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
201	2024-11-20	Considerations on Image Preprocessing Techniques Required by Deep Learning Models. The Case of the Knee MRIs 2024-Sep, Maedica DOI:10.26574/maedica.2024.19.3.526 PMID:39553362	研究论文	本文研究了膝关节MRI图像的预处理步骤，以使用深度学习模型检测半月板损伤，并强调其在诊断膝关节疾病中的实际应用	本文引入了创新的预处理方法，有望推动该领域的发展	NA	展示膝关节MRI图像的预处理步骤，以使用深度学习模型检测半月板损伤，并强调其在诊断膝关节疾病中的实际应用	膝关节MRI图像和半月板损伤	计算机视觉	骨科疾病	深度学习	深度学习模型	图像	188名患者的PD-矢状位图像
202	2024-11-18	Integrating genomics, phenomics, and deep learning improves the predictive ability for Fusarium head blight-related traits in winter wheat 2024-Sep, The plant genome DOI:10.1002/tpg2.20470 PMID:38853339	研究论文	本文研究了通过整合基因组学、表型组学和深度学习技术，提高冬小麦对赤霉病相关性状的预测能力	本文创新性地使用了人工智能（AI）和视觉平台，通过高光谱成像和深度学习直接预测赤霉病感染小麦中的脱氧雪腐镰刀菌烯醇（DON），显著提高了预测能力	本文未详细讨论所使用方法在实际育种中的应用成本和可行性	提高冬小麦对赤霉病相关性状的预测能力	冬小麦的赤霉病抗性性状、赤霉病损伤的麦粒（FDK）和脱氧雪腐镰刀菌烯醇（DON）	机器学习	农作物病害	高光谱成像	深度学习	图像	NA
203	2024-11-17	SpaDiT: diffusion transformer for spatial gene expression prediction using scRNA-seq 2024-Sep-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae571 PMID:39508444	研究论文	开发了一种名为SpaDiT的深度学习框架，用于利用scRNA-seq数据进行空间基因表达预测	提出了SpaDiT框架，通过利用scRNA-seq数据和ST数据之间的共享基因作为潜在表示，提高了空间基因表达预测的准确性	NA	解决空间转录组学数据中未检测到的基因数量多，应用价值受限的问题	空间转录组学数据和单细胞RNA测序数据	机器学习	NA	scRNA-seq	Transformer	基因表达数据	NA
204	2024-11-17	Graph domain adaptation-based framework for gene expression enhancement and cell type identification in large-scale spatially resolved transcriptomics 2024-Sep-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae576 PMID:39508445	研究论文	介绍了一种基于图域适应的深度学习框架SpaGDA，用于增强大规模空间转录组学中的基因表达和细胞类型识别	提出了一种新的深度学习框架SpaGDA，通过从参考单细胞RNA测序数据中无偏地转移知识，实现了基因表达插补和细胞类型识别	NA	克服当前空间转录组学技术在基因检测灵敏度和基因通量方面的限制，提高基因测量的精度和覆盖率	空间转录组学数据中的基因表达和细胞类型识别	机器学习	NA	深度学习	图域适应框架	空间转录组学数据	三个不同生物背景的空间转录组学数据集
205	2024-11-17	Adversarial regularized autoencoder graph neural network for microbe-disease associations prediction 2024-Sep-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae584 PMID:39528423	研究论文	提出了一种对抗正则化自编码器图神经网络算法，用于预测微生物与疾病之间的关联	引入了一种对抗正则化自编码器图神经网络嵌入模型，以解决传统GraphSAGE自编码器在捕捉全局信息方面的固有限制	NA	预测微生物与疾病之间的关联，以理解致病机制并指导预防和治疗策略	微生物与疾病之间的关联	机器学习	NA	图神经网络	对抗正则化自编码器	网络	在Human Microbe-Disease Association Database (HMDAD)和Disbiome数据库上进行了五折交叉验证
206	2024-11-17	SpaGIC: graph-informed clustering in spatial transcriptomics via self-supervised contrastive learning 2024-Sep-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae578 PMID:39541189	研究论文	本文介绍了一种名为SpaGIC的新型图神经网络框架，结合图卷积网络和自监督对比学习技术，用于空间转录组学中的聚类分析	SpaGIC通过最大化图结构中边和局部邻域的互信息，以及最小化空间相邻点的嵌入距离，学习有意义的潜在嵌入	NA	开发一种能够有效利用空间信息进行空间转录组学分析的新方法	空间转录组学数据中的空间域识别、数据去噪、可视化和轨迹推断	机器学习	NA	图卷积网络、自监督对比学习	图神经网络	基因表达数据	七个空间转录组学数据集
207	2024-11-17	Artificial Intelligence in Anterior Chamber Evaluation: A Systematic Review and Meta-Analysis 2024-Sep-01, Journal of glaucoma IF:2.0Q2 DOI:10.1097/IJG.0000000000002428 PMID:38747721	meta-analysis	本研究对6项研究和5269名患者进行了meta分析，评估了深度学习算法在AS-OCT图像中检测闭角与前房角镜检查的诊断性能	深度学习算法在AS-OCT图像中检测闭角具有优异的敏感性和特异性	NA	评估深度学习算法在AS-OCT图像中检测闭角的准确性，并与前房角镜检查进行比较	闭角检测	computer vision	NA	深度学习算法	NA	image	5269名患者
208	2024-11-09	Predicting disease-associated microbes based on similarity fusion and deep learning 2024-Sep-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae550 PMID:39504483	研究论文	本文提出了一种基于深度学习的计算方法SGJMDA，用于预测微生物与疾病之间的关联	SGJMDA通过融合多种相似性和使用图卷积网络提取特征信息，构建异构网络并计算嵌入的线性相关系数，从而推断潜在的微生物-疾病关联	NA	提高对疾病发病机制和治疗的理解，为生物医学筛选提供指导	微生物与疾病之间的关联	生物信息学	NA	深度学习	图卷积网络	网络数据	NA
209	2024-11-07	A Novel Framework for Multimodal Brain Tumor Detection with Scarce Labels 2024-Sep-26, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3467343 PMID:39325615	研究论文	本文提出了一种新的无监督学习框架Double-SimCLR，用于多模态脑肿瘤检测，通过对比学习和多模态注意力机制提高检测精度	引入双分支结构和自适应权重掩码技术，增强CT特征提取，并采用多模态注意力机制提升模型对显著信息的聚焦能力	未提及具体局限性	解决多模态数据融合和标注数据稀缺的问题，提高脑肿瘤检测的精度和鲁棒性	脑肿瘤检测	计算机视觉	脑肿瘤	对比学习	Double-SimCLR	图像	未提及具体样本数量
210	2024-11-07	Deep learning model for protein multi-label subcellular localization and function prediction based on multi-task collaborative training 2024-Sep-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae568 PMID:39489606	研究论文	提出了一种基于多任务协同训练的深度学习模型DeepMTC，用于蛋白质的多标签亚细胞定位和功能预测	DeepMTC通过多任务协同训练消除了对已知基因本体（GO）数据库的依赖，并利用预训练语言模型和图变换器模块提高了预测准确性	NA	解决现有计算模型在蛋白质亚细胞定位预测中的局限性，提高预测准确性和可解释性	蛋白质的亚细胞定位和功能	机器学习	NA	深度学习	多任务协同训练模型	蛋白质序列	NA
211	2024-11-07	Semi-supervised learning with pseudo-labeling compares favorably with large language models for regulatory sequence prediction 2024-Sep-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae560 PMID:39489607	研究论文	本文提出了一种基于伪标签的半监督学习方法，用于预测调控序列，并展示了其与大型语言模型相比的优势	提出了一种基于伪标签的半监督学习方法，结合Noisy Student算法提高了伪标签数据的置信度预测，适用于训练任何神经网络架构	未提及	缓解监督学习在预测分子过程中因功能数据有限而面临的限制	非编码单核苷酸多态性的分子过程预测	机器学习	NA	半监督学习	神经网络架构	DNA序列	未提及具体数量，但提到利用了来自众多基因组的无标签DNA序列
212	2024-11-07	Leveraging camera traps and artificial intelligence to explore thermoregulation behaviour 2024-Sep, The Journal of animal ecology IF:3.5Q1 DOI:10.1111/1365-2656.14139 PMID:39039745	研究论文	研究利用相机陷阱和人工智能技术自动检测和分类动物的体温调节行为	开发了一种深度学习框架，用于自动检测和分类动物的体温调节行为，并评估了不同光照条件和标记颜色对分类效果的影响	研究仅使用了蜥蜴作为模型动物，未来研究可以扩展到其他物种	探索利用人工智能技术自动化监测动物的体温调节行为	蜥蜴的体温调节行为	计算机视觉	NA	深度学习	对象检测模型和图像分类模型	图像	使用了多种颜色标记的蜥蜴图像数据集
213	2024-11-04	GGN-GO: geometric graph networks for predicting protein function by multi-scale structure features 2024-Sep-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae559 PMID:39487084	研究论文	提出了一种几何图网络（GGN-GO）用于通过多尺度结构特征预测蛋白质功能	通过几何向量感知器将原子和残基级别的多尺度几何结构特征转换为向量表示，并引入图注意力池化层和对比学习增强图表示的判别能力	未提及	解决传统方法在蛋白质功能注释中的成本和时间问题，以及现有深度学习方法在捕捉细粒度几何结构特征和长程依赖性方面的不足	蛋白质功能预测	机器学习	NA	几何图网络（GGN-GO）	图卷积网络（GCN）	蛋白质结构数据	未提及
214	2024-11-04	Graph contrastive learning as a versatile foundation for advanced scRNA-seq data analysis 2024-Sep-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae558 PMID:39487083	研究论文	本文提出了一种基于图对比学习的新框架scSimGCL，用于单细胞RNA测序数据的细胞聚类分析	scSimGCL结合了细胞-细胞图结构和对比学习，显著提升了细胞聚类的性能	NA	开发一种简单而有效的框架，用于生成高质量的表示，以支持稳健的细胞聚类	单细胞RNA测序数据中的细胞聚类	机器学习	NA	图对比学习	图神经网络	单细胞RNA测序数据	涉及模拟和真实单细胞RNA测序数据集
215	2024-11-04	Radiomics in breast cancer: Current advances and future directions 2024-Sep-17, Cell reports. Medicine DOI:10.1016/j.xcrm.2024.101719 PMID:39293402	综述	本文综述了放射组学在乳腺癌中的应用现状及未来发展方向	本文探讨了放射组学在乳腺癌研究中的创新应用，特别是放射多组学研究如何弥合表型和微观尺度信息之间的差距	本文指出了当前放射组学模型在临床应用中存在的不足，并讨论了其原因	总结放射组学在预测临床病理指标和临床结果中的应用，并提出未来研究方向	乳腺癌及其临床应用中的放射组学模型	机器学习	乳腺癌	放射组学	NA	图像	NA
216	2024-11-02	MicroHDF: predicting host phenotypes with metagenomic data using a deep forest-based framework 2024-Sep-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae530 PMID:39446191	研究论文	提出了一种基于深度森林框架的MicroHDF方法，用于利用宏基因组数据预测宿主表型	设计了一种级联深度森林单元，用于处理样本类别不平衡和高维特征问题	NA	提高利用宏基因组数据预测宿主表型的准确性和可靠性	炎症性肠病和肝硬化等六种不同疾病	机器学习	炎症性肠病	深度森林	深度森林	宏基因组数据	13个公开数据集
217	2024-10-30	Coati optimization algorithm based Deep Convolutional Forest method for prediction of atmospheric and oceanic parameters 2024-Sep-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-73811-z PMID:39333748	研究论文	提出了一种基于Coati优化算法的深度卷积森林方法，用于预测大气和海洋参数	引入Coati优化算法训练深度卷积森林分类器，以提高海洋表面温度异常预测的精度	NA	提高海洋表面温度预测的精度，特别是在高精度区域	海洋表面温度异常及相关变量	机器学习	NA	深度卷积森林	深度卷积森林	数值数据	历史数据范围为1到10天，涉及六个不同地点
218	2024-10-30	Forecasting dominance of SARS-CoV-2 lineages by anomaly detection using deep AutoEncoders 2024-Sep-26, bioRxiv : the preprint server for biology DOI:10.1101/2023.10.24.563721 PMID:37961168	研究论文	提出了一种基于深度自动编码器的异常检测系统DeepAutoCoV，用于预测SARS-CoV-2未来主导的变异株	使用深度学习方法进行无监督异常检测，能够提前数周预测SARS-CoV-2的主导变异株，并提供可解释的结果	NA	预测SARS-CoV-2未来主导的变异株，优化公共卫生干预策略	SARS-CoV-2的变异株及其在GISAID数据库中的频率	机器学习	COVID-19	深度学习	自动编码器	序列数据	超过1600万条Spike蛋白序列，采样时间约为4年
219	2024-10-30	Forecasting dominance of SARS-CoV-2 lineages by anomaly detection using deep AutoEncoders 2024-Sep-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae535 PMID:39446192	研究论文	本文提出了一种基于深度自动编码器的异常检测系统DeepAutoCoV，用于预测SARS-CoV-2未来主导的变异株	DeepAutoCoV能够以极低的频率（0.01%-3%）成功标记未来主导的变异株，并提供4-17周的中位数提前时间，预测效果比基线方法好5到25倍	NA	预测SARS-CoV-2未来主导的变异株	SARS-CoV-2的变异株及其主导趋势	机器学习	COVID-19	深度学习	自动编码器	基因序列	超过1600万条Spike蛋白序列，采样时间约为4年
220	2024-10-30	Biotechnological studies towards improvement of finger millet using multi-omics approaches 2024-Sep-02, Functional & integrative genomics IF:3.9Q1 DOI:10.1007/s10142-024-01438-4 PMID:39218842	研究论文	本文探讨了利用多组学方法改进手指谷子的生物技术研究	本文首次系统性地结合多组学技术和人工智能技术，以加速对手指谷子的研究	目前对手指谷子的多组学研究仍然有限，缺乏现代工具	旨在通过多组学方法改进手指谷子的遗传资源，以应对全球饥饿和环境挑战	手指谷子	NA	NA	多组学技术	NA	基因组数据	NA