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 205 篇文献，本页显示第 201 - 205 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 | 2024-08-07 |
DeepCAC: a deep learning approach on DNA transcription factors classification based on multi-head self-attention and concatenate convolutional neural network
2023-Sep-18, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-023-05469-9
PMID:37723425
|
研究论文 | 提出了一种名为DeepCAC的新方法，利用深度卷积神经网络和多头自注意力机制进行DNA转录因子序列分析 | 采用多头自注意力机制和卷积神经网络相结合的方法，有效捕捉序列中的局部隐藏特征和长距离依赖关系，同时减少了模型参数数量 | 未提及具体限制 | 提高DNA转录因子序列分类的准确性，同时减少模型参数数量 | DNA转录因子序列 | 机器学习 | NA | 深度学习 | CNN, 多头自注意力机制 | 序列数据 | 未提及具体样本数量 | NA | NA | NA | NA |
| 202 | 2024-08-07 |
Discovering optimal kinetic pathways for self-assembly using automatic differentiation
2023-Sep-01, bioRxiv : the preprint server for biology
DOI:10.1101/2023.08.30.555551
PMID:37693527
|
研究论文 | 本文利用自动微分算法优化可逆自组装的物理模型，探索了3-7个亚基复合物的速率常数空间中的多样化解决方案 | 本文首次将深度学习框架中常用的自动微分算法应用于自组装系统的优化，定义了两种生物启发的协议来防止动力学陷阱，并提出了第三种模拟能量消耗酶的中间体回收协议 | NA | 理解避免陷阱并有效组装的生物机制，为设计合成组装系统提供最优解决方案 | 自组装的亚基复合物及其速率常数 | 生物物理学 | NA | 自动微分算法 | 物理模型 | 速率常数 | 3-7个亚基复合物 | NA | NA | NA | NA |
| 203 | 2024-08-07 |
ChampKit: A framework for rapid evaluation of deep neural networks for patch-based histopathology classification
2023-Sep, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2023.107631
PMID:37271050
|
研究论文 | 本文介绍了一个名为ChampKit的软件工具，用于快速评估基于补丁的组织病理学分类的深度神经网络模型 | ChampKit提供了一个可扩展、完全可复制的评估工具包，支持多种公共数据集，并允许用户通过命令行直接训练和评估模型，无需编写代码 | 本文未明确提及具体限制 | 旨在提供一个工具，以系统地评估不同组织病理学分类任务的神经网络模型 | 深度神经网络模型在组织病理学图像分类中的应用 | 计算机视觉 | NA | 深度学习 | CNN, ViT | 图像 | 涉及六个数据集 | NA | NA | NA | NA |
| 204 | 2024-08-07 |
Deep learning integrates histopathology and proteogenomics at a pan-cancer level
2023-09-19, Cell reports. Medicine
DOI:10.1016/j.xcrm.2023.101173
PMID:37582371
|
研究论文 | 本文介绍了一种创新方法，将病理图像与转录组学和蛋白质组学整合，以识别与癌症关键临床结果相关的预测性组织学特征 | 本文首次将病理图像与转录组学和蛋白质组学数据整合，用于识别新的预测性组织学特征，并提出了一个分类系统 | NA | 旨在开发一种整合病理图像、转录组学和蛋白质组学数据的方法，以提高癌症临床结果的预测准确性 | 2,755张H&E染色的组织病理学切片，来自657名患者，涵盖6种癌症类型 | 数字病理学 | 癌症 | 深度学习 | NA | 图像 | 2,755张切片，657名患者 | NA | NA | NA | NA |
| 205 | 2024-08-07 |
Physics-Guided Deep Generative Model for New Ligand Discovery
2023-Sep, ACM-BCB ... ... : the ... ACM Conference on Bioinformatics, Computational Biology and Biomedicine. ACM Conference on Bioinformatics, Computational Biology and Biomedicine
DOI:10.1145/3584371.3613067
PMID:38706556
|
研究论文 | 本文介绍了一种基于物理引导的深度生成模型，用于发现新的配体，该模型不仅考虑了结合位点，还包含了基于物理的特征，描述了受体和配体之间的结合机制 | 该模型创新地结合了物理原理和深度学习，生成的配体结构在结合强度上优于传统方法 | 未来研究方向包括在更大的数据集上训练和测试模型，增加更多基于物理的特征，并从生物物理角度解释深度学习结果 | 旨在通过结合物理原理和深度学习技术，提高新配体发现的效率和质量 | 研究对象包括大型蛋白质-配体复合物和小型宿主-客体系统 | 机器学习 | NA | 深度生成模型 | GAN | 结构数据 | 测试了大型蛋白质-配体复合物和小型宿主-客体系统 | NA | NA | NA | NA |