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 479 篇文献，本页显示第 301 - 320 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 301 | 2024-08-21 |
Challenges in Reducing Bias Using Post-Processing Fairness for Breast Cancer Stage Classification with Deep Learning
2024-Apr, Algorithms
IF:1.8Q2
DOI:10.3390/a17040141
PMID:38962581
|
研究论文 | 本文研究了使用深度学习模型进行乳腺癌分期分类时，通过后处理公平性减少偏差的挑战 | 量化了在训练数据中某些人口群体代表性不足的情况下，模型预测乳腺癌阶段的偏差，并探讨了后处理调整对改善模型性能的影响 | 后处理调整后，只有部分模型显示出性能改善，表明使用后处理实现公平性的挑战仍然存在 | 探讨在乳腺癌医学影像模型中减少偏差的方法 | 乳腺癌分期分类的深度学习模型 | 机器学习 | 乳腺癌 | 深度学习 | 深度学习模型 | 医学影像 | 1000个活检样本来自842名患者 | NA | NA | NA | NA |
| 302 | 2024-08-21 |
Improving Deep Learning-Based Algorithm for Ploidy Status Prediction Through Combined U-NET Blastocyst Segmentation and Sequential Time-Lapse Blastocysts Images
2024 Apr-Jun, Journal of reproduction & infertility
DOI:10.18502/jri.v25i2.16006
PMID:39157795
|
research paper | 本文通过结合U-NET胚胎分割和时间序列胚胎图像，改进了基于深度学习的算法，用于预测胚胎的倍性状态 | 采用U-NET架构进行胚胎图像分割，并结合时间序列胚胎图像，提高了预测模型的准确性 | NA | 评估使用U-NET架构进行胚胎分割和时间序列胚胎图像提取的有效性，以提高胚胎倍性状态预测模型的准确性 | 胚胎的倍性状态预测 | machine learning | NA | convolutional neural network (CNN) | U-NET, CNN | image | 1,020个时间序列胚胎视频，生成31,642和99,324张胚胎图像 | NA | NA | NA | NA |
| 303 | 2024-08-18 |
Semi-Supervised, Attention-Based Deep Learning for Predicting TMPRSS2:ERG Fusion Status in Prostate Cancer Using Whole Slide Images
2024-04-02, Molecular cancer research : MCR
IF:4.1Q2
DOI:10.1158/1541-7786.MCR-23-0639
PMID:38284821
|
研究论文 | 本研究利用半监督的注意力机制深度学习方法，通过全切片图像预测前列腺癌中的TMPRSS2:ERG融合状态 | 本研究展示了深度学习在从常规可用的组织学切片中有效推断前列腺癌关键遗传改变方面的潜力 | NA | 探索深度学习在前列腺癌诊断中的应用 | 前列腺癌中的TMPRSS2:ERG融合状态 | 数字病理学 | 前列腺癌 | 深度学习 | 注意力机制 | 图像 | NA | NA | NA | NA | NA |
| 304 | 2024-08-14 |
A physics-informed deep learning framework for modeling of coronary in-stent restenosis
2024-Apr, Biomechanics and modeling in mechanobiology
IF:3.0Q3
DOI:10.1007/s10237-023-01796-1
PMID:38236483
|
研究论文 | 本文开发了一种基于物理信息的深度学习框架，用于模拟冠状动脉支架内再狭窄 | 采用物理信息神经网络（PINNs）这一新型深度学习方法，将物理定律和测量数据融入模型中，提高了预测准确性 | NA | 开发一种稳健的多物理场代理模型，用于估计支架内再狭窄，并提供疾病进展因素的见解 | 冠状动脉支架内再狭窄的预测和治疗规划 | 机器学习 | 心血管疾病 | 物理信息神经网络（PINNs） | 物理信息神经网络（PINNs） | 患者特定数据（手术相关、临床和遗传等） | NA | NA | NA | NA | NA |
| 305 | 2024-08-09 |
Classification of substances by health hazard using deep neural networks and molecular electron densities
2024-Apr-16, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-024-00835-y
PMID:38627862
|
研究论文 | 本文提出了一种利用3D电子密度信息训练深度神经网络管道来分割高、中、低电负性区域并分类物质为健康有害或无害的方法 | 本文首次使用3D电子密度表示法训练机器学习模型，利用分子的真实空间域进行预测 | NA | 旨在通过展示深度学习网络可以基于分子的3D电子密度表示进行训练，为用于训练机器学习算法的多样化3D分子表示做出贡献 | 研究对象包括化妆品和食品产品中的有害和无害物质 | 机器学习 | NA | 3D电子密度计算 | 3D-UNet | 3D电子密度立方体 | 自定义的欧洲化学品管理局(ECHA)子集和自定义食品数据集(CompFood) | NA | NA | NA | NA |
| 306 | 2024-08-09 |
Artificial Intelligence in Cataract Surgery: A Systematic Review
2024-Apr-02, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.13.4.20
PMID:38618893
|
综述 | 本研究旨在评估基于人工智能（AI）算法在分析白内障手术视频中的当前应用和可靠性 | NA | 研究显示质量参差不齐，且由于公开数据集数量少（特别是手动小切口白内障手术）和很少发布源代码，复制研究存在挑战 | 评估基于人工智能（AI）算法在分析白内障手术视频中的应用和可靠性 | 白内障手术视频的术中分析 | 机器学习 | NA | 机器学习技术 | NA | 视频 | 包括了550项研究中的38项 | NA | NA | NA | NA |
| 307 | 2024-08-09 |
Medical long-tailed learning for imbalanced data: Bibliometric analysis
2024-Apr, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2024.108106
PMID:38452661
|
综述 | 本研究利用文献计量技术对医学领域中长尾学习的深度学习应用进行系统综述，分析研究趋势、核心作者和核心期刊 | 首次通过文献计量分析提供医学领域长尾学习研究的系统概览 | NA | 总结近年来在医学深度学习中应用长尾学习的进展，并通过文献计量分析和可视化知识图谱解释新趋势、来源、核心作者、期刊和研究热点 | 医学领域中长尾学习的深度学习应用文献 | 机器学习 | NA | 文献计量技术 | NA | 文献 | 579篇文章 | NA | NA | NA | NA |
| 308 | 2024-08-07 |
Physics-Informed Generative Model for Drug-like Molecule Conformers
2024-04-22, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01816
PMID:38486425
|
research paper | 本文提出了一种基于扩散的生成模型用于生成药物类似分子的构象 | 模型利用深度学习技术从训练集中推断原子类型和几何参数，并通过扩散生成方法实现构象采样，训练于优化后的半经验GFN2-xTB方法的大型合成数据集上，实现了对键合参数的高精度预测 | NA | 开发一种新的生成模型用于药物类似分子的构象生成 | 药物类似分子的构象 | machine learning | NA | diffusion-based generation | generative model | molecular data | 大型合成数据集 | NA | NA | NA | NA |
| 309 | 2024-08-07 |
PROTACable Is an Integrative Computational Pipeline of 3-D Modeling and Deep Learning To Automate the De Novo Design of PROTACs
2024-04-22, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01878
PMID:38504115
|
研究论文 | 本文介绍了一种名为PROTACable的集成计算流程，结合三维建模和深度学习技术，用于自动化从头设计PROTACs。 | 开发了一种新的方法PROTACable，用于预测和自动化设计PROTACs，利用三维建模和SE(3)-等变图变换网络。 | NA | 探索结合计算化学和深度学习策略，以预测PROTAC活性并实现其自动化设计。 | PROTACs的设计和活性预测。 | 机器学习 | NA | 三维建模 | 图变换网络 | 三维模型 | 使用了一个包含E3连接酶和连接子的库 | NA | NA | NA | NA |
| 310 | 2024-08-07 |
LGGA-MPP: Local Geometry-Guided Graph Attention for Molecular Property Prediction
2024-04-22, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c02058
PMID:38516950
|
研究论文 | 本文提出了一种新的分子属性预测方法LGGA-MPP，该方法通过整合局部几何信息到图注意力机制中，以增强模型对分子局部结构细节的捕捉能力 | LGGA-MPP方法创新地将局部几何信息引入到图神经网络的注意力和消息传递机制中，以更好地捕捉分子的局部结构和可解释性 | NA | 提高分子属性预测的准确性，推动药物发现及相关领域的发展 | 分子属性预测 | 机器学习 | NA | 图神经网络 | 图注意力网络 | 分子图 | 多种数据集 | NA | NA | NA | NA |
| 311 | 2024-08-07 |
Discovery of Covalent Lead Compounds Targeting 3CL Protease with a Lateral Interactions Spiking Neural Network
2024-04-22, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01900
PMID:38520328
|
研究论文 | 本文提出使用横向交互尖峰神经网络的深度学习方法构建共价先导化合物筛选模型，以快速筛选共价先导化合物 | 利用横向交互尖峰神经网络构建共价先导化合物筛选模型，提高了筛选效率和准确性 | 需要进一步验证化合物对3CL蛋白酶的选择性和抑制活性 | 开发一种新的方法来筛选针对3CL蛋白酶的共价先导化合物 | SARS-CoV-2的3CL蛋白酶及其共价先导化合物 | 机器学习 | NA | 共价对接 | 横向交互尖峰神经网络 | 化合物数据集 | 32种化合物 | NA | NA | NA | NA |
| 312 | 2024-08-07 |
PaCh (Packed Chemicals): Computationally Effective Binary Format for Chemical Structure Encoding
2024-04-22, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c01720
PMID:38554112
|
研究论文 | 本文提出了一种新的分子和反应编码二进制数据格式PaCh，旨在结合SMILES和MDL MOL的优点并解决它们的局限性 | PaCh格式在大小效率、处理速度和全面表示之间取得了平衡，并提供了存储原子连接性、电子状态、立体化学等关键分子属性的显式方法 | NA | 旨在提高化学信息学中数据存储效率和软件工具间的互操作性 | 分子和化学反应的编码格式 | 自然语言处理 | NA | NA | NA | 二进制数据 | NA | NA | NA | NA | NA |
| 313 | 2024-08-07 |
ALDELE: All-Purpose Deep Learning Toolkits for Predicting the Biocatalytic Activities of Enzymes
2024-04-22, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00058
PMID:38573056
|
研究论文 | 开发了一种名为ALDELE的全能深度学习工具包，用于预测酶的生物催化活性 | ALDELE整合了蛋白质的结构和序列表示以及配体的子图和整体物理化学性质，能够预测酶的催化活性，并识别基于残基的热点以指导酶工程 | NA | 加速生物催化剂筛选，以可持续地生产有价值的工业化学品 | 酶的生物催化活性 | 机器学习 | NA | 深度学习 | NA | 蛋白质结构和序列数据，配体数据 | NA | NA | NA | NA | NA |
| 314 | 2024-08-07 |
DeepP450: Predicting Human P450 Activities of Small Molecules by Integrating Pretrained Protein Language Model and Molecular Representation
2024-04-22, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c00115
PMID:38587937
|
研究论文 | 本文通过整合预训练的蛋白质语言模型和分子表示，建立了一个名为DeepP450的深度学习模型，用于预测小分子的人体P450酶活性 | DeepP450模型通过特征集成和交叉注意力及自注意力层，实现了对CYP活性预测的高准确性，超越了当前的基准 | NA | 开发一个早期预测CYP活性和底物识别的模型，以促进药物设计 | 人体P450酶活性及小分子化合物 | 机器学习 | NA | 深度学习 | 深度学习模型 | 蛋白质和分子数据 | 涉及九种主要人体CYP酶的底物/非底物预测 | NA | NA | NA | NA |
| 315 | 2024-08-07 |
Substituted Oligosaccharides as Protein Mimics: Deep Learning Free Energy Landscapes
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c00179
PMID:37040394
|
研究论文 | 本研究通过微秒时间尺度的增强采样分子动力学模拟，揭示了一系列956种取代的葡萄糖吡喃寡聚物（长度为3至12）的构象景观，并利用深度卷积网络预测更长寡糖结构的稳定性。 | 本研究首次使用深度学习方法分析寡糖的构象景观，并设计深度生成对抗网络来建议任意长度和取代序列的寡糖模拟物的可能构象。 | 研究主要集中在寡糖的构象分析上，未涉及其在蛋白质模拟中的实际应用效果。 | 探索寡糖作为蛋白质模拟物的构象偏好，并利用深度学习技术预测其稳定性。 | 一系列取代的葡萄糖吡喃寡聚物及其在蛋白质界面模拟中的应用。 | 机器学习 | NA | 分子动力学模拟 | 深度卷积网络，深度生成对抗网络 | 构象数据 | 956种取代的葡萄糖吡喃寡聚物 | NA | NA | NA | NA |
| 316 | 2024-08-07 |
RPI-EDLCN: An Ensemble Deep Learning Framework Based on Capsule Network for ncRNA-Protein Interaction Prediction
2024-04-08, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.3c00377
PMID:37158609
|
研究论文 | 提出了一种基于胶囊网络的集成深度学习框架RPI-EDLCN，用于预测非编码RNA与蛋白质的相互作用 | 使用了胶囊网络结合卷积神经网络、深度神经网络和堆叠自编码器进行特征学习，提高了预测准确性 | 未提及具体限制 | 开发一种新的计算方法来预测非编码RNA与蛋白质的相互作用 | 非编码RNA与蛋白质的相互作用 | 机器学习 | NA | 胶囊网络（CapsuleNet） | 胶囊网络（CapsuleNet） | 序列特征、二级结构序列特征、基序信息和理化性质 | RPI1807、RPI2241和NPInter v2.0数据集 | NA | NA | NA | NA |
| 317 | 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 | NA | NA | NA | NA |
| 318 | 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 | NA | NA | NA | NA |
| 319 | 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 | NA | NA | NA | NA |
| 320 | 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 | NA | NA | NA | NA |