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 1262 篇文献，本页显示第 801 - 820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 801 | 2025-10-06 |
A hybrid protocol for peptide development: integrating deep generative models and physics simulations for biomolecular design targeting IL23R/IL23
2025-Jun, International journal of biological macromolecules
IF:7.7Q1
DOI:10.1016/j.ijbiomac.2025.144652
PMID:40419055
|
研究论文 | 提出一种结合深度生成模型和物理模拟的混合协议，用于开发靶向IL23R/IL23的肽类生物分子 | 首次将LSTM生成模型、GRU分类器与分子动力学模拟相结合，用于肽类抑制剂开发 | NA | 开发靶向IL23R/IL23相互作用的肽类抑制剂 | 白细胞介素-23受体(IL23R)及其相关细胞因子白细胞介素-23(IL23) | 机器学习 | 自身免疫性疾病 | 分子动力学模拟 | LSTM, GRU | 分子结构数据 | NA | NA | LSTM, GRU | 结合亲和力, 稳定性, IC50 | NA |
| 802 | 2025-10-06 |
m6A-SPP: Identification of RNA N6-methyladenosine modification sites through multi-source biological features and a hybrid deep learning architecture
2025-Jun, International journal of biological macromolecules
IF:7.7Q1
DOI:10.1016/j.ijbiomac.2025.144789
PMID:40449782
|
研究论文 | 提出了一种名为m6A-SPP的新型深度学习框架，用于有效预测RNA N6-甲基腺苷修饰位点 | 整合了序列特征和理化性质的双模块架构，结合预训练BERT模型与CNN进行RNA序列表示，并融合三种关键理化属性 | NA | 准确预测RNA N6-甲基腺苷修饰位点，以理解其生物学功能及在疾病中的作用 | RNA N6-甲基腺苷修饰位点 | 生物信息学 | NA | RNA修饰位点预测 | BERT, CNN | RNA序列数据，理化性质数据 | 包含8个细胞系（如HEK293T和HeLa）和3种组织类型（包括脑、肝和肾）的单核苷酸分辨率m6A数据集 | NA | DNABERT, CNN, 混合深度学习架构 | NA | NA |
| 803 | 2025-10-06 |
Network Occlusion Sensitivity Analysis Identifies Regional Contributions to Brain Age Prediction
2025-Jun-01, Human brain mapping
IF:3.5Q1
DOI:10.1002/hbm.70239
PMID:40470724
|
研究论文 | 本研究通过结合网络遮挡敏感性分析和精细人脑图谱，识别了脑龄预测模型中各脑区的贡献度 | 开发了可解释性方案NOSA，首次系统揭示了不同脑区在生命周期各阶段对脑龄预测的贡献模式 | 研究样本年龄范围有限（8-80岁），未涵盖婴幼儿和极高龄群体 | 提高脑龄预测深度学习模型的可解释性，识别关键贡献脑区 | 人类大脑结构和功能区域 | 医学影像分析 | 老年疾病 | 脑磁共振成像 | CNN | 脑影像数据 | 训练集3054人，测试集555人，年龄范围8-80岁 | NA | 全卷积神经网络 | NA | NA |
| 804 | 2025-06-07 |
Deep learning for microbiome-informed precision nutrition
2025-Jun, National science review
IF:16.3Q1
DOI:10.1093/nsr/nwaf148
PMID:40475064
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 805 | 2025-06-10 |
PeruFoodNet: A unique dataset of traditional peruvian food for image recognition systems and allergenic ingredient inference
2025-Jun, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111604
PMID:40486219
|
research paper | 介绍了一个名为PeruFoodNet的数据集，包含4000张传统秘鲁菜肴的图片，用于图像识别系统和过敏成分推断 | 创建了一个独特的秘鲁菜肴数据集，可用于图像识别和过敏成分识别 | 数据集主要由作者自己拍摄，可能缺乏多样性 | 促进图像识别和分类研究，帮助识别菜肴中的过敏成分 | 传统秘鲁菜肴 | computer vision | NA | Deep Learning | NA | image | 4000张图片，涵盖40种最受欢迎的秘鲁菜肴，每种菜肴100张图片 | NA | NA | NA | NA |
| 806 | 2025-06-10 |
Investigation of Short-term Crystalline Lens Positional Shifts Following ICL Implantation Using SS-OCT Integrated With Multi-task Deep Learning
2025-Jun, Journal of refractive surgery (Thorofare, N.J. : 1995)
DOI:10.3928/1081597X-20250506-06
PMID:40488484
|
research paper | 研究使用SS-OCT结合多任务深度学习评估ICL植入后短期晶状体位置变化 | 首次结合SS-OCT和多任务深度学习定量评估ICL植入后晶状体倾斜和偏心变化 | 样本量较小(42眼)，仅评估短期(1周内)变化 | 评估ICL植入对晶状体位置的短期影响 | 26名患者(42眼)的ICL植入手术前后晶状体位置 | digital pathology | ophthalmic disease | SS-OCT | multi-task deep learning | medical image | 42 eyes from 26 patients | NA | NA | NA | NA |
| 807 | 2025-06-09 |
Decoding EEG-based cognitive load using fusion of temporal and functional connectivity features
2025-Jun-08, Computer methods in biomechanics and biomedical engineering
IF:1.7Q3
DOI:10.1080/10255842.2025.2514132
PMID:40483616
|
research paper | 提出了一种结合时间和功能连接特征的深度学习架构，用于增强基于EEG信号的认知负荷评估 | 提出了一种新颖的深度学习架构，整合了时间信息特征和功能连接特征，通过融合策略结合两者的互补优势，提高了分类性能 | EEG信号的低信噪比和个体间变异性可能影响模型的泛化能力 | 提高基于EEG信号的认知负荷评估的准确性和泛化能力 | EEG信号 | Brain-Computer Interfaces (BCI) | NA | EEG信号分析 | LSTM网络结合注意力机制 | EEG信号 | 两个公开数据集 | NA | NA | NA | NA |
| 808 | 2025-06-09 |
CPE-Pro: A Structure-Sensitive Deep Learning Method for Protein Representation and Origin Evaluation
2025-Jun-08, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00732-4
PMID:40483648
|
研究论文 | 提出了一种结构敏感的深度学习模型CPE-Pro，用于蛋白质结构的表示和来源评估 | 结合预训练的蛋白质结构序列语言模型(SSLM)和几何向量感知器-图神经网络(GVP-GNN)，学习结构感知的蛋白质表示并捕捉结构差异，实现四种结构数据来源的准确分类 | 未来研究需要扩展架构以适应更多蛋白质结构范式，并开发针对低pLDDT预测结构的评估方法 | 解决现有蛋白质表示方法难以捕捉关键结构差异的问题，提高蛋白质结构来源评估的准确性 | 蛋白质结构 | 生物信息学 | NA | 深度学习 | SSLM, GVP-GNN | 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 809 | 2025-06-09 |
Predicting infarct outcomes after extended time window thrombectomy in large vessel occlusion using knowledge guided deep learning
2025-Jun-06, Journal of neurointerventional surgery
IF:4.5Q1
DOI:10.1136/jnis-2025-023355
PMID:40480824
|
research paper | 本研究通过引入先验知识指导，旨在提高深度学习模型在急性缺血性卒中（AIS）患者接受延长时间窗机械取栓（MT）后梗死预测的准确性 | 结合医学先验知识（如侧支循环评分、梗死概率映射和动脉区域映射）到深度学习模型中，显著提高了梗死预测的准确性 | 研究为回顾性设计，样本量相对较小（221例患者），且仅基于三个中心的数据 | 提高延长时间窗机械取栓后梗死预测的准确性，以优化急性缺血性卒中的治疗计划 | 急性缺血性卒中（AIS）患者 | digital pathology | cardiovascular disease | CT perfusion | Swin transformer | image | 221例AIS患者 | NA | NA | NA | NA |
| 810 | 2025-06-09 |
Automatic Segmentation of Ultrasound-Guided Transverse Thoracic Plane Block Using Convolutional Neural Networks
2025-Jun-06, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01565-9
PMID:40481276
|
研究论文 | 本研究应用深度学习方法开发了一个深度学习模型，用于实时分割超声引导下的横向胸平面阻滞（TTP）区域，以协助医生准确识别目标神经 | 开发了TTP-Unet模型，专门用于TTP阻滞，能够自动识别超声图像中的关键解剖结构，降低TTP阻滞技术的临床难度 | 研究仅基于155名患者的2329张图像，样本量可能不足以覆盖所有临床情况 | 通过深度学习模型提高超声引导下TTP阻滞的准确性和实时性 | 超声图像中的横向胸肌、肺部和骨骼等关键结构 | 计算机视觉 | 术后疼痛 | 深度学习 | CNN（TTP-Unet） | 图像 | 155名患者的2329张图像 | NA | NA | NA | NA |
| 811 | 2025-06-09 |
DynamicDTA: Drug-Target Binding Affinity Prediction Using Dynamic Descriptors and Graph Representation
2025-Jun-06, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-025-00729-z
PMID:40481301
|
研究论文 | 该论文提出了一种名为DynamicDTA的深度学习框架，用于预测药物-靶标结合亲和力，结合了静态和动态蛋白质特征以提高预测准确性 | DynamicDTA首次整合了动态蛋白质特征（如均方根波动）和静态特征，通过图卷积网络和多层感知机处理不同输入，并使用交叉注意力和张量融合网络整合多模态信息 | 论文未明确提及模型的计算复杂度或对特定蛋白质动态特征的依赖性可能带来的限制 | 提高药物-靶标结合亲和力预测的准确性，以支持药物发现过程 | 药物序列、蛋白质序列和动态描述符 | 机器学习 | HIV-1感染 | 图卷积网络（GCN）、扩张卷积、多层感知机（MLP） | DynamicDTA（结合GCN、CNN和MLP的混合模型） | 序列数据（药物和蛋白质）、动态描述符数据 | 三个数据集（具体数量未提及） | NA | NA | NA | NA |
| 812 | 2025-06-09 |
Enhancing pancreatic cancer detection in CT images through secretary wolf bird optimization and deep learning
2025-Jun-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-00512-6
PMID:40473659
|
research paper | 提出了一种结合秘书狼鸟优化算法和深度学习的方法，用于增强CT图像中胰腺癌的检测 | 结合了Wolf Bird Optimization (WBO) 和 Secretary Bird Optimization Algorithm (SBOA) 设计了SeWBO算法，并开发了SeWBO_Efficient DenseNet模型用于胰腺肿瘤检测 | NA | 提高胰腺癌的早期检测率以改善生存率并提供适当的治疗 | 胰腺CT图像 | digital pathology | pancreatic cancer | Computed Tomography (CT) | SeWBO_Efficient DenseNet (结合EfficientNet和DenseNet) | image | NA | NA | NA | NA | NA |
| 813 | 2025-06-09 |
SHAP-enhanced interpretive MGTWR-CNN-BILSTM-AM framework for predicting surface subsidence: a case study of Shanghai municipality
2025-Jun-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-95694-4
PMID:40473748
|
research paper | 该研究提出了一种集成MGTWR-CNN-BiLSTM-AM（MGCBA）模型，用于预测上海地区的地面沉降，通过多尺度时空效应提高预测准确性 | 结合MGTWR框架和深度学习网络（CNN-BiLSTM-AM），量化沉降与驱动因素之间的非线性时空关系，并通过SHAP值分析增强模型的可解释性 | 研究仅以上海市为主要沉降区为案例，可能不适用于其他地区 | 提高地面沉降预测的准确性，并识别主要驱动因素 | 上海地区的地面沉降 | machine learning | NA | SBAS-InSAR, GNSS, PS-InSAR | MGTWR, CNN, BiLSTM, AM | deformation data, time-series data | 上海主要沉降区的SBAS-InSAR变形数据 | NA | NA | NA | NA |
| 814 | 2025-06-09 |
A method for spatial interpretation of weakly supervised deep learning models in computational pathology
2025-Jun-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-04043-y
PMID:40473761
|
研究论文 | 提出了一种名为WEEP的新方法，用于在计算病理学中解释弱监督深度学习模型的空间区域选择 | WEEP方法为弱监督学习提供了一种原则性且直接的方式，用于确定WSI中驱动预测标签的空间区域 | 方法仅在乳腺癌计算病理学的二元分类任务中进行了演示，未涉及其他疾病或更复杂的分类任务 | 开发一种方法以识别WSI中驱动弱监督学习模型预测的空间区域，增强模型的空间可解释性 | 乳腺癌全切片图像（WSI） | 计算病理学 | 乳腺癌 | 弱监督深度学习 | 深度学习模型（具体类型未明确说明） | 图像（全切片图像WSI） | NA | NA | NA | NA | NA |
| 815 | 2025-06-09 |
Association between age and lung cancer risk: evidence from lung lobar radiomics
2025-Jun-05, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01747-5
PMID:40474072
|
research paper | 本研究通过定量放射组学特征探讨年龄与肺癌风险之间的关系 | 首次利用放射组学特征揭示肺叶特异性老化模式及其与肺癌风险的关联 | 研究仅基于基线CT扫描，未考虑时间动态变化 | 探索年龄如何通过肺叶放射组学特征影响肺癌发生 | 29,810名温岭肺癌筛查队列参与者 | digital pathology | lung cancer | CT成像 | 深度学习分割方法 | 医学影像 | 29,810名参与者（其中13,137名从不吸烟者） | NA | NA | NA | NA |
| 816 | 2025-06-09 |
A radiogenomics study on 18F-FDG PET/CT in endometrial cancer by a novel deep learning segmentation algorithm
2025-Jun-05, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-025-14392-6
PMID:40474131
|
研究论文 | 本研究开发了一种自动化的PET/CT分割方法和放射组学模型，用于预测子宫内膜癌患者的MMR和TP53基因表达，并探讨了基因表达变异对图像纹理特征的影响 | 提出了一种基于PET的Attention-U Net网络进行分割，并结合PET和CT图像的联合模型，显著提高了对MMR和TP53基因表达的预测能力 | 研究为回顾性和探索性研究，样本量相对有限，且未涉及其他潜在影响基因表达的变量 | 开发自动化分割方法和放射组学模型，预测子宫内膜癌患者的基因表达 | 子宫内膜癌患者 | 数字病理 | 子宫内膜癌 | PET/CT成像，免疫组化分析 | Attention-U Net | 医学影像（PET/CT） | 123例用于分割模型开发，249例用于MMR预测，179例用于TP53预测 | NA | NA | NA | NA |
| 817 | 2025-06-09 |
Artificial intelligence-based detection of dens invaginatus in panoramic radiographs
2025-Jun-05, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-025-06317-3
PMID:40474238
|
research paper | 本研究旨在使用深度学习算法自动检测全景X光片中的牙齿内陷（DI），并比较不同算法的成功性 | 首次应用深度学习算法（YOLOv8、YOLOv9、Faster R-CNN）在全景X光片中自动检测牙齿内陷（DI） | 研究样本仅来自单一学院的数据库，可能缺乏多样性 | 自动检测牙齿内陷（DI）以提高诊断效率和准确性 | 400张包含牙齿内陷（DI）的全景X光片 | computer vision | dental disease | deep learning | YOLOv8, YOLOv9, Faster R-CNN | image | 400张全景X光片（60%训练，20%验证，20%测试） | NA | NA | NA | NA |
| 818 | 2025-06-09 |
Deep learning based rapid X-ray fluorescence signal extraction and image reconstruction for preclinical benchtop X-ray fluorescence computed tomography applications
2025-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03900-0
PMID:40467695
|
research paper | 提出了一种基于深度学习的端到端框架，用于快速X射线荧光信号提取和图像重建，以应用于临床前台式X射线荧光计算机断层扫描 | 整合了一维卷积神经网络（1D CNN）和U-Net模型，实现了XRF信号提取和XFCT图像重建的快速处理，显著减少了后处理时间 | 研究主要基于实验和合成数据，尚未在真实活体小鼠中进行广泛验证 | 解决台式X射线荧光计算机断层扫描（XFCT）在活体小鼠成像中的快速信号提取和图像重建问题 | 注射金纳米颗粒（GNPs）的活体小鼠的X射线荧光信号和图像 | digital pathology | NA | X-ray fluorescence computed tomography (XFCT) | 1D CNN, U-Net | X-ray fluorescence (XRF) signal, scatter photon spectra | 实验获取和增强的XRF/散射光子光谱数据，包括各种GNP浓度和成像场景的体模和合成小鼠模型 | NA | NA | NA | NA |
| 819 | 2025-06-09 |
Deep learning-assisted attribute prediction of chalcogenide glasses based on graph classification
2025-Jun-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-04391-9
PMID:40461539
|
研究论文 | 本文提出了一种基于图的深度学习方法，用于高效预测硫系玻璃的关键性能 | 采用基于图的深度学习方法，解决了传统机器学习方法在多性能协同优化方面的不足 | NA | 加速硫系玻璃的成分-结构-性能关系探索 | 硫系玻璃 | 材料科学 | NA | 深度学习 | 基于图的深度学习模型 | 实验数据 | 从SciGlass数据库中收集的相关数据 | NA | NA | NA | NA |
| 820 | 2025-06-09 |
Benchmarking the methods for predicting base pairs in RNA-RNA interactions
2025-Jun-02, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf289
PMID:40327448
|
research paper | 该研究评估了23种预测RNA-RNA相互作用中碱基对的方法，并发现基于深度学习的方法SPOT-RNA在零样本预测中表现优异 | 使用RNA三维复合物结构中的碱基对作为金标准基准，评估了包括深度学习方法在内的多种预测工具 | 实验确定的RNA-RNA相互作用在碱基对分辨率上仍具有挑战性 | 评估和比较不同计算工具在预测RNA-RNA相互作用中碱基对的性能 | RNA-RNA相互作用中的碱基对 | computational biology | NA | deep-learning, alignment-based methods, free-energy-based minimization | SPOT-RNA | RNA complex structures | 23种不同的预测方法 | NA | NA | NA | NA |