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
1	2024-12-08	Progressively refined deep joint registration segmentation (ProRSeg) of gastrointestinal organs at risk: Application to MRI and cone-beam CT 2023-Aug, Medical physics IF:3.2Q1 DOI:10.1002/mp.16527 PMID:37265185	研究论文	本文开发了一种名为ProRSeg的深度网络，用于胃肠道器官的风险区域的联合注册和分割，并评估其在MRI和锥束CT上的应用	ProRSeg网络在MRI和CBCT上的分割和注册精度显著高于其他方法	研究缺乏独立的测试和基准幻影数据集来测量剂量累积的准确性	开发一种能够准确分割和注册胃肠道器官风险区域的深度学习网络，并评估其在放射治疗中的应用	胃肠道器官风险区域，包括胃、十二指肠、大肠和小肠	计算机视觉	胰腺癌	深度学习	ProRSeg	MRI和CBCT图像	110张T2加权MRI图像和80张CBCT图像
2	2024-11-27	Quantifying Inflammatory Response and Drug-Aided Resolution in an Atopic Dermatitis Model with Deep Learning 2023-08, The Journal of investigative dermatology IF:5.7Q1 DOI:10.1016/j.jid.2023.01.026 PMID:36804151	研究论文	本文使用深度学习方法对特应性皮炎模型中的炎症反应和药物辅助缓解进行定量分析	本文提出了一种基于深度学习的非侵入性图像分析方法，用于定量评估特应性皮炎模型中的炎症反应和药物辅助缓解	本文仅在特应性皮炎小鼠模型中进行了验证，尚未应用于临床研究	开发一种非侵入性的方法来定量评估皮肤炎症反应和药物辅助缓解	特应性皮炎小鼠模型	计算机视觉	特应性皮炎	深度学习	深度学习模型	图像	特应性皮炎小鼠模型
3	2024-11-17	PyComplexHeatmap: a Python package to visualize multimodal genomics data 2023-Aug, iMeta IF:23.7Q1 DOI:10.1002/imt2.115 PMID:38454967	研究论文	介绍了一个名为PyComplexHeatmap的Python库，用于多模态基因组数据的复杂热图可视化	PyComplexHeatmap是基于matplotlib构建的，提供了一个模块化的接口，能够与Pandas、NumPy等Python数据科学工具以及Scanpy等基因组工具无缝集成	NA	开发一个能够满足多模态矩阵数据精细渲染需求的Python库	多模态基因组数据及其元数据	生物信息学	NA	NA	NA	矩阵数据	NA
4	2024-11-14	A deep learning model using hyperspectral image for EUS-FNA cytology diagnosis in pancreatic ductal adenocarcinoma 2023-08, Cancer medicine IF:2.9Q2 DOI:10.1002/cam4.6335 PMID:37455599	研究论文	本文开发了一种基于高光谱图像的深度学习模型，用于内镜超声引导下细针穿刺细胞学诊断胰腺导管腺癌	首次将高光谱成像技术与卷积神经网络结合，用于胰腺导管腺癌的细胞学诊断	需要进一步验证模型在更大样本量和不同临床环境中的泛化能力	开发一种辅助细胞病理学家诊断胰腺导管腺癌的深度学习模型	胰腺导管腺癌和良性胰腺组织的细胞学样本	计算机视觉	胰腺癌	高光谱成像	卷积神经网络	图像	共62个样本，包括33个良性胰腺组织和39个胰腺导管腺癌
5	2024-11-12	Knowledge graph aids comprehensive explanation of drug and chemical toxicity 2023-08, CPT: pharmacometrics & systems pharmacology DOI:10.1002/psp4.12975 PMID:37475158	研究论文	本文介绍了一种名为AIDTox的可解释深度学习模型，用于预测和解释药物及化学物质的细胞毒性	AIDTox模型整合了化学-基因连接、基因-通路注释和通路层次结构的知识图谱，提供了对细胞毒性的全面解释	NA	开发一种能够准确预测和解释复杂毒性终点的计算模型	药物和化学物质的细胞毒性	机器学习	NA	深度学习	深度学习模型	化学-基因连接、基因-通路注释和通路层次结构的知识图谱	HepG2和HEK293细胞
6	2024-10-28	Dyslexia Data Consortium Repository: A Data Sharing and Delivery Platform for Research 2023-Aug, Brain informatics : 16th International Conference, BI 2023, Hoboken, NJ, USA, August 1-3, 2023, Proceedings. International Conference on Brain Informatics (16th : 2023 : Hoboken, N.J.) DOI:10.1007/978-3-031-43075-6_15 PMID:38352916	研究论文	开发了一个在线平台，用于共享和交付与阅读障碍相关的数据，以促进研究	提供了一个集成了机器学习算法和工具的平台，生成与阅读障碍相关的次级数据集	NA	推进对阅读障碍的理解，该障碍对儿童及其家庭和社会有重大影响	阅读障碍的神经生物学研究	机器学习	阅读障碍	机器学习算法	NA	次级数据集（如皮质厚度、区域脑体积指标）	NA
7	2024-10-28	R-Mixup: Riemannian Mixup for Biological Networks 2023-Aug, KDD : proceedings. International Conference on Knowledge Discovery & Data Mining DOI:10.1145/3580305.3599483 PMID:38343707	研究论文	本文提出了一种基于黎曼流形的混合数据增强技术R-Mixup，用于处理生物网络中的高维度和低样本量问题	R-Mixup利用对数欧几里得距离度量，解决了传统Mixup方法在处理生物网络邻接矩阵时的局限性	NA	解决生物网络中深度学习模型过拟合问题	生物网络及其邻接矩阵	机器学习	NA	R-Mixup	NA	生物网络数据	五个真实世界生物网络数据集
8	2024-10-16	Enhancing corrosion-resistant alloy design through natural language processing and deep learning 2023-Aug-11, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adg7992 PMID:37566657	研究论文	本文提出了一种结合自然语言处理和深度学习的方法，用于增强耐腐蚀合金设计的机器能力	开发了一种全自动的自然语言处理方法，将文本数据转换为深度神经网络可兼容的形式，显著提高了点蚀电位预测的准确性	NA	增强机器在耐腐蚀合金设计中的能力	耐腐蚀合金的点蚀电位预测	自然语言处理	NA	深度学习	深度神经网络	文本数据	NA
9	2024-10-16	Tumor detection under cystoscopy with transformer-augmented deep learning algorithm 2023-08-07, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ace499 PMID:37548023	研究论文	开发了一种基于变压器增强的深度学习算法，用于在白光膀胱镜（WLC）下准确检测膀胱肿瘤	引入了变压器增强的深度学习算法，通过自注意力机制和特征金字塔网络（FPN）的多尺度激活图，提高了肿瘤检测的准确性	NA	开发一种成本效益高、基于变压器增强的深度学习算法，用于在WLC下准确检测膀胱肿瘤，并评估其在患者数据上的性能	膀胱肿瘤的检测	计算机视觉	膀胱癌	深度学习	变压器增强的卷积神经网络（CNN）	图像	训练集包含510帧WLC图像，来自54名患者；测试集包含101帧WLC图像，来自13名患者
10	2024-10-13	Unsupervised representation learning improves genomic discovery and risk prediction for respiratory and circulatory functions and diseases 2023-Aug-29, medRxiv : the preprint server for health sciences DOI:10.1101/2023.04.28.23289285 PMID:37163049	研究论文	介绍了一种基于深度学习的框架REGLE，用于发现基因变异与高维临床数据之间的关联，并应用于呼吸和循环系统疾病的基因发现和风险预测	提出了REGLE框架，使用卷积变分自编码器计算数据的高可遗传性个体成分，并能生成准确的疾病特异性多基因风险评分	NA	利用高维临床数据进行基因发现和风险预测	呼吸和循环系统的功能和疾病	机器学习	呼吸系统疾病	卷积变分自编码器	卷积变分自编码器	高维临床数据	NA
11	2024-10-13	Video reconstruction from a single motion blurred image using learned dynamic phase coding 2023-Aug-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-40297-0 PMID:37604842	研究论文	本文提出了一种混合光学-数字方法，通过在镜头光圈中使用学习到的动态相位编码来从单张运动模糊图像重建视频	本文的创新点在于提出了一种混合光学-数字方法，通过在图像采集过程中使用学习到的动态相位编码来编码运动轨迹，从而克服了传统数字方法的方向模糊性和噪声敏感性问题	本文的局限性在于需要对现有光学系统进行简单修改，并且依赖于图像到视频卷积神经网络	本文的研究目的是通过简单的光学系统修改，从单张运动模糊图像中重建视频，以增强现有相机的功能	本文的研究对象是运动模糊图像和视频重建	计算机视觉	NA	卷积神经网络	卷积神经网络	图像	NA
12	2024-10-13	Convolutional neural network-based vocal cord tumor classification technique for home-based self-prescreening purpose 2023-Aug-18, Biomedical engineering online IF:2.9Q3 DOI:10.1186/s12938-023-01139-2 PMID:37596652	研究论文	本文提出了一种基于卷积神经网络的声带肿瘤分类技术，用于家庭自我筛查	本文创新性地提出了一个深度学习技术，能够同时检测声带良性肿瘤的可疑位置并分类肿瘤类型	实验结果表明，不同肿瘤类型的最低假阴性率模型不同，且嵌入式操作的Yolo V4模型与计算机操作的Yolo V4模型在F1-score上略有差异	研究目的是开发一种用于家庭自我筛查的声带肿瘤早期检测技术	研究对象是声带肿瘤，包括囊肿、肉芽肿、白斑、结节和息肉	计算机视觉	NA	卷积神经网络	CNN	图像	2183张喉镜图像
13	2024-10-13	A deep learning method for replicate-based analysis of chromosome conformation contacts using Siamese neural networks 2023-08-17, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-40547-9 PMID:37591842	研究论文	本文介绍了一种基于深度学习的复制分析方法，用于分析染色体构象接触图，使用孪生神经网络区分技术噪声和生物变异	本文提出了一种基于孪生神经网络的深度学习方法，能够从染色体构象接触图中区分技术噪声和生物变异，并优于传统的图像相似度度量方法	NA	开发一种新的方法来分析染色体构象捕获数据，以揭示生物学上有意义的特征	染色体构象捕获数据，如Hi-C和Micro-C	机器学习	NA	深度学习	孪生神经网络	图像	涉及多种生物系统的Hi-C图谱
14	2024-10-13	Two sequence- and two structure-based ML models have learned different aspects of protein biochemistry 2023-08-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-40247-w PMID:37587128	研究论文	本文比较了两种基于序列和两种基于结构的机器学习模型在蛋白质生物化学预测中的表现	发现不同类型的模型在预测特定氨基酸类型时具有不同的优势，并提出了一种结合多个模型预测的组合模型，显著提高了整体预测准确性	未详细讨论模型在不同蛋白质类型或复杂突变情况下的表现	系统比较基于序列和基于结构的模型在蛋白质突变预测中的差异，并探讨其对蛋白质生物化学理解的贡献	两种基于序列的大型语言模型和两种基于结构的3D卷积神经网络	机器学习	NA	NA	大型语言模型（LLM）和3D卷积神经网络（CNN）	蛋白质序列和局部蛋白质结构的体素化表示	NA
15	2024-10-13	Universal linear intensity transformations using spatially incoherent diffractive processors 2023-Aug-15, Light, science & applications DOI:10.1038/s41377-023-01234-y PMID:37582771	研究论文	本文报道了一种空间非相干衍射光学处理器的设计，能够在时间平均强度下近似任意线性变换	本文首次设计了空间非相干衍射光学处理器，能够在非相干光下实现任意线性强度变换，并展示了其在多波长下的线性处理能力以及手写数字的全光学分类	本文主要通过数值模拟和深度学习进行验证，实际应用中的性能和稳定性需要进一步实验验证	研究如何在空间非相干光下设计衍射光学处理器，以实现任意线性强度变换	空间非相干衍射光学处理器及其在多波长下的线性处理能力和手写数字分类	计算机视觉	NA	衍射光学网络	深度学习	图像	NA
16	2024-10-13	Deep transfer learning for inter-chain contact predictions of transmembrane protein complexes 2023-08-15, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-40426-3 PMID:37582780	研究论文	本文开发了一种深度迁移学习方法DeepTMP，用于预测跨膜蛋白复合物的链间接触	利用非跨膜蛋白的大数据集进行预训练，结合几何三角感知模块捕捉链间相互作用	NA	提高跨膜蛋白复合物链间接触预测的准确性和鲁棒性	跨膜蛋白复合物的链间接触	机器学习	NA	深度迁移学习	DeepTMP	蛋白质数据	52个自结合跨膜蛋白复合物
17	2024-10-12	Towards in silico CLIP-seq: predicting protein-RNA interaction via sequence-to-signal learning 2023-08-04, Genome biology IF:10.1Q1 DOI:10.1186/s13059-023-03015-7 PMID:37542318	研究论文	本文介绍了一种名为RBPNet的新型深度学习方法，用于预测RNA序列在单核苷酸分辨率下的CLIP-seq交联计数分布	RBPNet通过训练多达百万个区域，在eCLIP、iCLIP和miCLIP测定中实现了高泛化能力，并超越了现有最先进的分类器	NA	开发一种能够预测蛋白质-RNA相互作用的深度学习方法	RNA序列及其与蛋白质的交联计数分布	机器学习	NA	深度学习	深度学习模型	序列数据	多达百万个区域
18	2024-10-12	Boosting variant-calling performance with multi-platform sequencing data using Clair3-MP 2023-Aug-03, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-023-05434-6 PMID:37537536	研究论文	研究了利用多平台测序数据提升变异检测性能的方法	首次探讨了整合Oxford Nanopore和Illumina测序数据以优化变异检测性能的可能性	未详细讨论多平台数据整合的具体技术细节	探讨多平台测序数据对变异检测性能的影响	Oxford Nanopore和Illumina测序数据	基因组学	NA	第三代测序技术、下一代测序技术	深度学习模型	测序数据	未具体说明样本数量
19	2024-10-08	Active learning of enhancer and silencer regulatory grammar in photoreceptors 2023-Aug-22, bioRxiv : the preprint server for biology DOI:10.1101/2023.08.21.554146 PMID:37662358	研究论文	本文研究了在视网膜光感受器中使用主动机器学习方法来训练增强子和沉默子调控语法的深度学习模型	本文提出了一种新的主动机器学习方法，通过迭代训练模型来预测包含光感受器转录因子CRX结合基序的序列活性，使用比当前方法少一个数量级的训练数据	本文未提及具体的局限性	研究如何通过主动机器学习方法训练准确的深度学习模型来预测调控元件的活性	研究对象包括增强子和沉默子的调控语法以及光感受器转录因子CRX的结合基序	机器学习	NA	主动机器学习	深度学习模型	DNA序列	使用了多轮合成的DNA序列进行实验
20	2024-10-08	DeepAIR: A deep learning framework for effective integration of sequence and 3D structure to enable adaptive immune receptor analysis 2023-08-09, Science advances IF:11.7Q1 DOI:10.1126/sciadv.abo5128 PMID:37556545	研究论文	本文介绍了一种名为DeepAIR的深度学习框架，用于整合序列和3D结构特征，以准确预测适应性免疫受体（AIR）与抗原的结合	DeepAIR框架首次将序列和结构特征整合用于预测AIR-抗原结合，显著提高了预测准确性	NA	开发一种能够准确预测适应性免疫受体与抗原结合的深度学习框架	适应性免疫受体（AIR），包括T细胞受体（TCR）和B细胞受体（BCR）	机器学习	NA	深度学习	深度学习框架	序列和3D结构数据	使用了TCR和BCR的组合数据，具体样本数量未明确提及