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
81	2026-06-29	Evaluating Medical Entity Recognition in Health Care: Entity Model Quantitative Study 2024-10-17, JMIR medical informatics IF:3.1Q2 DOI:10.2196/59782 PMID:39419501	研究论文	评估七种命名实体识别模型在三个医学数据集上的性能，并分析影响性能的宏观因素	引入了宏观因素（如实体短语长度和每个实体短语中的实体词数量）对模型性能影响的分析，并采用多级因子消除算法筛选影响因子	未提及研究局限性	细致评估不同NER模型在医学文本分析中的性能，并探索宏观因素对其准确性的影响，为优化医学NER模型提供见解	七种NER模型（HMM、CRF、BioBERT、BigBird、DeBERTa、RoBERTa和Gemma）在三个医学数据集（Revised JNLPBA、BioCreative V CDR、AnatEM）上的表现	自然语言处理	NA	NA	HMM, CRF, BERT, BigBird, DeBERTa, RoBERTa, Gemma	文本	三个数据集：Revised JNLPBA、BioCreative V CDR、AnatEM（具体样本数未提及）	NA	HMM、CRF、BioBERT、BigBird、DeBERTa、RoBERTa、Gemma	微平均分数（AVG_MICRO）	NA
82	2026-06-19	Exploring "dark-matter" protein folds using deep learning 2024-10-16, Cell systems IF:9.0Q1 DOI:10.1016/j.cels.2024.09.006 PMID:39383860	研究论文	使用卷积变分自编码器探索蛋白质折叠空间，设计新型蛋白质结构	提出名为Genesis的卷积变分自编码器，能够学习蛋白质结构模式，并成功重构原生折叠和新型“暗物质”折叠，实现快速探索蛋白质折叠空间	未说明	解决从头蛋白质设计中的主链可设计性问题，通过深度学习探索未知蛋白质折叠空间	蛋白质折叠结构	机器学习	NA	深度学习	卷积变分自编码器	蛋白质结构数据	五个原生折叠和三个新型折叠	PyTorch	变分自编码器	成功率	NA
83	2026-06-19	Putting proteins in context 2024-10-16, Cell systems IF:9.0Q1 DOI:10.1016/j.cels.2024.09.009 PMID:39418999	研究论文	介绍PINNACLE，一种利用几何深度学习结合蛋白质相互作用和多器官单细胞转录组学生成蛋白质情境化表示的方法	提出几何深度学习框架PINNACLE，通过联合分析蛋白质相互作用和多器官单细胞转录组数据，生成具有细胞类型特异性的蛋白质情境化表示	NA	解决蛋白质表示缺乏生物或环境情境（如细胞类型特异性）的问题	蛋白质相互作用和多器官单细胞转录组数据	机器学习	NA	单细胞转录组测序	几何深度学习	文本、图结构数据	NA	NA	NA	NA	NA
84	2026-06-18	Predicting the potential associations between circRNA and drug sensitivity using a multisource feature-based approach 2024-10, Journal of cellular and molecular medicine IF:4.3Q2 DOI:10.1111/jcmm.18591 PMID:39347936	研究论文	介绍了一种名为SNMGCDA的新型深度学习模型，用于预测环状RNA与药物敏感性之间的潜在关联	结合多种相似性网络和多源特征计算方法（稀疏自编码器、非负矩阵分解、多头图注意力网络）来提取circRNA和药物的特征，并通过多层感知机进行预测	文中未明确提及局限性，但可能包括对数据多样性和计算资源的需求	高效预测circRNA与药物敏感性之间的关联，以支持药物研发和治疗优化	环状RNA（circRNA）和药物敏感性	机器学习	NA	NA	深度学习模型（SNMGCDA）	文本（序列数据）	NA	NA	稀疏自编码器、非负矩阵分解、多头图注意力网络、多层感知机	5折交叉验证和10折交叉验证的性能（与五种最先进方法对比）	NA
85	2026-06-17	Deep learning models for the prediction of acute postoperative pain in PACU for video-assisted thoracoscopic surgery 2024-10-07, BMC medical research methodology IF:3.9Q1 DOI:10.1186/s12874-024-02357-5 PMID:39375589	研究论文	利用深度学习模型预测电视辅助胸腔镜手术后急性疼痛	首次将图注意力网络和图Transformer网络结合注意力机制构建DoseFormer模型，用于预测术后急性疼痛，且模型性能显著优于传统机器学习算法和临床医生评估	NA	开发深度学习算法，利用患者基本信息和术中实时生命体征数据预测术后急性疼痛	接受电视辅助胸腔镜手术的患者	机器学习	术后急性疼痛	NA	图注意力网络、图Transformer网络	结构化数据（患者信息、术中生命体征）	1552例患者（训练集931例，测试集621例）	NA	DoseFormer（基于GAT和GTN）	AUROC、F1值	NA
86	2026-06-15	DNA breathing integration with deep learning foundational model advances genome-wide binding prediction of human transcription factors 2024-10-28, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gkae783 PMID:39271116	研究论文	本研究开发了基于DNA呼吸与深度学习基础模型的多模态模型EPBDxDNABERT-2，用于预测人类转录因子在全基因组上的结合位点	首次将DNA呼吸特性（基于EPBD非线性动力学模型）与预训练基础模型DNABERT-2结合，通过交叉注意力机制融合多模态特征，显著提升转录因子-DNA结合预测的准确性	未明确提及局限性，但可能涉及ChIP-seq数据噪声、模型泛化性测试范围有限等问题	通过整合DNA呼吸热力学特征与深度学习模型，改进人类转录因子结合位点的全基因组预测	人类转录因子与DNA的相互作用，包括161种不同转录因子和91种人类细胞类型	人工智能, 自然语言处理, 机器学习, 数字病理学, 计算机视觉	基因组关联研究中发现的疾病相关非编码变异相关疾病	ChIP-seq, HT-SELEX	多模态深度学习模型	序列数据	690个ChIP-seq实验数据（涵盖161种转录因子、91种细胞类型）及215种转录因子的HT-SELEX体外数据集	PyTorch	EPBDxDNABERT-2: DNABERT-2基础模型 + 交叉注意力机制	AUROC（曲线下面积）	NA
87	2026-06-15	A deep learning-based method enables the automatic and accurate assembly of chromosome-level genomes 2024-10-28, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gkae789 PMID:39287126	研究论文	提出一种基于深度学习的AutoHiC方法，用于自动且准确地组装染色体级别基因组	AutoHiC利用Hi-C数据实现自动化流程和迭代纠错，无需手动修正，在300多个物种的数据上平均错误检测准确率超过90%	未提及局限	解决染色体级别基因组组装中的纠错和序列锚定挑战，提高组装的连续性和准确性	Hi-C数据辅助的染色体级别基因组组装	机器学习	NA	Hi-C高通量染色体构象捕获	深度学习模型	基因组数据	300+物种数据	NA	NA	准确率	NA
88	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
89	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
90	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
91	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）
92	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
93	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
94	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
95	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
96	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
97	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
98	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
99	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
100	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