，并结合少量样本微调网络（DFF-Net），显著提高了跨受试者脑电图情绪识别的准确性	未提及	解决跨受试者脑电图情绪识别中的性能下降问题	脑电图信号的情绪识别	机器学习	NA	迁移学习	DFF-Net	脑电图信号	在SEED数据集上达到93.37%的平均识别准确率，在SEED-IV数据集上达到82.32%的平均识别准确率
43	2024-10-15	Artificial intelligence-driven systems engineering for next-generation plant-derived biopharmaceuticals 2023, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2023.1252166 PMID:38034587	综述	本文综述了人工智能驱动的系统工程在植物源下一代生物制药中的应用	本文提出通过人工智能和合成生物学工具优化植物系统中重组蛋白的表达，以提高产量和稳定性	本文未详细讨论具体的实验验证和实际应用案例	探讨人工智能在植物分子制药中的应用，以提高重组蛋白的产量和稳定性	植物系统中的重组生物制药，包括抗原、抗体、激素、细胞因子、单链可变片段和肽	生物技术	NA	人工智能算法	神经网络、支持向量机、线性回归、高斯过程和回归器集成	蛋白质结构数据	NA
44	2024-10-15	Multi-level advances in databases related to systems pharmacology in traditional Chinese medicine: a 60-year review 2023, Frontiers in pharmacology IF:4.4Q1 DOI:10.3389/fphar.2023.1289901 PMID:38035021	综述	本文回顾了60年来与中医药系统药理学相关的数据库的多层次进展	本文探讨了计算技术（包括深度学习和基础模型）在推动复杂系统探索和建模方面的新进展，预示着新时代的到来	本文指出了中医药计算药理学研究中的瓶颈问题	探讨中医药系统药理学相关数据库的进展，并展望计算研究的未来方向	中医药配方、草药、成分、靶点、表型等六个关键实体	NA	NA	网络分析、深度学习、基础模型	NA	NA	NA
45	2024-10-15	Instruction-Level Power Side-Channel Leakage Evaluation of Soft-Core CPUs on Shared FPGAs 2023, Journal of hardware and systems security DOI:10.1007/s41635-023-00135-1 PMID:38037617	研究论文	本文研究了在共享FPGA环境中，软核CPU在指令级别的功耗侧信道泄漏问题	本文首次在没有物理访问或昂贵测量设备的环境中分析了指令级别的功耗侧信道泄漏，并展示了在多租户FPGA场景中的泄漏情况	尽管在某些情况下可以识别指令的操作码，但泄漏同一类型指令之间的差异对深度学习模型来说是一个挑战	评估在共享FPGA环境中，软核CPU在指令级别的功耗侧信道泄漏情况	软核CPU在指令级别的功耗侧信道泄漏	计算机视觉	NA	功耗侧信道分析	深度学习模型	功耗侧信道数据	NA
46	2024-10-14	Computational single cell oncology: state of the art 2023, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2023.1256991 PMID:38028624	综述	本文综述了单细胞计算分析在肿瘤学领域的最新进展	本文介绍了单细胞计算分析在肿瘤学中的应用，包括识别新的细胞状态、表征肿瘤亚型、发现生物标志物和预测治疗反应	本文讨论了单细胞数据处理中的挑战，包括数据质量控制、归一化、降维、聚类和轨迹推断	本文旨在为研究人员提供利用计算方法解锁单细胞分析在理解癌症生物学中的全部潜力的路线图	单细胞计算分析在肿瘤学中的应用	数字病理学	NA	计算算法和生物信息学方法	机器学习和深度学习	单细胞数据	NA
47	2024-10-11	A computer vision image differential approach for automatic detection of aggressive behavior in pigs using deep learning 2023-Jan-03, Journal of animal science IF:2.7Q1 DOI:10.1093/jas/skad347 PMID:37813375	研究论文	本研究使用基于卷积神经网络和图像差分的深度学习方法，自动检测猪的攻击行为	本研究创新性地结合了图像差分技术和卷积神经网络，以提高检测猪攻击行为的准确性和效率	本研究仅在特定条件下（32对不熟悉的猪仔）进行了实验，结果可能不适用于所有情况	开发一种自动检测猪攻击行为的有效且计算效率高的方法	猪的攻击行为	计算机视觉	NA	深度学习	卷积神经网络	图像	32对不熟悉的猪仔，共16小时视频记录，其中1.25小时用于建模
48	2024-10-11	SEA-Net: Structure-Enhanced Attention Network for Limited-Angle CBCT Reconstruction of Clinical Projection Data 2023, IEEE transactions on instrumentation and measurement IF:5.6Q1 DOI:10.1109/tim.2023.3318712 PMID:38957474	研究论文	本文旨在通过开发深度学习方法，利用临床CBCT投影数据改进有限角度锥束CT重建	首次利用临床投影数据进行有限角度CBCT重建的可行性研究	NA	改进有限角度锥束CT重建技术，减少扫描时间和辐射剂量	临床CBCT投影数据	计算机视觉	NA	深度学习	结构增强注意力网络（SEA-Net）	图像	NA
49	2024-10-11	Validation of deep learning techniques for quality augmentation in diffusion MRI for clinical studies 2023, NeuroImage. Clinical DOI:10.1016/j.nicl.2023.103483 PMID:37572514	研究论文	本研究评估了深度学习技术在临床应用中提高扩散MRI数据质量的有效性	本研究首次探讨了深度学习技术在扩散MRI数据质量增强中的应用，并评估了其在临床研究中的效果	研究结果显示，深度学习技术在提高检测统计差异能力的同时，也增加了假阳性率，且在处理异质性数据时存在信息被篡改的风险	评估深度学习技术在临床应用中提高扩散MRI数据质量的有效性	扩散MRI数据的质量增强，特别是偏头痛患者的临床试验	计算机视觉	偏头痛	深度学习	NA	图像	14个不同机构的团队使用21个梯度方向和b值为1000 s/mm的数据进行研究
50	2024-10-08	AI-based multi-PRS models outperform classical single-PRS models 2023, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2023.1217860 PMID:37441549	研究论文	本文研究了基于AI的多PRS模型是否能超越传统的单一PRS模型	本文创新性地将其他疾病的PRS添加到预测模型中，并使用机器学习模型替代回归模型，显著提高了预测性能	NA	研究如何通过添加其他疾病的PRS和使用机器学习模型来提高疾病风险的预测性能	多PRS模型与单一PRS模型的比较，以及回归模型与机器学习模型的比较	机器学习	多种复杂疾病	机器学习	深度学习	基因数据	NA
51	2024-10-07	Performance comparison of TCR-pMHC prediction tools reveals a strong data dependency 2023, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2023.1128326 PMID:37143667	研究论文	本文比较了五种最先进的深度学习模型在TCR-pMHC预测工具中的性能，揭示了数据依赖性	提供了数据收集、预处理、分割和生成负样本的通用方法，并使用综合数据集比较了TCR-pMHC预测模型的性能	模型在未见过的肽段上泛化能力较差，且性能受数据平衡和大小影响较大	评估和比较不同TCR-pMHC预测模型的性能	TCR-pMHC结合预测模型	机器学习	NA	深度学习	深度学习模型（TITAN, NetTCR-2.0, ERGO, DLpTCR, ImRex）	TCR-pMHC结合数据	收集并整合了所有主要的公开可用TCR-pMHC结合数据
52	2024-10-06	SHINE: protein language model-based pathogenicity prediction for short inframe insertion and deletion variants 2023-01-19, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbac584 PMID:36575831	研究论文	本文开发了一种基于蛋白质语言模型的短内帧插入和缺失变异致病性预测工具SHINE	SHINE利用预训练的蛋白质语言模型构建变异及其蛋白质上下文的潜在表示，并通过监督机器学习模型进行致病性预测	NA	提高短内帧插入和缺失变异的致病性预测准确性	短内帧插入和缺失变异	机器学习	NA	蛋白质语言模型	监督机器学习模型	蛋白质序列	训练数据来自ClinVar和gnomAD，测试数据来自不同来源的两个数据集
53	2024-10-06	Transformer-based deep learning for predicting protein properties in the life sciences 2023-01-18, eLife IF:6.4Q1 DOI:10.7554/eLife.82819 PMID:36651724	综述	本文综述了基于Transformer模型的深度学习在生命科学中预测蛋白质特性的应用	Transformer模型在蛋白质特性预测中的应用带来了新的计算革命，显著改进了旧的预测结果	NA	探讨Transformer模型在蛋白质特性预测中的应用及其潜力	蛋白质特性预测，特别是后翻译修饰的预测	自然语言处理	NA	深度学习	Transformer	蛋白质序列	NA
54	2024-10-06	From sequence to function through structure: Deep learning for protein design 2023, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2022.11.014 PMID:36544476	研究论文	本文综述了深度学习在蛋白质设计中的最新进展，并提出了一种从生成序列到预测属性和网络可视化的实用流程	利用自然语言处理和计算机视觉技术，结合计算硬件的进步，从生物数据库中学习模式，用于蛋白质设计	蛋白质设计工具的实际应用复杂，需要进一步简化	探讨深度学习在蛋白质设计中的应用，提出实用流程并讨论挑战和机遇	蛋白质设计工具和流程	计算机视觉	NA	深度学习	NA	生物数据库	NA
55	2024-10-05	3D multiplexed tissue imaging reconstruction and optimized region of interest (ROI) selection through deep learning model of channels embedding 2023, Frontiers in bioinformatics IF:2.8Q2 DOI:10.3389/fbinf.2023.1275402 PMID:37928169	研究论文	本文提出了一种深度学习方法，用于从多通道图像中重建3D组织图像并优化感兴趣区域（ROI）的选择	本文的创新点在于使用生成模型重建3D CyCIF表示，并通过跨域翻译学习多模态映射，以实现最小代表性ROI的选择	本文的局限性在于处理大量组织切片时的高成本和时间消耗，以及ROI选择的定性和主观性	本文的研究目的是解决肿瘤异质性问题，通过深度学习方法优化组织图像的重建和感兴趣区域的选择	本文的研究对象是结直肠癌的组织图像和多通道图像	数字病理学	结直肠癌	深度学习	生成模型	图像	NA
56	2024-10-05	Applications of discriminative and deep learning feature extraction methods for whole slide image analysis: A survey 2023, Journal of pathology informatics DOI:10.1016/j.jpi.2023.100335 PMID:37928897	综述	本文综述了用于全切片图像分析的判别性和深度学习特征提取方法	深度学习特征提取方法在组织学相关任务中表现出优越的性能	NA	探讨数字病理学中特征提取方法的进展、挑战和机遇	全切片图像（WSI）的特征提取方法	数字病理学	NA	深度学习	NA	图像	NA
57	2024-10-04	Automatic deep learning method for third lumbar selection and body composition evaluation on CT scans of cancer patients 2023, Frontiers in nuclear medicine (Lausanne, Switzerland) DOI:10.3389/fnume.2023.1292676 PMID:39355015	研究论文	开发并验证了一种深度学习算法，用于自动选择和分割癌症患者CT扫描中的第三腰椎以及评估身体成分	首次使用深度学习算法自动选择第三腰椎并分割腹部肌肉、内脏脂肪和皮下脂肪，减少了手动操作的时间和复杂性	仅在两个癌症中心的352例CT扫描中进行了验证，可能需要进一步的多中心验证以确保广泛适用性	开发一种自动化的深度学习方法，用于癌症患者CT扫描中的第三腰椎选择和身体成分评估	癌症患者的CT扫描图像，特别是第三腰椎及其周围的身体成分	计算机视觉	NA	深度学习	NA	图像	352例CT扫描
58	2024-10-04	Coupling analysis of heart rate variability and cortical arousal using a deep learning algorithm 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0284167 PMID:37023117	研究论文	本研究使用深度学习算法分析了心率变异性与皮质觉醒之间的耦合关系	首次在多民族人群中研究了皮质觉醒与心率变异性的即时关联	研究仅限于多民族动脉粥样硬化研究数据集中的1069名受试者	探讨皮质觉醒与心率变异性之间的关联及其在不同性别和睡眠阶段中的差异	心率变异性与皮质觉醒的关联	心血管疾病	NA	深度学习	深度学习算法	心电信号	1069名受试者的整夜心电信号
59	2024-10-02	A systematic review of machine learning techniques for stance detection and its applications 2023, Neural computing & applications IF:4.5Q2 DOI:10.1007/s00521-023-08285-7 PMID:36743664	综述	本文系统回顾了用于立场检测及其应用的机器学习技术	本文提出了一个六维分类法，用于分类和分析立场检测相关的研究，并指出了深度学习模型中自注意力机制的广泛应用	尽管机器学习模型在立场检测领域显示出潜力，但在现实世界中的应用仍然有限	回顾和分析用于立场检测的机器学习技术及其应用	立场检测及其相关应用	自然语言处理	NA	机器学习	深度学习模型	文本	96项主要研究
60	2024-10-02	Cross-sectional Ct distributions from qPCR tests can provide an early warning signal for the spread of COVID-19 in communities 2023, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2023.1185720 PMID:37841738	研究论文	本研究利用qPCR测试中的Ct值分布来改进COVID-19预测模型，以提前预警社区中的疫情传播	开发了一种基于Ct值的预测模型，能够比传统的基于病例数的模型更早地预测疫情波峰	需要进一步验证模型在不同地区和时间段的适用性	改进COVID-19预测模型，提前预警疫情波峰	COVID-19疫情传播的早期预警	机器学习	COVID-19	qPCR	深度学习模型	Ct值	2020年8月至2022年1月期间在Northeastern University收集的PCR数据