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
381	2026-09-19	Automatic detection of simulated artifacts on T1w magnetic resonance images: comparing performance of different QC strategies 2025-Nov-02, medRxiv : the preprint server for health sciences DOI:10.1101/2025.10.31.25339144 PMID:41282830	研究论文	本研究系统比较了基于规则、经典机器学习和深度学习三种质量控制算法在T1w磁共振图像上检测模拟伪影的性能	首次系统比较了基于规则、经典机器学习和深度学习三种质量控制策略在检测特定类型伪影上的性能，并使用TorchIO合成四种伪影类型共十个严重程度等级的大规模数据集	伪影为合成引入而非真实采集，可能在某种程度上无法完全代表临床实际伪影的复杂性和多样性	比较不同质量控制策略在T1w磁共振图像上自动检测模拟伪影的性能，为大规模神经影像 pipelines 中选择质量控制策略提供实践指导	1000例高质量T1w磁共振脑扫描图像，合成了40000张退化图像	计算机视觉	NA	T1w磁共振成像，TorchIO合成伪影	经典机器学习，深度学习	图像	1000例高质量T1w扫描，合成40000张退化图像（四种伪影类型×十个严重程度等级），另有一个独立测试数据集	NA	NA	Youden指数，Krippendorff's α，Spearman's ρ	NA
382	2026-09-19	Analyzing Information Disparities across Modalities in Mortality Prediction 2025-Nov-02, medRxiv : the preprint server for health sciences DOI:10.1101/2025.10.30.25339162 PMID:41282941	research paper	比较原始胸部X光片与放射报告在ICU患者30天出院后死亡率预测中的预测效用	首次系统比较原始CXR图像与放射报告对死亡率预测的影响，并发现CXRs提供更丰富的预后信号，放射报告常遗漏临床相关发现	样本量较小（n=1,360），基于过滤后的MIMIC-IV子集，可能影响泛化性	系统比较不同CXR表示（原始图像与放射报告）对ICU患者30天出院后死亡率预测的预测性能，并探究模态选择对临床AI系统的影响	ICU患者（来自MIMIC-IV数据集）	digital pathology	NA	Vision-Language Model	VLM	image, text	1,360名ICU患者（过滤后的MIMIC-IV数据集子集）	NA	Vision-Language Model	AUROC	NA
383	2026-09-19	Upper Airway Volume Predicts Brain Structure and Cognition in Adolescents 2025-11, American journal of respiratory and critical care medicine IF:19.3Q1 DOI:10.1164/rccm.202409-1748OC PMID:40460372	研究论文	本研究利用深度学习模型从儿童脑部MRI中提取上气道体积，并分析其与认知功能和脑皮层灰质体积的关系。	首次在大型儿童队列中应用深度学习进行上气道分割，并发现上气道体积是儿童睡眠呼吸障碍认知结果的潜在生物标志物	摘要中未明确提及研究局限性	评估上气道体积与儿童认知及区域皮层灰质体积的关系	11,875名9-10岁儿童，来自青少年脑认知发展研究	数字病理学、机器学习	睡眠呼吸障碍、认知障碍	磁共振成像、深度学习	CNN	图像	11,875名儿童，5,552,640个脑部MRI切片	NA	NA	NA	NA
384	2026-09-19	AI-identified CD133-targeting natural compounds demonstrate differential anti-tumor effects and mechanisms in pan-cancer models 2025-11, EMBO molecular medicine IF:9.0Q1 DOI:10.1038/s44321-025-00308-1 PMID:41039172	研究论文	该研究利用深度学习模型TransformerCPI从中药化合物库中筛选出靶向泛癌标志物CD133的天然化合物Polyphyllin V和H，并通过细胞系、类器官和动物模型验证了其抗肿瘤效果和机制差异	结合AI驱动的筛选与生物学验证，发现两种结构相似的天然产物靶向CD133但通过不同机制（PI3K-AKT和Wnt/β-catenin通路）发挥抗肿瘤作用，揭示了虚拟筛选的局限性并强调活体模型评估的必要性	仅基于分子结构和蛋白序列的虚拟筛选无法完全阐明化合物-蛋白相互作用机制，需要后续生物学实验验证	利用AI技术从天然产物中筛选靶向CD133的化合物，并验证其抗肿瘤效果和机制，推动泛癌治疗药物发现	中药化合物库中的天然产物，CD133靶点，泛癌模型	机器学习	泛癌	深度学习虚拟筛选	Transformer	蛋白质序列、分子结构、文本	NA	NA	TransformerCPI	NA	NA
385	2026-09-19	A machine learning framework using urinary biomarkers for pancreatic ductal adenocarcinoma prediction with post hoc validation via single-cell transcriptomics 2025-Nov-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf583 PMID:41212589	研究论文	该研究提出了一种利用尿液生物标志物结合人口统计学数据的机器学习框架来预测胰腺导管腺癌，并通过单细胞转录组学进行事后验证	结合尿液生物标志物和人口统计学数据，采用多种预处理、归一化和机器学习/深度学习方法的比较研究，并利用单细胞RNA测序验证生物标志物的表达	研究样本量未明确，未来需要在不同数据集上验证框架，整合额外的组学数据，并探索先进的深度学习架构	开发基于尿液生物标志物和人口统计学数据的机器学习模型，用于早期准确诊断胰腺导管腺癌	胰腺导管腺癌患者和对照组的尿液样本及人口统计学数据	机器学习	胰腺癌	单细胞RNA测序	深度学习	表格数据、基因表达数据	NA	NA	NA	准确率	NA
386	2026-09-19	An Investigation on Cross-Tracer Generalizability of Deep Learning-based PET Attenuation Correction 2025-Nov, IEEE transactions on radiation and plasma medical sciences IF:4.6Q1 DOI:10.1109/trpms.2025.3566630 PMID:41221103	研究论文	本文研究了基于深度学习的PET衰减校正模型在不同示踪剂之间的泛化能力，主要探讨在常用示踪剂如18F-FDG上训练的模型能否有效应用于较少见的示踪剂如68Ga-DOTATATE和18F-Fluciclovine，反之亦然	首次系统性地探索了基于深度学习的PET衰减校正模型在跨示踪剂场景下的泛化能力，挑战了传统认为需要为每种示踪剂单独训练模型的观念；采用MLAA重建生成的μ-MLAA和λ-MLAA作为组合输入来生成μ-DL，而非直接从NAC PET或MLAA重建生成AC PET图像	研究仅涉及三种示踪剂（18F-FDG、68Ga-DOTATATE、18F-Fluciclovine），未涵盖更广泛的示踪剂类型；较少见示踪剂的可用数据量有限，可能影响模型训练和评估的充分性	探究基于深度学习的PET衰减校正模型在不同示踪剂之间的泛化能力，评估在常用示踪剂上训练的模型能否有效应用于较少见的示踪剂，以减少对示踪剂特异性训练数据的需求	PET图像、示踪剂（18F-FDG、68Ga-DOTATATE、18F-Fluciclovine）、衰减校正模型	医学图像处理、深度学习	NA	PET成像、MLAA重建、衰减校正	深度学习模型（具体架构未指定）	PET图像	NA	NA	NA	NA	NA
387	2026-09-19	Evaluation of a long short-term memory (LSTM)-based algorithm for predicting central frequency and synergy activation ratio using markerless motion analysis data 2025-Nov, Biomedical engineering letters IF:3.2Q2 DOI:10.1007/s13534-025-00498-0 PMID:41280147	研究论文	本研究提出了一种基于LSTM的深度学习算法，结合表面肌电信号和无标记运动分析数据，预测动态上肢运动中的中心频率和协同激活比，以评估肌肉疲劳和肌间协调性	将LSTM模型与同步的表面肌电信号和无标记运动数据相结合，实现对局部肌肉疲劳和协调性变化的实时检测，并首次使用无标记运动分析数据预测中心频率和协同激活比	样本量较小，仅纳入5名健康男性参与者，年龄范围有限，未涵盖不同性别、年龄和病理人群，且仅针对单臂哑铃弯举这一特定运动模式	准确、无创地预测肌肉疲劳和协调性，以改善运动表现和康复策略	5名健康男性参与者的肱二头肌和外侧三角肌	机器学习	NA	表面肌电信号（EMG）、无标记运动分析、非负矩阵分解（NMF）	LSTM	肌电信号、运动数据（图像/骨骼关节数据）	5名健康男性参与者（年龄26±1.73岁），每人进行单臂哑铃弯举（50% 1RM）	NA	LSTM	MSE, MAE	NA
388	2026-09-19	Deep learning-assisted tools to understand the structural biology of the synapse 2025-Nov, Biomedical engineering letters IF:3.2Q2 DOI:10.1007/s13534-025-00512-5 PMID:41280141	综述	本文综述了深度学习辅助的计算工具在理解突触结构生物学中的应用，重点关注突触后密度蛋白网络的建模挑战与前景	从结构生物学角度系统论述了AI辅助计算工具在突触后密度分子机制研究中的应用潜力与局限性，并指出现有方法面临的独特挑战	当前深度学习方法尚无法解决如此复杂的大分子系统所引发的所有问题，使用时需谨慎	探讨如何利用AI辅助的计算工具深入理解突触后密度在分子水平上的工作机制	突触后密度蛋白网络及突触结构生物学	结构生物学	认知障碍	深度学习辅助的结构生物学计算方法	NA	NA	NA	NA	NA	NA	NA
389	2026-09-19	Structure-based Predictions of Conformational B Cell Epitopes by Protein Language Model and Deep Learning 2025-Oct-30, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.29.685313 PMID:41278910	研究论文	该论文提出了一种基于蛋白质语言模型和深度学习的框架，通过在抗原结构上以残基三元组为单元预测构象B细胞表位	创新点包括：采用以补丁为中心的框架，将表面补丁定义为相邻残基的三元组，捕获编码形状和化学性质的最小局部单元；使用蛋白质语言模型ESM-2的嵌入平均化，并结合多层感知机进行分类；在补丁级别和残基级别均优于基于手工特征的卷积神经网络基线	未明确提及，但可能受限于训练数据仅来自AbDb抗体-抗原复合物，未涵盖所有可能的抗原类型；外部验证仅使用5个复合物	旨在解决构象B细胞表位映射的挑战，开发一种计算工具以辅助抗体发现、抗原优先级排序、抗体工程和疫苗设计	抗原结构上的表面补丁（相邻残基三元组）以及抗体-抗原复合物	计算生物学、免疫信息学	NA	蛋白质语言模型（ESM-2）、深度学习	多层感知机（MLP）、卷积神经网络（CNN）	蛋白质结构数据	训练集包含1151个AbDb抗体-抗原复合物，外部验证集包含5个未见复合物	PyTorch	ESM-2（蛋白质语言模型）、多层感知机（MLP）、卷积神经网络（CNN）	F1分数、ROC-AUC、PR-AUC	NA
390	2026-09-19	SubCell: Proteome-aware vision foundation models for microscopy capture single-cell biology 2025-Oct-30, bioRxiv : the preprint server for biology DOI:10.1101/2024.12.06.627299 PMID:41278937	研究论文	本文介绍了SubCell，一套用于荧光显微镜的自监督深度学习模型，能够捕获细胞形态、蛋白质定位、细胞组织和生物功能，并构建了蛋白质组组织的层次图	提出了一种新颖的蛋白质组感知学习目标，并在人类蛋白质图谱的蛋白质组范围图像集合上训练；构建了首个直接从图像数据学习的蛋白质组组织层次图；与蛋白质序列模型整合实现多模态蛋白质表示	未明确提及	开发能够准确捕获细胞形态、蛋白质定位、细胞组织和生物功能的荧光显微镜深度学习模型，并构建蛋白质组组织图	荧光显微镜图像，人类蛋白质图谱的蛋白质组范围图像集合	计算机视觉	NA	自监督深度学习，荧光显微镜	自监督深度学习模型	图像	人类蛋白质图谱的蛋白质组范围图像集合（具体数量未提及）	NA	NA	NA	NA
391	2026-09-19	A Multi-Task Deep Learning Model for Pediatric Echocardiography Analysis 2025-Oct-30, medRxiv : the preprint server for health sciences DOI:10.1101/2025.10.27.25338912 PMID:41282661	研究论文	本文介绍了一个用于儿童超声心动图分析的多任务深度学习模型EchoAI-Peds，能够同时检测28种先天性心脏缺陷、结构和功能异常、修复和干预措施	首个用于儿童超声心动图的多任务深度学习模型，使用迄今为止最全面的儿童标签集，能够整合多个超声心动图视图的信息，并同时在多个任务上进行检测	未明确提及模型的局限性，但可能包括对特定人群的泛化能力、数据标注的依赖以及计算资源需求等方面	开发一个多任务深度学习模型，用于自动化分析儿童超声心动图，以辅助先天性心脏缺陷的诊断和评估	儿童超声心动图视频数据，来自斯坦福医学中心和费城儿童医院的患者	医学图像分析	先天性心脏缺陷	超声心动图	视觉Transformer	视频	超过700,000个视频，来自超过11,000项研究（斯坦福医学中心），外部测试集来自费城儿童医院	NA	Transformer	AUROC	NA
392	2026-09-19	DRIPS: Domain Randomisation for Image-based Perivascular spaces Segmentation 2025-Oct-30, medRxiv : the preprint server for health sciences DOI:10.1101/2025.10.22.25337423 PMID:41282908	研究论文	提出DRIPS框架，利用域随机化与物理启发的图像生成进行血管周围间隙分割，并在多个队列上验证其性能	结合解剖和形状先验与基于物理的图像生成过程，生成合成脑图像和标签用于实时深度学习模型训练，通过重采样、几何和强度变换及模拟伪影引入变异性，从而泛化到真实数据	未明确提及	实现准确、全自动的血管周围间隙分割，减少对人工标签、模态特定模型或队列依赖调参的需求	MRI数据（来自五个队列，涵盖不同健康状况，N=165；T1w和T2w，各向同性和各向异性成像）和从组织学重建的3D离体脑模型	数字病理学, 计算机视觉	脑小血管病, 神经退行性疾病	MRI, 组织学	CNN	图像	165个MRI扫描（来自五个队列）和1个3D离体脑模型	NA	nnU-Net	AUPRC, DSC	NA
393	2026-09-19	A Self-Explainable Dynamic Risk Monitoring Framework for Predicting Alzheimer's Disease and Related Dementias 2025-Oct-28, medRxiv : the preprint server for health sciences DOI:10.1101/2025.10.20.25338232 PMID:41282689	研究论文	本文提出了一种结合GRU-D和RETAIN的可自解释动态风险监测框架GRU-D-RETAIN，用于基于电子健康记录预测阿尔茨海默病及相关痴呆症，并评估了数据可用性和随访时间对预测性能的影响	提出GRU-D-RETAIN架构，将GRU-D的参数化缺失值插补能力与RETAIN的可解释注意力机制相结合，实现任意临床就诊时的实时风险监测，并在时间步和特征两个层面提供可解释的注意力权重	ADRD诊断前10年以上的EHR记录稀缺，限制了更长时间范围的预测模型开发；不同训练折在某些情况下产生不同的解释，尽管风险预测相似	解决电子健康记录数据中不规则临床就诊、严重数据稀疏性和可解释性需求三大挑战，实现阿尔茨海默病及相关痴呆症的早期动态风险预测	年龄≥50岁的ADRD病例和性别、出生日期匹配的对照人群	机器学习	阿尔茨海默病及相关痴呆症	电子健康记录分析	GRU-D, RETAIN	电子健康记录	15,172例ADRD病例和145,443例匹配对照，来自600万患者的电子健康记录系统	NA	GRU-D, RETAIN	AUROC, 平均精度	NA
394	2026-09-19	Biologically informed neural network models are robust to spurious interactions via self-pruning 2025-Oct-27, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.24.684155 PMID:41278889	研究论文	本文提出一种评估生物学信息神经网络（BINN）鲁棒性的整体方法，通过测量训练过程中对故意引入的虚假交互的修剪程度（自修剪），并实现了GPU加速的LEMBAS框架，在三个数据集上验证了自修剪效果。	提出自修剪度量作为评估BINN鲁棒性的可扩展、可推广的指标；重新实现LEMBAS框架并实现>7倍GPU加速；证明在足够大的L2正则化下，BINN能比先验知识网络更有效地修剪随机引入的虚假交互。	未明确提及	开发一种整体方法来评估BINN推断机制的可靠性，并验证BINN对先验知识网络中不确定性的鲁棒性。	生物学信息神经网络（BINN）模型，具体为LEMBAS框架，以及三个数据集中的细胞内信号动态网络。	机器学习	NA	NA	循环神经网络（RNN）	NA	3个数据集	NA	LEMBAS（大规模知识嵌入人工信号网络），基于RNN的框架	预测准确率，自修剪程度	GPU加速，具体GPU类型未说明
395	2026-09-19	KSMoFinder - Knowledge graph embedding of proteins and motifs for predicting kinases of human phosphosites 2025-Oct-23, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.21.683733 PMID:41279605	研究论文	提出KSMoFinder，一种通过整合蛋白质知识图谱嵌入和基序信息来预测人类磷酸化位点激酶的分类模型	利用知识图谱嵌入学习蛋白质的生物学上下文和激酶特异性基序的语义表示，超越了仅基于基序相似性的方法，并且能够同时在基序和底物蛋白质两个层面进行预测	摘要中未明确提及 limitations	预测人类磷酸化位点对应的激酶，并确定激酶磷酸化特定底物的特征	人类磷酸化位点、激酶和底物蛋白质	机器学习	NA	知识图谱嵌入	深度学习分类器	知识图谱、序列	来自iPTMnet和PhosphositePlus的ground truth激酶-底物-基序数据集，测试集包含等量的正负样本	NA	NA	ROC-AUC, PR-AUC	NA
396	2026-09-19	Multi-omics integration and batch correction using a modality-agnostic deep learning framework 2025-Oct-22, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.21.683449 PMID:41279228	研究论文	提出MIMA，一个模块化无监督AI框架，用于多组学数据整合和批次校正，并在空间和单细胞数据集上验证其有效性	1. 提出模态无关的深度学习框架MIMA，可同时进行多组学数据整合和批次校正；2. 能够进行跨模态翻译，发现手动注释未捕获的分子模式；3. 尽管模态无关，性能与专门的最先进工具相当	未明确提及	整合多种组学模态的低维表示并校正技术伪影，以全面理解生物现象如肿瘤发生和衰老	空间和单细胞多组学数据集	数字病理学	肺癌	多组学整合、空间转录组学、单细胞测序	无监督深度学习框架	图像、组学数据	NA	NA	NA	与专家病理学家注释的一致性、与最先进工具的性能比较	NA
397	2026-09-19	Benchmarking Probabilistic Time Series Forecasting Models on Neural Activity 2025-Oct-22, ArXiv PMID:41281206	研究论文	系统评估八种概率深度学习模型在神经活动预测上的性能，并与经典统计模型和基线方法进行比较	首次将多种概率深度学习模型（包括基础模型）应用于神经活动预测，并在小鼠皮层宽场成像数据上进行基准测试	仅使用了小鼠皮层宽场成像数据，未验证其他物种或记录方式；预测范围限于1.5秒内；未深入探讨模型的可解释性	评估概率深度学习模型在神经活动预测中的表现，并与经典方法对比，以推动闭环控制应用	小鼠皮层自发神经活动	机器学习	NA	宽场成像	深度学习, 概率模型, 基础模型	图像	NA	NA	NA	NA	NA
398	2026-09-19	Quantifying the impact of genetic mutations on enhancer dynamics 2025-Oct-21, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.21.683558 PMID:41279603	研究论文	该研究开发了UDI-UMI-STARR-seq技术并结合RNA-seq，系统分析了六个转录因子敲除对增强子活性和靶基因表达的影响，并构建深度学习模型解析增强子语法规则	开发了整合双重索引和唯一分子标识符的UDI-UMI-STARR-seq技术，结合CRISPR/Cas9介导的六个转录因子敲除，系统评估遗传扰动对增强子动态的影响，并训练深度学习模型捕捉增强子语法核心原则，包括协同基序语法和侧翼序列上下文的影响	摘要中未明确提及研究局限性	量化遗传突变对增强子动态的影响，理解遗传扰动如何改变增强子活性和基因表达	253,632个片段文库（代表46,142个细胞类型特异性候选增强子），六个转录因子（ATF2、CTCF、FOXA1、LEF1、TCF7L2和SCRT1）的CRISPR/Cas9敲除细胞系	机器学习	神经发育障碍	UDI-UMI-STARR-seq, RNA-seq, CRISPR/Cas9基因编辑	深度学习模型	序列数据, 基因表达数据	253,632个增强子片段，代表46,142个细胞类型特异性候选增强子，6个转录因子敲除细胞系	NA	NA	NA	NA
399	2026-09-19	StoPred: Accurate Stoichiometry Prediction for Protein Complexes Using Protein Language Models and Graph Attention 2025-Oct-21, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.20.683515 PMID:41279950	研究论文	本文提出了一种名为StoPred的方法，利用蛋白质语言模型和图注意力网络从序列或结构特征中预测蛋白质复合物的化学计量比。	StoPred是首个能够准确预测异源寡聚复合物化学计量比的深度学习方法，它整合了蛋白质语言模型嵌入和图注意力网络来建模亚基间的相互作用，无需模板组装或预定义组成。	摘要中未明确提及局限性。	准确预测蛋白质复合物的化学计量比，特别是异源寡聚复合物。	蛋白质复合物（包括同源寡聚和异源寡聚复合物）。	机器学习	NA	蛋白质语言模型、图注意力网络	图注意力网络	序列和结构特征	NA	NA	图注意力网络	top-1准确率	NA
400	2026-09-19	Impact of Imaging Protocols on Convolutional Neural Network-Based Pressure Injury Detection 2025-Oct-21, Research square DOI:10.21203/rs.3.rs-7263214/v1 PMID:41282160	研究论文	系统评估成像协议变化对基于卷积神经网络的压力性损伤检测性能的影响，涵盖光照、相机距离、患者体位和相机类型等因素，并比较光学与热成像以及不同肤色。	首次系统性地研究多种成像协议变化（光照、距离、体位、相机类型）以及患者肤色对深度学习模型早期压力性损伤检测的影响；发现热成像显著优于光学成像，并揭示静态标注方法在动态热成像中的不足。	研究使用健康成人模拟局部冷却，而非真实压力性损伤患者；样本量有限（35人）；未在真实临床环境中验证；仅测试三种模型架构。	评估成像协议变化和肤色对基于深度学习的早期压力性损伤检测的影响，比较光学与热成像的鲁棒性。	35名不同肤色的健康成人，通过局部冷却诱导温度变化模拟早期压力性损伤。	计算机视觉	压力性损伤	光学成像，热成像	CNN	图像（光学和热成像）	1680张图像（来自35名健康成人，12种成像协议）	NA	MobileNetV2, InceptionNetV3, ResNet50	准确率	NA