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 1133 篇文献，本页显示第 241 - 260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 241 | 2025-10-07 |
G-Protein Signaling in Alzheimer's Disease: Spatial Expression Validation of Semi-supervised Deep Learning-Based Computational Framework
2024-Nov-06, The Journal of neuroscience : the official journal of the Society for Neuroscience
DOI:10.1523/JNEUROSCI.0587-24.2024
PMID:39327003
|
研究论文 | 开发了一种半监督深度学习计算框架digID，用于预测阿尔茨海默病相关基因并识别新的治疗靶点 | 提出结合半监督深度学习分类器和蛋白质相互作用网络分析的新计算框架，发现G蛋白信号通路在AD中的新作用机制 | 计算预测结果需要实验验证，研究样本和脑区覆盖可能有限 | 识别阿尔茨海默病相关基因和新的治疗靶点 | 阿尔茨海默病相关基因、G蛋白亚基(GNAI1, GNB1)、KNG1蛋白、淀粉样前体蛋白(APP) | 机器学习 | 阿尔茨海默病 | 多组学数据分析、STORM超分辨率显微镜、mRNA表达分析 | 半监督深度学习 | 多组学数据、基因表达数据、显微镜图像 | NA | NA | NA | NA | NA |
| 242 | 2025-10-07 |
DeepPFP: a multi-task-aware architecture for protein function prediction
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae579
PMID:39905954
|
研究论文 | 提出一种名为DeepPFP的多任务感知架构，用于解决蛋白质功能预测中的泛化问题 | 结合模型无关元学习与蛋白质语言模型，能够捕获不同序列-功能映射任务间的共享特征 | 仅在五个域外深度突变扫描数据集上进行了训练验证 | 开发能够跨领域泛化的蛋白质功能预测模型 | 蛋白质序列与功能关系 | 生物信息学 | NA | 深度突变扫描，进化尺度建模 | 蛋白质语言模型，元学习模型 | 蛋白质序列数据 | 五个DMS数据集，包括SARS-CoV-2和Ube4b数据集（其中Ube4b使用500个样本子集） | NA | DeepPFP | 皮尔逊相关系数 | NA |
| 243 | 2025-05-04 |
Deep learning-based design and experimental validation of a medicine-like human antibody library
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf023
PMID:39851074
|
研究论文 | 本文描述了一种基于深度学习的模型，用于计算生成具有高人类抗体可变区域的文库，这些区域的固有物理化学性质类似于已上市抗体生物治疗药物的可变区域 | 利用生成式深度学习算法计算生成具有理想开发属性的新型抗体序列，这是首次实现计算生成可开发的人类抗体文库 | 研究仅针对IGHV3-IGKV1种系对的抗原无关人类抗体，可能不适用于其他类型的抗体 | 加速基于抗体的生物治疗药物的计算发现，并扩展可药物抗原空间 | 人类抗体可变区域 | 机器学习 | NA | 深度学习 | 生成式深度学习模型 | 序列数据 | 训练数据集包含31416个满足计算开发性标准的人类抗体，生成了100000个可变区域序列，实验评估了51个高度多样化的计算生成抗体 | NA | NA | NA | NA |
| 244 | 2025-05-03 |
scHiClassifier: a deep learning framework for cell type prediction by fusing multiple feature sets from single-cell Hi-C data
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf009
PMID:39831891
|
研究论文 | 提出了一种名为scHiClassifier的深度学习框架，通过融合单细胞Hi-C数据的多个特征集来预测细胞类型 | 提出了四个具有明确解释性和生物学意义的新特征集，并开发了一个基于多头自注意力编码器、1D卷积和特征融合的新型深度学习框架 | 当前基于单细胞Hi-C数据的细胞类型预测框架有限，常面临特征解释性和生物学意义的挑战，且缺乏令人信服和稳健的分类性能验证 | 开发一种能够利用单细胞Hi-C数据识别细胞类型的方法 | 单细胞Hi-C数据 | 生物信息学 | NA | 单细胞高通量染色体构象捕获技术（Hi-C） | 多头自注意力编码器、1D卷积 | 单细胞Hi-C数据 | 六个数据集 | NA | NA | NA | NA |
| 245 | 2025-05-02 |
Deep learning in integrating spatial transcriptomics with other modalities
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae719
PMID:39800876
|
综述 | 本文系统回顾了深度学习在整合空间转录组学与其他模态数据中的应用 | 首次全面综述了深度学习在整合空间转录组学与其他模态数据中的方法与应用 | 未涉及具体实验验证，主要基于文献综述 | 促进开发更强大的计算方法以更全面地利用多模态信息 | 空间转录组学数据与其他模态数据的整合方法 | 生物信息学 | NA | 空间转录组学、单细胞RNA测序(scRNA-seq)、深度学习 | 深度学习(DL) | 空间转录组学数据、组织学图像、染色质图像、scRNA-seq数据 | NA | NA | NA | NA | NA |
| 246 | 2025-05-02 |
DD-PRiSM: a deep learning framework for decomposition and prediction of synergistic drug combinations
2024-Nov-22, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbae717
PMID:39800875
|
research paper | 介绍了一种名为DD-PRiSM的深度学习框架，用于分解和预测协同药物组合的效果 | DD-PRiSM能够分解组合疗法的效果，成功识别协同药物对，并展示了协同反应在不同癌症类型中的差异 | 未明确提及具体限制 | 预测组合疗法的效果和安全性，特别是针对癌症等复杂疾病 | 药物组合及其在细胞系中的效果 | machine learning | cancer | deep learning | DD-PRiSM (包含Monotherapy模型和Combination therapy模型) | 药物结构、细胞系基因表达数据 | 未明确提及具体样本数量 | NA | NA | NA | NA |
| 247 | 2024-12-05 |
Letter to the Editor Regarding "A Practical Roadmap to Implementing Deep Learning Segmentation in the Clinical Neuroimaging Research Workflow"
2024-Nov, World neurosurgery
IF:1.9Q2
DOI:10.1016/j.wneu.2024.07.121
PMID:39623627
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 248 | 2025-10-07 |
Deep learning-based fishing ground prediction with multiple environmental factors
2024-Nov, Marine life science & technology
IF:5.8Q1
DOI:10.1007/s42995-024-00222-4
PMID:39620085
|
研究论文 | 本研究开发了一种基于深度学习的多环境因素渔场预测模型，以西北太平洋鸢乌贼为例 | 首次将改进的U-Net模型应用于多环境因素渔场预测，通过优化时间尺度和环境因子组合提高了渔场中心集中度 | 仅针对西北太平洋鸢乌贼进行研究，模型在其他海域和鱼种的适用性有待验证 | 提高海洋经济种类渔场预测的准确性 | 西北太平洋鸢乌贼 | 计算机视觉 | NA | 深度学习 | CNN | 环境因子数据（海表温度、海表高度、海表盐度、叶绿素） | 2002-2019年7-11月数据用于训练，2020年数据用于测试 | NA | 改进的U-Net | 渔场集中度 | NA |
| 249 | 2025-10-07 |
BEAS-Net: A Shape-Prior-Based Deep Convolutional Neural Network for Robust Left Ventricular Segmentation in 2-D Echocardiography
2024-Nov, IEEE transactions on ultrasonics, ferroelectrics, and frequency control
DOI:10.1109/TUFFC.2024.3418030
PMID:38913532
|
研究论文 | 提出一种基于形状先验的深度卷积神经网络BEAS-Net，用于2D超声心动图中左心室的鲁棒分割 | 将BEAS算法生成的解剖形状先验信息与卷积层编码的图像特征相结合，提升对伪影或低质量图像的分割鲁棒性 | 未明确说明模型在极端图像质量下的性能边界和计算效率 | 开发能够处理低质量超声图像的左心室自动分割方法 | 2D超声心动图中的左心室结构 | 计算机视觉 | 心血管疾病 | 超声心动图 | CNN | 图像 | 三个不同的体内数据集 | NA | BEAS-Net, U-Net | 分割精度 | NA |
| 250 | 2025-04-25 |
c-Triadem: A constrained, explainable deep learning model to identify novel biomarkers in Alzheimer's disease
2024-Nov-20, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.11.19.24317595
PMID:39606415
|
研究论文 | 提出了一种名为c-Triadem的深度学习模型，用于识别阿尔茨海默病的潜在血液生物标志物，并预测轻度认知障碍和阿尔茨海默病 | 开发了一种新型的深度神经网络模型c-Triadem，结合基因型数据、基因表达数据和临床信息，以高准确率预测疾病状态，并通过SHAP分析识别关键基因和临床特征 | 研究依赖于ADNI数据库的数据，可能限制了模型的泛化能力 | 开发一种能够识别阿尔茨海默病血液生物标志物并预测疾病状态的深度学习模型 | 阿尔茨海默病患者、轻度认知障碍患者和认知正常人群 | 机器学习 | 阿尔茨海默病 | 基因型数据分析、基因表达数据分析、SHAP分析 | 深度神经网络 | 基因型数据、基因表达数据、临床数据 | 来自阿尔茨海默病神经影像学倡议(ADNI)的血液基因型数据、微阵列数据和临床特征 | NA | NA | NA | NA |
| 251 | 2025-04-24 |
Hardware-Independent Deep Signal Processing: A Feasibility Study in Echocardiography
2024-Nov, IEEE transactions on ultrasonics, ferroelectrics, and frequency control
DOI:10.1109/TUFFC.2024.3404622
PMID:38781056
|
research paper | 本研究探讨了深度学习模型在超声信号处理中的硬件独立性，特别是在超声心动图中的应用 | 提出了一种轻量级深度学习模型，能够复制高端超声系统的信号处理链，并展示了其在不同探头和低端系统中的应用潜力 | 研究仅基于有限的数据集（30,000帧心脏图像）和特定超声系统（GE HealthCare Vivid E95）进行验证 | 探索深度学习模型在超声信号处理中的硬件独立性及其在不同超声系统间的可移植性 | 超声心动图的信号处理链及图像质量 | 数字病理学 | 心血管疾病 | 深度学习 | DNN | 图像 | 30,000帧心脏图像（来自GE HealthCare Vivid E95系统）和15名患者的约3,000帧测试图像 | NA | NA | NA | NA |
| 252 | 2025-10-07 |
Automatic 3-D Lamina Curve Extraction From Freehand 3-D Ultrasound Data Using Sequential Localization Recurrent Convolutional Networks
2024-Nov, IEEE transactions on ultrasonics, ferroelectrics, and frequency control
DOI:10.1109/TUFFC.2024.3385698
PMID:38578857
|
研究论文 | 提出一种新型深度学习模型SL-RCNs，用于从自由手3D超声数据中自动提取3D椎板曲线 | 首次提出考虑上下文关系并嵌入变换矩阵特征作为3D知识库的序列定位循环卷积网络 | 仅对10名健康成年人的数据进行了验证，样本量有限 | 开发自动提取3D椎板曲线的准确方法 | 人类腰椎和胸椎区域的3D超声序列 | 计算机视觉 | 脊柱疾病 | 3D自由手超声成像 | 循环卷积网络(RCN) | 3D超声序列图像 | 10名健康成年人的腰椎和胸椎3D超声数据 | NA | SL-RCNs(序列定位循环卷积网络) | 标准化离散弗雷歇距离(NDFD), 平均距离误差(MDE) | NA |
| 253 | 2025-10-07 |
Automatic Segmentation of Abdominal Aortic Aneurysms From Time-Resolved 3-D Ultrasound Images Using Deep Learning
2024-Nov, IEEE transactions on ultrasonics, ferroelectrics, and frequency control
DOI:10.1109/TUFFC.2024.3389553
PMID:38619942
|
研究论文 | 本研究开发了一种基于深度学习的自动分割算法，用于从时间分辨3D超声图像中分割腹主动脉瘤 | 首次将深度学习应用于时间分辨3D超声图像的腹主动脉瘤自动分割，相比传统方法性能显著提升 | 未详细说明模型在不同患者群体中的泛化能力，且训练数据仅来自单一中心 | 开发能够从时间分辨3D超声图像中自动准确分割腹主动脉瘤的算法 | 腹主动脉瘤患者的3D+时间超声图像 | 医学图像分析 | 心血管疾病 | 时间分辨3D超声成像(3-D + t US) | 深度学习 | 3D时间序列超声图像 | 500名患者，共2495张3D+时间超声图像 | NA | NA | 豪斯多夫距离, Dice系数, 准确率, 灵敏度, 特异性 | NA |
| 254 | 2025-10-07 |
Advancements in automated classification of chronic obstructive pulmonary disease based on computed tomography imaging features through deep learning approaches
2024 Nov-Dec, Respiratory medicine
IF:3.5Q2
DOI:10.1016/j.rmed.2024.107809
PMID:39299523
|
综述 | 本文综述了基于CT影像特征通过深度学习方法自动分类慢性阻塞性肺疾病的最新研究进展 | 系统总结了深度学习在COPD分类中分析关键放射学特征（气道改变、肺气肿和血管特征）的创新应用 | 未涉及具体实验验证，主要基于文献综述，缺乏实证数据支持 | 为COPD的个性化管理和治疗提供新视角 | 慢性阻塞性肺疾病（COPD）患者 | 医学影像分析 | 慢性阻塞性肺疾病 | 计算机断层扫描（CT） | 深度学习 | CT影像 | NA | NA | NA | NA | NA |
| 255 | 2025-10-07 |
Dissecting the cis-regulatory syntax of transcription initiation with deep learning
2024-Nov-21, bioRxiv : the preprint server for biology
DOI:10.1101/2024.05.28.596138
PMID:38853896
|
研究论文 | 利用深度学习模型ProCapNet解析DNA顺式调控元件对转录起始的调控机制 | 开发了能准确建模碱基分辨率转录起始谱的神经网络，揭示了启动子和增强子共享的顺式调控逻辑及基序间的高度上位相互作用 | NA | 解析哺乳动物Pol II转录起始的DNA序列决定因素 | 人类启动子和增强子的转录起始调控 | 机器学习 | NA | PRO-cap实验, RAMPAGE分析 | 神经网络 | DNA序列数据, 转录起始谱数据 | 多个细胞系 | NA | ProCapNet | NA | NA |
| 256 | 2025-10-07 |
Integrating Interpretability in Machine Learning and Deep Neural Networks: A Novel Approach to Feature Importance and Outlier Detection in COVID-19 Symptomatology and Vaccine Efficacy
2024-11-29, Viruses
DOI:10.3390/v16121864
PMID:39772174
|
研究论文 | 提出一种整合传统机器学习和深度神经网络可解释性技术的新方法，用于分析COVID-19症状特征重要性和异常检测 | 通过全局和局部解释方法弥合可解释机器学习模型与强大深度学习架构之间的差距 | 仅使用2020年早期疫情数据，样本特征可能存在时间局限性 | 改进对COVID-19症状学的理解并增强早期病例检测能力 | 2020年早期接受COVID-19检测的个体，包括自我报告症状和检测结果 | 机器学习 | COVID-19 | 特征重要性分析，异常检测 | 机器学习模型，深度神经网络 | 医疗数据，症状数据 | NA | NA | NA | NA | NA |
| 257 | 2025-04-13 |
Deep Learning-Based Classification of Histone-DNA Interactions Using Drying Droplet Patterns
2024-Nov, Small science
IF:11.1Q1
DOI:10.1002/smsc.202400252
PMID:40213456
|
研究论文 | 本研究利用深度学习神经网络对源自不同组蛋白-DNA混合物的干燥液滴沉积物的偏振光显微镜图像进行分类，以预测组蛋白-DNA结合亲和力 | 首次发现组蛋白-DNA相互作用可以通过染色模式进行分层，并应用深度学习实现高准确度的DNA分类和结合亲和力预测 | 对于训练集未包含的物种样本，预测准确度有所下降 | 开发可扩展且准确的蛋白质-DNA结合分类预测分析方法 | 组蛋白-DNA相互作用 | 数字病理学 | NA | 偏振光显微镜 | CNN | 图像 | 多种物种的DNA样本（具体数量未明确说明） | NA | NA | NA | NA |
| 258 | 2025-10-07 |
Sparse Annotation is Sufficient for Bootstrapping Dense Segmentation
2024-Nov-14, Research square
DOI:10.21203/rs.3.rs-5339143/v1
PMID:39606484
|
研究论文 | 提出一种基于深度学习的方法，通过稀疏2D标注快速生成密集3D分割，显著减少生物图像分割中的人工标注工作量 | 开发了从稀疏2D标注快速生成密集3D分割的新方法，将人工标注时间减少三个数量级，且可由非专家完成标注 | 未明确说明方法在其他生物组织或成像模式中的泛化能力 | 解决生物成像数据中密集3D重建的实例分割问题，降低训练数据生成的人工成本 | 大脑神经纤维网中的树突、轴突和胶质细胞过程 | 计算机视觉 | NA | 连续切片电子显微镜成像 | 深度学习模型 | 3D图像序列，2D标注 | NA | NA | NA | 准确度 | NA |
| 259 | 2025-04-10 |
Use of Artificial Intelligence in Imaging Dementia
2024-11-27, Cells
IF:5.1Q2
DOI:10.3390/cells13231965
PMID:39682713
|
research paper | 本文探讨了人工智能在痴呆症影像诊断中的应用及其潜力 | 利用图卷积网络框架为阿尔茨海默病及其前驱阶段提供多模态稀疏可解释性支持，并开发了基于卷积神经网络的方法进行外部验证 | 人工智能在临床实践中的应用面临技术、疾病相关和制度性挑战 | 改善痴呆症患者的诊断和预后 | 老年痴呆症患者，包括阿尔茨海默病、血管性痴呆、路易体痴呆等 | digital pathology | geriatric disease | machine learning, deep learning | CNN, GCN | image | NA | NA | NA | NA | NA |
| 260 | 2025-04-10 |
Integrated Biochemical and Computational Methods for Deciphering RNA-Processing Codes
2024 Nov-Dec, Wiley interdisciplinary reviews. RNA
DOI:10.1002/wrna.1875
PMID:39523464
|
review | 本文系统总结了用于解析五种重要RNA编码（包括可变剪接、可变多聚腺苷酸化、RNA定位、RNA修饰和RBP结合）的生化和计算方法 | 结合机器学习和深度学习模型，从DNA序列中学习RNA转化的规则或编码，并探讨了使用大型语言模型和广泛领域知识开发预测模型时遇到的挑战 | 未提及具体样本量或实验数据的具体限制 | 将大数据转化为生物学知识，预测RNA产物，解码分子机制，预测疾病变异对RNA加工事件的影响，并识别驱动突变 | RNA加工过程中的五种重要编码 | 自然语言处理 | NA | 高通量测序技术 | 机器学习和深度学习模型 | DNA序列数据 | NA | NA | NA | NA | NA |