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
341	2024-08-07	Optimal fusion of genotype and drug embeddings in predicting cancer drug response 2024-Mar-27, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae227 PMID:38754407	研究论文	本文研究了如何最优地融合基因型和药物嵌入特征来预测癌症药物反应	本文通过实验发现，在原有的基于串联的架构DrugCell中注入基因和药物潜在特征之间的乘法关系，显著提高了预测性能	NA	探索如何最优地结合或融合基因组和药物特征来预测癌症药物反应	基因型特征和药物特征的融合方法	机器学习	癌症	深度学习	神经网络	基因组数据和药物特征数据	NA
342	2024-08-07	Analysis of Emerging Variants of Turkey Reovirus using Machine Learning 2024-Mar-27, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae224 PMID:38752857	研究论文	本研究利用机器学习方法，特别是K-means、层次聚类和支持向量机、朴素贝叶斯、随机森林、决策树以及卷积神经网络等算法，对三种类型的火鸡呼肠孤病毒及其新型变种进行分类和识别	本研究首次采用多种机器学习算法对火鸡呼肠孤病毒进行分类，特别是卷积神经网络的应用，提高了分类的准确性	研究主要集中在机器学习算法的应用，未深入探讨病毒变异的具体生物学机制	旨在通过机器学习方法识别和分类火鸡呼肠孤病毒，以应对其导致的重大经济损失	火鸡呼肠孤病毒及其新型变种	机器学习	NA	机器学习算法	CNN	序列数据	使用真实的火鸡呼肠孤病毒序列数据进行实验
343	2024-08-07	NanoBERTa-ASP: predicting nanobody paratope based on a pretrained RoBERTa model 2024-Mar-21, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-024-05750-5 PMID:38515052	研究论文	本文介绍了一种名为NanoBERTa-ASP的新型纳米抗体预测模型，专门用于预测纳米抗体-抗原结合位点	该模型基于先进的自然语言处理模型BERT，采用RoBERTa方法学习纳米抗体序列的上下文信息，以准确预测其结合位点	现有的预测模型可能不适用于纳米抗体，且纳米抗体数据集的有限性对构建准确模型构成挑战	开发一种适用于纳米抗体的预测模型，以提高抗体工程、药物开发和免疫治疗的准确性	纳米抗体的结合位点预测	自然语言处理	NA	RoBERTa	BERT	序列数据	NA
344	2024-08-07	Contrastive learning for enhancing feature extraction in anticancer peptides 2024-Mar-27, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae220 PMID:38725157	research paper	本文提出了一种使用对比学习技术增强特征提取的深度学习模型，用于筛选抗癌肽（ACPs）。	采用对比学习技术提升模型性能，并使用两个独立编码器替代数据增强技术。	NA	开发一种高效的计算工具，用于筛选抗癌肽，以加速癌症治疗的研究和应用。	抗癌肽（ACPs）	machine learning	cancer	对比学习	深度学习模型	peptide sequences	五个基准数据集
345	2024-08-07	Slideflow: deep learning for digital histopathology with real-time whole-slide visualization 2024-Mar-27, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-024-05758-x PMID:38539070	研究论文	本文介绍了一个名为Slideflow的灵活深度学习库，用于数字病理学，支持多种深度学习方法，并包含一个快速的全切片接口用于部署训练好的模型	Slideflow提供了独特的工具，如全切片图像数据处理、高效的染色标准化和增强、弱监督的全切片分类、不确定性量化、特征生成、特征空间分析和可解释性	NA	开发一个灵活的深度学习库，用于数字病理学，支持多种深度学习方法，并提供一个快速的全切片接口	数字病理学中的全切片图像分析	数字病理学	NA	深度学习	CNN	图像	NA
346	2024-08-07	Evaluating large language models for annotating proteins 2024-Mar-27, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae177 PMID:38706315	研究论文	本文评估了使用大型语言模型（LLMs）进行蛋白质注释的新协议	提出了一种基于迁移学习的新协议，使用大型语言模型在大量未注释数据集上进行自监督训练，以获得序列嵌入，然后在小规模注释数据集上进行监督学习，以提高蛋白质域注释的预测	深度学习模型需要大量训练数据，对于人口稀少的家族可能是一个挑战	提高蛋白质域注释的准确性和效率	蛋白质注释	自然语言处理	NA	迁移学习	大型语言模型（LLMs）	序列数据	超过25100万蛋白质，其中仅0.25%被注释
347	2024-08-07	GSScore: a novel Graphormer-based shell-like scoring method for protein-ligand docking 2024-Mar-27, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae201 PMID:38706316	研究论文	提出了一种基于Graphormer方法和Shell-like图结构的深度学习评分方法GSScore，用于蛋白质-配体对接姿态的RMSD预测	GSScore利用Graphormer和Shell-like图结构，能有效捕捉能量上有利的近天然构象与不利的非天然姿态之间的细微差异，无需额外信息	NA	开发新的计算方法以更准确地预测蛋白质-配体对接的RMSD	蛋白质-配体相互作用模式	机器学习	NA	Graphormer方法	Graphormer	图结构	评估了包括PDBBind 2019版本子集、CASF2016以及DUD-E在内的多样化测试集
348	2024-08-07	SC-Track: a robust cell-tracking algorithm for generating accurate single-cell lineages from diverse cell segmentations 2024-Mar-27, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae192 PMID:38704671	研究论文	本文介绍了一种名为Single Cell Track (SC-Track)的新型细胞追踪算法，该算法基于生物学观察的细胞分裂和运动动态，采用分层概率缓存级联模型，旨在从多样化的细胞分割中生成准确的单细胞谱系	SC-Track算法在无需参数调整的情况下，能够在不同细胞分割质量、细胞形态外观和成像条件下保持稳健的细胞追踪性能，并配备了细胞类别校正功能，以提高多类别细胞分割时间序列中的细胞分类准确性	NA	开发一种能够从多样化的细胞分割中生成准确单细胞谱系的稳健细胞追踪算法	细胞追踪算法在荧光时间流逝显微镜图像中的应用	计算机视觉	NA	深度学习	CNN	图像	多样化的细胞分割类型