深度学习在生物医药领域的应用

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	算法框架	模型架构	性能指标	计算资源
21	2026-08-13	An integrative approach to protein sequence design through multiobjective optimization 2024-07, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011953 PMID:38991035	研究论文	本文展示了一种通过进化多目标优化技术整合深度学习模型进行蛋白质序列设计的综合方法。	将NSGA-II多目标优化框架与AlphaFold2、ProteinMPNN和ESM-1v等深度学习模型结合，提供了一种协同整合不同模型和目标的蛋白质设计新途径，显著减少了序列恢复的偏差和方差。	未提及具体限制，但可能依赖于模型准确性和计算资源。	开发一种能够整合多模型和目标函数的蛋白质序列设计框架，提高设计效率和准确性。	折叠转换蛋白RfaH、PapD和钙调蛋白。	计算蛋白质设计	不适用	深度学习、多目标优化	NSGA-II、AlphaFold2、ProteinMPNN、ESM-1v	蛋白质序列和结构数据	三个蛋白质（RfaH, PapD, calmodulin）	自研框架	NSGA-II、AlphaFold2、ProteinMPNN、ESM-1v	序列恢复率、偏差、方差	未提及具体硬件资源
22	2026-08-12	DiffPROTACs is a deep learning-based generator for proteolysis targeting chimeras 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae358 PMID:39101502	研究论文	提出了一种基于深度学习的扩散模型DiffPROTACs，用于生成蛋白降解靶向嵌合体（PROTACs）的链接子	首次将O(3)等变图Transformer模块引入PROTACs链接子生成，结合扩散模型和Transformer，通过图神经网络更新原子坐标，实现了对PROTACs结构特征的利用	未在摘要中明确提及，可能包括模型对特定数据集的依赖性和生成分子的实际生物活性验证不足	开发一种新的扩散模型，利用深度学习生成新的PROTAC链接子，提高PROTACs设计的合理性和效率	PROTACs分子及其链接子，特别是基于给定配体的链接子生成	机器学习	NA	深度学习（扩散模型、Transformer、图神经网络）	扩散模型	分子结构数据（包括ZINC、GEOM数据集和自建PROTACs数据集）	未明确提及，但使用了ZINC、GEOM数据集和自建PROTACs数据集进行训练和微调	PyTorch	Transformer, 图神经网络（GNN）, O(3)等变图Transformer	有效性（validity rate）	未在摘要中明确提及
23	2026-08-12	CAPE: a deep learning framework with Chaos-Attention net for Promoter Evolution 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae398 PMID:39120645	研究论文	本文提出了CAPE框架，利用混沌注意力网络预测原核生物启动子强度并指导其定向进化，融合了进化信息和深度学习模型。	首次在启动子强度预测中整合混沌游戏表示和注意力机制，结合改进的DenseNet与Transformer结构，并引入迁移学习提升泛化能力。	摘要未提及明确的局限性，可能需要依赖高质量训练数据和计算资源。	开发一个深度学习框架，提高原核生物启动子强度预测的准确性，并支持启动子的计算机模拟定向进化。	原核生物启动子序列及其强度预测任务。	深度学习，合成生物学	不适用	混沌游戏表示，深度学习	DenseNet，Transformer，注意力机制	启动子序列数据	不明确（摘要未提供具体样本数量）	PyTorch（推断，未明确提及）	改进的DenseNet和Transformer	准确率（推断，具体指标未在摘要中列出）	未明确提及
24	2026-08-12	MPEK: a multitask deep learning framework based on pretrained language models for enzymatic reaction kinetic parameters prediction 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae387 PMID:39129365	研究论文	提出一个基于预训练语言模型的多任务深度学习框架MPEK，用于同时预测酶动力学参数kcat和Km，并整合pH、温度和生物体信息。	首次将多任务学习与预训练语言模型结合用于酶动力学参数预测，同时考虑kcat和Km的内在关联，并整合多种条件信息，显著提升预测性能。	未提及具体限制，但可能包括预训练模型对突变序列变化的敏感性局限或数据集的固有偏倚。	提高酶动力学参数kcat和Km的预测准确性，助力酶工程和生物制造。	酶促反应动力学参数kcat和Km，以及相关酶和突变体。	机器学习, 蛋白质工程	NA	预训练语言模型, 深度学习	多任务深度学习模型	序列数据, 数值条件数据	未明确	NA	预训练语言模型, 多任务学习架构	皮尔逊相关系数	NA
25	2026-08-12	Attribute-guided prototype network for few-shot molecular property prediction 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae394 PMID:39133096	研究论文	本文提出了一种属性引导的原型网络（APN），用于解决少样本分子性质预测问题	引入分子属性提取器，提取多种指纹属性和自监督深度属性，并设计属性引导的双通道注意力模块来增强分子表示	未在摘要中明确提及，可能缺乏大规模验证或跨领域通用性的深入讨论	提升少样本分子性质预测的性能	分子性质预测中的分子图数据	机器学习	NA	自监督学习	原型网络	分子图	基准数据集（未指定具体数量）	NA	原型网络、双通道注意力模块	状态-of-the-art性能（未指定具体指标）	NA
26	2026-08-11	DeepEnzyme: a robust deep learning model for improved enzyme turnover number prediction by utilizing features of protein 3D-structures 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae409 PMID:39162313	研究论文	本文介绍DeepEnzyme，一种结合Transformer和Graph Convolutional Network的深度学习模型，通过利用蛋白质3D结构特征提升酶转换数预测的准确性和鲁棒性	首次结合最新的Transformer和GCN，整合序列与3D结构特征，提高低序列相似性酶的预测鲁棒性，并支持评估点突变对催化活性的影响	未明确提及，可能依赖于高质量3D结构数据，对低序列相似性酶仍需进一步验证	改进酶转换数(kcat)预测的准确性和鲁棒性，特别是对低序列相似性酶，并探索点突变对酶催化活性的影响	酶的序列和3D结构数据，以及点突变效应	深度学习, 蛋白质结构预测	NA	蛋白质3D结构特征提取	Transformer, Graph Convolutional Network (GCN)	蛋白质序列和3D结构数据	未明确提及	未明确提及	Transformer, GCN	预测准确性和鲁棒性（未具体列出指标）	未明确提及
27	2026-08-11	HTINet2: herb-target prediction via knowledge graph embedding and residual-like graph neural network 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae414 PMID:39175133	研究论文	提出了一种名为HTINet2的深度学习框架，用于预测草药靶点，整合知识图谱嵌入和残差图神经网络	设计了三个关键模块：知识图谱嵌入、残差图表示学习和监督目标预测，其中知识图谱嵌入模块融合了中医属性和临床治疗知识，残差图卷积网络用于捕捉草药与靶点间的深度交互	文中未明确提及，但摘要暗示其依赖知识库的完整性，可能存在知识图谱不完整带来的挑战	解决草药靶点预测中数据不完整和无监督模型局限性的问题，提高预测准确性	草药（例如青蒿、黄连）及其靶点	机器学习	不适用	知识图谱嵌入	图神经网络	知识图谱	未提及具体数量，但构建了大型知识图谱	未提及具体框架	残差图卷积网络	HR@10, NDCG@10	未提及
28	2026-08-11	BertTCR: a Bert-based deep learning framework for predicting cancer-related immune status based on T cell receptor repertoire 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae420 PMID:39177262	研究论文	提出了一种基于Bert的深度学习框架BertTCR，用于基于T细胞受体库预测癌症相关免疫状态。	结合预训练蛋白质大语言模型与深度学习架构，提取TCR的深层上下文信息，并考虑序列内和序列间的相互作用，显著提高了预测性能。	未提及具体局限性。	开发一种基于TCR序列预测癌症相关免疫状态的深度学习框架。	T细胞受体（TCRs）序列及其在癌症免疫状态预测中的应用。	机器学习	多种癌症	NGS（TCR库测序）	Bert	序列数据（TCR库）	超过2000个公开TCR库，涵盖17种癌症和健康样本	NA	Bert, 深度学习架构	AUC	NA
29	2026-08-11	PLM_Sol: predicting protein solubility by benchmarking multiple protein language models with the updated Escherichia coli protein solubility dataset 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae404 PMID:39179250	研究论文	本研究通过更新大肠杆菌蛋白质溶解度数据集，结合多种蛋白质语言模型与分类层，开发了蛋白质溶解度预测模型PLM_Sol，并在独立测试集和实验集上表现出优于现有模型的性能。	首次将多种蛋白质语言模型结合分类层用于蛋白质溶解度预测，并构建了更新的大肠杆菌溶解度数据集UESolDS，模型性能显著提升。	研究可能受限于数据集来源的单一性（仅大肠杆菌）以及实验验证资源的特定性，未见其他物种或条件泛化验证。	提高蛋白质溶解度预测的准确性，支持大规模功能酶研究。	大肠杆菌蛋白质序列及其溶解度数据。	机器学习	不适用	蛋白质语言模型、结构数据库分析	蛋白质语言模型（PLMs）和分类层	蛋白质序列数据	独立测试集和内部合成的多种酶蛋白资源，具体数量未提供	独立程序，未指明特定框架	多种蛋白质语言模型组合，未指定具体架构	准确率、F1分数、马修斯相关系数	未指明
30	2026-08-11	CycPeptMP: enhancing membrane permeability prediction of cyclic peptides with multi-level molecular features and data augmentation 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae417 PMID:39210505	研究论文	本研究提出CycPeptMP，一种利用多层次分子特征和数据增强技术准确预测环肽膜通透性的深度学习方法	设计原子、单体和肽三个层次的特征并融合成深度学习模型，同时应用数据增强技术提升训练效率	未明确提及，可能受限于实验数据的可用性	提高环肽膜通透性预测的准确性和效率，以支持口服生物利用度和细胞内靶向治疗	环肽分子的膜通透性	机器学习	NA	深度学习	融合模型（深度学习）	分子特征数据	NA	NA	融合模型（多层特征集成）	平均绝对误差, 相关系数	NA
31	2026-08-11	ReadCurrent: a VDCNN-based tool for fast and accurate nanopore selective sequencing 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae435 PMID:39226890	研究论文	本文介绍了一个名为ReadCurrent的深度学习工具，用于纳米孔选择性测序，该工具以电流为输入，采用改进的非常深的卷积神经网络架构，实现了快速且准确的DNA分类。	ReadCurrent采用改进的VDCNN架构，显著降低了训练计算成本并加速推理，同时与四种其他基于深度学习的选择性测序方法相比，达到了98.57%的平均准确率，并在实验验证中实现了更高的富集比率。	文献中未明确提及局限性。	开发一种基于深度学习的高精度、高速工具，用于纳米孔选择性测序中的靶标和非靶标DNA分类。	包含人类、酵母、细菌和病毒的10个纳米孔测序数据集。	深度学习	NA	纳米孔测序	卷积神经网络	电流信号	10个纳米孔测序数据集，涵盖人类、酵母、细菌和病毒。	NA	VDCNN	准确率、富集比率	NA
32	2026-08-11	A genome-scale deep learning model to predict gene expression changes of genetic perturbations from multiplex biological networks 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae433 PMID:39226889	研究论文	本文介绍了TranscriptionNet，一种基于多重生物网络的深度学习模型，用于系统预测基因扰动引起的基因表达变化	首次整合多种生物网络来预测三种遗传扰动的转录组图谱，并扩展覆盖到全基因组范围	未在文中明确提及	系统预测遗传扰动对基因表达的影响，以支持基因功能研究和药物开发	L1000项目中由RNA干扰、CRISPR和过表达引起的转录组图谱	机器学习	不适用	RNA干扰、CRISPR、过表达	深度学习模型	转录组数据	L1000项目中的数千个扰动实验，覆盖26945个基因	不适用	不适用	预测准确性（优于现有方法）	不适用
33	2026-08-11	DeepIRES: a hybrid deep learning model for accurate identification of internal ribosome entry sites in cellular and viral mRNAs 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae439 PMID:39234953	研究论文	本文介绍了一种名为DeepIRES的混合深度学习模型，用于在细胞和病毒mRNA序列中准确识别内部核糖体进入位点（IRES）元素。	首次将膨胀一维卷积神经网络块、双向门控循环单元和自注意力模块相结合，构建混合深度学习模型用于IRES预测，并利用深度学习可解释性分析发现与IRES活性相关的潜在共识基序。	摘要未明确提及局限性，但可能包括数据依赖性和模型泛化能力的潜在限制。	开发一种精确且稳健的深度学习工具，用于自动识别mRNA序列中的IRES元素，以替代耗时费力的实验方法，并揭示IRES的机制。	细胞和病毒mRNA序列中的内部核糖体进入位点（IRES）元素。	机器学习	NA	NA	混合深度学习模型（膨胀一维CNN、双向GRU、自注意力）	mRNA序列数据	摘要中未明确样本数量。	NA	膨胀一维卷积神经网络块，双向门控循环单元（GRU），自注意力模块	准确率，交叉验证结果，预测能力（具体指标如AUC等未在摘要中详细列出）	NA
34	2026-08-11	Deep learning approaches for non-coding genetic variant effect prediction: current progress and future prospects 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae446 PMID:39276327	综述	基于深度学习方法预测非编码遗传变异效应的进展与未来展望的全面综述	整合了基于批量测序和单细胞测序数据的非编码变异模型发展，并探讨了模型解释和下游任务	当前变异效应预测方法存在局限性，但未具体指明	提供非编码变异效应预测的深度学习方法的全面概述，并指出未来改进机会	非编码遗传变异及其效应预测	机器学习	NA	高通量测序	深度学习模型	基因数据	NA	NA	NA	NA	NA
35	2026-08-11	PGBind: pocket-guided explicit attention learning for protein-ligand docking 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae455 PMID:39293803	研究论文	提出了一种口袋引导的显式注意力学习方法PGBind，用于增强蛋白质-配体盲对接的性能。	引入口袋引导策略，通过估计潜在口袋区域并利用口袋引导注意力机制增强蛋白质特征，可即插即用地集成到现有深度学习方法中。	未明确提及局限性。	改进蛋白质-配体盲对接方法，提升对接精度，无需预先知道口袋信息。	蛋白质-配体复合物，涉及靶蛋白和配体分子。	机器学习, 药物发现	不适用	深度学习方法	注意力机制辅助的深度学习模型	蛋白质结构数据	未明确提供样本数量	未明确提供	可用于EquiBind和FABind的即插即用模块	对接性能指标（如成功率等，具体未列明）	未明确提供
36	2026-08-11	Designing interpretable deep learning applications for functional genomics: a quantitative analysis 2024-07-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae449 PMID:39293804	综述	对功能基因组学中可解释深度学习应用的设计挑战进行定量分析	通过预设标准对当前领域状态进行量化，识别最常用解决方案、突出例外并发现未开发机会	未在摘要中明确提及	探讨功能基因组学中可解释深度学习解决方案的设计挑战，包括数据特征、网络架构和解释策略的选择	功能基因组学中的深度学习应用及相关解释性策略	机器学习，功能基因组学	NA	深度学习	神经网络	组学数据	NA	NA	NA	NA	NA
37	2026-08-09	Deep learning for intracranial aneurysm segmentation using CT angiography 2024-07-26, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad6372 PMID:39008990	研究论文	本研究提出了一种两阶段深度学习方法，用于在CT血管造影图像中准确分割颅内动脉瘤，包括小型动脉瘤（4-10毫米）。	提出了一种轻量级且快速的头部区域选择（HRS）算法，并结合自适应3D nnU-Net网络，能够自动定位脑区域，将推理时间减少超过50%，同时保持高分割精度。	未提及具体的局限性。	开发并验证一种两阶段深度学习方法，用于CT血管造影图像中颅内动脉瘤的准确分割，特别是小型动脉瘤。	颅内动脉瘤，包括4-10毫米大小的小型动脉瘤。	计算机视觉、数字病理学	脑血管疾病	CT血管造影	3D nnU-Net	CT血管造影图像	956名患者，来自6家医院和1个公共数据集，使用6种不同制造商的CT扫描仪。	NA	3D nnU-Net	Dice分数、AUC、精确率	NA
38	2026-08-09	A deep learning-based method for the detection and segmentation of breast masses in ultrasound images 2024-07-26, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad61b6 PMID:38986480	研究论文	提出一种结合YOLOv5和GOLO-CMSS网络的深度学习框架，用于超声图像中乳腺肿块的自动检测与分割	创新性地将YOLOv5检测网络与全局-局部（GOLO）策略结合，开发了GOLO-CMSS分割网络，该网络通过MSS模块自动调整感受野，利用MLI模块实现不同分辨率下深浅特征的融合，从而在全局和局部两个分支上同时处理图像，提升分割精度	文章未明确讨论计算资源的消耗或运行时间，可能会影响实时临床应用的可能性	开发一种基于深度学习的准确乳腺肿块检测与分割方法，以提升乳腺癌诊断的自动化水平	乳腺超声图像中的肿块	计算机视觉	乳腺癌	超声成像	卷积神经网络（CNN）	图像	包含28,477张乳腺超声图像的USTC数据集，以及三个公开数据集UDIAT、BUSI和TUH	PyTorch（假设使用，基于常见深度学习实践）	YOLOv5, GOLO-CMSS, MSS模块, MLI模块	平均精度（AP）、Dice相似系数（DSC）	未描述具体GPU类型或计算平台
39	2026-08-09	Joint diffusion: mutual consistency-driven diffusion model for PET-MRI co-reconstruction 2024-07-23, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad6117 PMID:38981592	研究论文	提出了一种基于贝叶斯框架的PET-MRI联合重建模型MC-Diffusion，利用联合评分扩散模型学习PET和MRI的联合概率分布，以提升图像质量。	将联合重建问题转化为联合正则化问题，利用联合评分扩散模型学习PET和MRI的联合概率分布，从而挖掘其内在互补性，优于黑盒先验或人工构造的结构相似性。	未提及	利用PET和MRI数据的互补性，通过联合重建提高PET-MRI图像质量，减少采集时间并提升信噪比。	PET和MRI图像数据	医学影像重建	NA	PET-MRI成像、扩散模型	扩散模型（基于评分的生成模型）	医学图像（PET和MRI）	ADNI数据集（具体样本数未提及）	NA	MC-Diffusion模型	定性评估、定量评估（具体指标未提及）	NA
40	2026-08-09	Deep learning-based voxel sampling for particle therapy treatment planning 2024-07-19, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad5bba PMID:38917844	研究论文	提出一种基于深度学习的体素采样方法，用于减少粒子治疗计划优化中的计算负担，提高效率	基于U-Net的深度学习模型，无需患者特定手动输入即可实现最优体素采样，显著减少优化所需体素数，保持计划质量	未明确提及局限性，但可能依赖训练数据规模和特定治疗平台	提高扫描粒子治疗计划优化的计算效率，支持未来实时自适应治疗	头颈癌患者，接受碳离子治疗	深度学习，医学图像分析	头颈癌	碳离子治疗计划优化	U-Net（深度学习模型）	医学图像（CT等）和计划数据	70例头颈癌患者，用于训练（50）、验证（10）和测试（10）；训练时优化了12500个碳离子治疗计划	未明确，可能使用深度学习框架如PyTorch或TensorFlow（NA）	U-Net	体素减少百分比、计划质量损失（中位数）、优化时间减少倍数	未明确，但提及高效的AI基础设施（NA）