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
121	2025-12-09	Automated evaluation with deep learning of total interstitial inflammation and peritubular capillaritis on kidney biopsies 2023-11-30, Nephrology, dialysis, transplantation : official publication of the European Dialysis and Transplant Association - European Renal Association DOI:10.1093/ndt/gfad094 PMID:37197910	研究论文	本研究开发了一种基于卷积神经网络的深度学习工具，用于自动评估肾活检中的总间质炎症和肾小管周围毛细血管炎	首次利用深度学习自动评估肾活检中的总间质炎症和肾小管周围毛细血管炎，实现了与病理学家评分的高度相关性	样本量相对有限，训练集仅包含83个肾样本，且未提及模型在其他疾病或更大数据集上的泛化能力	开发自动化工具以精确评估肾活检中的组织学标准，帮助分层患者肾脏预后并促进治疗管理	肾活检样本，包括来自多种疾病的423个样本	数字病理学	肾脏疾病	组织学评估	CNN	图像	423个肾活检样本（83个用于训练，106个用于手动与自动预测比较，234个用于自动与视觉评分比较）	NA	NA	精确率, 召回率, F分数, 相关系数, AUC, kappa系数	NA
122	2025-12-09	Uncovering new families and folds in the natural protein universe 2023-10, Nature IF:50.5Q1 DOI:10.1038/s41586-023-06622-3 PMID:37704037	研究论文	本研究利用AlphaFold数据库预测的蛋白质结构，探索了天然蛋白质宇宙中未被充分注释的“暗物质”区域，并发现了新的蛋白质折叠和家族	从序列、结构和语义三个角度系统搜索蛋白质新颖性，发现了β-花状折叠，并向Pfam数据库添加了多个蛋白质家族，实验证实了其中一个属于新的翻译靶向毒素-抗毒素系统超家族TumE-TumA	研究依赖于AlphaFold的预测结构，其准确性可能影响后续功能注释；大规模分析可能遗漏某些低丰度或高度特异的蛋白质家族	评估AlphaFold数据库在揭示天然蛋白质宇宙中未注释蛋白质结构方面的能力，并识别新的蛋白质折叠和家族	AlphaFold数据库预测的蛋白质结构，特别是那些难以通过标准同源性方法注释功能的蛋白质	蛋白质生物信息学	NA	深度学习蛋白质结构预测，序列相似性网络分析	AlphaFold	蛋白质序列，蛋白质三维结构	数亿个预测蛋白质结构（覆盖几乎所有已知蛋白质）	AlphaFold	AlphaFold	预测准确性	NA
123	2025-12-09	Transforming medical imaging with Transformers? A comparative review of key properties, current progresses, and future perspectives 2023-04, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.102762 PMID:36738650	综述	本文对Transformer在医学影像领域的应用进行了比较性综述，探讨其关键特性、当前进展及未来前景	基于Transformer的关键定义特性（主要通过与CNN比较得出）及其架构类型来组织综述，帮助读者深入理解相关方法的原理	NA	评估Transformer在医学影像领域的现状、应用进展及未来发展方向	医学影像数据	医学影像	NA	深度学习	Transformer, CNN	医学影像	NA	NA	Transformer, CNN	NA	NA
124	2025-12-08	CortexMorph: fast cortical thickness estimation via diffeomorphic registration using VoxelMorph 2023-Oct-01, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-031-43999-5_69 PMID:41346864	研究论文	本文提出了一种名为CortexMorph的新方法，通过结合无监督深度学习和VoxelMorph技术，快速估计皮层厚度	利用无监督深度学习直接回归DiReCT所需的变形场，显著提高了皮层厚度估计的速度	未提及具体局限性	开发一种快速估计皮层厚度的方法，以替代传统的耗时迭代图像配准方法	T1加权MRI图像中的皮层厚度	数字病理学	神经退行性疾病	MRI	深度学习模型	图像	OASIS-3数据集和Rusak等人的合成皮层厚度模型	NA	VoxelMorph	检测皮层萎缩的能力	NA
125	2025-12-07	Deep learning automation of MEST-C classification in IgA nephropathy 2023-06-30, Nephrology, dialysis, transplantation : official publication of the European Dialysis and Transplant Association - European Renal Association DOI:10.1093/ndt/gfad039 PMID:36792061	研究论文	本研究开发了一种基于神经网络的工具，用于自动化IgA肾病中MEST-C分类的识别和量化	首次使用深度学习自动化MEST-C分类，解决了病理学家间观察者变异性的问题	样本量相对较小，且M评分的kappa系数仅为中等水平	自动化IgA肾病的MEST-C分类以提高诊断一致性和预后评估	IgA肾病患者的肾活检样本	数字病理学	IgA肾病	肾活检	神经网络	图像	训练队列42例，测试队列66例，应用队列88例	NA	NA	AUC, kappa系数, 风险比	NA
126	2025-12-06	An in silico investigation of Kv2.1 potassium channel: Model building and inhibitors binding sites analysis 2023-12, Molecular informatics IF:2.8Q2 DOI:10.1002/minf.202300072 PMID:37793122	研究论文	本研究通过AlphaFold-Multimer深度学习构建Kv2.1钾通道四聚体模型，结合GaMD和HMM分析离子传输轨迹，利用Fpocket程序与电生理实验定义抑制剂结合位点，并通过半经验量子力学计算预测抑制剂结合构象，为新型Kv2.1抑制剂开发提供分子设计见解	首次使用AlphaFold-Multimer深度学习构建Kv2.1四聚体结构模型，结合GaMD模拟与HMM分析生成多构象受体，并通过半经验量子力学计算预测抑制剂结合模式，揭示了P-螺旋和S6片段的关键残基贡献	研究为计算机模拟，缺乏实验验证抑制剂结合位点的直接结构证据；模型基于预测结构，可能受限于AlphaFold-Multimer的准确性；未进行大规模抑制剂筛选或体内功能验证	构建Kv2.1钾通道的计算机模型并分析抑制剂结合位点，以促进理性药物设计开发神经保护剂	Kv2.1钾通道蛋白及其抑制剂RY785和RY796(S)	计算生物学	缺血性脑卒中	AlphaFold-Multimer深度学习，GaMD（高斯加速分子动力学），HMM（隐马尔可夫模型），Fpocket程序，半经验量子力学计算，竞争性结合电生理实验	深度学习模型，分子动力学模型	蛋白质序列与结构数据，分子动力学轨迹数据	NA	AlphaFold-Multimer	AlphaFold-Multimer	NA	NA
127	2025-12-06	Classification of tastants: A deep learning based approach 2023-12, Molecular informatics IF:2.8Q2 DOI:10.1002/minf.202300146 PMID:37885360	研究论文	本研究利用深度学习模型对甜味、苦味和鲜味分子进行分类，以预测分子的味觉特性	结合分子描述符的深度神经网络和基于分子结构的图神经网络模型，无需手工特征即可学习任务特定表示，并应用Shapley加性解释来解析预测结果	鲜味分子样本数量较少导致类别不平衡，需采用特殊采样技术处理	预测分子的味觉特性，以支持食品、饮料、香料和制药行业中新味觉物质的设计与筛选	甜味、苦味和鲜味分子，这些味觉由G蛋白偶联受体介导	机器学习	NA	NA	深度神经网络, 图神经网络	分子描述符, 分子结构	1466个苦味分子、1764个甜味分子和238个鲜味分子，总计3468个分子	NA	NA	NA	NA
128	2025-12-06	Variant calling and benchmarking in an era of complete human genome sequences 2023-07, Nature reviews. Genetics DOI:10.1038/s41576-023-00590-0 PMID:37059810	综述	本文综述了在完整人类基因组序列时代下，变异检测与基准测试的进展，包括长读长测序、深度学习、从头组装和泛基因组学在挑战性基因组区域的应用	探讨了长读长测序、深度学习、从头组装和泛基因组学如何扩展对重复基因组区域（包括医学相关区域）的变异检测访问，并介绍了新的基准集和基准测试方法	未具体说明当前变异检测方法在特定重复区域或复杂变异类型中的具体性能限制	综述人类基因组变异检测与基准测试的技术进展，并展望未来更完整的人类基因组变异表征	人类基因组序列、变异检测方法、基准测试集	基因组学	NA	长读长测序、深度学习、从头组装、泛基因组学	NA	DNA测序数据	NA	NA	NA	NA	NA
129	2025-12-05	Functional connectivity signatures of major depressive disorder: machine learning analysis of two multicenter neuroimaging studies 2023-07, Molecular psychiatry IF:9.6Q1 DOI:10.1038/s41380-023-01977-5 PMID:36792654	研究论文	本研究通过机器学习和深度学习算法分析两个大型静息态功能磁共振成像数据集，以区分重度抑郁症患者与健康对照，并识别抑郁症的神经生理学特征	首次在两个最大的重度抑郁症静息态数据集上应用支持向量机和图卷积神经网络进行分类，并利用GCN-Explainer等方法可视化特征，揭示了丘脑过度连接作为抑郁症的突出神经生理学特征	分类准确率相对较低（约61%），可能受疾病异质性影响，且研究主要基于静息态功能连接，未考虑其他神经影像或临床因素	开发基于神经影像的机器学习诊断工具，以识别重度抑郁症的生物标志物	重度抑郁症患者和健康对照者	机器学习	重度抑郁症	静息态功能磁共振成像	SVM, GCN	功能连接矩阵	REST-meta-MDD数据集2338例，PsyMRI数据集1039例	NA	图卷积神经网络	准确率	NA
130	2025-12-05	Prediction of postoperative infection in elderly using deep learning-based analysis: an observational cohort study 2023-Mar, Aging clinical and experimental research IF:3.4Q2 DOI:10.1007/s40520-022-02325-3 PMID:36598653	研究论文	本研究旨在开发和验证基于深度学习的模型，用于预测老年患者术后感染	首次在老年患者中应用深度学习模型，结合基线临床特征和手术相关风险因素，以预测术后感染	研究为可行性研究，样本量有限（2014名患者），且模型性能有待进一步验证以指导临床实践	开发和验证深度学习模型，以预测老年患者术后感染，改善手术结果	2014名来自中国28家医院的老年择期手术患者	机器学习	老年疾病	NA	深度学习	临床数据	2014名老年患者（1510名训练，504名验证）	NA	NA	AUC, 敏感性, 特异性	NA
131	2025-12-04	Environmental Impacts of Machine Learning Applications in Protein Science 2023-12-01, Cold Spring Harbor perspectives in biology IF:6.9Q1 DOI:10.1101/cshperspect.a041473 PMID:38040454	综述	本文总结了蛋白质科学中机器学习应用的环境影响，并量化了部分流行算法的碳足迹	首次系统评估了蛋白质科学中机器学习算法（如AlphaFold和ESMFold）的环境影响，并提出了具体的碳足迹数据	未提供所有蛋白质计算方法的全面环境影响比较，且缓解措施的具体实施效果未经验证	评估蛋白质科学中计算工具和机器学习模型的环境影响，并提出可持续发展建议	蛋白质科学中的计算算法，包括分子模拟、蛋白质-蛋白质相互作用推断和蛋白质结构预测	机器学习	NA	机器学习	深度学习模型	蛋白质数据	NA	NA	AlphaFold, ESMFold	碳足迹（以吨COe计）	NA
132	2025-12-04	DBlink: dynamic localization microscopy in super spatiotemporal resolution via deep learning 2023-12, Nature methods IF:36.1Q1 DOI:10.1038/s41592-023-01966-0 PMID:37500760	研究论文	提出了一种基于深度学习的DBlink方法，用于从单分子定位显微镜数据中实现超时空分辨率重建	结合卷积神经网络和双向长短期记忆网络架构，捕获输入帧间的长期依赖关系，显著提升动态过程的成像能力	未明确说明在复杂生物环境或极端动态条件下的性能限制	提高单分子定位显微镜的时空分辨率，以观察活细胞中的动态过程	模拟的丝状结构和线粒体样结构、受控运动条件下的实验SMLM数据、活细胞动态SMLM数据	计算机视觉	NA	单分子定位显微镜	CNN, LSTM	视频	NA	NA	卷积神经网络结合双向长短期记忆网络	NA	NA
133	2025-12-04	Cerebellar Volume and Disease Staging in Parkinson's Disease: An ENIGMA-PD Study 2023-12, Movement disorders : official journal of the Movement Disorder Society IF:7.4Q1 DOI:10.1002/mds.29611 PMID:37964373	研究论文	本研究利用ENIGMA-PD工作组的数据，通过深度学习分析帕金森病患者与健康对照的小脑体积变化，探讨疾病分期与小脑区域体积的关联	首次在全球多中心研究中，使用深度学习量化帕金森病不同Hoehn和Yahr分期的小脑区域体积变化，揭示了前叶和后叶体积与疾病严重程度的解离关系	研究为横断面设计，无法确定因果关系；样本来自多个中心，可能存在异质性；未考虑药物治疗等其他混杂因素	量化帕金森病患者小脑区域体积变化，并探讨其与疾病分期、运动症状和认知功能的关联	帕金森病患者和年龄、性别匹配的健康对照	医学影像分析	帕金森病	三维T1加权脑磁共振成像	深度学习	脑磁共振图像	2487名帕金森病患者和1212名健康对照，来自22个中心	NA	NA	效应量（d值）	NA
134	2025-12-04	Uncovering developmental time and tempo using deep learning 2023-12, Nature methods IF:36.1Q1 DOI:10.1038/s41592-023-02083-8 PMID:37996754	研究论文	本文提出了一种基于深度学习的自动化方法，用于分析不同时间点胚胎之间的相似性，以量化发育时间和节奏	开发了一种无偏见的深度学习方法，能够自动计算胚胎发育阶段的相似性，生成表型指纹，并首次在无监督方式下为多个物种构建发育图谱	NA	量化动物胚胎发育的时间和节奏，以驱动进化新颖性的研究	动物胚胎	计算机视觉	NA	深度学习	深度学习模型	图像	NA	NA	NA	NA	NA
135	2025-12-04	Deep Learning-Enabled Morphometric Analysis for Toxicity Screening Using Zebrafish Larvae 2023-11-21, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.3c00593 PMID:36971266	研究论文	本文提出了一种基于深度学习的形态计量分析方法，用于斑马鱼幼虫的毒性筛查，通过自动识别异常表型和关键器官特征	首次将深度学习模型（TensorMask和Mask R-CNN）应用于斑马鱼幼虫的形态计量分析，实现八种异常表型和八种重要器官特征的定量识别，提高了毒性筛查的效率和准确性	研究仅基于2532张显微图像，可能受限于数据集的规模和多样性；模型在未标记数据集上的性能虽高，但泛化能力需进一步验证	开发一种高效的深度学习方法，用于斑马鱼幼虫的毒性筛查和形态计量分析，以识别环境污染物和化学品的危害	斑马鱼幼虫（120小时受精后）	计算机视觉	NA	亮场显微成像	CNN	图像	2532张斑马鱼幼虫的亮场显微图像，涉及三类化学品（内分泌干扰物、重金属和新兴有机污染物）的毒性筛查	TensorFlow, PyTorch	TensorMask, Mask R-CNN	平均精度均值, 准确率	NA
136	2025-12-04	Separating Daily 1 km PM2.5 Inorganic Chemical Composition in China since 2000 via Deep Learning Integrating Ground, Satellite, and Model Data 2023-11-21, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.3c00272 PMID:37114869	研究论文	本研究开发了一种四维时空深度森林模型，用于估计中国自2000年以来每日1公里分辨率的PM2.5无机化学成分	通过整合地面观测、卫星遥感、大气再分析和模型模拟数据，首次实现了高时空分辨率的PM2.5化学成分长期估计	模型估计仍存在不确定性，且主要关注无机成分，有机成分未包含在内	准确估计中国PM2.5无机化学成分的时空分布，以支持环境和健康研究	中国地区的PM2.5无机化学成分（硫酸盐、硝酸盐、铵盐、氯化物）	机器学习	NA	深度森林模型，整合多源数据（地面观测、卫星遥感、大气再分析、模型模拟）	深度森林	多源数据（地面测量、卫星检索、大气再分析、模型模拟）	自2000年以来的每日数据，空间分辨率为1公里，覆盖中国全境	NA	四维时空深度森林（4D-STDF）	决定系数（CV-R²）、均方根误差（RMSE）	NA
137	2025-12-04	Exogenous Chemicals Impact Virus Receptor Gene Transcription: Insights from Deep Learning 2023-11-21, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.2c09837 PMID:37186679	研究论文	本研究提出了一种基于图卷积网络（GCN）的深度学习模型，用于预测影响ACE2基因转录表达的外源性物质	首次利用GCN模型预测外源性物质对ACE2基因转录的影响，并强调模型的可解释性	未明确说明模型在其他病毒受体基因上的泛化能力验证情况	探究外源性物质暴露对SARS-CoV-2病毒感染的影响	ACE2基因的转录表达	机器学习	COVID-19	定量PCR	GCN	基因转录数据	NA	NA	图卷积网络	AUROC	NA
138	2025-12-04	Advancing Computational Toxicology by Interpretable Machine Learning 2023-11-21, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.3c00653 PMID:37224004	综述	本文综述了可解释机器学习在计算毒理学中的应用，包括毒性特征数据、模型解释方法、知识库框架的使用以及最新应用	将可解释机器学习技术应用于计算毒理学，以揭示毒性机制并阐明毒性模型的领域知识，解决传统“黑箱”模型难以解释的问题	NA	促进计算毒理学的发展，通过可解释机器学习模型辅助新化学物质评估并阐明人类毒性机制	药物、消费品和环境化学物质的毒性预测	机器学习	NA	机器学习, 深度学习	NA	毒性特征数据	NA	NA	NA	NA	NA
139	2025-12-04	Deep-Learning-Based Automated Tracking and Counting of Living Plankton in Natural Aquatic Environments 2023-11-21, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.3c00253 PMID:37207295	研究论文	提出一种基于深度学习的自动化视频导向浮游生物跟踪工作流（AVPTW），用于连续监测水生环境中活体浮游生物的丰度	开发了AVPTW，首次实现基于深度学习的自动化视频采集、背景校准、检测、跟踪、校正和统计，用于在线监测移动浮游生物，并展示其对环境变化的敏感性	AVPTW仅对移动浮游生物敏感，可能无法准确计数静止或缓慢移动的浮游生物	开发自动化工具以高效监测水生环境中浮游生物的时空变化，用于环境风险评估	自然水生环境中的活体浮游生物，包括移动的浮游动物和浮游植物	计算机视觉	NA	视频采集与深度学习分析	深度学习模型（具体未指定，如CNN）	视频	使用受污染河流和未受污染湖泊的自然水样进行验证	NA	NA	准确性（通过与显微镜计数对比验证）	NA
140	2025-12-04	Real-Time Sensor Data Profile-Based Deep Learning Method Applied to Open Raceway Pond Microalgal Productivity Prediction 2023-11-21, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.2c07578 PMID:37234045	研究论文	本文提出了一种基于传感器参数剖面图图像的深度学习方法，用于预测开放式跑道池微藻生产力	首次将图像处理与深度学习结合，利用远程监测的传感器数据预测微藻生产力，无需物理测量或特定地点校准	未考虑生物过程参数（如生物质密度、水力停留时间和营养浓度），可能影响预测的全面性	开发一种低成本工具，用于微藻生产和运营预测，通过远程监测数据有效预测开放式跑道池生产力	开放式跑道池微藻生产力	计算机视觉	NA	传感器监测（pH、溶解氧、温度、光合有效辐射、总溶解固体）	深度学习	图像（传感器参数剖面图）	来自美国5个州32个开放式跑道池的598个生产力数据和数百万条传感器记录	NA	NA	R²	NA