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 1163 篇文献，本页显示第 321 - 340 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 321 | 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 | NA | NA | NA | NA |
| 322 | 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 | NA | NA | NA | NA |
| 323 | 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 | NA | NA | NA | NA |
| 324 | 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 | NA | NA | NA | NA |
| 325 | 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 | NA | NA | NA | NA |
| 326 | 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 | NA | NA | NA | NA |
| 327 | 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 | NA | NA | NA | NA |
| 328 | 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 | NA | NA | NA | NA |
| 329 | 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 | NA | NA | NA | NA |
| 330 | 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 | NA | NA | NA | NA |
| 331 | 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 | NA | NA | NA | NA |
| 332 | 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 | NA | NA | NA | NA |
| 333 | 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 | NA | NA | NA | NA |
| 334 | 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 | NA | NA | NA | NA |
| 335 | 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 | NA | NA | NA | NA |
| 336 | 2024-10-30 |
Ultra-low dose chest CT with silver filter and deep learning reconstruction significantly reduces radiation dose and retains quantitative information in the investigation and monitoring of lymphangioleiomyomatosis (LAM)
2024-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-10649-z
PMID:38388717
|
研究论文 | 研究银滤波器和深度学习重建算法在淋巴管平滑肌瘤病（LAM）患者胸部CT扫描中降低辐射剂量的效果 | 使用银滤波器和深度学习重建算法显著降低了胸部CT扫描的辐射剂量，同时保持了量化信息的准确性 | 研究样本量较小，仅在一个中心进行，且仅针对LAM患者 | 探讨银滤波器和深度学习重建算法在LAM患者胸部CT扫描中降低辐射剂量的可行性 | LAM患者的胸部CT扫描图像 | 计算机视觉 | 肺部疾病 | 深度学习重建 | 深度学习模型 | 图像 | 60名LAM患者 | NA | NA | NA | NA |
| 337 | 2024-10-30 |
Automated inversion time selection for late gadolinium-enhanced cardiac magnetic resonance imaging
2024-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-10630-w
PMID:38337070
|
研究论文 | 开发并分享一种深度学习方法，用于从多厂商、多机构和多场强的反转扫描序列中准确识别最佳反转时间 | 开发了一种结合卷积神经网络和长短期记忆网络的深度学习模型，能够在多厂商数据上高精度地识别最佳反转时间，并应用于未见过的外部数据 | 模型在训练数据中占比较高的厂商数据上表现最佳，不同厂商的性能存在差异 | 开发一种自动选择最佳反转时间的工具，以提高晚期钆增强心脏磁共振成像的效率和一致性 | 多厂商、多机构和多场强的反转扫描序列 | 计算机视觉 | NA | 深度学习 | 卷积神经网络和长短期记忆网络 | 图像 | 1136例1.5-T和3-T心脏MRI检查 | NA | NA | NA | NA |
| 338 | 2024-10-30 |
Knee landmarks detection via deep learning for automatic imaging evaluation of trochlear dysplasia and patellar height
2024-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-10596-9
PMID:38337072
|
研究论文 | 本文开发并验证了一种基于深度学习的自动测量膝关节磁共振成像中髌股不稳定指数的方法 | 提出了一种基于U-Net网络的自动检测膝关节标志点的方法，用于评估髌骨高度和滑车发育不良 | NA | 开发和验证一种基于深度学习的自动测量髌股不稳定指数的方法 | 膝关节磁共振成像中的髌骨高度和滑车发育不良 | 计算机视觉 | 膝关节疾病 | 深度学习 | U-Net | 图像 | 763个膝关节MRI切片，来自95名患者，标注了3393个解剖标志点 | NA | NA | NA | NA |
| 339 | 2024-10-30 |
Utilizing fully-automated 3D organ segmentation for hepatic steatosis assessment with CT attenuation-based parameters
2024-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-10660-4
PMID:38393403
|
研究论文 | 研究利用全自动3D器官分割技术评估肝脂肪变性，通过CT衰减参数进行分析 | 本文创新性地使用全自动3D器官分割技术来提取CT衰减参数，用于评估肝脂肪变性 | 研究为回顾性分析，样本量有限，且未涵盖所有可能的临床情况 | 探讨全自动3D器官分割技术在评估肝脂肪变性中的临床应用 | 研究对象为362名成年潜在活体肝移植供体，分析其腹部CT扫描和磁共振波谱-质子密度脂肪分数（MRS-PDFF） | 数字病理学 | 肝病 | CT扫描 | 深度学习 | 图像 | 362名成年潜在活体肝移植供体 | NA | NA | NA | NA |
| 340 | 2024-10-30 |
Artificial intelligence-assisted double reading of chest radiographs to detect clinically relevant missed findings: a two-centre evaluation
2024-Sep, European radiology
IF:4.7Q1
DOI:10.1007/s00330-024-10676-w
PMID:38466390
|
研究论文 | 评估一种人工智能辅助的双重读片系统，用于检测常规胸部X光片中临床相关的遗漏发现 | 使用人工智能软件作为报告授权后的二次读片，以减少诊断错误，同时不中断放射科医生的读片流程 | 人工智能检测到的差异数量较多，需要放射科医生进行相关性评估 | 评估人工智能辅助的双重读片系统在检测常规胸部X光片中临床相关遗漏发现的有效性 | 胸部X光片及其放射科报告 | 计算机视觉 | NA | 深度学习和自然语言处理算法 | 深度学习 | 图像 | 25,104张胸部X光片，涉及21,039名患者（平均年龄61.1岁，标准差16.2，其中10,436名为男性） | NA | NA | NA | NA |