深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
121	2026-09-13	Deep learning-based enhancement of fluorescence labeling for accurate cell lineage tracing during embryogenesis 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae626 PMID:39418183	研究论文	开发了一种名为DELICATE的深度学习方法，通过增强荧光标记图像来改善胚胎发育过程中细胞谱系追踪的准确性	提出了一种新的图像增强方法DELICATE，专门针对线虫胚胎晚期细胞密集、低信噪比和荧光强度不均的问题，显著提高了自动细胞谱系追踪的准确性	未明确说明方法的泛化能力，可能主要针对线虫胚胎数据；未提及计算资源需求	改善胚胎发育过程中自动细胞谱系追踪的准确性，减少人工校正误差的工作量	线虫（Caenorhabditis elegans）胚胎	计算机视觉	NA	荧光显微成像	深度学习	图像	未明确说明，涉及线虫胚胎从早期到550细胞阶段的图像数据	NA	NA	信噪比（SNR）、分割错误率、追踪准确率	NA
122	2026-09-13	EuDockScore: Euclidean graph neural networks for scoring protein-protein interfaces 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae636 PMID:39441796	研究论文	本文提出了基于欧几里得图神经网络的蛋白质-蛋白质对接评分函数EuDockScore，并针对抗体-抗原对接开发了EuDockScore-Ab，以及用于重排AlphaFold-Multimer输出的EuDockScore-AFM	利用欧几里得图神经网络架构改进蛋白质-蛋白质相互作用评分函数，并针对抗体-抗原对接和AlphaFold-Multimer输出重排开发了专用模型	摘要中未明确提及 limitation	开发改进的蛋白质-蛋白质相互作用评分函数，用于评估计算对接产生的候选界面以及蛋白质生成模型输出的结构质量	蛋白质-蛋白质界面，包括一般蛋白质-蛋白质界面和抗体-抗原界面	机器学习	NA	蛋白质对接，AlphaFold-Multimer	图神经网络	蛋白质结构数据	NA	NA	欧几里得图神经网络	NA	NA
123	2026-09-13	InterLabelGO+: unraveling label correlations in protein function prediction 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae655 PMID:39499152	研究论文	本文提出了一种混合方法InterLabelGO+，结合深度学习和基于比对的方法来改进蛋白质功能预测	引入了一种新的损失函数来解决标签依赖和不平衡问题，并通过动态加权基于比对组件来进一步提升性能	未明确提及	准确预测蛋白质功能，以理解生物过程和推动生物医学研究	蛋白质序列	机器学习	NA	NA	深度学习	蛋白质序列	NA	PyTorch	NA	多种评估指标	NA
124	2026-09-13	A deep learning method to integrate extracelluar miRNA with mRNA for cancer studies 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae653 PMID:39495117	研究论文	该文提出了CrossPred，一种基于深度学习的多编码器模型，用于细胞外miRNA与mRNA的跨预测，通过对比学习构建共享嵌入空间，实现从噪声exmiR数据预测细胞内mRNA表达以及反向预测	首次提出多编码器深度学习模型CrossPred，利用对比学习构建exmiR与mRNA的共享嵌入空间，实现两者的双向跨预测，并揭示了与癌症相关的重要exmiR和mRNA	exmiR表达数据本身具有噪声，可能影响预测精度；研究仅在三类癌症上进行了评估，泛化能力有待进一步验证	提高细胞外miRNA表达数据质量，并开发非侵入性方法评估细胞内mRNA表达，以深入理解疾病机制	细胞外miRNA（exmiRs）和细胞内mRNA，以及三类癌症相关的表达数据	机器学习	癌症	miRNA表达谱分析, mRNA表达谱分析	多编码器深度学习模型, 对比学习	基因表达数据	NA	NA	多编码器模型, 变分自编码器（VAE）, 编码器-解码器模型	NA	NA
125	2026-09-13	ENKIE: a package for predicting enzyme kinetic parameter values and their uncertainties 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae652 PMID:39495107	研究论文	该论文介绍了一个名为ENKIE的包，使用贝叶斯多层模型预测酶动力学参数值及其不确定性	使用贝叶斯多层模型，仅用五个分类预测变量，就能达到与深度学习相当的性能，并提供校准的不确定性预测和可解释的洞察	摘要中未明确说明局限性	预测酶动力学参数（KM和kcat）的值和不确定性，以简化代谢模型的构建	酶动力学参数（KM和kcat）	机器学习	NA	贝叶斯多层模型	贝叶斯多层模型	分类预测变量	NA	NA	贝叶斯多层模型	预测性能，校准的不确定性	NA
126	2026-09-13	Prediction of antibiotic resistance mechanisms using a protein language model 2024-10-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae550 PMID:39254573	研究论文	该研究提出了一种基于蛋白质语言模型ProteinBERT的方法，用于预测抗生素抗性基因（ARGs）的抗性机制。	使用蛋白质语言模型ProteinBERT预测ARG的抗性机制，在低同源性数据集上优于现有方法，并通过注意力分析揭示了模型的可解释性，能够识别保守氨基酸残基和抗生素靶标结合位点等生物学相关特征。	摘要中未明确提及研究的局限性。	预测抗生素抗性基因（ARGs）的抗性机制，以理解并对抗抗生素抗性问题。	抗生素抗性基因（ARGs）及其对应的抗性机制。	生物信息学、机器学习	细菌感染	蛋白质语言模型（ProteinBERT）	蛋白质语言模型（pLM），基于深度学习的Transformer架构	蛋白质序列数据	摘要中未明确提及具体的样本数量。	NA	ProteinBERT（基于Transformer的蛋白质语言模型）	摘要中未明确提及具体的性能指标，但提到优于现有技术。	摘要中未明确提及计算资源。
127	2026-09-13	TAWFN: a deep learning framework for protein function prediction 2024-10-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae571 PMID:39312678	研究论文	本文提出了一种结合卷积神经网络和自适应图卷积网络的深度学习框架TAWFN，用于蛋白质功能预测	提出双模型自适应权重融合网络，将氨基酸接触图和序列的深度学习特征与自适应图卷积网络结合，动态计算权重融合两个模型的初步预测结果	未明确说明	从蛋白质结构出发，提高蛋白质功能预测的准确性	蛋白质结构和序列	机器学习	NA	深度学习	CNN, GCN	蛋白质结构数据	PDBset和AFset数据集	NA	自适应图卷积网络, 多层卷积神经网络	AUPR, Fmax, Smin	NA
128	2026-09-13	Identifying nucleotide-binding leucine-rich repeat receptor and pathogen effector pairing using transfer-learning and bilinear attention network 2024-10-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae581 PMID:39331576	研究论文	该论文提出了一种名为ProNEP的深度学习算法，通过结合迁移学习和双线性注意力网络来预测核苷酸结合富含亮氨酸重复序列受体（NLR）与病原体效应蛋白之间的配对关系	将NLR与效应蛋白的配对预测任务概念化为蛋白质-蛋白质相互作用预测任务，并结合迁移学习与双线性注意力网络实现高通量识别，同时发现了91291个NLRs中仅有387个CNEs被确认的数据稀缺问题	CNE数据非常稀缺，仅有387个已知的CNE对，严重限制了模型的训练和泛化能力	以高通量方式识别NLR与效应蛋白的配对关系，解决CNE数据稀缺问题，推动生物学、免疫学和作物育种的发展	核苷酸结合富含亮氨酸重复序列受体（NLRs）和病原体效应蛋白	机器学习	NA	NA	双线性注意力网络	序列数据	91291个NLRs和387个CNEs	NA	双线性注意力网络	NA	NA
129	2026-09-13	Learning to explain is a good biomedical few-shot learner 2024-10-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae589 PMID:39360976	研究论文	本文提出了一种名为LetEx的多任务生成方法，利用大语言模型生成的推理解释来增强生物医学小样本学习的归纳推理能力	首次探索可解释性对生物医学小样本学习的影响，提出利用LLMs通过CoT提示和自我训练策略收集高质量解释，并将各种生物医学NLP任务统一转化为文本到文本的生成任务，以解释作为额外监督信号进行多任务训练	未明确提及	研究生物医学小样本学习这一更现实的场景，并探索可解释性对生物医学小样本学习的影响	六个生物医学基准数据集上的三种小样本设置下的多种生物医学NLP任务	自然语言处理	NA	大语言模型、CoT提示、自我训练策略	生成式模型、多任务学习模型	文本	六个生物医学基准数据集	NA	LetEx（220M参数生成式模型）	准确率等（相比强基线模型提升高达6.41%）	NA
130	2026-09-13	PocketDTA: an advanced multimodal architecture for enhanced prediction of drug-target affinity from 3D structural data of target binding pockets 2024-10-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae594 PMID:39365726	研究论文	开发了一种名为PocketDTA的多模态架构，利用目标结合口袋的3D结构数据增强药物-靶标亲和力的预测	通过预训练模型ESM-2和GraphMVP增强泛化性能，利用定制的GVP-GNN层和GraphMVP解码器巧妙处理前3个目标结合口袋和药物3D信息，并使用双线性注意力网络增强可解释性	摘要中未明确提及	准确预测药物-靶标结合亲和力，以促进药物发现和重定位	药物-靶标结合亲和力预测	机器学习	NA	NA	GVP-GNN, 双线性注意力网络	3D结构数据	Davis和KIBA数据集（具体样本量未提供）	NA	ESM-2, GraphMVP, GVP-GNN, 双线性注意力网络	NA	NA
131	2026-09-13	MSDAFL: molecular substructure-based dual attention feature learning framework for predicting drug-drug interactions 2024-10-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae596 PMID:39383521	研究论文	本文提出了一个基于分子子结构的双重注意力特征学习框架MSDAFL，用于预测药物-药物相互作用	利用药物对子结构之间的交互信息，通过自注意力模块和交互注意力模块提取子结构模式及子结构间交互向量，并基于余弦相似度进一步捕捉药物对自注意力向量之间的交互特征，同时进行归一化以缓解过拟合	未明确提及	充分利用药物对子结构之间的信息以提升药物-药物相互作用预测性能	药物-药物相互作用（DDI）	机器学习	NA	NA	注意力机制	分子结构数据	三个数据集（具体样本量未在摘要中说明）	NA	自注意力模块, 交互注意力模块, 基于余弦相似度的交互模块	精确率（precision）, AUC	NA
132	2026-09-13	Anti-symmetric framework for balanced learning of protein-protein interactions 2024-10-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae603 PMID:39404784	研究论文	提出了一种反对称图学习模型BaPPI，用于蛋白质-蛋白质相互作用的平衡预测和模式外推	1. 提出反对称图卷积网络建模PPI网络中的不均匀分布，学习更鲁棒和平衡的表示；2. 采用无注意力机制（循环卷积算子）高效处理蛋白质数据的上下文信息，避免二次复杂度；3. 使用非对称损失函数更新模型，解决PPI特征不平衡问题	未明确说明	高效预测蛋白质-蛋白质相互作用，并解决PPI数据不平衡和长程依赖计算成本高的问题	蛋白质-蛋白质相互作用（PPI）网络及蛋白质序列数据	机器学习	NA	NA	图卷积网络	图数据、序列数据	SHS27K和SHS148K数据集	PyTorch	反对称图卷积网络、循环卷积算子	Micro-F1	NA
133	2026-09-13	FateNet: an integration of dynamical systems and deep learning for cell fate prediction 2024-09-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae525 PMID:39177093	研究论文	本文提出了FateNet，一种整合动力系统理论与深度学习的计算方法，利用单细胞RNA测序数据预测细胞命运决策点	将动力系统理论中的范式与分岔附近的标度行为与深度学习相结合，相比传统方法能更准确地预测细胞决策的发生，并提供对生物系统新状态的定性见解	未明确提及	从单细胞RNA测序数据中精确推断细胞命运决策及其时间点，并揭示其对组织健康和功能的更广泛影响	单细胞RNA测序数据中的细胞命运决策过程，特别是造血过程中的分化过程	机器学习	NA	单细胞RNA测序	深度学习	单细胞RNA测序数据	NA	NA	NA	准确率	NA
134	2026-09-13	GTAM: a molecular pretraining model with geometric triangle awareness 2024-09-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae524 PMID:39177102	研究论文	该文章提出了一种名为GTAM的分子预训练模型，通过几何三角形感知的对比学习策略，整合2D拓扑图和3D几何构象的分子编码器，以提升分子表示学习的效果	提出了一种新颖的对比学习策略，设计了创新的2D图和3D构象分子编码器，能够准确捕捉基于图的分子结构中边之间的几何依赖关系；开发了两种对比训练目标，促进2D拓扑图与3D几何构象之间边信息的直接迁移	未明确提及	克服现有分子表示学习方法在捕捉2D拓扑图中化学键的复杂相互作用以及3D几何构象多方面效应方面的不足，提升分子表示学习的性能	分子结构（包括2D拓扑图和3D几何构象）	机器学习	NA	分子表示学习，对比学习	对比学习模型，分子编码器	图数据（2D拓扑图），3D几何构象数据	NA	NA	NA	NA	NA
135	2026-09-13	Sitetack: A Deep Learning Model that Improves PTM Prediction by Using Known PTMs 2024-Jun-04, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.03.596298 PMID:38895359	研究论文	本文提出一种深度学习模型Sitetack，通过将已知的翻译后修饰（PTM）位点编码为独立氨基酸并结合词嵌入和卷积神经网络，提升了PTM位点预测性能	将已知PTM位点作为额外特征编码到序列中，显著提高了PTM预测的准确性，并且发现已知的一种PTM信息可以提升另一种PTM的可预测性	摘要中未明确提及研究的局限性	评估在基于序列的深度学习算法中利用已知PTM位点来预测PTM位置的有效性	蛋白质序列及其翻译后修饰位点	机器学习	NA	NA	CNN	序列	NA	NA	卷积神经网络（CNN），词嵌入	NA	NA
136	2026-09-13	Genetic and Clinical Correlates of AI-Based Brain Aging Patterns in Cognitively Unimpaired Individuals 2024-05-01, JAMA psychiatry IF:22.5Q1 DOI:10.1001/jamapsychiatry.2023.5599 PMID:38353984	研究论文	本文通过深度学习半监督聚类方法，在认知未受损人群中识别出三种脑老化模式，并分析其与遗传、临床指标及认知衰退的关联	首次在认知未受损人群中以数据驱动方式识别出跨十年稳定的三种脑老化亚组，并揭示其与遗传变异、心血管风险因素和认知衰退的差异化关联	研究基于特定国际联盟队列，样本种族和地域多样性可能有限，且未在独立外部队列中验证亚组的可重复性	在认知未受损人群中以数据驱动方式推导脑结构变化的常见模式亚组，并将其与遗传、生物医学指标和认知衰退轨迹相关联	认知未受损的个体，年龄跨度45至85岁，来自iSTAGING国际联盟	医学影像分析	阿尔茨海默病	结构磁共振成像	生成对抗网络	图像	27402名认知未受损个体，超过50000个数据时间点	NA	生成对抗网络	NA	NA
137	2026-09-13	Deep model predictive control of gene expression in thousands of single cells 2024-03-08, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-46361-1 PMID:38459057	研究论文	该研究训练深度神经网络预测大肠杆菌光遗传系统的响应，并利用深度模型预测控制框架在数千个单细胞中实时施加任意基因表达动态	将深度学习与控制理论结合，实现无需生物学系统专家知识即可对数千个单细胞进行高精度、高通量的基因表达动态反馈控制	研究仅在大肠杆菌光遗传系统中验证，尚未推广到更复杂的生物系统或哺乳动物细胞	实现对单细胞基因表达动态的精准实时控制，以研究基因表达动态对细胞表型的影响	大肠杆菌单细胞	机器学习	NA	光遗传学	深度神经网络	时间序列数据	数千个单细胞	NA	NA	预测准确性	NA
138	2026-09-13	TabDEG: Classifying differentially expressed genes from RNA-seq data based on feature extraction and deep learning framework 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0305857 PMID:39037985	研究论文	该文章提出了一种名为TabDEG的模型，结合数据增强和基于深度学习的表格数据模型，从RNA-seq数据中预测差异表达基因及其上调/下调方向	将数据增强与基于深度学习框架的表格数据模型相结合，无需考虑数据分布类型和样本变异，能够从有限数据中提取互补的伪值，有效处理高维小样本数据集	依赖于癌症基因组图谱数据库的数据，可能受限于标注数据的可用性和质量，且未提及在其他非癌症数据集上的泛化能力验证	解决传统差异表达基因识别模型在小样本数据集上因分布假设限制导致高假阳性/假阴性率的问题，实现从RNA-seq数据中准确分类差异表达基因	从癌症基因组图谱数据库获取的基因表达数据	机器学习	癌症	RNA-seq	深度学习	基因表达数据	NA	NA	NA	灵敏度, 误分类率	NA
139	2026-09-13	Feature extraction method of EEG based on wavelet packet reconstruction and deep learning model of VR motion sickness feature classification and prediction 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0305733 PMID:39028732	研究论文	该文章提出了一种基于小波包重建的脑电特征提取方法，并构建深度学习模型（增强型GRU网络）来分类和预测VR晕动症	结合小波包重建进行EEG特征提取，并采用增强型GRU网络进行VR晕动症的特征分类与预测，分类准确率达到84.9%，优于现有模型	未明确说明数据集的规模、多样性以及模型在不同VR场景下的泛化能力	通过分析EEG数据和用户反馈，开发深度学习模型以分类和预测VR晕动症的严重程度，从而改善VR体验并推动VR技术发展	VR晕动症相关的EEG数据及用户反馈数据	机器学习	VR晕动症（非疾病类，但可归类为神经/生理反应）	小波包重建、EEG信号处理	GRU（门控循环单元）	EEG信号、用户反馈数据	NA	NA	增强型GRU网络	准确率	NA
140	2026-09-13	Biobjective gradient descent for feature selection on high dimension, low sample size data 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0305654 PMID:39024199	研究论文	本文提出一种基于约束双目标梯度下降的方法，将特征选择集成到深度神经网络训练中，以解决高维低样本量数据的过拟合问题	将基于稀疏化的特征选择集成到深度神经网络训练过程中，使用约束双目标梯度下降方法，提供一组在稀疏性和准确性之间权衡的帕累托最优神经网络	未明确说明	解决高维低样本量数据在深度学习中的过拟合问题，通过特征选择提高网络稀疏性而不降低分类性能	高维低样本量数据集，包括人工数据集和真实数据集	机器学习	罕见疾病	特征选择，网络稀疏化	深度神经网络	数值数据	未明确说明	未明确说明	深度神经网络	特征选择得分，稀疏性得分，准确率	未明确说明