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 19351 篇文献，本页显示第 221 - 240 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 221 | 2026-03-28 |
G2PDeep-v2: A Web-Based Deep-Learning Framework for Phenotype Prediction and Biomarker Discovery for All Organisms Using Multi-Omics Data
2025-12-01, Biomolecules
IF:4.8Q1
DOI:10.3390/biom15121673
PMID:41463329
|
研究论文 | 本文介绍了G2PDeep-v2，一个基于深度学习的网络平台，用于多组学数据的表型预测和生物标志物发现 | 开发了一个集深度学习、超参数优化、可视化和下游分析于一体的统一网络平台，支持跨多种生物（包括人类和植物）的多组学数据分析 | 未在摘要中明确说明具体限制 | 为研究人员提供一个易于使用的工具，以整合和分析多组学数据，实现表型预测和生物标志物发现 | 跨多种生物（包括人类和植物）的多组学数据 | 机器学习 | NA | 多组学数据整合分析 | 深度学习模型 | 多组学数据 | NA | NA | NA | NA | 高性能计算资源 |
| 222 | 2026-03-28 |
DeepRNA-Reg: a deep-learning based approach for comparative analysis of CLIP experiments
2025-12, RNA biology
IF:3.6Q2
DOI:10.1080/15476286.2025.2564941
PMID:41055236
|
研究论文 | 本文提出了一种基于深度学习的DeepRNA-Reg方法，用于对配对的高通量测序RNA交联免疫沉淀实验数据进行高保真比较分析 | DeepRNA-Reg利用深度学习技术，在Ago2靶向被选择性扰动的实验范式中，提供了优于现有最佳差异HITS-CLIP分析方法的预测结果，并更好地符合RNA一级和二级结构基序的真实情况 | NA | 开发一种深度学习方法来改进配对HITS-CLIP实验数据的比较分析 | 高通量测序RNA交联免疫沉淀实验数据，特别是涉及Ago2靶向和microRNA簇基因敲除的实验 | 自然语言处理 | NA | HITS-CLIP | 深度学习 | RNA测序数据 | NA | NA | NA | NA | NA |
| 223 | 2026-03-28 |
IMAGO: An Improved Model Based on Attention Mechanism for Enhanced Protein Function Prediction
2025-11-29, Biomolecules
IF:4.8Q1
DOI:10.3390/biom15121667
PMID:41463323
|
研究论文 | 本文提出了一种基于注意力机制的新型蛋白质功能预测模型IMAGO，通过整合多头注意力机制和正则化技术来减少过拟合和噪声问题，从而提高预测准确性 | 采用Transformer预训练过程，结合多头注意力机制和正则化技术，并优化损失函数，有效减少训练中的过拟合和噪声问题，生成更鲁棒的嵌入表示 | 未明确说明具体数据集名称和样本规模，可能影响结果的可复现性和泛化能力评估 | 开发高效、稳定且准确的深度学习模型以改进蛋白质功能预测 | 蛋白质功能预测，基于蛋白质-蛋白质相互作用网络和其他生物属性 | 自然语言处理 | NA | 自然语言处理技术，Transformer预训练 | Transformer | 文本数据（生物属性信息） | NA | NA | Transformer | NA | NA |
| 224 | 2026-03-28 |
MKNet-family architectures for auto-segmentation of the residual pancreas after pancreatic resection: a deep learning comparative study
2025-Nov-27, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05211-4
PMID:41307673
|
研究论文 | 本研究开发并比较了新型MKNet系列深度学习架构在胰腺切除术后CT图像中自动分割残余胰腺的可行性与临床效用 | 提出了MKNet、MSKNet和MAKNet三种新型深度学习架构，专门针对术后胰腺分割任务进行优化，相比现有方法在术后场景中表现出色 | 研究样本量相对有限（共163例CT扫描），且术后数据集仅包含术后4周内的扫描，可能无法完全代表更长期的术后变化 | 评估新型深度学习架构在胰腺切除术后CT图像中自动分割残余胰腺的准确性和临床实用性 | 胰腺切除术后患者的残余胰腺组织 | 数字病理学 | 胰腺癌 | CT扫描成像 | CNN | 医学图像（CT扫描） | 163例CT扫描（82例术前正常扫描，81例术后4周内扫描） | NA | MKNet, MSKNet, MAKNet, Attention-U-Net | Hausdorff距离, 95百分位Hausdorff距离, 归一化表面距离, Dice相似系数 | NA |
| 225 | 2026-03-28 |
Leveraging Artificial Intelligence and Modulation of Oxidative Stressors to Enhance Healthspan and Radical Longevity
2025-10-24, Biomolecules
IF:4.8Q1
DOI:10.3390/biom15111501
PMID:41301419
|
综述 | 本文探讨了人工智能在促进健康寿命和延长寿命方面的变革潜力 | 综述了AI在分析复杂生物数据、加速生物标志物发现、优化治疗干预和个性化医疗方面的应用，特别是在识别生物年龄准确生物标志物、开发精准医学方法、加速药物发现和增强CRISPR等基因组编辑技术方面的突破 | AI在长寿研究中的整合带来了伦理和社会挑战，包括隐私问题、公平获取以及延长人类寿命的更广泛影响 | 探索人工智能在促进健康寿命和延长寿命方面的应用潜力 | 健康寿命和长寿的生物机制，以及AI在相关领域的应用 | 机器学习 | 溶血性疾病 | 机器学习、深度学习、自然语言处理、机器人技术、数据分析 | NA | 复杂生物数据 | NA | NA | NA | NA | NA |
| 226 | 2026-03-28 |
Quantitative molecular imaging using deep magnetic resonance fingerprinting
2025-10, Nature protocols
IF:13.1Q1
DOI:10.1038/s41596-025-01152-w
PMID:40169753
|
研究论文 | 本文介绍了一种基于深度学习的饱和转移磁共振指纹成像（MRF）协议，用于蛋白质、代谢物和pH值的无创体内定量分子成像 | 提出了一个完整的深度MRF协议，通过人工智能模型解决传统分子MRI技术复杂、半定量和扫描时间长的问题，实现快速定量分子信息提取 | 协议完成时间从48分钟到57小时不等，对于复杂多质子池体内成像耗时较长，且技术复杂性可能限制其广泛临床采用 | 开发一种定量分子MRI方法，用于提取具有生物学和临床意义的分子信息 | 体外样本、动物和人类扫描 | 医学影像 | 癌症、神经退行性疾病、中风、心脏病 | 化学交换饱和转移（CEST）、半固体磁化转移（MT）定量成像 | 深度学习模型 | 磁共振图像 | NA | NA | NA | NA | NA |
| 227 | 2026-03-28 |
Optic Nerve Atrophy Conditions Associated With 3D Unsegmented Optical Coherence Tomography Volumes Using Deep Learning
2025-Oct-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2025.2766
PMID:40839281
|
研究论文 | 本研究利用深度学习模型分析未分割的3D光学相干断层扫描（OCT）体积数据，以区分青光眼、非动脉炎性前部缺血性视神经病变（NAION）、视神经炎和健康眼睛的视神经萎缩 | 首次使用未分割的3D OCT体积数据训练深度学习模型，直接区分多种视神经萎缩疾病，无需手动分割，并比较了全体积、视盘周围区域（PPR）和视神经头（ONH）三种不同区域模型的性能 | 视神经炎的分类最具挑战性，当轴突损失严重或极小时，易被误分类为NAION或健康眼睛；研究为横断面设计，未评估纵向变化或治疗反应 | 确定基于未分割ONH OCT扫描的3D深度学习模型是否能可靠地区分青光眼、NAION、视神经炎和健康眼睛的视神经萎缩 | 患者（包括青光眼、NAION、视神经炎患者）和健康对照者的眼睛 | 数字病理学 | 视神经萎缩相关疾病（包括青光眼、非动脉炎性前部缺血性视神经病变、视神经炎） | 光学相干断层扫描（OCT） | CNN | 3D图像（OCT体积数据） | 7014次Cirrus ONH OCT扫描，来自1382只眼睛（青光眼113只，NAION 311只，视神经炎163只，健康对照715只） | 未明确指定，但基于ResNet-3D-18架构推断可能为PyTorch或TensorFlow | ResNet-3D-18 | 准确率，宏AUC-ROC，精确率，召回率，F1分数 | 未明确指定 |
| 228 | 2026-03-28 |
3D Deep Learning Analysis of OCT to Classify Optic Atrophy
2025-Oct-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2025.2829
PMID:40839376
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 229 | 2026-03-28 |
Deep Learning-accelerated MRI in Body and Chest
2025 Jul-Aug 01, Journal of computer assisted tomography
IF:1.0Q4
DOI:10.1097/RCT.0000000000001762
PMID:40360272
|
综述 | 本文综述了深度学习重建技术在加速磁共振成像中的应用，特别是在身体和胸部成像中，旨在提升图像质量并减少运动伪影 | 深度学习重建为磁共振加速提供了优雅解决方案，通过变分网络和监督模型，在保持图像质量的同时显著缩短采集时间，并具有去噪、伪影减少和提升信噪比等潜力 | 深度学习重建面临一些挑战，包括轻微降低病灶检测率、心脏运动相关信号丢失、区域信噪比变化以及不同器官系统中ADC测量的变异性 | 探讨深度学习重建技术在磁共振成像中的加速应用，以改善身体和胸部成像的图像质量并减少运动伪影 | 腹部、骨盆和胸部的磁共振成像，重点关注肝脏和前列腺等器官系统 | 医学影像分析 | NA | 磁共振成像（MRI），包括T2、T1和扩散加权成像 | 深度学习模型 | 磁共振图像 | NA | NA | 变分网络 | 图像质量指标、病灶显眼度、信噪比（SNR）、对比噪声比（CNR）、病灶检测率、ADC测量 | NA |
| 230 | 2026-03-28 |
Fundus Refraction Offset as an Individualized Myopia Biomarker
2025-Jul-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2025.1513
PMID:40471629
|
研究论文 | 本研究提出了一种新的眼底水平指标——眼底屈光偏移，并探讨了其与光学相干断层扫描衍生眼部参数的关联 | 提出了眼底屈光偏移这一个体化近视生物标志物，用于捕捉后段解剖结构的个体差异，超越了传统的球镜等效屈光度和眼轴长度等轴上指标 | 研究为横断面设计，无法确定因果关系；外部验证数据集样本量较小 | 开发并验证一种能够反映个体后段解剖差异的近视生物标志物 | 健康人眼 | 数字病理学 | 近视 | 光学相干断层扫描 | 深度学习模型 | 图像 | UK Biobank 数据集中 45,180 只健康眼（训练集 70%，内部测试集 30%），外部验证集 152 只右眼 | NA | NA | 线性回归系数, 95% 置信区间, P值 | NA |
| 231 | 2026-03-28 |
A Deep Retrieval-Enhanced Meta-Learning Framework for Enzyme Optimum pH Prediction
2025-Apr-14, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.4c02291
PMID:40127128
|
研究论文 | 本文提出了一种基于深度检索增强元学习的酶最适pH预测框架Venus-DREAM，通过结合k近邻算法和少样本学习实现高精度预测 | 首次将酶pH预测视为少样本学习任务，并引入基于蛋白质语言模型嵌入的检索机制和Reptile元学习算法进行优化 | 未明确说明模型在极端pH值或罕见酶家族上的泛化能力，且依赖预训练蛋白质语言模型的嵌入质量 | 开发高效的计算方法以预测酶的最适pH值，支持酶的高通量虚拟筛选与设计 | 酶蛋白质序列及其最适pH值 | 机器学习 | NA | 蛋白质语言模型嵌入，少样本学习 | kNN回归，元学习 | 蛋白质序列嵌入表示 | NA | NA | Reptile | 准确度 | NA |
| 232 | 2026-03-28 |
Evaluation of state-of-the-art deep learning models in the segmentation of the left and right ventricles in parasternal short-axis echocardiograms
2025-Mar, Journal of medical imaging (Bellingham, Wash.)
DOI:10.1117/1.JMI.12.2.024002
PMID:40151505
|
研究论文 | 本研究评估了多种深度学习模型在超声心动图短轴视图中分割左右心室的效果 | 首次在超声心动图短轴视图中评估了包括领域特定和通用领域模型在内的多种先进深度学习模型，并比较了它们在有限数据集上的性能 | 研究样本量较小（33名志愿者女性），且数据集为本地采集，可能限制模型的泛化能力 | 评估深度学习模型在超声心动图短轴视图中分割左右心室的性能，以辅助心肺疾病和心肌病的诊断 | 超声心动图短轴视图中的左心室和右心室 | 计算机视觉 | 心血管疾病 | 超声心动图 | CNN | 图像 | 33名志愿者女性的387次扫描图像 | 未明确指定，但提及了Detectron2 | Unet-ResNet101, Unet-ResNet50, SAM（三种变体） | Dice相似系数, Hausdorff距离, 横截面积差异 | NA |
| 233 | 2026-03-28 |
A dataset of blood slide images for AI-based diagnosis of malaria
2025-Feb, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2024.111190
PMID:39802838
|
研究论文 | 本文介绍了一个用于基于AI的疟疾诊断的血涂片图像数据集，包含厚血涂片和薄血涂片图像 | 提供了一个来自乌干达的基准数据集，支持构建卷积神经网络模型用于自动疟疾筛查 | 数据集规模相对较小（共4000张图像），且仅来自乌干达特定医院，可能限制模型的泛化能力 | 开发用于疟疾自动筛查的深度学习模型，以提高诊断效率和准确性 | 厚血涂片和薄血涂片图像 | 数字病理学 | 疟疾 | 显微镜检查 | CNN | 图像 | 3000张厚血涂片图像和1000张薄血涂片图像 | NA | NA | 检测准确率 | NA |
| 234 | 2026-03-28 |
G2PDeep-v2: a web-based deep-learning framework for phenotype prediction and biomarker discovery for all organisms using multi-omics data
2025-Jan-09, Research square
DOI:10.21203/rs.3.rs-5776937/v1
PMID:39866874
|
研究论文 | 介绍了一个基于深度学习的网络平台G2PDeep-v2，用于多组学数据的表型预测和生物标志物发现 | 开发了一个通用的网络平台，支持所有生物体（包括人类、植物、动物和病毒）的多组学数据分析，并集成了自动化超参数调优和基因集富集分析功能 | 未在摘要中明确提及具体限制 | 构建一个基于深度学习的网络平台，用于表型预测和生物标志物发现 | 所有生物体（包括人类、植物、动物和病毒）的多组学数据 | 机器学习 | NA | 多组学数据 | 深度学习模型 | 多组学数据 | NA | NA | NA | NA | 高性能计算资源 |
| 235 | 2026-03-25 |
Unlocking the metabolic potential of endophytic fungi through epigenetics: a paradigm shift for natural product discovery and plant-microbe interactions
2025-10-15, Natural product reports
IF:10.2Q1
DOI:10.1039/d5np00028a
PMID:40719258
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 236 | 2026-03-24 |
Charting the virosphere: computational synergies of AI and bioinformatics in viral discovery and evolution
2025-12-23, Journal of virology
IF:4.0Q2
DOI:10.1128/jvi.01554-25
PMID:41222234
|
综述 | 本文综述了人工智能与生物信息学在病毒发现和进化研究中的协同作用，探讨了从传统方法到AI及混合框架的演变 | 提出了一种结合AI模式识别与经典生物信息学的集成工作流，以提升可扩展性和可解释性，并统一了加速病毒发现和增强进化洞察的计算策略 | AI驱动方法面临计算负担、数据集偏差、有限可解释性以及较高假发现率等挑战 | 加速病毒发现、增强进化洞察并加强全球对新发传染病的准备 | 病毒基因组和蛋白质 | 生物信息学 | NA | 宏基因组测序 | CNN, RNN, Transformer, GNN | 序列数据 | NA | NA | AlphaFold, ESMFold, Foldseek | NA | NA |
| 237 | 2026-03-24 |
Biologically-informed integration of drug representations for breast cancer treatment using deep learning
2025-12-11, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-66384-6
PMID:41381442
|
研究论文 | 本文开发了一种名为GDnet的可解释深度学习模型，通过整合药物表示和肿瘤转录组数据来预测乳腺癌新辅助治疗反应，并辅助选择最佳治疗策略 | 首次提出将生物学信息驱动的药物表示与肿瘤转录组数据整合的深度学习模型，用于个性化乳腺癌治疗优化，并通过模拟临床试验验证其提升病理完全缓解率的能力 | 研究基于31个数据集的4371名患者，样本来源和多样性可能存在限制，且模型尚未在真实世界临床环境中进行前瞻性验证 | 开发深度学习模型以预测乳腺癌新辅助治疗反应并优化个性化治疗策略选择 | 乳腺癌患者及其对新辅助治疗的反应数据 | 数字病理学 | 乳腺癌 | 转录组测序 | 深度学习模型 | 转录组数据, 药物表示数据 | 4371名符合条件的患者，来自31个数据集 | NA | GDnet | 病理完全缓解率, 比值比 | NA |
| 238 | 2026-03-24 |
Multiplexed detection of febrile infections using CARMEN
2025-12-09, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-66243-4
PMID:41365864
|
研究论文 | 本文开发了三种基于CARMEN技术的检测面板，用于同时检测23种病原体，并通过深度学习优化了检测的敏感性和特异性 | 利用深度学习设计CARMEN检测方法，提高了对多种发热性感染病原体的检测敏感性和特异性，并验证了其在合成目标、加标血清样本及患者样本中的性能 | NA | 开发并验证用于多重检测发热性感染的CARMEN技术，以提升临床诊断和公共卫生监测的准确性 | 病毒性出血热、蚊媒病毒和性传播感染相关的23种病原体 | 数字病理学 | 发热性感染 | CARMEN技术，RT-qPCR | 深度学习 | 合成目标、加标健康正常血清样本、患者样本 | 涉及美国淋病奈瑟菌样本和尼日利亚拉沙病毒及猴痘病毒样本 | NA | NA | 敏感性，特异性 | NA |
| 239 | 2026-03-24 |
MSC-transformer-based 3D-attention with knowledge distillation for multi-action classification of separate lower limbs
2025-Nov, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2025.107806
PMID:40614457
|
研究论文 | 提出了一种基于多尺度可分离卷积Transformer的滤波器-空间-时间注意力模型（MSC-T3AM），用于分类多个下肢动作，并利用知识蒸馏提升性能 | 提出了MSC-T3AM模型，首次在自注意力模块的查询、键和值投影后分别应用多尺度可分离卷积，以提高计算效率和分类性能，并引入在线知识蒸馏来学习合适的概率分布 | 未明确提及模型的计算复杂度或实时性限制，也未讨论在不同EEG数据集上的泛化能力 | 解决现有深度学习模型在基于EEG的运动想象分类中未充分利用维度特异性注意力机制和隐含信息的问题，特别是针对下肢分离动作的分类 | 基于脑电图（EEG）的下肢分离动作，包括运动想象（MI）、真实运动（RM）和运动观察（MO） | 机器学习 | NA | 脑电图（EEG） | Transformer, CNN | 脑电图信号 | NA | NA | MSC-T3AM（多尺度可分离卷积Transformer注意力模型） | 分类准确率 | NA |
| 240 | 2026-03-24 |
Docking With Rosetta and Deep Learning Approaches in CAPRI Rounds 47-55
2025-Sep-22, Proteins
IF:3.2Q2
DOI:10.1002/prot.70016
PMID:40980933
|
研究论文 | 本文介绍了在CAPRI第47至55轮中，结合Rosetta对接方法和深度学习技术预测蛋白质-蛋白质相互作用的策略与挑战 | 结合多种Rosetta对接方法（RosettaDock、ReplicaDock、SymDock）与深度学习工具（AlphaFold2、IgFold、AlphaRED），并开发了改进构象采样和评分函数的方法 | 对于更灵活的复合物，预测准确性仍然有限，尤其是在预测CDR H3环和抗体-抗原结合界面方面存在挑战 | 提高蛋白质-蛋白质相互作用的盲预测准确性，特别是针对结合诱导的构象变化、大型多聚体蛋白质和抗体-抗原相互作用 | CAPRI第47至55轮中的49个目标，包括多阶段组装体、抗体-抗原复合物和柔性界面 | 计算生物学 | NA | 蛋白质对接，深度学习 | AlphaFold2, IgFold, AlphaRED | 蛋白质结构数据 | 49个CAPRI目标 | Rosetta, 深度学习框架 | AlphaFold2, IgFold, AlphaRED | DockQ分数，CAPRI质量排名 | NA |