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
1	2026-06-02	Deep learning based local feature classification to automatically identify single molecule fluorescence events 2024-10-28, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07122-4 PMID:39468368	研究论文	介绍DEBRIS，一种基于深度学习的局部特征分类方法，用于自动识别单分子荧光事件	首次使用深度学习模型通过同一训练模型准确分类四种不同类型的单分子荧光事件，展示其通用性	未提及具体限制	开发一种深度学习模型，专注于局部特征分类，自动识别稳态荧光信号和动态涌现的不同模式信号	单分子荧光事件，包括单色和双色事件	机器学习	NA	单分子荧光测量	CNN	时序数据	NA	NA	DEBRIS	准确率	NA
2	2026-06-02	Graph masked self-distillation learning for prediction of mutation impact on protein-protein interactions 2024-10-26, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07066-9 PMID:39462102	研究论文	提出一个名为PIANO的深度学习框架，通过图掩码自蒸馏学习预测蛋白质-蛋白质相互作用中突变对结合亲和力变化的影响	采用图掩码自蒸馏方案对蛋白质结构几何表示进行预训练，并利用多分支网络整合氨基酸、原子和蛋白质序列编码器，同时适用于全息复合物和载脂单体结构	NA	改进蛋白质-蛋白质相互作用中突变结合亲和力变化的预测性能，并为药物设计、治疗干预和蛋白质工程提供见解	蛋白质-蛋白质相互作用中的突变位点及其周围结构上下文	机器学习	NA	深度学习	图神经网络、多分支网络	蛋白质结构数据	NA	NA	图掩码自蒸馏编码器、多分支编码器（氨基酸、原子、蛋白质序列）	预测性能（具体指标未说明）	NA
3	2026-06-01	Comprehensive evaluation and prediction of editing outcomes for near-PAMless adenine and cytosine base editors 2024-10-25, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07078-5 PMID:39455714	研究论文	对近无PAM的腺嘌呤和胞嘧啶碱基编辑器的编辑效果进行综合评估与预测	生成了四种近PAM-less碱基编辑器，并构建大规模sgRNA靶点文库系统评估其编辑模式与效率，开发了深度学习模型BEguider用于准确预测编辑结果	未提及具体局限性	评估近PAM-less碱基编辑器的编辑效果并开发预测模型	近PAM-less碱基编辑器及其编辑结果	机器学习	NA	深度测序	深度学习模型	序列数据	45,747个sgRNA靶点序列和20,541个ClinVar位点	NA	BEguider	NA	NA
4	2026-06-01	Overcoming photon and spatiotemporal sparsity in fluorescence lifetime imaging with SparseFLIM 2024-10-21, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07080-x PMID:39433929	研究论文	提出SparseFLIM智能方法，利用耦合双向传播网络从稀疏光子测量中实现高保真度荧光寿命成像重建	首次通过深度学习实现从稀疏光子测量中重建高质量荧光寿命图像，实现光子计数十倍富集，远超传统方法的采集速度限制	NA（摘要中未提及局限性信息）	克服荧光寿命成像中光子与时空稀疏性限制，提高采集速度并保持图像质量	荧光寿命成像显微图像中的稀疏光子数据	数字病理学	NA（未具体指定疾病）	荧光寿命成像显微术	耦合双向传播网络	图像	NA（样本数量未提及）	NA（未明确指定框架）	耦合双向传播网络	信噪比, 寿命准确度, 相关性	NA（未提供计算资源信息）
5	2026-06-01	Graph attention automatic encoder based on contrastive learning for domain recognition of spatial transcriptomics 2024-10-18, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07037-0 PMID:39424696	研究论文	提出一种基于图注意力自编码器和对比学习的空间转录组学域识别方法GAAEST	结合图注意力网络编码器和自监督对比学习，在局部、全局和上下文三个层次优化空间嵌入，提升空间域识别性能	未提及具体局限性	提高空间转录组学中空间域识别的准确性和鲁棒性	空间转录组学数据中的空间域	数字病理学	NA	空间转录组学	图注意力网络	空间转录组学数据（基因表达和空间位置信息）	多个数据集	PyTorch	图注意力自编码器	聚类准确率、空间域识别性能	NA
6	2026-05-31	Prediction of peptide hormones using an ensemble of machine learning and similarity-based methods 2024-10, Proteomics IF:3.4Q2 DOI:10.1002/pmic.202400004 PMID:38803012	研究论文	提出了一种结合机器学习与基于相似性方法的集成策略，用于高精度预测激素肽	创新性地将基于相似性的方法（BLAST和MERCI）与机器学习模型（逻辑回归）集成，并开发了可识别激素相关基序的网络服务器HOPPred	基于相似性的方法存在无匹配结果或预测序列有限的问题，且集成模型在独立验证集上的性能仍有提升空间	开发一种高准确率的激素肽预测方法，并提供一个实用的网络工具	激素肽和非激素肽序列（各1174条）	机器学习	NA	NA	逻辑回归	序列	2348条肽序列（1174条激素肽和1174条非激素肽）	NA	NA	AUROC, 准确率, 马修斯相关系数 (MCC)	NA
7	2026-05-30	E-pharmacophore and deep learning based high throughput virtual screening for identification of CDPK1 inhibitors of Cryptosporidium parvum 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108172 PMID:39191165	研究论文	结合E-药效团和深度学习进行高通量虚拟筛选，鉴定微小隐孢子虫CDPK1抑制剂	将E-药效团模型与深度学习模型结合，对200万分子库进行虚拟筛选，并采用量子极化对接进行精确排序	仅基于分子模拟和代谢预测，缺乏实验验证抑制剂的活性及体内外效果	发现新型隐孢子虫CDPK1抑制剂，为治疗隐孢子虫病提供候选药物	微小隐孢子虫的钙依赖性蛋白激酶1（CpCDPK1）	机器学习	隐孢子虫病	高通量虚拟筛选、分子对接、分子动力学模拟	深度学习模型、E-药效团模型	分子结构数据	Enamine公司200万化合物库	NA	NA	对接得分、相互作用相似性	NA
8	2026-05-30	Integrated deep learning model for automatic detection and classification of stenosis in coronary angiography 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108184 PMID:39191164	研究论文	提出一个集成深度学习模型用于冠状动脉造影中狭窄的自动检测和分类	首次实现血管造影中动脉狭窄的识别和分类，并通过Django框架开发了“Hemadostenosis”网页平台，为临床医生提供直接的实践支持	研究样本量较小（132例患者，1606张图像），可能影响模型的泛化能力	开发一个集成深度学习模型，用于冠状动脉造影图像中血管狭窄的定位和分类，以辅助临床诊断	冠状动脉造影图像中的血管狭窄	计算机视觉	冠状动脉疾病	冠状动脉造影	卷积神经网络	图像	132例患者的1606张冠状动脉造影图像	Django	卷积神经网络	准确率, 召回率, F1分数, 平均精度	NA
9	2026-05-30	DRN-CDR: A cancer drug response prediction model using multi-omics and drug features 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108175 PMID:39191166	研究论文	提出一种基于深度残差网络的癌症药物反应预测模型DRN-CDR，整合多组学数据和药物特征	首次在药物反应预测中探索仅使用癌症相关基因的潜力，并采用统一图卷积网络提取药物特征结合卷积神经网络和全连接网络提取细胞系特征	NA	提高癌症药物反应预测的准确性，实现个性化癌症治疗	药物-细胞系对（包括基因表达、突变数据、甲基化数据以及药物分子结构信息）	机器学习	癌症	多组学数据（基因表达、突变、甲基化）	深度残差网络（Deep ResNet）	多组学数据（基因表达、突变、甲基化）和药物分子结构信息	NA	NA	均匀图卷积网络、卷积神经网络、全连接网络、深度残差网络	皮尔逊相关系数、均方根误差、AUC、AUPR	NA
10	2026-05-29	Imputing spatial transcriptomics through gene network constructed from protein language model 2024-10-05, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-06964-2 PMID:39369061	research paper	提出一种基于蛋白质语言模型构建基因网络来插补空间转录组学数据的方法	利用蛋白质语言模型ESM-2构建基因网络，结合图神经网络与自编码器，从参考单细胞RNA测序数据中插补空间转录组学的缺失基因，并量化预测不确定性	未明确提及局限，但可能依赖参考scRNA-seq数据的质量和基因网络的完整性	提高空间转录组学缺失基因的插补准确性及细胞群识别能力	空间转录组学数据与单细胞RNA测序数据中的基因表达	machine learning	NA	空间转录组测序, scRNA-seq, 蛋白质语言模型ESM-2	自编码器, 图神经网络, 深度学习模型	基因表达数据	多个数据集（具体数量未说明）	NA	自编码器, 图神经网络	插补准确度, 聚类性能	NA
11	2026-05-29	Quantum-level machine learning calculations of Levodopa 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108146 PMID:39067350	研究论文	利用量子级机器学习方法计算左旋多巴药物分子的势能面	首次将ANI-1x神经网络势作为量子级机器学习工具，用于预测抗帕金森药物左旋多巴的势能面，并验证其与DFT计算的相似性及计算效率优势	仅针对左旋多巴一种药物分子，未探讨方法对其他药物的普适性；未详细说明ANI-1x模型在更复杂分子或反应路径中的适用性	评估ANI-1x神经网络势在药物分子势能面计算中的准确性和效率	左旋多巴（L-3,4-二羟基苯丙氨酸）抗帕金森药物分子	机器学习	帕金森病	DFT, ANI-1x神经网络势	神经网络	分子结构及能量数据	单个药物分子（左旋多巴）	NA	ANI-1x	NA	NA
12	2026-05-29	Multi-scale DNA language model improves 6 mA binding sites prediction 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108129 PMID:39067351	研究论文	提出一种基于多尺度DNA语言模型的框架iDNA6mA-MDL，用于预测N6-甲基腺嘌呤（6 mA）结合位点	整合多种k-mer和核苷酸特性与频率方法进行特征嵌入，并利用DNABERT补偿全局DNA信息捕获不足，实现多尺度序列上下文信息融合	未明确指出，但可能依赖于特定数据集（如水稻基因数据集）的验证，泛化性需更多验证	提高6 mA结合位点预测的准确性，为基因调控、DNA修复和疾病发展等提供见解	6 mA结合位点	机器学习	NA	DNA语言模型、DNABERT	CNN、Transformer	DNA序列	包含一个经典水稻基因数据集（6 mA rice gene dataset）和另外11个6 mA数据集	NA	DNABERT、多尺度特征嵌入	AUC	NA
13	2026-05-29	MMCL-CPI: A multi-modal compound-protein interaction prediction model incorporating contrastive learning pre-training 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108137 PMID:39079285	研究论文	提出一种名为MMCL-CPI的多模态化合物-蛋白质相互作用预测模型，结合对比学习预训练	首次从一维SMILES和二维图像两种模态提取化合物特征，并设计多模态预训练策略，利用大规模无标签数据通过对比学习建立SMILES字符串与化合物图像的对应关系	未明确说明	提高化合物-蛋白质相互作用（CPI）预测的准确性	化合物与蛋白质的相互作用	机器学习	不适用	对比学习预训练	多模态模型	文本（SMILES字符串）、图像（化合物二维图像）	大规模无标签数据集（未指定具体数量）	NA	NA	NA	NA
14	2026-05-29	Review of Machine Learning Techniques in Soft Tissue Biomechanics and Biomaterials 2024-10, Cardiovascular engineering and technology IF:1.6Q4 DOI:10.1007/s13239-024-00737-y PMID:38956008	综述	全面探讨机器学习技术在软组织生物力学和生物材料中的应用，特别是心血管工程领域，并讨论各方法的基本数学基础	系统分类了标准ML和物理信息ML算法，总结了11篇相关研究，并详细讨论了软组织和生物材料力学特性预测中的机器学习方法	仅纳入11篇符合标准的文章，基于特定关键词选择，可能遗漏其他相关研究；未详细比较不同ML模型的性能差异	综述机器学习技术用于评估软生物组织和生物材料的力学特性，重点关注心血管工程应用	软生物组织和生物材料（如血管、心脏瓣膜等），以及与之相关的实验和合成力学数据	机器学习	心血管疾病	NA	支持向量机、袋装决策树、人工神经网络、深度神经网络、卷积神经网络、自编码器、物理信息神经网络	实验数据（单轴或双轴应力-应变数据）、合成数据（非线性拟合和有限元模拟生成）、图像数据（三维二次谐波生成图像、CT图像）	11篇相关研究文章	NA	支持向量机、袋装决策树、ANN、DNN、CNN、自编码器、物理信息神经网络	决定系数R²，其他多种度量和误差测量	NA
15	2026-05-29	A Label-Efficient Framework for Automated Sinonasal CT Segmentation in Image-Guided Surgery 2024-Oct, Otolaryngology--head and neck surgery : official journal of American Academy of Otolaryngology-Head and Neck Surgery DOI:10.1002/ohn.868 PMID:38922721	研究论文	评估一种标签高效的深度学习管道，用于CT扫描中鼻窦结构的语义分割，仅需少量标注扫描即可达到亚毫米精度	提出一种标签高效的深度学习框架，能够联合训练少量标注扫描和大量未标注扫描，显著减少对大规模标注数据的需求	未明确提及	评估标签高效深度学习管道在CT扫描中分割鼻窦结构（如鼻中隔、下鼻甲、上颌窦和视神经）的可行性	40张CT扫描，包括16张手动标注的扫描用于评估	计算机视觉	鼻窦疾病	CT成像	深度学习	图像（CT扫描）	40张CT扫描，其中16张完成手动标注	深度学习框架（未具体说明）	未明确说明	平均表面距离（ASD）	未明确说明
16	2026-05-29	ACDMBI: A deep learning model based on community division and multi-source biological information fusion predicts essential proteins 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108115 PMID:38865861	研究论文	提出了一种基于社区划分和多源生物信息融合的深度学习模型ACDMBI，用于预测必需蛋白质	首次结合社区划分、图卷积网络、图注意力网络、双向长短期记忆网络和多头自注意力机制，从蛋白互作网络、基因表达数据和亚细胞定位数据三种来源融合特征	实验仅在酿酒酵母数据上进行，模型在其他物种上的泛化能力未验证	提高必需蛋白质预测的准确性，服务于药物研究和疾病诊断	必需蛋白质	机器学习	NA	NA	ACDMBI	蛋白互作网络数据、基因表达数据、亚细胞定位数据	酿酒酵母数据	PyTorch, Keras	GCN, GAT, BiLSTM, DNN	AUC, AUPR	NA
17	2026-05-29	Prediction of viral families and hosts of single-stranded RNA viruses based on K-Mer coding from phylogenetic gene sequences 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108114 PMID:38852362	研究论文	基于系统发育基因序列的K-Mer编码，利用机器学习和深度学习模型预测单链RNA病毒的病毒科和宿主	首次对包含单链RNA病毒基因序列、具有广泛家族和宿主多样性的PhyVirus数据集进行病毒科和宿主分类研究，并详细探究了K-Mer编码中不同词长对分类效果的影响	未在摘要中明确说明局限性	快速准确地对病毒物种及其潜在宿主进行分类，以了解传播动态并促进靶向疗法的开发	Baltimore组四（+ssRNA）和五（-ssRNA）的单链RNA病毒及其宿主和物种	机器学习，自然语言处理	NA	K-Mer编码	全连接深度神经网络，随机森林，梯度提升，极端随机树	基因序列	包含来自不同宿主和物种的单链RNA病毒基因序列的PhyVirus数据集	NA	全连接深度神经网络，随机森林，梯度提升，极端随机树	准确率	NA
18	2026-05-29	CNN-BLSTM based deep learning framework for eukaryotic kinome classification: An explainability based approach 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108169 PMID:39137619	研究论文	提出一种基于CNN-BLSTM的可解释性深度学习框架，用于真核生物激酶组的分类	级联GRAD CAM和Integrated Gradient可解释性方法，以替代传统CNN模型的类激活图解释，提升模型在真核激酶分类中的可靠性和可解释性	未提及具体局限性	开发具有可解释性的深度学习模型，用于真核生物激酶序列分类，增强模型在蛋白质组学研究中的可信度	真核生物激酶序列及其对应家族	机器学习	NA	NA	CNN-BLSTM	序列数据	未提及具体样本量	NA	CNN-BLSTM	F1-score	NA
19	2026-05-29	Hybrid optimal feature selection-based iterative deep convolution learning for COVID-19 classification system 2024-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109031 PMID:39173484	研究论文	提出一种混合最优特征选择的迭代深度卷积学习框架，用于基于物联网数据的COVID-19分类	融合随机森林注入粒子群黑寡妇优化算法（RFI-PS-BWO）与迭代深度卷积学习（IDCL）特征选择，实现高精度COVID-19分类	未提及外部验证数据集或计算资源需求，可能影响泛化性和可复现性	利用物联网医疗数据，通过AI方法实现COVID-19的早期检测与诊断	物联网设备收集的SARS-CoV-2及其他病毒类别的医学数据	机器学习	COVID-19	NA	一维卷积神经网络（1D-CNN）	物联网传感器数据（医疗健康数据）	大型COVID-19样本数据集（具体数量未提及）	NA	1D-CNN	F1分数、灵敏度、特异性、精确率、召回率	NA
20	2026-05-29	Depth estimation from monocular endoscopy using simulation and image transfer approach 2024-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109038 PMID:39178804	研究论文	提出一种结合仿真与图像迁移技术的深度学习方法，从单目内窥镜图像中估计深度信息	首次利用模拟内窥镜图像和循环生成对抗网络提升图像真实性，并用于训练深度估计网络模型	未提及实际临床数据验证及计算资源消耗评估	实现从单目内窥镜图像中精确估计深度信息，增强导航系统功能	结肠表面模型及模拟内窥镜图像	计算机视觉	NA	NA	深度学习模型、循环生成对抗网络	模拟内窥镜图像、深度图	基于CT结肠成像分割的结肠表面模型生成的模拟数据	Unity	循环生成对抗网络	深度估计精确度	NA