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
301	2024-10-03	Structure-based prediction of protein-nucleic acid binding using graph neural networks 2024-Jun, Biophysical reviews IF:4.9Q1 DOI:10.1007/s12551-024-01201-w PMID:39345796	研究论文	本文开发了一种基于图神经网络的深度学习方法，用于预测蛋白质与核酸的结合	利用图神经网络编码蛋白质结构的物理化学和几何特性，预测核酸结合位点	NA	开发一种新的方法来预测蛋白质与核酸的结合	蛋白质与核酸的结合	机器学习	NA	图神经网络	图神经网络	蛋白质结构数据	NA
302	2024-09-27	Potential of digital chest radiography-based deep learning in screening and diagnosing pneumoconiosis: An observational study 2024-Jun-21, Medicine IF:1.3Q2 DOI:10.1097/MD.0000000000038478 PMID:38905434	研究论文	本研究探讨了基于数字胸部X光片的深度学习模型在尘肺筛查和诊断中的应用	本研究开发了一种基于深度学习的模型，用于尘肺的筛查和分期，并发现ResNet101模型在分类尘肺方面表现优于放射科医生	本研究仅使用了1250张胸部X光片进行训练和测试，样本量相对较小	提高尘肺诊断的准确性和一致性	尘肺的分类和诊断	计算机视觉	尘肺	深度学习	ResNet101	图像	1250张胸部X光片
303	2024-09-26	Deep learning model to differentiate Crohn's disease from intestinal tuberculosis using histopathological whole slide images from intestinal specimens 2024-Jun, Virchows Archiv : an international journal of pathology IF:3.4Q1 DOI:10.1007/s00428-024-03740-9 PMID:38332051	研究论文	本研究利用深度学习模型分析肠道标本的病理全切片图像，以区分克罗恩病和肠结核	开发了一种深度学习模型，能够有效区分克罗恩病和肠结核，提高了病理诊断的准确性	深度学习模型的诊断效率略低于高级胃肠病理学家	应用深度学习技术区分克罗恩病和肠结核	肠道标本的病理全切片图像	数字病理	消化系统疾病	深度学习	深度学习模型	图像	1973张全切片图像，来自85个病例，涉及3个中心
304	2024-09-25	An artificial intelligence tool predicts blastocyst development from static images of fresh mature oocytes 2024-06, Reproductive biomedicine online IF:3.7Q1 DOI:10.1016/j.rbmo.2024.103842 PMID:38552566	研究论文	开发了一种深度学习模型，通过分析新鲜成熟卵母细胞的静态图像来预测囊胚发育	首次利用深度学习模型通过卵母细胞的静态图像预测囊胚发育，为卵母细胞评估提供了新的方法	模型在不同年龄组和地理位置的表现存在差异，且需要进一步验证其普遍适用性	开发一种能够通过卵母细胞图像预测囊胚发育的深度学习模型	新鲜成熟卵母细胞的静态图像	计算机视觉	NA	深度学习	深度学习模型	图像	37,133张卵母细胞图像，其中7,807张用于测试，12,357张用于外部验证
305	2024-09-21	Multi-scale spatiotemporal attention network for neuron based motor imagery EEG classification 2024-06, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2024.110128 PMID:38554787	研究论文	本文提出了一种基于多尺度时空自注意力机制的网络模型，用于分类基于运动想象任务的脑电信号	该模型利用注意力机制自动分配权重，选择与运动活动相关的通道，并使用多尺度时间卷积网络层提取时间域特征信息	NA	开发和训练一个能够有效提取运动想象脑电数据特征的网络模型	基于运动想象任务的脑电信号	机器学习	NA	脑电图 (EEG)	自注意力网络 (SA)	脑电信号	使用了BCI竞赛数据集IV-2a、IV-2b和HGD，分别包含79.26%、85.90%和96.96%的准确率
306	2024-09-20	Recovering speech intelligibility with deep learning and multiple microphones in noisy-reverberant situations for people using cochlear implants 2024-06-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0026218 PMID:38884525	研究论文	研究通过深度学习和多麦克风系统在噪声和混响环境中提高人工耳蜗使用者的语音可懂度	提出了一种结合深度学习和多麦克风系统的方法，通过去除噪声和混响来恢复语音信号，显著提高了语音接收阈值	研究仅限于模拟和实际人工耳蜗使用者的测试，未涵盖所有可能的听觉环境	旨在通过深度学习算法和多麦克风系统提高人工耳蜗使用者在噪声和混响环境中的语音可懂度	研究对象包括15名典型听力听众和12名人工耳蜗使用者	机器学习	NA	深度学习算法	NA	语音信号	15名典型听力听众和12名人工耳蜗使用者
307	2024-09-15	Detecting outliers in case-control cohorts for improving deep learning networks on Schizophrenia prediction 2024-Jun-01, Journal of integrative bioinformatics IF:1.5Q3 DOI:10.1515/jib-2023-0042 PMID:39004922	研究论文	研究探讨了精神分裂症的复杂遗传和临床特征，并开发了一种基于基因注释的深度学习架构，用于检测和过滤病例对照队列中的异常值，以提高分类模型的性能	提出了一种新的方法来检测和过滤病例对照队列中的异常值，以提高深度学习模型在精神分裂症预测中的性能	研究仅基于瑞典人群的数据集，可能限制了结果的普适性	提高深度学习模型在精神分裂症预测中的准确性	精神分裂症的遗传和临床特征	机器学习	精神疾病	深度学习	深度学习架构	基因数据	来自瑞典人群的病例对照数据集
308	2024-09-15	Unlocking the power of AI models: exploring protein folding prediction through comparative analysis 2024-Jun-01, Journal of integrative bioinformatics IF:1.5Q3 DOI:10.1515/jib-2023-0041 PMID:38797876	研究论文	本文通过比较分析探讨了深度学习模型在蛋白质折叠预测中的应用	本文强调了评估深度学习模型多样性输出的重要性，并进行了跨物种和蛋白质的比较分析	本文主要集中在特定蛋白质（ARM58和ARM56）的分析，未涵盖所有蛋白质结构预测的复杂性	评估深度学习模型在蛋白质折叠预测中的准确性，并提供对这些预测复杂性的见解	ARM58和ARM56蛋白质及其在不同物种中的同源物	机器学习	NA	深度学习	深度学习模型	蛋白质序列	涉及两个蛋白质（ARM58和ARM56）及其同源物
309	2024-09-14	MolLM: a unified language model for integrating biomedical text with 2D and 3D molecular representations 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae260 PMID:38940177	研究论文	本文介绍了一种名为MolLM的统一预训练语言模型，该模型能够同时捕捉2D和3D分子信息以及生物医学文本	MolLM模型创新性地整合了2D和3D分子结构与生物医学文本，通过对比学习方法提升了分子表示能力	NA	开发一种能够同时处理2D和3D分子结构以及生物医学文本的统一语言模型	2D和3D分子结构以及生物医学文本	自然语言处理	NA	对比学习	Transformer	文本和分子结构	160K分子-文本配对
310	2024-09-14	scGrapHiC: deep learning-based graph deconvolution for Hi-C using single cell gene expression 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae223 PMID:38940151	研究论文	本文介绍了一种基于深度学习的图解卷积框架scGrapHiC，用于利用单细胞基因表达数据预测伪批量scHi-C接触图	scGrapHiC通过图解卷积从批量Hi-C接触图中提取全基因组单细胞相互作用，并使用scRNA-seq作为指导信号，显著提高了细胞类型特异性拓扑关联域的恢复率	NA	开发一种新方法，利用广泛可用的基因组信号生成细胞类型特异性的scHi-C接触图，以研究细胞类型特异性的染色质相互作用	单细胞Hi-C数据和单细胞RNA测序数据	机器学习	NA	深度学习	图解卷积	基因组数据	七个细胞类型共分析数据集
311	2024-09-14	Predicting single-cell cellular responses to perturbations using cycle consistency learning 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae248 PMID:38940153	研究论文	本文提出了一种名为cycleCDR的新型深度学习框架，用于预测细胞对外部扰动的响应	利用自编码器将未扰动的细胞状态映射到潜在空间，并假设药物扰动对细胞状态的影响遵循线性加性模型，通过循环一致性约束确保扰动和去扰动过程的准确性	NA	开发一种能够预测细胞对外部扰动响应的深度学习模型	细胞对外部药物或基因扰动的响应	机器学习	NA	深度学习	自编码器	转录组数据和蛋白质组数据	涉及四种不同类型的数据集，包括批量转录组响应、批量蛋白质组响应和单细胞转录组响应
312	2024-09-14	Enhancing generalizability and performance in drug-target interaction identification by integrating pharmacophore and pre-trained models 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae240 PMID:38940179	研究论文	提出了一种名为HeteroDTA的新方法，用于增强药物-靶点相互作用识别的泛化能力和性能	结合了药效团和预训练模型，构建了多视角化合物特征提取模块，并提出了上下文感知的非线性特征融合方法	现有方法仅考虑原子-键图或一维序列表示，忽略了具有特定生物活性的功能团信息，且依赖有限标记数据导致泛化性能差	提高药物-靶点相互作用预测的准确性和泛化能力	药物-靶点相互作用	机器学习	NA	深度学习	NA	图数据	使用公开基准数据集进行实验
313	2024-09-14	Approximating facial expression effects on diagnostic accuracy via generative AI in medical genetics 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae239 PMID:38940144	研究论文	研究了面部表情对遗传疾病诊断准确性的影响，并使用生成式AI技术模拟不同表情	通过生成式AI技术模拟面部表情变化，研究其对遗传疾病诊断准确性的影响	研究仅限于四种遗传综合征，且样本量相对较小	探讨面部表情对遗传疾病诊断准确性的影响	Williams综合征、Angelman综合征、22q11.2缺失综合征和Noonan综合征	机器学习	遗传疾病	生成对抗网络（GAN）	GAN	图像	约3500名遗传疾病患者的面部图像
314	2024-09-14	CODEX: COunterfactual Deep learning for the in silico EXploration of cancer cell line perturbations 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae261 PMID:38940173	研究论文	本文提出了一种名为CODEX的反事实深度学习框架，用于模拟高吞吐量筛选数据中的因果关系，并探索癌症细胞系扰动的影响	CODEX利用反事实推理进行严格的因果建模，能够预测药物特定的细胞反应，包括细胞存活和分子变化，并促进药物组合的模拟探索	NA	开发一种能够优先考虑干预措施以进行进一步实验调查的框架	癌症细胞系的化学和遗传扰动	机器学习	癌症	反事实推理	深度学习	高吞吐量筛选数据	NA
315	2024-09-14	Oncotree2vec - a method for embedding and clustering of tumor mutation trees 2024-06-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae214 PMID:38940124	研究论文	提出了一种名为oncotree2vec的方法，用于肿瘤突变树的嵌入和聚类	通过学习突变树的向量表示，捕捉亚克隆之间的不同关系，实现无监督的肿瘤突变树聚类	NA	理解肿瘤的基因组异质性，为个性化治疗提供依据	肿瘤突变树及其在肿瘤聚类中的应用	计算肿瘤学	NA	NA	NA	突变树	三个模拟研究和两个真实数据集，包括43棵来自六种癌症类型的树和123棵AML突变树
316	2024-09-14	FMCA-DTI: a fragment-oriented method based on a multihead cross attention mechanism to improve drug-target interaction prediction 2024-06-03, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae347 PMID:38810106	研究论文	提出了一种基于多头交叉注意力机制的片段导向方法FMCA-DTI，用于改进药物-靶点相互作用预测	利用多头交叉注意力机制学习不同片段之间的复杂交互特征，并通过分支链挖掘和类别片段挖掘获取药物和蛋白质的多种片段类型	未提及	改进药物-靶点相互作用预测	药物和蛋白质的片段及其相互作用	机器学习	NA	多头交叉注意力机制	多头交叉注意力机制	片段数据	三个基准数据集
317	2024-09-14	Interpretable deep learning in single-cell omics 2024-06-03, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae374 PMID:38889275	review	本文介绍了单细胞组学技术和可解释深度学习的基本概念，并回顾了应用于单细胞组学研究的最新可解释深度学习模型	本文探讨了在单细胞组学数据分析中提高深度学习模型可解释性的研究进展	本文指出了当前可解释深度学习模型在单细胞组学研究中的局限性，并讨论了未来的发展方向	探讨单细胞组学数据分析中深度学习模型的可解释性问题	单细胞组学数据和深度学习模型	机器学习	NA	深度学习	NA	单细胞组学数据	NA
318	2024-09-14	Deep learning for colorectal cancer detection in contrast-enhanced CT without bowel preparation: a retrospective, multicentre study 2024-Jun, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2024.105183 PMID:38848616	研究论文	本文开发了一种深度学习模型，用于在没有肠道准备的情况下通过增强CT扫描检测结直肠癌，并评估其是否能提高放射科医生的检测性能	本文首次在没有肠道准备的情况下，利用深度学习模型在增强CT扫描中检测结直肠癌，并显著提高了放射科医生的检测准确性	本文仅在回顾性、多中心研究中验证了模型的有效性，未来需要在更多临床环境中进行验证	开发和评估一种深度学习模型，以提高在没有肠道准备的情况下通过增强CT扫描检测结直肠癌的准确性	结直肠癌的检测	计算机视觉	结直肠癌	深度学习	深度学习模型	图像	共使用了1196个癌症样本和1034个正常样本进行模型训练，并在多个测试集中进行了验证
319	2024-09-08	Predicting overall survival and prophylactic cranial irradiation benefit in small-cell lung cancer with CT-based deep learning: A retrospective multicenter study 2024-06, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2024.110221 PMID:38479441	研究论文	开发基于CT的深度学习模型，预测小细胞肺癌患者的总生存期并识别可能从预防性颅脑放疗中受益的患者	首次使用基于CT的深度学习模型预测小细胞肺癌患者的总生存期，并评估预防性颅脑放疗的受益情况	研究为回顾性多中心研究，样本量有限，需进一步前瞻性研究验证	开发和验证基于CT的深度学习模型，以预测小细胞肺癌患者的总生存期并评估预防性颅脑放疗的受益情况	小细胞肺癌患者及其总生存期和预防性颅脑放疗的受益情况	计算机视觉	肺癌	深度学习	全连接神经网络	CT影像	556名小细胞肺癌患者，其中训练集309例，内部验证集133例，外部验证集114例
320	2024-09-07	Deep learning unlocks label-free viability assessment of cancer spheroids in microfluidics 2024-06-11, Lab on a chip IF:6.1Q2 DOI:10.1039/d4lc00197d PMID:38804084	研究论文	本文介绍了一种基于深度学习的无标记、非破坏性方法，用于评估微流控芯片中癌症球体的生存能力	该研究提出了一种基于相位对比图像的深度学习模型，用于无标记、非破坏性的生存能力评估，提供了一种成本效益高、高通量的解决方案	该模型在扩展到训练数据集中未包含的新化合物和细胞系时，结果虽然有希望，但仍需进一步验证	改进治疗剂，精确评估药物疗效	癌症球体的生存能力	计算机视觉	NA	深度学习	深度学习模型	图像	约12000个球体