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,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!
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10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。
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 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
181 | 2024-08-07 |
CACPP: A Contrastive Learning-Based Siamese Network to Identify Anticancer Peptides Based on Sequence Only
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c00297
PMID:37252890
|
研究论文 | 本研究提出了一种基于对比学习的孪生网络CACPP,用于仅通过序列信息准确预测抗癌肽 | 引入TextCNN模型提取高潜特征,并利用对比学习模块学习更具区分性的特征表示,以提高预测性能 | 未明确提及 | 开发一种新的深度学习框架,用于准确预测抗癌肽 | 抗癌肽的预测 | 机器学习 | 癌症 | 对比学习 | CNN | 序列 | 使用基准数据集进行比较 |
182 | 2024-08-07 |
PLANET: A Multi-objective Graph Neural Network Model for Protein-Ligand Binding Affinity Prediction
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c00253
PMID:37319418
|
研究论文 | 本研究开发了一种名为PLANET的图神经网络模型,用于预测蛋白质-配体结合亲和力 | PLANET模型采用多目标训练过程,同时处理蛋白质-配体结合亲和力、接触图和配体距离矩阵三个相关任务,并使用大量非结合配体数据进行训练 | NA | 预测蛋白质-配体结合亲和力,以辅助药物设计 | 蛋白质-配体结合亲和力、接触图和配体距离矩阵 | 机器学习 | NA | 图神经网络 | 图神经网络 | 图结构 | 使用了来自PDBbind数据库的已知结合亲和力的蛋白质-配体复合物数据以及大量非结合配体数据 |
183 | 2024-08-07 |
Water Network-Augmented Two-State Model for Protein-Ligand Binding Affinity Prediction
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c00567
PMID:37433009
|
研究论文 | 本研究通过整合水网络信息到配体结合和未结合状态,构建了一个全面的深度学习模型,用于预测蛋白质-配体结合亲和力 | 本研究首次将水网络信息纳入到配体结合和未结合状态的模型中,并使用图变换器操作提取特征 | NA | 提高基于机器学习的评分函数在预测蛋白质-配体结合亲和力方面的鲁棒性和适用性 | 蛋白质-配体结合亲和力 | 机器学习 | NA | 图变换器操作 | 深度学习模型 | 图表示 | CASF-2016基准测试和DEKOIS2.0数据集 |
184 | 2024-08-07 |
MMDTA: A Multimodal Deep Model for Drug-Target Affinity with a Hybrid Fusion Strategy
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c00866
PMID:37610162
|
研究论文 | 本文提出了一种名为MMDTA的多模态深度模型,通过混合融合策略整合药物和靶标的异质信息,以提高药物-靶标亲和力的预测 | MMDTA模型采用卷积神经网络(CNN)和图卷积网络(GCN)提取药物和靶标的多样异质信息,并通过混合融合策略进行整合,以提高预测性能 | NA | 提高药物-靶标亲和力预测的准确性和可靠性 | 药物和靶标的序列及结构信息 | 机器学习 | NA | 卷积神经网络(CNN),图卷积网络(GCN) | 多模态深度模型 | 序列和结构信息 | 广泛使用的基准数据集 |
185 | 2024-08-07 |
DFRscore: Deep Learning-Based Scoring of Synthetic Complexity with Drug-Focused Retrosynthetic Analysis for High-Throughput Virtual Screening
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01134
PMID:37651152
|
研究论文 | 本文介绍了一种基于深度学习的药物合成可行性评估方法DFRscore,用于加速药物发现过程中的高通量虚拟筛选 | DFRscore模型专门针对药物相关反应进行训练,提供了每个化合物所需的最少合成步骤预测,提高了合成可行性评估的准确性和实用性 | 该方法依赖于反应模板和起始物质,可能需要针对不同领域进行调整 | 开发一种更实用的药物合成可行性评估方法,以加速药物发现 | 药物合成可行性和高通量虚拟筛选 | 机器学习 | NA | 深度学习 | 深度学习模型 | 化合物数据 | NA |
186 | 2024-08-07 |
Deep-Cloud: A Deep Neural Network-Based Approach for Analyzing Differentially Expressed Genes of RNA-seq Data
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c00766
PMID:37682833
|
研究论文 | 本研究提出了一种基于深度学习和云模型的新方法Deep-Cloud,用于分析RNA-seq数据中的差异表达基因 | Deep-Cloud方法结合了卷积神经网络和长短期记忆网络提取原始数据特征,并利用云模型进行统计分析,提高了从RNA-seq数据中获取差异表达基因的敏感性和准确性 | NA | 探索利用深度神经网络分析RNA-seq数据中的差异表达基因,为生物医学领域提供新的可能性 | RNA-seq数据中的差异表达基因 | 机器学习 | NA | RNA-seq | CNN, LSTM | RNA-seq数据 | NA |
187 | 2024-08-07 |
Interpretable Perturbator for Variable Selection in near-Infrared Spectral Analysis
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01290
PMID:37801639
|
研究论文 | 本文开发了一种基于深度学习扰动策略的可解释扰动器,用于近红外光谱分析中的变量选择 | 提出的方法不仅优化了定量模型,还为多组分样品的光谱解释提供了一种有效途径 | NA | 开发一种新的变量选择方法,用于近红外光谱分析,并提高模型的解释性 | 近红外光谱数据及其在定量模型中的应用 | 机器学习 | NA | 深度学习 | 深度学习预测器 | 光谱数据 | 使用了三个近红外光谱数据集 |
188 | 2024-08-07 |
A Comparative Analysis of Data Synthesis Techniques to Improve Classification Accuracy of Raman Spectroscopy Data
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c00761
PMID:37820361
|
研究论文 | 本研究比较了标准统计方法与深度生成模型在提高拉曼光谱数据分类准确性方面的效果 | 本研究采用深度生成模型来近似高维分布,并生成真实的合成数据,以改善数据稀缺问题 | 本研究仅在两个二进制数据集上进行了实验,且未评估模型在更广泛范围内的鲁棒性和泛化能力 | 观察随着合成数据不断增加到训练数据中,学习趋势的变化 | 拉曼光谱数据 | 机器学习 | NA | 拉曼光谱 | 深度学习算法 | 光谱数据 | 两个二进制数据集被分为3折,模拟小样本情况 |
189 | 2024-08-07 |
Prediction of Cytochrome P450 Inhibition Using a Deep Learning Approach and Substructure Pattern Recognition
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01396
PMID:37864562
|
研究论文 | 本研究利用深度学习方法和子结构模式识别技术,开发了用于预测细胞色素P450抑制的模型 | 本研究开发了基于Python和Keras框架的深度学习模型,用于预测不同CYP同工酶的化学抑制,并提供了结构特征分析 | NA | 开发和验证用于预测细胞色素P450酶抑制的深度学习模型 | 细胞色素P450酶(CYP1A2, CYP2C9, CYP2C19, CYP2D6, CYP3A4)的化学抑制 | 机器学习 | NA | 深度学习 | 深度神经网络 | 化合物数据 | 85715个化合物 |
190 | 2024-08-07 |
Benchmarking of Small Molecule Feature Representations for hERG, Nav1.5, and Cav1.2 Cardiotoxicity Prediction
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01301
PMID:37870574
|
研究论文 | 本研究引入一个深度学习框架,用于计算预测药物候选物对心脏离子通道(hERG、Cav1.2和Nav1.5)的毒性作用 | 提出了一个新的训练和评估数据集框架,以及一个名为CToxPred的综合小分子心脏毒性预测工具 | NA | 在药物发现过程中早期预测潜在的心脏离子通道阻断剂 | hERG、Cav1.2和Nav1.5三种心脏离子通道的毒性预测 | 药物发现 | 心血管疾病 | 深度学习 | NA | 分子指纹、描述符和基于图的数值表示 | 涵盖hERG、Cav1.2和Nav1.5三种心脏离子通道的综合和大型的精选数据集 |
191 | 2024-08-07 |
ML-NPI: Predicting Interactions between Noncoding RNA and Protein Based on Meta-Learning in a Large-Scale Dynamic Graph
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01238
PMID:37920888
|
研究论文 | 本文提出了一种基于元学习的大规模动态非编码RNA-蛋白质相互作用预测方法ML-NPI | 采用元学习策略缓解了稀疏邻域样本的预测误差问题,并能实时动态建模新数据,减少计算压力 | NA | 研究非编码RNA与蛋白质相互作用的预测问题 | 非编码RNA与蛋白质的相互作用 | 机器学习 | NA | 深度学习 | ML-GNN | 图数据 | 基于NPInterv4.0数据库的300000个非编码RNA-蛋白质相互作用 |
192 | 2024-08-07 |
Opinion Mining by Convolutional Neural Networks for Maximizing Discoverability of Nanomaterials
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c00746
PMID:37982753
|
研究论文 | 本文提出了一种利用卷积神经网络进行意见挖掘的方法,以最大化纳米材料的发现能力 | 本文创新地利用文献中的情感信息来追踪对材料的意见,并构建了科学情感网络(SSNet)来有效提取和分类专家意见 | NA | 旨在从科学文献中提取和综合知识,加速纳米材料领域的研究 | 纳米材料及其在能源材料领域的应用 | 自然语言处理 | NA | 自然语言处理(NLP) | 卷积神经网络(CNN) | 文本 | 意见数据集 |
193 | 2024-08-07 |
From Proteins to Ligands: Decoding Deep Learning Methods for Binding Affinity Prediction
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01208
PMID:37983381
|
研究论文 | 本文系统研究了基于序列的深度学习框架,用于评估蛋白质和配体编码对常用激酶数据集结合亲和力预测的影响 | 通过使用卷积神经网络和图神经网络对蛋白质和配体进行编码,并测试不同的配体扰动,以提高模型的泛化能力 | 蛋白质编码对结合预测的影响不大,且使用不同的蛋白质和配体编码组合并未显著改变性能 | 提高深度学习方法在蛋白质-配体结合亲和力预测中的泛化能力 | 蛋白质和配体的编码方法及其对结合亲和力预测的影响 | 机器学习 | NA | 深度学习 | 卷积神经网络,图神经网络 | 序列数据,结构信息 | 常用激酶数据集 |
194 | 2024-08-07 |
BigBind: Learning from Nonstructural Data for Structure-Based Virtual Screening
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01211
PMID:38113513
|
研究论文 | 本文介绍了一种名为BigBind的数据集,该数据集将ChEMBL的化学活性数据映射到CrossDocked数据集的蛋白质上,并开发了一种基于神经网络的模型Banana,用于区分活性与非活性化合物 | BigBind数据集结合了ChEMBL的化学活性信息和CrossDocked的蛋白质结合口袋的3D结构信息,提高了模型的泛化能力 | NA | 开发一种新的数据集和模型,以提高基于结构的虚拟筛选的性能 | 蛋白质-配体结合预测 | 机器学习 | NA | 神经网络 | 神经网络 | 结构数据 | 583,000个配体活性数据 |
195 | 2024-08-07 |
Regression-Based Active Learning for Accessible Acceleration of Ultra-Large Library Docking
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01661
PMID:38157481
|
研究论文 | 本研究展示了基于回归的主动学习方法如何加速超大规模虚拟筛选,以发现高亲和力命中化合物 | 提出了一种使用简单线性回归模型的主动学习方法,能够在仅对接10%的配体后,检索到高达90%的顶级命中化合物 | NA | 加速虚拟筛选过程,减少计算资源需求 | 超大规模虚拟筛选数据集中的高亲和力命中化合物 | 计算机视觉 | NA | 虚拟筛选 | 线性回归模型 | 数据集 | 超大规模虚拟筛选数据集,仅对接2%的库即可检索到70%的顶级命中化合物 |
196 | 2024-08-07 |
Compound Activity Prediction with Dose-Dependent Transcriptomic Profiles and Deep Learning
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01855
PMID:38293736
|
研究论文 | 本文介绍了一种基于化合物处理下多个浓度观察到的基因表达谱来预测化合物在其他生化或细胞检测中活性的转录组到活性转换器(TAT)模型 | 引入了TAT模型,利用化合物在多个浓度下的基因表达数据来预测化合物活性,这是一种新颖的方法 | 模型在51%的检测中得到了有用的结果,表明仍有一定的局限性 | 旨在通过计算模型预测化合物在不同检测中的活性,以支持药物发现 | 研究对象包括2692种化合物在262种剂量反应检测中的活性 | 机器学习 | NA | RASL-seq | TAT | 基因表达数据 | 2692种化合物,262种剂量反应检测 |
197 | 2024-08-07 |
graphLambda: Fusion Graph Neural Networks for Binding Affinity Prediction
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c00771
PMID:38366974
|
研究论文 | 本文介绍了一种名为graphLambda的图神经网络模型,用于预测蛋白质-配体复合物的结合亲和力 | 利用图卷积、注意力和同构块来增强预测能力 | NA | 提高计算机辅助药物发现(CADD)中结合亲和力预测的准确性 | 蛋白质-配体复合物的结合亲和力 | 机器学习 | NA | 图神经网络 | 图神经网络 | 图数据 | NA |
198 | 2024-08-07 |
HydraProt: A New Deep Learning Tool for Fast and Accurate Prediction of Water Molecule Positions for Protein Structures
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01559
PMID:38552195
|
研究论文 | 本文介绍了一种名为HydraProt的新型深度学习工具,用于快速准确地预测蛋白质结构周围水分子氧原子的精确位置 | HydraProt采用两种深度学习架构——3D U-net和多层感知器(MLP),通过粗粒度体素化表示蛋白质,快速采样候选水分子位置,并通过MLP在欧几里得空间中嵌入水-蛋白质关系,最后通过后处理步骤进一步优化预测 | NA | 开发一种新的深度学习方法,用于准确预测蛋白质结构周围水分子氧原子的位置 | 蛋白质结构周围水分子氧原子的位置 | 机器学习 | NA | 深度学习 | 3D U-net, 多层感知器(MLP) | 蛋白质结构数据 | 大型蛋白质结构数据集 |
199 | 2024-08-04 |
Label-Free Multiplex Profiling of Exosomal Proteins with a Deep Learning-Driven 3D Surround-Enhancing SERS Platform for Early Cancer Diagnosis
2024-04-30, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.4c00669
PMID:38624007
|
研究论文 | 本文开发了一种新的三维增强表面增强拉曼光谱平台用于多重监测外泌体蛋白以实现早期癌症诊断 | 提出了一种新型的三维增强SERS平台,结合深度学习技术,能够高灵敏度和高多重性地检测多个外泌体蛋白 | 尚未提及具体的实验限制和临床应用的局限性 | 利用深度学习技术和新型SERS平台,早期诊断肺癌 | 来自患者的血浆外泌体蛋白,包括CD63、CD81、CD9、CD151、CD171、TSPAN8和PD-L1 | 数字病理学 | 肺癌 | SERS | 深度学习 | 蛋白质 | 七种外泌体蛋白质样本 |
200 | 2024-08-04 |
Applications of Data Characteristic AI-Assisted Raman Spectroscopy in Pathological Classification
2024-04-23, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.3c04930
PMID:38602477
|
研究论文 | 本文探讨了基于拉曼光谱的AI辅助病理分类的应用 | 通过构建数据特征辅助的AI分类模型,优化了不同类型拉曼光谱数据的AI分类模型 | 未明确讨论如何处理不同类型的拉曼光谱数据的分类模型优化,相对缺乏对模型选择的指导 | 探索如何优化不同类型拉曼光谱数据的AI分类模型 | 选择了五个具有代表性的拉曼光谱数据集,包括子宫内膜癌、肝癌细胞外囊泡、细菌、黑色素瘤细胞、糖尿病皮肤等 | 数字病理学 | 内膜癌, 肝癌, 黑色素瘤, 细菌感染, 糖尿病皮肤病 | 拉曼光谱 | ResNet, AlexNet, PCA-SVM, SVM, UMAP-SVM | 光谱数据 | 五个数据集,包括不同样本大小和光谱数据大小 |