深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 2412 篇文献，本页显示第 201 - 220 篇。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 201 | 2025-10-27 |
Motivation for using data-driven algorithms in research: A review of machine learning solutions for image analysis of micrographs in neuroscience
2023-06-20, Journal of neuropathology and experimental neurology
IF:3.2Q2
DOI:10.1093/jnen/nlad040
PMID:37244652
|
综述 | 回顾机器学习在神经科学显微图像分析中的应用，探讨其潜力与局限性 | 系统梳理深度学习在神经科学显微图像分析中的最新进展，并提供实际研究项目中的框架选择指导 | 未经验证的新算法可能存在的技术门槛和适用性问题 | 探讨机器学习在神经科学图像分析中的应用价值与实施策略 | 神经科学领域的显微图像数据 | 计算机视觉 | NA | 显微图像分析 | 深度学习 | 显微图像 | NA | NA | NA | NA | NA |
| 202 | 2025-10-23 |
Creating High Fidelity Synthetic Pelvis Radiographs Using Generative Adversarial Networks: Unlocking the Potential of Deep Learning Models Without Patient Privacy Concerns
2023-10, The Journal of arthroplasty
IF:3.4Q1
DOI:10.1016/j.arth.2022.12.013
PMID:36535448
|
研究论文 | 本研究应用生成对抗网络创建高保真合成骨盆X光片，以解决深度学习模型训练中的患者隐私问题 | 首次使用GAN生成难以被专家和计算机识别的合成骨盆X光片，实现跨机构数据共享且不侵犯患者隐私 | 研究仅聚焦于前后位骨盆X光片，未涵盖其他投照角度或影像模态 | 开发能够生成高质量合成医学影像的方法，促进深度学习模型发展同时保护患者隐私 | 骨盆前后位X光片 | 计算机视觉 | 骨科疾病 | X射线成像 | GAN | 图像 | 37,640张真实X光片（来自16,782名患者），通过数据增强生成2,500万张训练图像 | NA | GAN | 准确率, Kappa系数 | NA |
| 203 | 2025-10-21 |
MISPEL: A supervised deep learning harmonization method for multi-scanner neuroimaging data
2023-10, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2023.102926
PMID:37595405
|
研究论文 | 提出一种用于多扫描仪神经影像数据的监督深度学习协调方法MISPEL | 提出可自然扩展到两个以上扫描仪的多扫描仪协调方法，并设计了一套评估扫描仪相关技术变异性和协调技术的标准 | NA | 解决多扫描仪神经影像数据的技术变异性问题，开发数据协调方法 | 多扫描仪神经影像数据 | 神经影像分析 | NA | 3T T1磁共振成像 | 深度学习 | 神经影像数据 | 包含四个扫描仪的多扫描仪匹配数据集 | NA | MISPEL | NA | NA |
| 204 | 2025-10-17 |
Skin Lesion Analysis and Cancer Detection Based on Machine/Deep Learning Techniques: A Comprehensive Survey
2023-01-04, Life (Basel, Switzerland)
DOI:10.3390/life13010146
PMID:36676093
|
综述 | 本文对基于机器学习和深度学习技术的皮肤病变分析与癌症检测方法进行了全面综述 | 系统整合了皮肤癌检测中的预处理、分割、特征提取、特征选择和分类方法，识别了当前研究面临的挑战 | 由于皮肤病变特征的复杂性和罕见性，现有方法在分析中仍面临一些挑战 | 通过分析现有皮肤癌检测技术，识别研究障碍以帮助未来研究 | 皮肤病变和皮肤癌 | 计算机视觉,机器学习 | 皮肤癌 | NA | 深度学习,机器学习 | 医学图像 | NA | NA | NA | NA | NA |
| 205 | 2025-10-17 |
A Minority Class Balanced Approach Using the DCNN-LSTM Method to Detect Human Wrist Fracture
2023-01-03, Life (Basel, Switzerland)
DOI:10.3390/life13010133
PMID:36676082
|
研究论文 | 提出一种融合DCNN和LSTM的深度学习方法，用于从X射线图像中自动检测腕部骨折 | 首次将扩张卷积神经网络与长短期记忆网络融合，并采用旋转过采样方法解决类别不平衡问题 | 数据集规模较小（仅192张图像），需要更大样本量验证模型泛化能力 | 开发自动诊断工具作为医生辅助选项，减少腕部骨折漏诊 | 腕部X射线图像 | 计算机视觉 | 骨折 | X射线成像 | CNN, LSTM | 图像 | 192张腕部X射线图像 | NA | DCNN, LSTM | 准确率, 灵敏度, 特异性, 精确率, F1分数, Kappa系数 | NA |
| 206 | 2025-10-09 |
Large-scale capture of hidden fluorescent labels for training generalizable markerless motion capture models
2023-09-26, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-41565-3
PMID:37752123
|
研究论文 | 开发了一种名为GlowTrack的方法，通过荧光标记生成大量训练数据，用于训练可泛化的无标记运动捕捉模型 | 提出使用荧光标记生成隐藏标签的高通量方法，创建多相机多光照设置模拟多样化视觉条件，并实现并行标记多个关键点的密集追踪技术 | NA | 解决无标记运动捕捉模型泛化能力有限的问题，建立标准化的行为分析流程 | 动物行为研究中的运动追踪 | 计算机视觉 | NA | 荧光标记，多相机多光照设置 | 深度学习模型 | 视频图像数据 | NA | NA | NA | NA | NA |
| 207 | 2025-10-05 |
Reliable Active Learning via Influence Functions
2023-Nov, Transactions on machine learning research
PMID:41036166
|
研究论文 | 提出一种基于影响函数的可靠主动学习框架，解决深度学习中主动学习算法性能不可靠的问题 | 通过影响函数、伪标签和多样性选择来高效估计样本对模型在整个数据集上性能的影响 | NA | 提高主动学习在深度学习架构中的可靠性和性能 | 深度学习模型中的样本选择策略 | 机器学习 | NA | 主动学习 | 深度学习架构 | NA | NA | NA | NA | NA | NA |
| 208 | 2025-10-05 |
Improved Peptide Docking with Privileged Knowledge Distillation using Deep Learning
2023-Dec-04, bioRxiv : the preprint server for biology
DOI:10.1101/2023.12.01.569671
PMID:38106114
|
研究论文 | 提出了一种基于知识蒸馏的改进蛋白质-肽复合物对接方法DistPepFold | 采用特权知识蒸馏方法，通过教师-学生模型架构从原生相互作用信息中学习，改进蛋白质-肽对接性能 | NA | 改进蛋白质-肽相互作用的计算建模方法 | 蛋白质-肽复合物 | 机器学习 | NA | 深度学习 | 知识蒸馏模型 | 蛋白质结构数据 | 两个蛋白质-肽复合物数据集 | NA | 基于AlphaFold-Multimer的架构 | 对接性能评估指标 | NA |
| 209 | 2025-10-05 |
Enhancing Neonatal Pain Assessment Transparency via Explanatory Training Examples Identification
2023-Jun, Proceedings. IEEE International Symposium on Computer-Based Medical Systems
DOI:10.1109/cbms58004.2023.00236
PMID:41019613
|
研究论文 | 本研究提出一种基于实例的解释方法，通过识别最有帮助和有害的训练样本来增强新生儿疼痛音频评估的透明度 | 将音频信号可视化为频谱图进行分类，并提出基于实例的解释方法分析训练样本对预测的影响 | 仅针对音频模态，未整合其他疼痛信号；在临床环境中的实际应用效果需要进一步验证 | 提高基于深度学习的新生儿疼痛评估方法的透明度和可解释性 | 新生儿疼痛音频信号 | 机器学习 | 新生儿疼痛 | 音频信号处理，频谱图转换 | 深度学习模型 | 音频信号，频谱图图像 | NA | NA | NA | 影响分数 | NA |
| 210 | 2025-10-05 |
High-throughput target trial emulation for Alzheimer's disease drug repurposing with real-world data
2023-12-11, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-023-43929-1
PMID:38081829
|
研究论文 | 本研究使用真实世界数据模拟目标临床试验，评估数千种药物对阿尔茨海默病的潜在治疗效果 | 提出基于倾向评分模型的改进选择策略，并在大规模真实世界数据上系统评估深度学习与传统逻辑回归方法在协变量平衡方面的表现 | 基于观察性数据，可能存在未测量的混杂因素 | 通过目标试验模拟方法进行阿尔茨海默病药物再利用研究 | 170多万患者的临床记录和数千种已批准药物 | 医学信息学 | 阿尔茨海默病 | 目标试验模拟，逆概率加权 | 深度学习，逻辑回归 | 真实世界临床数据 | 超过170万患者，覆盖10多年临床记录 | NA | NA | 协变量平衡 | NA |
| 211 | 2025-10-05 |
Comprehensive tissue deconvolution of cell-free DNA by deep learning for disease diagnosis and monitoring
2023-07-11, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2305236120
PMID:37399400
|
研究论文 | 通过深度学习对血浆游离DNA进行组织溯源分析，用于疾病诊断和治疗监测 | 构建了基于521个非癌组织样本的全面高分辨率甲基化图谱，开发了基于深度学习的监督组织反卷积方法 | 仅包含29种主要人体组织类型，可能未覆盖所有组织类型 | 开发高灵敏度和准确性的组织来源cfDNA定量方法，用于疾病检测和监测 | 血浆游离DNA和组织特异性甲基化模式 | 数字病理 | 多种疾病 | 甲基化测序 | 深度学习 | 甲基化数据 | 521个非癌组织样本，涵盖29种主要人体组织类型 | NA | NA | 灵敏度, 准确度 | NA |
| 212 | 2025-10-05 |
Application of Machine learning to predict RF heating of cardiac leads during magnetic resonance imaging at 1.5 T and 3 T: A simulation study
2023-04, Journal of magnetic resonance (San Diego, Calif. : 1997)
DOI:10.1016/j.jmr.2023.107384
PMID:36842429
|
研究论文 | 本研究探索应用深度学习预测心脏导联在1.5T和3T磁共振成像中射频加热的可行性 | 首次将深度学习应用于预测位置和方向可变的导电导联在MRI中的射频加热，突破了传统固定位置预测的限制 | 基于仿真数据的研究，需要进一步实验验证；SAR预测误差范围较大（223W/kg和206W/kg） | 开发快速预测磁共振成像中导电植入物射频加热的机器学习方法 | 心脏导联模型（心血管植入电子设备中的导联） | 机器学习 | 心血管疾病 | 电磁仿真，磁共振成像 | 神经网络 | 仿真数据，坐标数据 | 600个具有临床相关轨迹的心脏导联模型 | NA | 神经网络 | 均方根误差，R分数 | NA |
| 213 | 2025-10-05 |
Combining pairwise structural similarity and deep learning interface contact prediction to estimate protein complex model accuracy in CASP15
2023-12, Proteins
IF:3.2Q2
DOI:10.1002/prot.26542
PMID:37357816
|
研究论文 | 开发结合成对结构相似性和深度学习界面接触预测的混合方法用于评估蛋白质复合物模型准确性 | 首次将成对结构相似性方法与深度学习界面接触预测相结合用于蛋白质四级结构模型质量评估 | 当大量结构模型质量较低且彼此相似时，成对相似性方法可能失效 | 开发蛋白质复合物模型准确性评估方法 | 蛋白质复合物和组装体的四级结构模型 | 计算生物学 | NA | 深度学习界面接触预测 | 深度学习 | 蛋白质结构模型 | CASP15组装靶标的模型 | NA | NA | 相关系数, 排序损失 | NA |
| 214 | 2025-10-05 |
Integrating deep learning, threading alignments, and a multi-MSA strategy for high-quality protein monomer and complex structure prediction in CASP15
2023-12, Proteins
IF:3.2Q2
DOI:10.1002/prot.26585
PMID:37650367
|
研究论文 | 介绍UM-TBM和Zheng团队在CASP15蛋白质单体与复合物结构预测中的方法及成果 | 结合深度学习、线程比对和多MSA策略，开发了D-I-TASSER和DMFold-Multimer算法，在传统蒙特卡洛模拟中融合深度学习约束 | 病毒蛋白建模和复合物模型排序方面仍有改进空间 | 提高蛋白质单体与复合物结构预测的准确性 | 蛋白质单体结构和蛋白质复合物结构 | 计算生物学 | NA | 多序列比对(MSA)、深度学习、蒙特卡洛模拟 | 注意力网络、端到端深度学习模型 | 蛋白质序列与结构数据 | 47个自由建模目标（单体）和38个复合物目标 | AlphaFold2, I-TASSER | D-I-TASSER, DMFold-Multimer, DeepMSA2 | TM-score, Interface Contact Score | NA |
| 215 | 2025-10-05 |
Assessment of three-dimensional RNA structure prediction in CASP15
2023-12, Proteins
IF:3.2Q2
DOI:10.1002/prot.26602
PMID:37876231
|
研究论文 | 评估CASP15中RNA三维结构预测方法的性能 | 首次在CASP竞赛中系统评估RNA结构预测方法，将蛋白质评估指标(GDT、lDDT)和Z-score排名方法推广应用于RNA评估 | 在非标准碱基对建模、模型排名以及预测冷冻电镜或晶体学解析的多种结构方面仍存在挑战 | 评估RNA三维结构预测方法的准确性和实用性 | RNA三维结构预测模型 | 结构生物信息学 | NA | 冷冻电镜(cryo-EM)、X射线衍射 | 深度学习,传统计算方法 | RNA结构数据,冷冻电镜图谱,X射线衍射数据 | 12个含RNA的目标结构，42个预测组参与 | NA | NA | GDT,lDDT,Z-score | NA |
| 216 | 2025-10-05 |
Impact of AlphaFold on structure prediction of protein complexes: The CASP15-CAPRI experiment
2023-12, Proteins
IF:3.2Q2
DOI:10.1002/prot.26609
PMID:37905971
|
研究论文 | 本文介绍了CASP15-CAPRI蛋白质复合物结构预测挑战赛的结果，评估了AlphaFold对蛋白质复合物结构预测的影响 | 首次系统评估AlphaFold2和AlphaFold2-Multimer在蛋白质复合物结构预测中的表现，展示了深度学习方法的显著进步 | 对缺乏结合伴侣间进化关系的抗体/纳米抗体复合物以及具有构象灵活性的复合物预测性能仍然较差 | 评估蛋白质复合物结构预测的最新进展，特别是AlphaFold技术的影响 | 37个蛋白质复合物靶标，包括同源二聚体、同源三聚体、异源二聚体和大型组装体 | 计算生物学 | NA | 蛋白质结构预测，深度学习 | AlphaFold2, AlphaFold2-Multimer | 蛋白质序列和结构数据 | 37个靶标，21,941个模型，60+参与组 | AlphaFold | AlphaFold2, AlphaFold2-Multimer | CAPRI模型质量指标，DockQ评分 | NA |
| 217 | 2025-10-05 |
Estimation of model accuracy in CASP15 using the ModFOLDdock server
2023-12, Proteins
IF:3.2Q2
DOI:10.1002/prot.26532
PMID:37314190
|
研究论文 | 介绍CASP15竞赛中用于多聚体模型质量评估的ModFOLDdock服务器及其三种变体的性能表现 | 开发了三种针对不同质量评估维度的ModFOLDdock变体，在CASP15的EMA类别中均取得领先排名 | NA | 优化多聚体蛋白质结构模型的质量评估方法 | 多聚体蛋白质结构模型 | 生物信息学 | NA | 深度学习, 聚类分析 | 深度学习模型 | 蛋白质结构模型 | 41个组装结构（来自CASP15竞赛） | NA | NA | Pearson相关系数, 寡聚体-lDDT | NA |
| 218 | 2025-10-05 |
Estimating protein complex model accuracy based on ultrafast shape recognition and deep learning in CASP15
2023-12, Proteins
IF:3.2Q2
DOI:10.1002/prot.26564
PMID:37553848
|
研究论文 | 本文报告了在CASP15中基于超快形状识别和深度学习的蛋白质复合物模型精度估计方法的研究成果 | 提出了基于三级特征集成与深度残差/图神经网络的多聚体复合物模型精度估计新方法，设计了整体和单体间超快形状识别特征 | NA | 开发蛋白质复合物模型精度估计方法 | 蛋白质复合物模型 | 生物信息学 | NA | 超快形状识别, 深度学习 | 深度残差网络, 图神经网络 | 蛋白质结构数据 | 39个目标蛋白质 | NA | 深度残差网络, 图神经网络 | Pearson相关系数, lDDT, TM-score | NA |
| 219 | 2025-10-05 |
zPoseScore model for accurate and robust protein-ligand docking pose scoring in CASP15
2023-12, Proteins
IF:3.2Q2
DOI:10.1002/prot.26573
PMID:37606194
|
研究论文 | 提出了一种基于深度学习的配体构象评分模型zPoseScore，用于蛋白质-配体复合物结构预测 | 重新设计了受AlphaFold2启发的zFormer模块，开发了数据增强和采样方法，实现了原子级别的蛋白质-配体特征编码和融合 | NA | 开发准确的蛋白质-配体对接构象评分方法 | 蛋白质-配体复合物 | 计算生物学 | NA | 深度学习 | Transformer | 蛋白质结构数据，配体构象数据 | CASP15和CASF-2016数据集 | NA | zFormer | Pearson相关系数，局部距离差异测试(lDDT) | NA |
| 220 | 2025-10-05 |
Breaking the conformational ensemble barrier: Ensemble structure modeling challenges in CASP15
2023-12, Proteins
IF:3.2Q2
DOI:10.1002/prot.26584
PMID:37872703
|
研究论文 | 本文评估了CASP15实验中蛋白质和RNA结构多构象建模的挑战与成果 | 首次在CASP社区实验中系统评估多构象建模方法，展示了AlphaFold2增强采样在蛋白质构象预测中的突破性表现 | 存在处理稀疏或低分辨率实验数据的困难，且目前缺乏有效的RNA/蛋白质复合物建模方法 | 评估蛋白质和RNA结构多构象建模方法的有效性与挑战 | 蛋白质和RNA的三维结构构象 | 计算生物学 | NA | 深度学习增强采样 | AlphaFold2 | 蛋白质和RNA结构数据 | 9个靶标结构 | AlphaFold2 | AlphaFold2 | 构象重现成功率 | NA |