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
821	2026-03-30	RNA-ligand interaction scoring via data perturbation and augmentation modeling 2025-08, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00820-x PMID:40555786	研究论文	本文介绍了一种基于序列的深度学习框架RNAsmol，用于预测RNA与小分子之间的相互作用	结合数据扰动与增强、基于图的分子特征表示和基于注意力的特征融合模块，无需结构输入即可准确预测RNA-小分子结合	受限于已验证的RNA-小分子相互作用数据有限和已知RNA结构稀缺	开发数据驱动的深度学习模型以预测RNA与小分子的相互作用	RNA与小分子之间的相互作用	机器学习	NA	深度学习	深度学习框架	序列数据	NA	NA	基于注意力的特征融合模块	十倍交叉验证、未见评估、诱饵评估	NA
822	2026-03-30	Memory kernel minimization-based neural networks for discovering slow collective variables of biomolecular dynamics 2025-07, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00815-8 PMID:40495006	研究论文	本文提出了一种基于记忆核最小化的神经网络框架MEMnets，用于发现生物分子动力学中的慢集体变量	MEMnets基于积分广义主方程理论，通过编码非马尔可夫动力学到记忆核中，并最小化时间积分记忆核的上界来识别最优集体变量，克服了传统方法通常假设马尔可夫动力学的限制	未在摘要中明确提及	识别生物分子动力学中准确捕捉最慢时间尺度的集体变量，以理解蛋白质构象变化等生物过程	FIP35 WW结构域的折叠过程和细菌RNA聚合酶的钳口开放构象变化	机器学习	NA	深度学习	神经网络	生物分子动态数据	NA	NA	并行编码器网络	NA	NA
823	2026-03-30	Predicting adverse drug reactions for combination pharmacotherapy with cross-scale associative learning via attention modules 2025-07, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00816-7 PMID:40588546	研究论文	本研究提出了一种名为OrganADR的关联学习增强模型，用于在器官层面预测联合药物治疗的不良反应	提出了一种结合器官层面ADR信息、分子层面药物信息以及基于网络的生物医学知识的集成表示方法，并采用多可解释模块，能够从器官角度阐明与ADR相关的关键蛋白质-蛋白质相互作用	未在摘要中明确说明	开发一种可解释的计算方法，以准确预测联合药物治疗的不良反应，服务于临床用药管理、药物开发和精准医疗	联合药物治疗及其在器官层面引发的不良反应	机器学习	NA	NA	深度学习	生物医学知识、药物分子信息、器官层面ADR信息	涉及15个器官的评估	NA	OrganADR	NA	NA
824	2026-03-30	Evaluating and mitigating bias in AI-based medical text generation 2025-05, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00789-7 PMID:40269315	研究论文	本研究评估并缓解了基于AI的医疗文本生成中的偏见问题，提出了一种选择性优化算法以减少性能差异	首次在医疗文本生成领域系统研究公平性问题，并开发了一种针对弱势群体进行选择性优化的算法	未详细说明算法在不同医疗子领域的具体适用性限制	评估和缓解AI医疗文本生成系统中的偏见问题	基于深度学习的医疗文本生成系统	自然语言处理	NA	深度学习	深度学习模型	文本	NA	NA	NA	公平性指标	NA
825	2026-03-30	DNA data storage for biomedical images using HELIX 2025-05, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00793-x PMID:40360759	研究论文	本文提出了一种名为HELIX的基于DNA的生物医学图像存储系统，旨在解决生物医学图像大规模长期存储的需求	HELIX系统针对生物医学图像特性设计了专用压缩算法，并引入了无需索引的错误校正编码，同时结合深度学习进行图像修复，提高了存储密度和解码速度	仅通过体外实验存储了两幅时空基因组学图像进行验证，样本规模较小，未涉及更广泛的生物医学图像类型	开发适用于生物医学图像的DNA数据存储系统	生物医学图像，特别是时空基因组学图像	数字病理学	NA	DNA数据存储，深度测序	深度学习	图像	两幅时空基因组学图像	NA	NA	图像质量（97.20%），测序深度（7×覆盖度）	NA
826	2026-03-30	Comprehensive prediction and analysis of human protein essentiality based on a pretrained large language model 2025-03, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-024-00733-1 PMID:39604646	研究论文	本研究开发了一个基于序列的深度学习模型PIC，通过微调预训练蛋白质语言模型，全面预测和分析人类蛋白质必需性	PIC模型不仅显著优于现有方法预测人类必需蛋白质，还能提供跨人类、细胞系和小鼠三个层次的全面预测结果，并定义了蛋白质必需性评分以量化人类蛋白质必需性	NA	开发计算模型以预测人类必需蛋白质，并量化蛋白质必需性	人类蛋白质，包括617,462个人类微蛋白质	自然语言处理	乳腺癌	深度学习，预训练蛋白质语言模型	深度学习模型	蛋白质序列	617,462个人类微蛋白质	NA	预训练蛋白质语言模型	NA	NA
827	2026-03-30	Leveraging pharmacovigilance data to predict population-scale toxicity profiles of checkpoint inhibitor immunotherapy 2025-03, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-024-00748-8 PMID:39715829	研究论文	本研究提出了一种名为DySPred的动态图卷积网络深度学习框架，利用大规模真实世界药物警戒数据来预测免疫检查点抑制剂在人群水平的毒性谱	引入动态图卷积网络来映射和预测免疫检查点抑制剂的毒性谱，能够准确预测不同人口队列和癌症类型的毒性风险，并在小样本场景中表现出韧性，同时揭示毒性随时间变化的趋势	NA	预测免疫检查点抑制剂在人群水平的毒性谱，以支持主动毒性监测和及时调整治疗与干预策略	免疫检查点抑制剂疗法及其诱导的毒性	机器学习	癌症	药物警戒数据分析	动态图卷积网络	药物警戒数据	大规模真实世界数据	NA	动态图卷积网络	NA	NA
828	2026-03-29	Consensus Molecular Subtypes (CMS) Classification: a progress towards Subtype-Driven treatments in colorectal cancer 2025-Nov-24, World journal of surgical oncology IF:2.5Q1 DOI:10.1186/s12957-025-04117-1 PMID:41276825	综述	本文综述了结直肠癌的共识分子亚型（CMS）分类，包括其预后预测价值、识别方法、与免疫治疗等个性化治疗的关联，以及临床应用中面临的挑战	系统总结了基于基因表达谱、免疫组化和深度学习图像模型的CMS分类方法，并探讨了单细胞测序等新兴技术如何解决肿瘤内异质性等临床采纳障碍	肿瘤内异质性和技术标准化不足阻碍了CMS分类的广泛临床应用	回顾CMS分类在结直肠癌预后预测和个性化治疗指导方面的进展与挑战	结直肠癌及其共识分子亚型（CMS1-4）	数字病理学	结直肠癌	基因表达谱分析, 免疫组化（IHC）, 单细胞RNA测序, 深度学习	深度学习模型	基因表达数据, 病理图像	NA	NA	NA	NA	NA
829	2026-03-29	Comparing innovative artificial intelligence algorithms to assess echocardiographic videos for clinical modeling 2025-11, The Journal of thoracic and cardiovascular surgery IF:4.9Q1 DOI:10.1016/j.jtcvs.2025.01.008 PMID:39842544	研究论文	本研究比较了多种动态深度学习算法，利用超声心动图视频开发预测模型，并评估样本量对性能指标的影响	在监督学习和半监督学习框架下，比较了3D CNN、视频视觉Transformer及混合CNN-LSTM模型在不同样本量下的性能，发现半监督学习模型使用未标记数据可达到与仅使用标记数据模型相当的性能	研究仅基于特定样本量（200、400、800视频数据集）进行评估，未涵盖更广泛或更小的样本规模，且模型性能可能受数据质量和标注一致性影响	开发并比较基于超声心动图视频的预测模型，优化样本量使用以提高性能	超声心动图视频数据	计算机视觉	心血管疾病	超声心动图成像	3D CNN, 视频视觉Transformer, CNN-LSTM混合模型	视频	200、400、800视频数据集	NA	ResNet3D, ResNet+LSTM	平均绝对误差, 均方根误差	NA
830	2026-03-29	Leveraging learned representations and multitask learning for lysine methylation site discovery 2025-Sep-21, bioRxiv : the preprint server for biology DOI:10.1101/2025.08.27.672583 PMID:40950037	研究论文	本文提出了一种基于Transformer的深度学习模型MethylSight 2.0，用于预测赖氨酸甲基化位点，并通过质谱实验验证了其有效性	利用深度学习最新进展，首次将Transformer架构应用于赖氨酸甲基化位点预测，并结合多任务学习整合其他赖氨酸翻译后修饰信息，实现了最先进的预测精度	模型主要针对赖氨酸甲基化位点，对于非组蛋白底物的甲基化机制理解仍有限，且实验验证的样本规模相对较小	提高赖氨酸甲基化位点的预测准确性，以促进赖氨酸甲基组图谱的绘制和癌症药物靶点的识别	蛋白质中的赖氨酸甲基化位点，特别是非组蛋白底物	自然语言处理	癌症	质谱实验	Transformer	序列数据	NA	NA	Transformer	准确性	NA
831	2026-03-29	Multi-center evaluation of radiomics and deep learning to stratify malignancy risk of IPMNs 2025-May-30, Research square DOI:10.21203/rs.3.rs-6622868/v1 PMID:40502758	研究论文	本研究通过多中心评估，利用放射组学和深度学习技术对IPMNs的恶性风险进行分层	首次在IPMN的囊肿级别恶性风险分层中探索并融合了放射组学和深度学习特征，并在多中心队列中验证了其可行性	模型性能仍需提升才能独立应用于临床，且样本量相对有限	评估AI在预测IPMN异型增生等级方面的可行性，以改善诊断准确性并减少不必要的手术干预	IPMNs（胰腺导管内乳头状黏液性肿瘤）的囊肿	计算机视觉	胰腺癌	T2W MRI成像	深度学习模型	图像	359个T2W MRI图像，来自七个中心	NA	2D和3D放射组学模型、深度学习模型、放射组学-深度学习融合模型	AUC	NA
832	2026-03-28	Transformer and graph variational autoencoder to identify microenvironments: A deep learning protocol for spatial transcriptomics 2025-Dec-19, STAR protocols IF:1.3Q4 DOI:10.1016/j.xpro.2025.104206 PMID:41313684	研究论文	本文提出了一个结合Transformer和图变分自编码器的计算框架TG-ME，用于通过空间转录组学和形态学图像解析空间微环境	创新性地整合了Transformer和图变分自编码器，以深度学习方式识别健康、肿瘤和感染组织中的空间微环境	NA	开发一个深度学习协议，用于识别和分析空间转录组学数据中的微环境	空间转录组学和形态学图像数据	数字病理学	肿瘤	空间转录组学	Transformer, 图变分自编码器	空间转录组数据, 形态学图像	NA	NA	Transformer, 图变分自编码器	NA	NA
833	2026-03-28	Protocol to annotate and automate single-cell instance segmentation on stimulated Raman histology using deep learning 2025-Dec-19, STAR protocols IF:1.3Q4 DOI:10.1016/j.xpro.2025.104221 PMID:41317327	研究论文	本文提出了一种基于深度学习的协议，用于在刺激拉曼组织学图像上实现单细胞实例分割的标注和自动化	开发了ELUCIDATE网络标注工具和DetectSRH Python库，结合深度学习实现无标记SRH图像的单细胞空间分析	NA	实现神经外科术中获取的SRH图像的自动化细胞分割	刺激拉曼组织学图像中的细胞	数字病理学	NA	刺激拉曼组织学	深度学习模型	图像	NA	Python	NA	NA	NA
834	2026-03-28	A Scorpion Peptide Exerts Selective Anti-Leukemia Effects Through Disrupting Cell Membranes and Triggering Bax/Bcl-2-Related Apoptosis Pathway 2025-12-18, Biomolecules IF:4.8Q1 DOI:10.3390/biom15121751 PMID:41463404	研究论文	本研究利用深度学习模型预测并验证了一种蝎子肽Lpep3对白血病细胞的选择性抗白血病作用，通过破坏细胞膜并触发Bax/Bcl-2相关凋亡通路	结合AI计算模型快速筛选活性肽，并首次揭示Lpep3通过破坏细胞膜和诱导凋亡通路发挥选择性抗白血病效应	研究主要基于体外和动物模型，尚未进行人体临床试验，且具体作用机制细节需进一步探索	开发天然抗肿瘤药物，特别是针对白血病的治疗	白血病细胞（如MV-4-11）和小鼠模型	机器学习	白血病	深度学习模型预测，电子显微镜观察，台盼蓝染色，Calcein-AM/PI双染色，LDH和ATP释放检测，Western blotting，RT-qPCR	深度学习模型	肽序列数据，细胞实验数据	七种肽的预测验证，涉及白血病细胞系和小鼠模型	NA	NA	NA	NA
835	2026-03-28	E2-regulated transcriptome complexity revealed by long-read direct RNA sequencing: from isoform discovery to truncated proteins 2025-12, RNA biology IF:3.6Q2 DOI:10.1080/15476286.2025.2563860 PMID:40965441	研究论文	本研究利用纳米孔长读长直接RNA测序技术，揭示了雌激素调控的转录组复杂性，并发现了一种产生截短蛋白的TLE1内含子多聚腺苷酸化亚型及其在乳腺癌中的临床意义	首次结合纳米孔长读长直接RNA测序、3'端测序和深度学习蛋白建模，系统揭示了雌激素响应转录组的复杂性，并发现了一种具有功能的新型内含子多聚腺苷酸化mRNA亚型及其产生的截短蛋白	未明确说明样本的具体数量或实验重复次数，且功能验证主要基于体外实验	探索雌激素受体α阳性乳腺癌中雌激素调控的转录组复杂性和蛋白质水平影响	雌激素受体α阳性乳腺癌细胞及相关的转录组和蛋白质	生物信息学，计算生物学	乳腺癌	纳米孔长读长直接RNA测序，3'端测序，深度学习蛋白建模	深度学习模型	RNA测序数据，蛋白质结构数据	NA	NA	NA	NA	NA
836	2026-03-28	Serum-MiR-CanPred: deep learning framework for pan-cancer classification and miRNA-targeted drug discovery 2025-12, RNA biology IF:3.6Q2 DOI:10.1080/15476286.2025.2577433 PMID:41168129	研究论文	本研究开发了一个名为Serum-MiR-CanPred的深度学习框架，用于基于血清miRNA表达数据的泛癌分类和miRNA靶向药物发现	首次整合可解释AI与分子建模，利用88个miRNA共识集实现高精度泛癌分类，并识别出hsa-miR-5100作为关键生物标志物，进而通过分子对接发现潜在治疗配体	研究依赖于GEO数据库的现有数据，外部验证数据集可能有限，且分子对接结果需进一步实验验证	开发非侵入性癌症早期诊断工具并探索miRNA靶向药物发现	12种癌症类型及健康对照的血清miRNA表达数据	机器学习	泛癌	血清miRNA表达分析	MLP	miRNA表达数据	20,271个样本	NA	多层感知机	AUC, 准确率	NA
837	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
838	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
839	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
840	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