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
6761	2024-09-14	scNODE : generative model for temporal single cell transcriptomic data prediction 2024-09-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae393 PMID:39230694	研究论文	提出了一种名为scNODE的深度学习模型，用于预测未观测时间点的单细胞基因表达数据	scNODE结合了变分自编码器和神经常微分方程，通过连续非线性的潜在空间预测基因表达，并引入动态正则化项以增强模型对分布偏移的鲁棒性	NA	解决单细胞实验中由于资源和技术限制导致的离散和稀疏采样问题，以促进细胞发育分析	单细胞基因表达数据	机器学习	NA	深度学习	变分自编码器、神经常微分方程	基因表达数据	三个真实世界的scRNA-seq数据集
6762	2024-09-14	Multi-task deep latent spaces for cancer survival and drug sensitivity prediction 2024-09-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae388 PMID:39230696	研究论文	本文介绍了一种名为MODAE的新型深度学习算法，用于整合细胞系和患者的组学数据，以探索精准医学的机会	MODAE算法在药物敏感性迁移学习框架中引入了患者生存预测作为附加任务，旨在平衡自编码、领域适应、药物敏感性预测和生存预测目标，以更好地保留与生存相关的患者异质性	尽管MODAE在生存预测任务中表现与基线模型相当，但在药物敏感性预测任务中表现不佳	探索精准医学的机会，特别是通过整合细胞系和患者的组学数据来预测癌症患者的生存和药物敏感性	癌症患者的生存和药物敏感性	机器学习	癌症	深度学习	MODAE	组学数据	NA
6763	2024-09-14	Metadata-guided feature disentanglement for functional genomics 2024-09-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae403 PMID:39230700	研究论文	本文介绍了一种名为Metadata-guided Feature Disentanglement (MFD)的方法，用于从潜在的技术偏差中分离出生物学相关的特征	MFD方法通过将目标元数据纳入模型训练，条件化模型输出层的权重，并使用对抗性学习惩罚来强制特征子空间之间的独立性，从而实现特征解耦	NA	开发一种方法，从功能基因组学数据中分离出生物学相关的特征，同时减少技术偏差的影响	功能基因组学数据中的生物学相关特征和技术偏差	机器学习	NA	深度学习 (DL)	NA	基因组序列	NA
6764	2024-09-14	Improving dictionary-based named entity recognition with deep learning 2024-09-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae402 PMID:39230709	研究论文	本文通过深度学习方法改进了基于字典的命名实体识别，自动生成需要屏蔽的名称列表，从而提高了文本挖掘的精度	本文创新性地使用Transformer模型（BioBERT）进行实体类型分类，自动生成需要屏蔽的名称列表，显著提高了文本挖掘的精度	本文未详细讨论模型的召回率略有下降的问题	改进基于字典的命名实体识别方法，提高文本挖掘的精度	生物医学领域的基因、疾病、物种和化学物质四种实体类型	自然语言处理	NA	Transformer模型（BioBERT）	Transformer	文本	超过1250万个文本片段
6765	2024-09-14	Daily PM2.5 concentration prediction based on variational modal decomposition and deep learning for multi-site temporal and spatial fusion of meteorological factors 2024-Aug-29, Environmental monitoring and assessment IF:2.9Q3 DOI:10.1007/s10661-024-13005-2 PMID:39207594	研究论文	本文提出了一种基于变分模态分解和深度学习的多站点时空融合气象因子预测每日PM2.5浓度的混合模型	该研究引入了新的混合模型VCBA，结合了变分模态分解、因果卷积神经网络、双向长短期记忆网络和注意力机制，用于时空融合的多站点数据预测	NA	准确预测每日PM2.5浓度，以保护环境和公众健康	PM2.5浓度及其影响因素	机器学习	NA	变分模态分解（VMD）	因果卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）	气象数据	太原市多个站点
6766	2024-09-14	A study on the classification of complexly shaped cultivated land considering multi-scale features and edge priors 2024-Aug-15, Environmental monitoring and assessment IF:2.9Q3 DOI:10.1007/s10661-024-12966-8 PMID:39145878	研究论文	本文提出了一种考虑多尺度特征和边缘先验的复杂形状耕地提取网络（MFEPNet），通过设计上下文交叉注意力融合模块和纹理增强边缘模块，提高了复杂形状耕地的提取精度	本文的创新点在于设计了上下文交叉注意力融合模块和纹理增强边缘模块，有效减少了尺度变化、边缘模糊和全局视野有限的影响	NA	研究目的是提高复杂形状耕地的提取精度，为可持续农业发展提供准确的耕地分布数据	研究对象是复杂形状的耕地，特别是其多尺度和模糊边缘问题	计算机视觉	NA	深度学习	CNN-transformer	图像	使用了IFLYTEK和荷兰数据集划分的规则和不规则耕地数据集
6767	2024-09-14	Deep learning structural insights into heterotrimeric alternatively spliced P2X7 receptors 2024-Aug, Purinergic signalling IF:3.0Q2 DOI:10.1007/s11302-023-09978-3 PMID:38032425	研究论文	本研究使用深度学习方法AlphaFold2-Multimer生成异源三聚体选择性剪接P2X7受体的结构	首次使用AlphaFold2-Multimer准确预测P2X7受体的结构，并生成异源三聚体选择性剪接P2X7受体的模型	仅限于使用AlphaFold2-Multimer生成模型，未进行实验验证	研究异源三聚体选择性剪接P2X7受体的结构	P2X7受体的异源三聚体结构	结构生物学	NA	AlphaFold2-Multimer	NA	蛋白质结构	涉及P2X7A、P2X7B、P2X7E、P2X7J和P2X7L等多种亚型
6768	2024-09-14	Multiview Deep Learning-based Efficient Medical Data Management for Survival Time Forecasting 2024-Jul-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3422180 PMID:38954570	研究论文	本文提出了一种基于多视角深度学习的生存时间预测高效医疗数据管理框架	引入集成深度学习思想，增强特征表示能力，提升远程医疗管理中的知识发现	实验仅在美国的癌症患者数据集上进行，可能限制了方法的普适性	提高生存时间预测的准确性，实现高效的医疗数据管理	癌症患者的生存时间	机器学习	NA	深度学习	卷积神经网络、图注意力网络、图卷积网络	生理特征数据	美国的癌症患者数据集
6769	2024-09-14	D'or: deep orienter of protein-protein interaction networks 2024-07-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae355 PMID:38862241	研究论文	本文提出了一种新的深度学习方法用于蛋白质-蛋白质相互作用网络的方向性预测	本文提出的深度学习方法在蛋白质-蛋白质相互作用网络方向性预测上表现优异，超越了以往的方法	NA	开发一种计算方法来推断蛋白质-蛋白质相互作用的方向性	蛋白质-蛋白质相互作用网络的方向性	机器学习	NA	深度学习	深度集编码器	蛋白质-蛋白质相互作用数据	来自五个不同来源的综合数据集
6770	2024-09-14	Geometric epitope and paratope prediction 2024-07-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae405 PMID:38984742	研究论文	本文研究了用于预测抗体和抗原结合位点的最佳表示方法，强调了几何信息的重要性	本文提出了基于几何深度学习的方法，比较了不同几何表示对预测抗体和抗原结合位点的效果，发现表面模型在预测表位结合方面更有效，而图模型在预测表位方面表现更好	NA	研究用于预测抗体和抗原结合位点的最佳几何表示方法	抗体和抗原的结合位点	计算机视觉	NA	几何深度学习	表面模型和图模型	3D坐标和光谱几何描述符	NA
6771	2024-09-14	GraphADT: empowering interpretable predictions of acute dermal toxicity with multi-view graph pooling and structure remapping 2024-07-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae438 PMID:38967119	研究论文	本文介绍了一种名为GraphADT的新模型，利用结构重映射和多视角图池化技术来准确预测化合物的急性皮肤毒性	提出了结构重映射和多视角图池化技术，通过将“键”转换为新节点并将“键-原子-键”相互作用转换为新边来重建化合物分子图，从而提高模型的解释性和预测准确性	未提及	提高化合物急性皮肤毒性的预测准确性和模型的解释性	化合物分子及其急性皮肤毒性	机器学习	NA	图神经网络	GraphADT	图数据	未提及
6772	2024-09-14	SFINN: inferring gene regulatory network from single-cell and spatial transcriptomic data with shared factor neighborhood and integrated neural network 2024-07-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae433 PMID:38950180	研究论文	本文介绍了一种基于共享因子邻域和集成神经网络（SFINN）的新型深度学习框架，用于从单细胞和空间转录组数据中推断转录因子与目标基因之间的潜在相互作用和因果关系	SFINN利用共享因子邻域构建基于基因表达数据的细胞邻域网络，并整合来自空间位置信息的细胞网络，通过图卷积神经网络和全连接神经网络的集成框架来确定基因是否相互作用	NA	开发一种准确推断基因调控网络（GRN）的算法，以应对单细胞RNA测序（scRNA-seq）数据中的噪声、技术误差和丢失现象	单细胞和空间转录组数据中的转录因子与目标基因之间的相互作用和因果关系	机器学习	NA	单细胞RNA测序（scRNA-seq），空间转录组测序	图卷积神经网络（GCN），全连接神经网络	基因表达数据	NA
6773	2024-09-14	PredGCN: a Pruning-enabled Gene-Cell Net for automatic cell annotation of single cell transcriptome data 2024-07-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae421 PMID:38924517	研究论文	本文提出了一种名为PredGCN的剪枝启用的基因-细胞网络，用于单细胞转录组数据的自动细胞注释	PredGCN通过结合基因拼接网络和细胞分层网络，并采用剪枝操作来动态处理异质性细胞识别问题，显著提高了细胞类型注释的准确性和跨物种数据的可扩展性	NA	解决现有自动细胞注释方法在分类器架构和训练数据质量与多样性方面的局限性	单细胞转录组数据的细胞类型注释	机器学习	NA	深度学习	GCN（图卷积网络）	转录组数据	涉及多种物种的真实单细胞转录组数据集
6774	2024-09-14	DeepGSEA: explainable deep gene set enrichment analysis for single-cell transcriptomic data 2024-07-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae434 PMID:38950178	研究论文	本文介绍了一种名为DeepGSEA的可解释深度基因集富集分析方法，用于单细胞转录组数据	DeepGSEA利用可解释的原型神经网络，能够在单细胞基因表达数据中进行深入的基因集富集分析，并提供可视化的结果	NA	开发一种新的深度学习方法，用于单细胞转录组数据的基因集富集分析，并提高分析的可解释性	单细胞转录组数据中的基因集富集分析	机器学习	NA	单细胞RNA测序 (scRNA-seq)	神经网络	基因表达数据	NA
6775	2024-09-14	CodonBERT: a BERT-based architecture tailored for codon optimization using the cross-attention mechanism 2024-07-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae330 PMID:38788220	研究论文	本文提出了一种基于BERT的架构CodonBERT，用于密码子优化，通过交叉注意力机制提高mRNA疫苗的稳定性和蛋白质表达	CodonBERT利用BERT架构和交叉注意力机制，有效捕捉密码子和氨基酸之间的长期依赖关系，为特定优化目标提供定制化训练框架	当前深度学习方法如循环神经网络在捕捉密码子偏好长期依赖方面能力较弱	开发一种新的深度学习架构，用于mRNA疫苗设计中的密码子优化	mRNA序列的稳定性和蛋白质表达	机器学习	NA	BERT	BERT	文本	高表达转录本来自人类蛋白质图谱，混合不同比例的高密码子适应指数密码子序列
6776	2024-09-14	A deep learning method to predict bacterial ADP-ribosyltransferase toxins 2024-07-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae378 PMID:38885365	研究论文	提出了一种基于深度学习的模型ARTNet，用于预测细菌ADP-核糖基转移酶毒素	引入了一种有效的数据增强方法来解决数据稀缺问题，并使用ART相关域子序列代替原始全序列，显著提高了模型性能	NA	开发一种高效准确的模型来预测细菌ADP-核糖基转移酶毒素	细菌ADP-核糖基转移酶毒素	机器学习	NA	深度学习	ARTNet	序列数据	NA
6777	2024-09-14	Unlocking Hidden Risks: Harnessing Artificial Intelligence (AI) to Detect Subclinical Conditions from an Electrocardiogram (ECG) 2024-Jul-01, Journal of insurance medicine (New York, N.Y.) DOI:10.17849/insm-51-2-64-76.1 PMID:39266002	研究论文	本文探讨了利用人工智能（AI）从心电图（ECG）中检测亚临床状况的潜力	应用深度学习模型在正常心电图中检测疾病，达到了以往技术和人类专家未曾达到的准确度	尽管结果令人鼓舞，但仍需谨慎乐观	提供对AI辅助心电图技术的基本理解，并探讨其在心血管医学中的应用	心电图（ECG）及其在检测亚临床状况中的应用	机器学习	心血管疾病	人工智能（AI）	深度学习模型	心电图（ECG）数据	NA
6778	2024-09-14	MolLM: a unified language model for integrating biomedical text with 2D and 3D molecular representations 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae260 PMID:38940177	研究论文	本文介绍了一种名为MolLM的统一预训练语言模型，该模型能够同时捕捉2D和3D分子信息以及生物医学文本	MolLM模型创新性地整合了2D和3D分子结构与生物医学文本，通过对比学习方法提升了分子表示能力	NA	开发一种能够同时处理2D和3D分子结构以及生物医学文本的统一语言模型	2D和3D分子结构以及生物医学文本	自然语言处理	NA	对比学习	Transformer	文本和分子结构	160K分子-文本配对
6779	2024-09-14	scGrapHiC: deep learning-based graph deconvolution for Hi-C using single cell gene expression 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae223 PMID:38940151	研究论文	本文介绍了一种基于深度学习的图解卷积框架scGrapHiC，用于利用单细胞基因表达数据预测伪批量scHi-C接触图	scGrapHiC通过图解卷积从批量Hi-C接触图中提取全基因组单细胞相互作用，并使用scRNA-seq作为指导信号，显著提高了细胞类型特异性拓扑关联域的恢复率	NA	开发一种新方法，利用广泛可用的基因组信号生成细胞类型特异性的scHi-C接触图，以研究细胞类型特异性的染色质相互作用	单细胞Hi-C数据和单细胞RNA测序数据	机器学习	NA	深度学习	图解卷积	基因组数据	七个细胞类型共分析数据集
6780	2024-09-14	Predicting single-cell cellular responses to perturbations using cycle consistency learning 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae248 PMID:38940153	研究论文	本文提出了一种名为cycleCDR的新型深度学习框架，用于预测细胞对外部扰动的响应	利用自编码器将未扰动的细胞状态映射到潜在空间，并假设药物扰动对细胞状态的影响遵循线性加性模型，通过循环一致性约束确保扰动和去扰动过程的准确性	NA	开发一种能够预测细胞对外部扰动响应的深度学习模型	细胞对外部药物或基因扰动的响应	机器学习	NA	深度学习	自编码器	转录组数据和蛋白质组数据	涉及四种不同类型的数据集，包括批量转录组响应、批量蛋白质组响应和单细胞转录组响应