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 383 篇文献，本页显示第 261 - 280 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 261 | 2024-09-20 |
ChildAugment: Data augmentation methods for zero-resource children's speaker verification
2024-03-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0025178
PMID:38530014
|
研究论文 | 本文提出了一种名为ChildAugment的数据增强方法，用于零资源儿童说话人验证，通过调整成人语音的共振峰频率和带宽来模拟儿童语音 | 创新点在于通过儿童特定的数据增强方法，将成人语音数据转化为儿童语音数据，以提高儿童说话人验证系统的准确性 | NA | 研究目的是探索更有效的方法来利用成人语音数据，以提高儿童说话人验证系统的准确性 | 研究对象是儿童说话人验证系统及其数据增强方法 | 机器学习 | NA | 数据增强 | 时间延迟神经网络识别器 | 语音 | 使用了CSLU kids语料库进行评估 | NA | NA | NA | NA |
| 262 | 2024-09-14 |
phylaGAN: data augmentation through conditional GANs and autoencoders for improving disease prediction accuracy using microbiome data
2024-03-29, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae161
PMID:38569898
|
研究论文 | 本文提出了一种基于条件生成对抗网络（C-GAN）和自动编码器的深度学习框架phylaGAN，用于通过数据增强提高微生物组数据疾病预测的准确性 | 本文创新性地结合了条件生成对抗网络和自动编码器，生成模拟的微生物组数据，以解决现有机器学习方法在微生物组数据预测中面临的样本量小、样本不平衡和高成本等问题 | 本文未详细讨论生成的合成数据在实际临床应用中的潜在风险和伦理问题 | 提高微生物组数据疾病预测的准确性 | 微生物组数据 | 机器学习 | NA | 条件生成对抗网络（C-GAN）、自动编码器 | C-GAN、自动编码器 | 微生物组数据 | 涉及两个数据集（T2D研究和肝硬化研究）以及一个外部验证队列（肥胖和瘦弱受试者分类） | NA | NA | NA | NA |
| 263 | 2024-09-14 |
MINDG: a drug-target interaction prediction method based on an integrated learning algorithm
2024-03-29, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae147
PMID:38483285
|
研究论文 | 提出了一种基于集成学习算法的药物-靶点相互作用预测方法MINDG | 结合了深度学习和图学习的优势，通过混合深度网络提取序列特征，并提出高阶图注意力卷积网络来捕捉结构特征，最终通过多视角自适应集成决策模块提升预测性能 | NA | 解决现有药物-靶点相互作用预测方法的局限性，提升预测性能 | 药物-靶点相互作用 | 机器学习 | NA | 深度学习，图学习 | 混合深度网络，高阶图注意力卷积网络 | 序列数据，结构数据 | 两个数据集 | NA | NA | NA | NA |
| 264 | 2024-09-14 |
TemStaPro: protein thermostability prediction using sequence representations from protein language models
2024-03-29, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae157
PMID:38507682
|
研究论文 | 本文介绍了一种基于蛋白质语言模型嵌入的蛋白质热稳定性预测方法 | 利用预训练的蛋白质语言模型生成嵌入，通过迁移学习高效训练和验证高性能预测模型 | NA | 开发一种可靠的蛋白质热稳定性预测方法 | 蛋白质序列及其热稳定性 | 机器学习 | NA | 蛋白质语言模型 | NA | 序列 | 超过一百万个序列 | NA | NA | NA | NA |
| 265 | 2024-09-14 |
Contrastive pre-training and 3D convolution neural network for RNA and small molecule binding affinity prediction
2024-03-29, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae155
PMID:38507691
|
研究论文 | 本文介绍了一种名为RLaffinity的新型深度学习模型，用于预测RNA与小分子的结合亲和力，基于3D结构 | 首次提出基于3D卷积神经网络和对比学习预训练模型的RNA与小分子结合亲和力预测方法 | NA | 开发一种计算模型，有效提取相关特征并准确预测RNA与小分子的结合亲和力 | RNA与小分子的结合亲和力 | 机器学习 | NA | 3D卷积神经网络 | 3D-CNN | 3D结构 | NA | NA | NA | NA | NA |
| 266 | 2024-09-14 |
Integrating physics in deep learning algorithms: a force field as a PyTorch module
2024-03-29, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae160
PMID:38514422
|
研究论文 | 本文介绍了一种将物理力场集成到深度学习算法中的方法，通过实现一个可微分的PyTorch模块MadraX，使得深度学习算法能够与物理力场进行端到端的交互 | 本文的创新点在于将物理力场实现为一个可微分的PyTorch模块，使得深度学习算法能够直接利用物理规则进行训练和预测 | 本文未提及具体的局限性 | 研究目的是解决深度学习算法在结构生物学中由于数据有限而难以收敛到有意义解的问题 | 研究对象是深度学习算法与物理力场的集成 | 机器学习 | NA | 深度学习 | PyTorch模块 | NA | NA | NA | NA | NA | NA |
| 267 | 2024-09-14 |
MotGen: a closed-loop bacterial motility control framework using generative adversarial networks
2024-03-29, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae170
PMID:38552318
|
研究论文 | 本文提出了一种基于生成对抗网络的闭环细菌运动控制框架，用于实时调节细菌运动动态 | 首次提出了一种基于生成对抗网络的闭环控制框架，能够实时调节细菌运动动态，填补了现有研究中对细菌运动动态系统探索的空白 | NA | 开发一种能够实时调节细菌运动动态的新方法，以应用于生物医学领域 | 细菌的运动性能和运动模式 | 机器学习 | NA | 生成对抗网络 | 生成对抗网络 | 图像 | NA | NA | NA | NA | NA |
| 268 | 2024-09-14 |
Hi-GeoMVP: a hierarchical geometry-enhanced deep learning model for drug response prediction
2024-03-29, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae204
PMID:38614131
|
研究论文 | 提出了一种名为Hi-GeoMVP的新型深度学习方法，用于药物反应预测 | 结合了分层药物表示和多组学数据，利用图神经网络和变分自编码器进行详细的药物和细胞系表示，并采用多任务学习方法 | NA | 提高药物反应预测的准确性，以支持个性化癌症治疗 | 药物反应预测 | 机器学习 | NA | 图神经网络，变分自编码器 | 深度学习模型 | 多组学数据 | GDSC数据集 | NA | NA | NA | NA |
| 269 | 2024-09-14 |
EvoAug-TF: extending evolution-inspired data augmentations for genomic deep learning to TensorFlow
2024-03-04, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae092
PMID:38366935
|
研究论文 | 本文介绍了EvoAug-TF，一个将进化启发式数据增强扩展到TensorFlow的工具包，用于基因组深度学习 | EvoAug-TF将EvoAug的功能扩展到TensorFlow，使得更多基于TensorFlow的基因组深度学习模型能够应用进化启发式数据增强 | NA | 扩展EvoAug的功能至TensorFlow，以提高基因组深度学习模型的泛化能力和可解释性 | 基因组深度学习模型 | 机器学习 | NA | 深度神经网络（DNNs） | 深度神经网络（DNNs） | 基因组数据 | NA | NA | NA | NA | NA |
| 270 | 2024-09-14 |
ViTAL: Vision TrAnsformer based Low coverage SARS-CoV-2 lineage assignment
2024-03-04, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae093
PMID:38374486
|
研究论文 | 本文介绍了一种基于Vision Transformer的深度学习算法ViTAL，用于低覆盖度SARS-CoV-2基因组的谱系分配 | ViTAL结合了MinHash和Vision Transformer，能够在低覆盖度下实现高精度的谱系分配，显著优于现有的工具 | NA | 开发一种高效、廉价且准确的病毒谱系分配方法，以应对快速传播的病毒疾病 | 低覆盖度全基因组测序的SARS-CoV-2基因组 | 机器学习 | COVID-19 | 低覆盖度全基因组测序（LC-WGS） | Vision Transformer | 基因组数据 | NA | NA | NA | NA | NA |
| 271 | 2024-09-14 |
pyM2aia: Python interface for mass spectrometry imaging with focus on deep learning
2024-03-04, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae133
PMID:38445753
|
研究论文 | 本文介绍了一个名为pyM2aia的Python包，专注于质谱成像（MSI）数据的深度学习任务 | pyM2aia优化了MSI数据的内存处理和访问，便于深度学习应用 | NA | 开发一个适用于质谱成像数据深度学习任务的Python接口 | 质谱成像数据及其在深度学习中的应用 | 机器学习 | NA | 质谱成像 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 272 | 2024-09-14 |
iNGNN-DTI: prediction of drug-target interaction with interpretable nested graph neural network and pretrained molecule models
2024-03-04, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae135
PMID:38449285
|
研究论文 | 提出了一种可解释的嵌套图神经网络iNGNN-DTI，用于药物-靶点相互作用预测，并结合了预训练的分子和蛋白质模型 | 使用预训练的分子和蛋白质模型，通过交叉注意力模块捕捉药物和靶点子结构之间的相互作用信息，提高了特征表示能力 | 未提及 | 预测药物与蛋白质靶点之间的相互作用 | 药物和蛋白质靶点 | 机器学习 | NA | 图神经网络 | 嵌套图神经网络 | 图数据 | 三个基准数据集 | NA | NA | NA | NA |
| 273 | 2024-09-14 |
AACFlow: an end-to-end model based on attention augmented convolutional neural network and flow-attention mechanism for identification of anticancer peptides
2024-03-04, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btae142
PMID:38452348
|
研究论文 | 本文提出了一种基于注意力增强卷积神经网络和流注意力机制的端到端模型AACFlow，用于识别抗癌肽 | 本文创新性地结合了注意力增强卷积神经网络和多层卷积神经网络，形成深度表示学习模块，并引入基于流网络的多头流注意力机制，以挖掘序列的深层特征，提高模型效率 | NA | 开发一种高效的端到端模型，用于识别抗癌肽 | 抗癌肽的识别 | 机器学习 | NA | 卷积神经网络 | CNN | 序列 | 独立测试数据集 | NA | NA | NA | NA |
| 274 | 2024-09-13 |
Machine learning and single-cell transcriptome profiling reveal regulation of fibroblast activation through THBS2/TGFβ1/P-Smad2/3 signalling pathway in hypertrophic scar
2024-Mar, International wound journal
IF:2.6Q1
DOI:10.1111/iwj.14481
PMID:37986676
|
研究论文 | 本研究通过单细胞转录组测序和机器学习方法，揭示了肥厚性瘢痕中纤维母细胞激活的调控机制 | 首次通过单细胞转录组测序和多种机器学习算法，识别出与肥厚性瘢痕相关的关键基因模块，并建立了基于卷积神经网络的诊断和预测模型 | 研究样本量较小，可能影响结果的普适性 | 揭示肥厚性瘢痕形成机制，并提供诊断和治疗的新生物标志物 | 肥厚性瘢痕中的纤维母细胞及其相关基因 | 数字病理学 | 皮肤疾病 | 单细胞RNA测序 | 卷积神经网络 | 基因表达数据 | 正常皮肤和肥厚性瘢痕样本 | NA | NA | NA | NA |
| 275 | 2024-09-11 |
Utilizing adaptive deformable convolution and position embedding for colon polyp segmentation with a visual transformer
2024-03-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-024-57993-0
PMID:38538774
|
研究论文 | 本文提出了一种基于视觉变换器的结肠息肉分割模型，结合了自适应可变形卷积和位置嵌入 | 本文提出的Polyp-Vision Transformer (Polyp-ViT)模型在传统Transformer架构基础上，增强了特征提取和位置嵌入的自适应机制 | NA | 开发一种自动化的结肠息肉检测系统，以辅助早期诊断结直肠癌 | 结肠息肉 | 计算机视觉 | 结直肠癌 | 视觉变换器 (ViT) | Transformer | 图像 | 在Kvasir-seg和CVC-Clinic DB数据集上进行了测试，分别包含NA和NA个样本 | NA | NA | NA | NA |
| 276 | 2024-09-08 |
Deep5hmC: Predicting genome-wide 5-Hydroxymethylcytosine landscape via a multimodal deep learning model
2024-Mar-06, bioRxiv : the preprint server for biology
DOI:10.1101/2024.03.04.583444
PMID:38496575
|
研究论文 | 本文介绍了一种名为Deep5hmC的多模态深度学习框架，用于预测全基因组范围内的5-羟甲基胞嘧啶修饰 | Deep5hmC通过整合DNA序列和组蛋白修饰信息，显著提高了5hmC修饰的定性和定量预测能力 | NA | 开发一种能够准确预测全基因组范围内5-羟甲基胞嘧啶修饰的深度学习模型 | 5-羟甲基胞嘧啶修饰及其在基因表达调控中的作用 | 机器学习 | 阿尔茨海默病 | 深度学习 | 多模态深度学习模型 | DNA序列和组蛋白修饰数据 | 在四个时间点的前脑类器官发育和17种人体组织中收集的5hmC测序数据 | NA | NA | NA | NA |
| 277 | 2024-09-08 |
An open-source toolbox for measuring vocal tract shape from real-time magnetic resonance images
2024-03, Behavior research methods
IF:4.6Q1
DOI:10.3758/s13428-023-02171-9
PMID:37507650
|
研究论文 | 本文介绍了一种从实时磁共振图像中测量声道形状的开源工具箱 | 提出了一个信号处理流程，能够从唇部到喉部的实时磁共振图像中生成声道轮廓，量化声道的动态形态 | 该方法依赖于研究者指定的感兴趣区域，且尚未完全自动化 | 开发一种能够从实时磁共振图像中量化声道形态的工具 | 实时磁共振图像中的声道形态 | 计算机视觉 | NA | 实时磁共振成像 (rtMRI) | NA | 图像 | 涵盖了多种行为的数据集，如说话、夸张的语音、笑声和口哨声 | NA | NA | NA | NA |
| 278 | 2024-09-08 |
Characterisation of quantitative imaging biomarkers for inflammatory and fibrotic radiation-induced lung injuries using preclinical radiomics
2024-03, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110106
PMID:38253201
|
研究论文 | 本研究利用放射组学技术，通过定量影像生物标志物识别急性炎症和晚期纤维化放射性肺损伤的预后和预测标志物 | 首次在临床前模型中应用深度学习放射组学技术，建立了急性炎症和晚期肺损伤的预测模型 | 研究仅限于小鼠模型，尚未在人类中验证 | 识别与放射性肺损伤相关的放射组学特征，并建立预测模型 | C3H/HeN和C57BL6小鼠的放射性肺损伤 | 数字病理学 | 肺损伤 | 放射组学 | 随机森林分类器 | 影像 | C3H/HeN和C57BL6小鼠各若干只 | NA | NA | NA | NA |
| 279 | 2024-09-08 |
Evaluating AI-generated CBCT-based synthetic CT images for target delineation in palliative treatments of pelvic bone metastasis at conventional C-arm linacs
2024-03, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology
IF:4.9Q1
DOI:10.1016/j.radonc.2024.110110
PMID:38272314
|
研究论文 | 评估基于AI生成的CBCT合成CT图像在常规C臂直线加速器上进行骨盆骨转移姑息治疗中的靶区勾画和治疗计划的可行性 | 利用深度学习模型生成CBCT合成CT图像，以提高常规C臂直线加速器上姑息治疗中靶区勾画的准确性 | 部分合成CT图像质量不足，需要通过增加PTV边距来补偿 | 评估AI生成的CBCT合成CT图像在姑息放射治疗中的靶区勾画和治疗计划的可行性 | 22名骨盆骨转移的女性患者 | 计算机视觉 | 骨转移 | 深度学习 | 深度学习模型 | 图像 | 22名女性患者，23个靶区 | NA | NA | NA | NA |
| 280 | 2024-09-07 |
RNA3DB: A structurally-dissimilar dataset split for training and benchmarking deep learning models for RNA structure prediction
2024-Mar-11, bioRxiv : the preprint server for biology
DOI:10.1101/2024.01.30.578025
PMID:38352531
|
研究论文 | 本文介绍了RNA3DB数据集，用于训练和基准测试深度学习模型进行RNA结构预测 | 提出了RNA3DB数据集，通过将RNA 3D链分成非冗余的组件，确保训练集和测试集在序列和结构上的差异，从而避免性能虚高的问题 | NA | 开发一个可重复且可定制的工具，用于生成结构上不相似的RNA数据集分割 | RNA结构预测的深度学习模型 | 机器学习 | NA | 深度学习 | 深度学习模型 | 结构化RNA数据 | RNA3DB数据集包含从蛋白质数据库（PDB）中提取的结构化RNA，具体样本数量未明确提及 | NA | NA | NA | NA |