深度学习在生物医药领域中的应用

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,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!

Sample Image
添加微信请说明来意
Sample Image
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10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。

当前筛选条件: [分区不过滤] [IF不过滤] [发表日期:202412-202412] [清除筛选条件]
当前共找到 1143 篇文献,本页显示第 1141 - 1143 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
1141 2024-08-07
A mini-review on perturbation modelling across single-cell omic modalities
2024-Dec, Computational and structural biotechnology journal IF:4.4Q2
综述 本文回顾了单细胞组学领域中扰动建模的主要目标,并总结了基于遗传操作如CRISPR或化合物的单细胞扰动新技术,跨越不同组学模式 讨论了大型基础模型在单细胞扰动建模中的兴起,灵感来源于大型语言模型,并介绍了多种计算方法,从经典的统计推断到各种机器学习和深度学习架构 随着工具和数据集的激增,实验生物学家和计算科学家难以跟上这一迅速扩展领域的最新进展 全面掌握外部影响如疾病发作或分子敲除对细胞生理的影响,特别是在转录因子、信号转导器、生物途径和动态细胞状态上 单细胞组学数据中的扰动现象 机器学习 NA CRISPR 浅层模型、自编码器 单细胞数据 NA
1142 2024-08-07
Finding and following: a deep learning-based pipeline for tracking platelets during thrombus formation in vivo and ex vivo
2024-Dec, Platelets IF:2.5Q2
研究论文 本文介绍了一种基于深度学习的分析流程,用于在体内和体外血栓形成过程中追踪血小板 该流程包括检测、追踪、追踪准确性评估和血小板指标量化四个步骤,使用深度学习网络进行图像分割和标准粒子追踪算法,提高了追踪准确性 NA 开发一种新的分析流程,用于在血栓形成过程中追踪血小板 血小板在血栓形成过程中的动态行为 计算机视觉 NA 深度学习 CNN 图像 NA
1143 2024-08-07
A contrastive learning approach to integrate spatial transcriptomics and histological images
2024-Dec, Computational and structural biotechnology journal IF:4.4Q2
研究论文 本文介绍了一种基于对比学习的模型ConGcR,用于整合基因表达、空间位置和组织形态学数据,以进行数据表示和空间组织结构识别 提出了ConGcR模型,结合图卷积和ResNet作为编码器,并进一步通过图自编码器ConGaR增强模型,以更好地建模空间嵌入表示 NA 旨在有效整合空间多模态数据,提高组织结构识别的准确性 基因表达、空间位置和组织形态学数据 计算机视觉 NA 对比学习 图卷积网络、ResNet 基因表达数据、图像 16个人脑样本、4个鸡心样本、8个乳腺癌样本和30个人类肺部空间转录组样本
回到顶部