深度学习在生物医药领域中的应用

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
781	2025-04-23	TrGPCR: GPCR-Ligand Binding Affinity Prediction Based on Dynamic Deep Transfer Learning 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3307928 PMID:37610904	研究论文	提出了一种基于动态深度迁移学习的GPCR-配体结合亲和力预测方法TrGPCR	使用动态迁移学习解决GPCR数据不足的问题，并引入蛋白质二级结构（口袋）作为特征	GPCR数据量仍然有限，仅几千个已知GPCR可用于亲和力预测	预测GPCR-配体结合亲和力以辅助药物开发	GPCR-配体结合亲和力	机器学习	NA	动态深度迁移学习	TrGPCR	蛋白质序列和二级结构数据	BindingDB和GLASS数据库中的数千个GPCR数据
782	2025-04-23	Multi-Omics Deep-Learning Prediction of Homologous Recombination Deficiency-Like Phenotype Improved Risk Stratification and Guided Therapeutic Decisions in Gynecological Cancers 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3308440 PMID:37616142	研究论文	提出了一种名为MODeepHRD的多组学深度学习框架，用于预测妇科癌症中的同源重组缺陷（HRD）表型，以改善风险分层和指导治疗决策	开发了一种新型的多组学整合深度学习框架MODeepHRD，利用卷积注意力自编码器有效利用组学特异性和跨组学互补知识学习	虽然在不同癌症队列中进行了验证，但可能需要更多样化的数据集以进一步验证其普适性	提高妇科癌症中HRD表型的预测准确性，以指导临床治疗决策	卵巢癌、乳腺癌和子宫内膜癌患者	数字病理学	妇科癌症	转录组学、DNA甲基化和突变数据	卷积注意力自编码器	多组学数据	351名卵巢癌患者用于训练，2133个卵巢癌样本（来自22个数据集）用于验证，并在多中心乳腺癌和子宫内膜癌队列中进一步验证
783	2025-04-23	HiSIF-DTA: A Hierarchical Semantic Information Fusion Framework for Drug-Target Affinity Prediction 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3334239 PMID:37983161	研究论文	提出了一种名为HiSIF-DTA的分层语义信息融合框架，用于药物-靶标亲和力预测	构建了包含低阶结构语义和高阶功能语义的分层蛋白质图，并设计了两种分层融合策略（Top-down和Bottom-Up）来整合不同的蛋白质语义	未明确提及具体限制	提高药物-靶标亲和力预测的准确性	药物-靶标亲和力预测	机器学习	NA	深度学习	分层语义信息融合框架（HiSIF-DTA）	蛋白质序列和结构数据、蛋白质-蛋白质相互作用网络	基准数据集（未明确提及具体数量）
784	2025-04-23	Decoding Drug Response With Structurized Gridding Map-Based Cell Representation 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3342280 PMID:38090819	研究论文	本研究提出了一种名为DD-Response的新策略，用于预测细胞系药物反应，通过整合多个数据集和开发二维结构化网格图（SGM）表示方法，提高了预测准确性	提出了一种新的细胞系药物反应预测策略DD-Response，通过整合多个数据集、开发二维结构化网格图（SGM）表示方法，并构建了双分支多通道CNN模型，显著提高了预测性能	虽然模型在细胞系药物反应预测上表现优异，但在临床应用方面仍面临挑战	开发一种更全面的方法来预测细胞系药物反应，以促进药物开发、再利用和耐药性逆转	细胞系药物反应机制	机器学习	癌症	深度学习	双分支多通道CNN	结构化网格图（SGM）	整合了多个数据集，具体样本数量未明确说明
785	2025-04-23	MOPDDI: Predicting Drug-Drug Interaction Events Based on Multimodal Mutual Orthogonal Projection and Intermodal Consistency Loss 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3343911 PMID:38109247	research paper	提出一种基于多模态互正交投影和模态间一致性损失的新方法，用于预测药物相互作用事件	通过多模态互正交投影模块消除模态间的冗余共同信息，并利用模态间一致性损失使各模态的预测特征更加相似	未明确提及具体局限性	准确预测药物相互作用(DDI)事件的机制	药物相互作用事件	machine learning	NA	multimodal mutual orthogonal projection, intermodal consistency loss	deep learning	multimodal data	NA
786	2025-04-23	Prediction of Drug-Target Interactions With High- Quality Negative Samples and a Network-Based Deep Learning Framework 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3354953 PMID:38227407	研究论文	本文研究了药物-靶标相互作用预测中的高质量负样本选择和基于网络的深度学习框架构建	提出了基于复杂网络理论的负样本选择方法，并开发了整合药物-蛋白质-疾病异质网络拓扑信息和蛋白质GO及通路注释信息的HNetPa-DTI预测方法	未明确提及方法在特定类型药物或靶标上的局限性	提高药物-靶标相互作用预测的准确性	药物-靶标相互作用对	机器学习	NA	异质图神经网络、图神经网络	HNetPa-DTI（整合异质图神经网络和GNN的框架）	网络数据、注释数据	未明确说明具体样本量
787	2025-04-23	Dual Representation Learning for Predicting Drug-Side Effect Frequency Using Protein Target Information 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3350083 PMID:38241108	research paper	提出了一种基于深度学习的药物副作用频率预测模型，利用蛋白质靶点信息等多源异构特征进行药物嵌入表示学习	首次同时利用药物靶点蛋白信息、分子图、指纹和化学相似性等多源异构特征进行药物嵌入表示学习，并采用Adaboost方法增强对无明确靶蛋白药物的预测能力	对于没有明确靶蛋白的药物预测性能仍有提升空间	预测药物副作用发生频率	药物及其副作用	machine learning	NA	deep learning, Adaboost	dual representation learning model	heterogeneous drug features (target protein information, molecular graphs, fingerprints, chemical similarity)	NA
788	2025-04-23	AEGNN-M:A 3D Graph-Spatial Co-Representation Model for Molecular Property Prediction 2025-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3368608 PMID:38386576	研究论文	本文提出了一种名为AEGNN-M的3D图-空间共表示模型，用于分子性质预测	结合GAT和EGNN两种图神经网络，同时利用分子图表示和3D空间结构表示进行分子性质预测	未提及具体局限性	提高分子性质预测的准确性以加速药物开发过程	分子性质预测	计算机辅助药物设计	乳腺癌	图神经网络	AEGNN-M (结合GAT和EGNN)	分子图和3D空间结构数据	7个公共数据集（包括3个回归数据集和14个乳腺癌细胞系表型筛选数据集）
789	2025-04-23	Evaluating the Impact of Attention Mechanisms on a Fine-Tuned Neural Network for Magnetic Resonance Imaging Tumor Classification: A Comparative Analysis 2025-Mar, Cureus DOI:10.7759/cureus.80872 PMID:40255713	研究论文	本研究评估了不同注意力机制对基于ResNet50V2的MRI肿瘤分类模型的影响	比较了五种注意力机制在MRI肿瘤分类中的效果，发现SE机制表现最佳	未探索混合注意力机制（如基于Transformer的模型）的应用	评估注意力机制对MRI肿瘤分类模型性能的影响	脑部MRI扫描中的脑膜瘤、胶质瘤、垂体瘤和无肿瘤病例	计算机视觉	脑肿瘤	深度学习	ResNet50V2, SE, CBAM, SA, AGNet	MRI图像	3,096个标注的MRI扫描
790	2025-04-22	Computational methods for binding site prediction on macromolecules 2025-Mar-12, Quarterly reviews of biophysics IF:7.2Q1 DOI:10.1017/S003358352500006X PMID:40071518	综述	本文综述了利用机器学习方法预测大分子结合位点的最新进展	分类了基于大分子序列、结构、模板知识、几何和能量特性的编码方法，并根据相互作用分子类型（小分子、肽和离子）对方法进行了分类	强调了基于深度学习方法的最新技术的局限性	推进药物发现，通过识别药理学靶点中的新结合位点，促进基于结构的命中识别和先导优化	蛋白质和RNA等生物分子结构	计算生物学	NA	机器学习	深度学习	序列、结构、模板知识、几何和能量特性数据	NA
791	2025-04-22	DMGAT: predicting ncRNA-drug resistance associations based on diffusion map and heterogeneous graph attention network 2025-Mar-04, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf179 PMID:40251829	research paper	该研究提出了一种名为DMGAT的新型深度学习模型，用于预测非编码RNA（ncRNA）与药物抗性之间的关联	DMGAT整合了扩散映射进行序列嵌入、图卷积网络进行特征提取以及图注意力网络（GAT）进行异质信息融合，同时采用随机森林分类器选择可靠的负样本以解决数据集不平衡问题	模型性能可能受到数据集不平衡和稀疏性的限制	预测ncRNA与药物抗性之间的关联，以识别潜在的生物标志物和治疗靶点	非编码RNA（ncRNA）和药物	machine learning	NA	word2vec, 扩散映射, 图卷积网络, 图注意力网络（GAT）	DMGAT（基于扩散映射和异质图注意力网络的深度学习模型）	序列数据（ncRNA序列和药物SMILES）	来自NoncoRNA和ncDR的精选数据集
792	2025-04-22	A graph neural network approach for accurate prediction of pathogenicity in multi-type variants 2025-Mar-04, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf151 PMID:40251830	research paper	提出了一种基于图神经网络的多模态注释致病性预测方法GNN-MAP，用于准确预测人类疾病相关基因中的致病性变异	GNN-MAP能够有效整合多模态注释和变异间的相似性关系，准确预测多种类型变异的致病性，尤其在罕见变异和高度不平衡数据集上表现优异	NA	提高人类疾病相关基因中致病性变异的预测准确性，以辅助临床决策	人类疾病相关基因中的多类型变异	machine learning	inherited retinal disease	graph neural network	GNN	multimodal annotations	ClinVar数据集
793	2025-04-20	AI-enabled CT-guided end-to-end quantification of total cardiac activity in 18FDG cardiac PET/CT for detection of cardiac sarcoidosis 2025-Mar-22, Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology IF:3.0Q2 DOI:10.1016/j.nuclcard.2025.102195 PMID:40127777	research paper	提出了一种基于深度学习的全自动流程，用于通过CT衰减图分割心脏腔室来量化[18F]FDG PET活性，以检测心脏结节病	首次提出了一种全自动的CT引导下的端到端量化方法，用于心脏结节病的检测，具有高预测性能	样本量较小（69例患者），且特异性较低（65%）	开发一种全自动量化心脏炎症的方法，用于心脏结节病的诊断和管理	疑似心脏结节病的患者	digital pathology	cardiac sarcoidosis	PET/CT, deep learning	DL (deep learning)	image	69例患者
794	2025-04-20	Accuracy of vestibular schwannoma segmentation using deep learning models - a systematic review & meta-analysis 2025-Mar, Neuroradiology IF:2.4Q2 DOI:10.1007/s00234-024-03449-1 PMID:39179652	meta-analysis	本文通过系统综述和荟萃分析评估深度学习模型在前庭神经鞘瘤分割中的准确性	填补了深度学习在前庭神经鞘瘤自动分割领域的知识空白	仅针对MR图像进行分析，未涉及其他影像学数据	评估深度学习算法在前庭神经鞘瘤MR图像分割中的应用现状	前庭神经鞘瘤（VS）患者	digital pathology	vestibular schwannoma	深度学习	DL	MR图像	NA
795	2025-04-19	[Three-Dimensional Reconstruction Technique and Its Application of Binocular Endoscopic Images Based on Deep Learning] 2025-Mar-30, Zhongguo yi liao qi xie za zhi = Chinese journal of medical instrumentation DOI:10.12455/j.issn.1671-7104.240293 PMID:40246717	研究论文	探讨基于深度学习的双目内窥镜图像三维重建关键技术及实现方法	应用深度学习技术显著提升三维重建的准确性和实时性	未提及具体实验数据或样本量	提升内窥镜图像三维重建质量，指导临床双目内窥镜图像重建技术的可持续发展	双目内窥镜图像	计算机视觉	NA	深度学习	NA	图像	NA
796	2025-04-19	The Real-World Impact of Vestibular Schwannoma Fully Automated Volume Measures on the Evaluation of Size Change and Clinical Management Outcomes in a Multidisciplinary Meeting Setting 2025-Mar-25, The journal of international advanced otology IF:1.0Q3 DOI:10.5152/iao.2025.241693 PMID:40208025	research paper	研究探讨了在跨学科会议（MDM）准备阶段提供全自动化前庭神经鞘瘤体积测量对放射学结果和临床管理决策的影响	首次在真实世界的MDM环境中评估全自动化深度学习体积测量与线性尺寸测量对前庭神经鞘瘤大小变化分类和临床管理决策的影响	样本量较小（50名患者），且未证明自动化测量对临床管理决策有显著影响	评估全自动化体积测量在MDM准备阶段的应用效果	50名成人单侧散发性前庭神经鞘瘤患者	digital pathology	vestibular schwannoma	deep learning-based volume measurements	NA	MRI images	50名患者（24男，26女，平均年龄64.6岁），共57次MRI比较
797	2025-04-19	Artificial intelligence-based diagnosis of breast cancer by mammography microcalcification 2025-Mar, Fundamental research IF:5.7Q1 DOI:10.1016/j.fmre.2023.04.018 PMID:40242534	研究论文	本文展示了一种基于深度学习的自动化管道，用于乳腺X光摄影中微钙化的检测和分类，以促进乳腺癌的早期诊断	该技术不仅能提供乳腺X光摄影的分类结果，还能标注特定的钙化区域，并探索了基于深度学习的病理亚型和雌激素受体分类的有效性	训练集和测试集的分类准确率分别为0.8124和0.7237，显示模型在测试集上的性能有所下降	开发一种自动化的人工智能系统，以辅助临床医生在乳腺癌筛查、诊断和治疗中做出判断并提高效率	乳腺X光摄影中的微钙化病变	数字病理学	乳腺癌	深度学习	深度学习管道	图像	4,810张乳腺X光片，包含6,663个基于活检结果的微钙化病变（3,301个恶性，3,362个良性）
798	2025-04-18	Lit-OTAR framework for extracting biological evidences from literature 2025-Mar-29, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf113 PMID:40097274	研究论文	介绍了一种名为lit-OTAR的框架，该框架利用深度学习从科学文献中提取证据，以加速药物发现过程	结合命名实体识别和实体归一化技术，从大量科学文献中提取并标准化基因/蛋白质、疾病、生物体和化学/药物信息	未提及具体的技术性能指标或与其他方法的比较	加速药物发现过程和科学研究，通过从文献中提取生物医学证据	科学文献中的基因/蛋白质、疾病、生物体和化学/药物	自然语言处理	NA	深度学习	NA	文本	超过3900万篇摘要和450万篇全文文章及预印本
799	2025-03-29	Author Correction: ThyroNet-X4 genesis: an advanced deep learning model for auxiliary diagnosis of thyroid nodules' malignancy 2025-Mar-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-94090-2 PMID:40148386	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
800	2025-04-18	Machine Learning Analysis of Videourodynamics to Predict Incident Hydronephrosis in Patients With Spina Bifida 2025-Mar-25, The Journal of urology IF:5.9Q1 DOI:10.1097/JU.0000000000004547 PMID:40132220	研究论文	利用机器学习分析视频尿动力学数据，预测脊柱裂患者发生肾积水的风险	开发了结合压力/体积记录和膀胱荧光镜图像特征的集成模型，提高了预测准确性	样本量相对有限，且仅针对脊柱裂患者	提高脊柱裂患者肾积水风险的预测准确性	脊柱裂患者	机器学习	脊柱裂	视频尿动力学	随机生存森林模型, 集成模型	视频尿动力学数据, 荧光镜图像	训练队列354人，验证队列200人