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 290 篇文献，本页显示第 1 - 20 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2025-11-21 |
Live-cell imaging in the deep learning era
2023-12, Current opinion in cell biology
IF:6.0Q1
DOI:10.1016/j.ceb.2023.102271
PMID:37897927
|
综述 | 本文综述了深度学习时代活细胞成像的计算方法进展 | 系统总结了深度学习在活细胞成像中解决漂移校正、去噪、超分辨率成像等关键任务的最新应用 | 仅简要覆盖现有方法，未提供深度技术细节或性能比较 | 探讨深度学习技术如何改进活细胞成像的分析方法 | 活细胞成像数据和相关计算分析方法 | 计算机视觉 | NA | 荧光显微镜活细胞成像 | NA | 活细胞成像时间序列数据 | NA | NA | NA | NA | NA |
| 2 | 2025-11-20 |
Assisted documentation as a new focus for artificial intelligence in endoscopy: the precedent of reliable withdrawal time and image reporting
2023-12, Endoscopy
IF:11.5Q1
DOI:10.1055/a-2122-1671
PMID:37399844
|
研究论文 | 开发了一种基于人工智能的内窥镜辅助文档系统，用于测量退出时间和自动图像记录 | 首次将人工智能应用于内窥镜退出时间测量和自动图像记录，提供实时能力 | 需要进一步验证，样本量相对有限（100个结肠镜检查视频） | 提高内窥镜检查文档质量和标准化报告 | 结肠镜检查过程和图像 | 医学人工智能 | 结直肠疾病 | 深度学习 | 深度学习算法 | 内窥镜图像和视频 | 10,557张图像（来自1,300次检查，9个中心）和100个结肠镜检查视频（5个中心） | NA | 多类深度学习算法 | 时间差异比较，图像记录完整性 | 4个处理器 |
| 3 | 2025-11-20 |
Large-scale spatiotemporal deep learning predicting urban residential indoor PM2.5 concentration
2023-12, Environment international
IF:10.3Q1
DOI:10.1016/j.envint.2023.108343
PMID:38029622
|
研究论文 | 开发基于贝叶斯神经网络的大规模时空深度学习模型预测城市住宅室内PM2.5浓度 | 提出适用于全球尺度的室内PM2.5浓度预测模型，能够预测时空分布而非单点预测 | 模型在群体水平的有效性仍需进一步加强 | 评估人群水平暴露和健康风险，开发易于使用且通用的室内PM2.5浓度预测模型 | 中国城市住宅室内PM2.5浓度 | 机器学习 | 呼吸系统疾病 | 传感器监测 | 贝叶斯神经网络(BNN) | 传感器监测记录 | 全国范围的综合传感器监测记录 | NA | 贝叶斯神经网络 | R平方,平均绝对误差,均方根误差,预测区间覆盖率 | NA |
| 4 | 2025-11-18 |
Deep learning-based phenotype imputation on population-scale biobank data increases genetic discoveries
2023-12, Nature genetics
IF:31.7Q1
DOI:10.1038/s41588-023-01558-w
PMID:37985819
|
研究论文 | 提出一种基于深度学习的表型插补方法AutoComplete，用于填补大规模生物样本库中的缺失表型数据 | 开发了专门针对群体规模生物样本库数据的深度学习表型插补方法，显著提高了遗传发现能力 | 未明确说明方法在其他生物样本库或不同表型上的泛化能力 | 提高生物样本库表型数据的完整性和利用率，促进遗传学研究发现 | 英国生物银行约30万个体的表型数据 | 机器学习 | NA | 表型数据插补 | 深度学习 | 表型数据 | 约300,000个体 | NA | AutoComplete | 插补准确率, 遗传相似性, 有效样本量, 关联位点数量 | NA |
| 5 | 2025-11-18 |
Benchmarking of deep neural networks for predicting personal gene expression from DNA sequence highlights shortcomings
2023-12, Nature genetics
IF:31.7Q1
DOI:10.1038/s41588-023-01524-6
PMID:38036778
|
研究论文 | 本研究评估了深度神经网络在预测个体基因表达方面的表现，并揭示了现有方法的局限性 | 首次系统性地评估深度学习方法在跨个体基因表达预测中的表现，发现现有方法在预测变异效应方向上的局限性 | 现有方法未能充分学习序列基序语法，导致变异效应方向预测不准确 | 评估深度学习方法在预测个体基因表达变异方面的有效性和实用性 | 839名ROSMAP研究参与者的全基因组测序和基因表达数据 | 基因组学 | NA | 全基因组测序，基因表达分析 | 深度神经网络 | 基因组DNA序列，基因表达数据 | 839名个体 | NA | NA | 变异效应方向预测准确性 | NA |
| 6 | 2025-11-18 |
Current approaches to genomic deep learning struggle to fully capture human genetic variation
2023-12, Nature genetics
IF:31.7Q1
DOI:10.1038/s41588-023-01517-5
PMID:38036789
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7 | 2025-11-18 |
Personal transcriptome variation is poorly explained by current genomic deep learning models
2023-12, Nature genetics
IF:31.7Q1
DOI:10.1038/s41588-023-01574-w
PMID:38036790
|
研究论文 | 评估当前基因组深度学习模型在解释个体间转录组变异方面的表现 | 首次系统评估深度学习模型在解释个体间基因表达变异方面的能力，揭示其在此任务上的局限性 | 仅评估了四种现有模型，可能未覆盖所有相关方法；研究结果基于有限的数据集 | 探索基因组深度学习模型解释个体间基因表达变异的能力 | 配对的个人基因组和转录组数据 | 机器学习 | NA | 基因组深度学习 | 深度学习模型 | DNA序列，基因表达数据 | NA | NA | NA | 表达变异解释能力，效应方向预测准确性 | NA |
| 8 | 2025-11-15 |
Protein structure prediction with in-cell photo-crosslinking mass spectrometry and deep learning
2023-12, Nature biotechnology
IF:33.1Q1
DOI:10.1038/s41587-023-01704-z
PMID:36941363
|
研究论文 | 本研究开发了AlphaLink方法，通过将实验距离约束信息整合到AlphaFold2网络架构中，提升具有构象变化或同源序列稀少蛋白质的结构预测精度 | 提出首个将细胞内光交联质谱实验数据整合到深度学习蛋白质结构预测框架的方法，通过稀疏实验接触点作为锚点改进预测性能 | 未明确说明方法对各类蛋白质构象变化的普适性及计算效率的具体评估 | 改进蛋白质结构预测精度，特别是针对构象变化蛋白质和同源序列稀少的困难目标 | 蛋白质三维结构，特别是具有构象变化的蛋白质 | 计算生物学 | NA | 光交联质谱，非经典氨基酸光亮氨酸标记 | 深度学习 | 蛋白质序列数据，质谱实验数据，距离约束信息 | NA | AlphaFold2 | AlphaFold2改进架构 | 结构预测精度 | NA |
| 9 | 2025-11-15 |
Interpretable neural architecture search and transfer learning for understanding CRISPR-Cas9 off-target enzymatic reactions
2023-12, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00569-1
PMID:38177723
|
研究论文 | 提出Elektrum深度学习框架，通过可解释神经网络架构搜索和迁移学习预测CRISPR-Cas9脱靶编辑概率 | 结合数据驱动和生物物理可解释模型，通过体外动力学假设生成和体内迁移学习的两阶段框架 | NA | 开发预测性和可解释的酶促通路模型 | CRISPR-Cas9脱靶编辑反应 | 机器学习 | NA | 体外动力学检测，深度学习 | CNN，可解释神经网络 | 体外动力学数据，体内反应数据 | NA | NA | KINNs（动力学可解释神经网络），卷积神经网络 | 预测性能，正则化效果，可解释性 | NA |
| 10 | 2025-11-15 |
Deep contrastive learning of molecular conformation for efficient property prediction
2023-12, Nature computational science
IF:12.0Q1
DOI:10.1038/s43588-023-00560-w
PMID:38177719
|
研究论文 | 提出一种基于深度对比学习的分子构象领域自适应方法LACL，用于高效预测分子性质 | 通过局部原子环境对比学习形成领域无关的潜在空间，规避了几何弛豫瓶颈同时保持量子化学精度 | NA | 解决不同构象生成方法间的领域偏移问题，实现准确的分子性质预测 | 有机小分子、生物和药理学长链分子 | 机器学习 | NA | 对比学习 | 深度学习 | 分子构象数据 | NA | NA | LACL（局部原子环境对比学习） | 量子化学精度 | NA |
| 11 | 2025-11-12 |
Beyond here and now: Evaluating pollution estimation across space and time from street view images with deep learning
2023-Dec-10, The Science of the total environment
DOI:10.1016/j.scitotenv.2023.166168
PMID:37586538
|
研究论文 | 本研究使用深度学习从街景图像评估空气污染和噪声的时空分布 | 首次系统评估基于图像的污染模型在时空维度上的泛化能力，特别是在基础设施有限的中低收入国家 | 模型在未见过的地点表现下降，需要与传统传感器网络集成以提高鲁棒性 | 开发能够从街景图像推断细颗粒物和噪声水平的时空可泛化模型 | 加纳阿克拉市的空气污染(PM)和噪声水平 | 计算机视觉 | NA | 街景图像分析 | CNN | 图像 | 超过160万张图像，在145个代表性地点收集，持续15个月 | NA | 卷积神经网络 | 准确率 | NA |
| 12 | 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 |
| 13 | 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 |
| 14 | 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 |
| 15 | 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 |
| 16 | 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 |
| 17 | 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 |
| 18 | 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 |
| 19 | 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 |
| 20 | 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 |