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 12022 篇文献，本页显示第 2261 - 2280 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2261 | 2025-02-05 |
An explainable Bi-LSTM model for winter wheat yield prediction
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1491493
PMID:39898259
|
研究论文 | 本研究开发了一种可解释的Bi-LSTM模型，用于冬小麦产量预测，结合了深度学习和解释性技术 | 首次在区域尺度上应用Bi-LSTM模型进行作物产量预测，并结合LIME、IG和SHAP等解释性技术，提供了模型决策过程的直观见解 | 研究主要关注冬小麦，未涉及其他作物，且模型的解释性分析可能受限于所选解释性技术的局限性 | 开发一种可解释的深度学习模型，用于准确预测作物产量并提供预测解释 | 冬小麦 | 机器学习 | NA | 深度学习 | Bi-LSTM, LSTM, 1D CNN | 时间序列数据 | 未明确说明样本数量，但涉及多个区域和产量数据范围 | NA | NA | NA | NA |
| 2262 | 2025-02-05 |
Research on the quantification and automatic classification method of Chinese cabbage plant type based on point cloud data and PointNet+
2024, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2024.1458962
PMID:39898272
|
研究论文 | 本文提出了一种基于点云数据和PointNet++深度学习算法的大白菜株型快速准确量化和自动分类方法 | 结合点云数据处理和深度学习算法PointNet++，首次实现了大白菜株型的快速准确量化和自动分类 | 目前的方法主要依赖于点云数据，可能在实际应用中受到数据采集条件的限制 | 开发一种能够快速准确量化和分类大白菜株型的方法，以提高作物管理和育种效率 | 大白菜株型 | 计算机视觉 | NA | 点云数据处理，深度学习 | PointNet++ | 点云数据 | 未明确说明样本数量 | NA | NA | NA | NA |
| 2263 | 2024-08-07 |
Correction to: Prediction of protein-ligand binding affinity via deep learning models
2024-May-23, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae310
PMID:38888458
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2264 | 2025-10-07 |
Prediction of protein-ligand binding affinity via deep learning models
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae081
PMID:38446737
|
综述 | 本文综述了基于深度学习的蛋白质-配体结合亲和力预测方法 | 系统梳理了深度学习在蛋白质-配体结合亲和力预测中的应用现状与挑战 | 当前深度学习模型仍面临数据库质量低、输入表示不准确和模型架构不合适等限制 | 预测蛋白质与配体之间的结合亲和力 | 蛋白质-配体复合物 | 机器学习 | NA | 深度学习 | 深度学习模型 | 蛋白质结构数据、配体数据 | NA | NA | NA | NA | NA |
| 2265 | 2025-10-07 |
Self-supervised deep learning of gene-gene interactions for improved gene expression recovery
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae031
PMID:38349062
|
研究论文 | 提出一种利用基因-基因相互作用的自监督深度学习方法来改进单细胞RNA测序数据的基因表达恢复 | 通过将基因重新定位到反映交互关系的2D网格中，并采用自监督2D卷积神经网络提取交互特征 | 未明确说明模型对特定生物背景的泛化能力 | 解决单细胞RNA测序中基因表达值缺失的插补问题 | 单细胞RNA测序数据中的基因表达值 | 生物信息学 | NA | 单细胞RNA测序(scRNA-seq) | CNN | 基因表达数据 | 模拟和实验scRNA-seq数据集 | NA | 2D卷积神经网络 | NA | NA |
| 2266 | 2025-10-07 |
scAMAC: self-supervised clustering of scRNA-seq data based on adaptive multi-scale autoencoder
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae068
PMID:38426327
|
研究论文 | 提出一种基于自适应多尺度自编码器的单细胞RNA测序数据自监督聚类方法scAMAC | 采用多尺度注意力机制融合编码器、隐藏层和解码器的特征信息，并引入自适应反馈机制监督参数更新 | NA | 开发单细胞RNA测序数据的聚类方法 | 单细胞RNA测序数据 | 机器学习 | NA | 单细胞RNA测序 | 自编码器 | 基因表达数据 | NA | NA | 自适应多尺度自编码器 | 聚类性能, 数据重建性能 | NA |
| 2267 | 2025-10-07 |
Diff-AMP: tailored designed antimicrobial peptide framework with all-in-one generation, identification, prediction and optimization
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae078
PMID:38446739
|
研究论文 | 开发了一个名为Diff-AMP的集成深度学习框架，用于自动化抗菌肽的生成、识别、属性预测和迭代优化 | 创新性地将动力学扩散和注意力机制整合到强化学习框架中，并首次将AMP生成、筛选、属性预测和迭代优化任务集成到统一框架中 | 未明确说明模型的具体性能限制和适用范围 | 开发一个全功能的抗菌肽设计和优化框架 | 抗菌肽(AMPs) | 机器学习 | NA | 深度学习 | 扩散模型,注意力机制,强化学习,CNN | 肽序列数据 | NA | NA | 基于扩散和注意力机制的生成模型,卷积神经网络 | NA | NA |
| 2268 | 2025-10-07 |
VirGrapher: a graph-based viral identifier for long sequences from metagenomes
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae036
PMID:38343326
|
研究论文 | 提出基于图卷积网络的病毒识别方法VirGrapher，用于从宏基因组中识别长病毒序列 | 通过将长序列视为图结构并利用图卷积网络学习短子序列间的多层连接关系，解决了现有方法忽略序列间关系的问题 | 未提及具体的数据集规模和计算资源限制 | 提高从宏基因组中识别长病毒序列的性能 | 宏基因组中的长病毒序列 | 生物信息学 | NA | 宏基因组测序 | GCN | 序列数据 | NA | NA | 图卷积网络 | AUC, 准确率 | NA |
| 2269 | 2025-10-07 |
Should we really use graph neural networks for transcriptomic prediction?
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae027
PMID:38349060
|
研究论文 | 本文通过系统基准测试评估图神经网络在转录组预测中的实际效果 | 首次提供完整可复现的基准测试，系统比较GNN与标准机器学习方法在转录组预测中的成本效益平衡 | 基于有限但受控的模拟数据集，可能无法完全代表真实世界的复杂性 | 评估图神经网络在转录组预测任务中的实际价值 | 基因表达数据和表型预测 | 生物信息学 | NA | 转录组分析 | 图神经网络, 标准机器学习方法 | 基因表达数据 | 多个数据集 | NA | 图神经网络 | 预测性能 | NA |
| 2270 | 2025-10-07 |
Cracking the black box of deep sequence-based protein-protein interaction prediction
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae076
PMID:38446741
|
研究论文 | 系统评估基于深度学习的蛋白质-蛋白质相互作用预测方法的可靠性，揭示数据泄露和序列相似性对性能评估的影响 | 首次系统性地揭示深度学习模型在PPI预测中过度依赖数据泄露和序列相似性，而非真正学习蛋白质相互作用的生物学机制 | 研究主要关注序列相似性和网络拓扑信息的影响，未考虑其他可能影响PPI预测的因素 | 评估深度学习模型在蛋白质-蛋白质相互作用预测中的真实性能和可靠性 | 蛋白质-蛋白质相互作用预测模型 | 生物信息学 | NA | 深度学习, 机器学习 | 深度学习模型, 基础机器学习模型 | 蛋白质序列数据, 蛋白质相互作用网络数据 | NA | NA | NA | 准确率 | NA |
| 2271 | 2025-10-07 |
SuperCUT, an unsupervised multimodal image registration with deep learning for biomedical microscopy
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae029
PMID:38483256
|
研究论文 | 提出了一种基于深度学习的无监督多模态生物医学显微镜图像配准方法SuperCUT | 结合模态域风格转换与完全无监督训练，无需人工标注即可达到与有监督方法相当的配准精度 | NA | 解决生物医学多模态图像配准的挑战 | 生物医学显微镜图像 | 计算机视觉 | NA | 显微镜成像 | 深度学习 | 多模态图像 | NA | NA | NA | 配准精度 | NA |
| 2272 | 2025-10-07 |
Deep learning in spatially resolved transcriptfomics: a comprehensive technical view
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae082
PMID:38483255
|
综述 | 对空间转录组学中深度学习方法的全面技术评述 | 系统分析深度学习在空间转录组学中的创新应用，提出整合生物学细微特征的发展方向 | 现有方法在整合生物学细微特征和处理数据技术挑战方面仍有不足 | 评述深度学习在空间转录组学数据分析中的应用与挑战 | 空间转录组学数据（基因表达矩阵、空间信息和组织学图像） | 计算生物学 | NA | 空间转录组学技术 | 深度学习 | 基因表达数据、空间坐标数据、组织学图像 | NA | NA | NA | NA | NA |
| 2273 | 2025-10-07 |
Enhancer-MDLF: a novel deep learning framework for identifying cell-specific enhancers
2024-01-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae083
PMID:38485768
|
研究论文 | 提出一种名为Enhancer-MDLF的新型多输入深度学习框架，用于识别细胞特异性增强子 | 开发了多输入深度学习框架，引入迁移学习解决增强子特异性预测挑战，并利用模型解释识别可能与增强子区域相关的转录因子结合位点基序 | NA | 开发更有效的细胞特异性增强子识别方法 | 人类细胞系中的增强子 | 生物信息学 | NA | 深度学习 | 深度学习框架 | 基因组数据 | 八种不同人类细胞系 | NA | 多输入深度学习框架 | NA | NA |
| 2274 | 2025-02-04 |
Leveraging deep learning for toxic comment detection in cursive languages
2024, PeerJ. Computer science
DOI:10.7717/peerj-cs.2486
PMID:39896410
|
研究论文 | 本文提出了一种新的深度学习模型，用于检测乌尔都语中的有毒评论，通过使用transformer进行文本的二元分类 | 提出了一种新的模型来识别乌尔都语句子中的显著特征，并使用transformer进行有毒评论的检测 | 乌尔都语作为一种低资源语言，其复杂性和不规则性增加了检测难度 | 开发一种工具来检测乌尔都语中的有毒评论，以保护社区免受其负面影响 | 乌尔都语中的有毒评论 | 自然语言处理 | NA | 深度学习 | transformer, BERT, GPT-2 | 文本 | NA | NA | NA | NA | NA |
| 2275 | 2025-02-03 |
Diagnostic Accuracy of an Integrated AI Tool to Estimate Gestational Age From Blind Ultrasound Sweeps
2024-08-27, JAMA
DOI:10.1001/jama.2024.10770
PMID:39088200
|
研究论文 | 本研究开发了一种深度学习人工智能模型，用于从盲超声扫描中估计孕龄，并将其集成到低成本、电池供电设备的软件中 | 开发了一种低成本、电池供电的AI工具，使未经培训的新手用户能够准确估计孕龄，适用于资源匮乏的环境 | 研究仅包括单胎、无异常的第一孕期妊娠，且仅在14至27周孕龄范围内进行评估 | 评估由未经培训的新手用户使用AI超声工具估计孕龄的准确性 | 400名在赞比亚卢萨卡和美国北卡罗来纳州教堂山的单胎、无异常的第一孕期妊娠个体 | 数字病理 | NA | 深度学习 | 深度学习模型 | 超声图像 | 400名妊娠个体 | NA | NA | NA | NA |
| 2276 | 2025-02-03 |
Defining the boundaries: challenges and advances in identifying cells in microscopy images
2024-02, Current opinion in biotechnology
IF:7.1Q1
DOI:10.1016/j.copbio.2023.103055
PMID:38142646
|
研究论文 | 本文探讨了在显微镜图像中识别细胞的挑战和进展，特别是分割技术的改进 | 深度学习工具在细胞分割技术中的主导地位增强，如Cellpose模型的准确性和用户友好性提升 | NA | 提高显微镜图像中细胞分割的准确性和效率 | 显微镜图像中的细胞 | 计算机视觉 | NA | 深度学习 | Cellpose | 图像 | NA | NA | NA | NA | NA |
| 2277 | 2025-02-03 |
Detecting major depressive disorder presence using passively-collected wearable movement data in a nationally-representative sample
2024-Feb, Psychiatry research
IF:4.2Q1
DOI:10.1016/j.psychres.2023.115693
PMID:38194801
|
研究论文 | 本研究探讨了利用腕戴式活动记录仪数据结合机器学习和深度学习技术检测重度抑郁症（MDD）的效用 | 结合传统机器学习方法和深度学习卷积神经网络（CNN）方法，利用被动收集的活动记录仪数据检测MDD，并识别出与MDD相关的生物标志物 | 研究依赖于PHQ-9作为MDD筛查工具，可能存在筛查偏差 | 探索利用被动收集的活动记录仪数据结合机器学习技术检测MDD的潜力 | 8,378名参与者，其中766名参与者通过PHQ-9筛查为MDD | 机器学习 | 重度抑郁症 | 机器学习和深度学习 | 传统机器学习方法和CNN | 活动记录仪数据 | 8,378名参与者，其中766名通过PHQ-9筛查为MDD | NA | NA | NA | NA |
| 2278 | 2025-02-03 |
Nonmetastatic Axillary Lymph Nodes Have Distinct Morphology and Immunophenotype in Obese Patients with Breast Cancer at Risk for Metastasis
2024-02, The American journal of pathology
DOI:10.1016/j.ajpath.2023.11.005
PMID:38029922
|
研究论文 | 本研究使用深度学习模型识别肥胖乳腺癌患者非转移性腋窝淋巴结的形态学差异，并探讨其与淋巴结转移的潜在机制 | 首次通过深度学习模型揭示肥胖乳腺癌患者非转移性腋窝淋巴结的形态学差异，并初步发现脂肪替代淋巴结中CD3表达减少和瘦素表达增加的趋势 | 研究样本量较小（180例），且免疫组化分析仅基于30例患者的子集，结果需要进一步验证 | 探讨肥胖乳腺癌患者非转移性腋窝淋巴结的形态学差异及其与淋巴结转移的潜在机制 | 肥胖乳腺癌患者的非转移性腋窝淋巴结 | 数字病理学 | 乳腺癌 | 深度学习模型、免疫组化分析 | 深度学习模型 | 图像（H&E染色全切片图像） | 180例乳腺癌患者（其中30例用于免疫组化分析） | NA | NA | NA | NA |
| 2279 | 2025-10-07 |
Respiratory signal estimation for cardiac perfusion SPECT using deep learning
2024-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.16653
PMID:37523268
|
研究论文 | 本研究开发了一种基于深度学习的方法，仅使用SPECT投影数据估计呼吸信号，用于心脏灌注成像中的呼吸运动校正 | 首次提出使用改进的U-Net网络直接从SPECT投影数据估计呼吸信号，无需外部跟踪设备 | 研究依赖于外部立体相机视觉跟踪系统作为训练目标信号，且样本量相对有限 | 开发仅使用SPECT投影数据的深度学习方法进行呼吸信号估计，以改善心脏灌注SPECT图像质量 | 心脏灌注SPECT成像中的呼吸运动伪影 | 医学影像分析 | 心血管疾病 | SPECT成像，深度学习 | CNN | SPECT投影数据 | 900名接受负荷心脏灌注SPECT研究的受试者（302名测试，598名训练验证） | NA | 改进的U-Net | Pearson相关系数，平均绝对差异 | NA |
| 2280 | 2025-02-03 |
Flexible protein-protein docking with a multitrack iterative transformer
2024-Feb, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.4862
PMID:38148272
|
研究论文 | 本文介绍了一种名为GeoDock的多轨迭代变压器网络，用于从分离的对接伙伴预测对接结构，解决了现有蛋白质-蛋白质对接方法在结合诱导构象变化方面的局限性 | GeoDock在蛋白质残基水平上具有灵活性，能够预测结合时的构象变化，且在DIPS测试集上达到了43%的top-1成功率，优于其他测试方法 | 尽管GeoDock在预测结合诱导的构象变化方面有所突破，但由于训练和评估数据的限制，这仍然是一个挑战 | 开发一种能够处理结合诱导构象变化的蛋白质-蛋白质对接方法，以提高对接成功率和应用效率 | 蛋白质-蛋白质对接 | 机器学习 | NA | 多轨迭代变压器网络 | Transformer | 序列和结构数据 | DIPS测试集、DB5.5测试集和抗体-抗原复合物基准数据集 | NA | NA | NA | NA |