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 1872 篇文献，本页显示第 321 - 340 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 321 | 2025-12-03 |
Leveraging Swin Transformer for enhanced diagnosis of Alzheimer's disease using multi-shell diffusion MRI
2025-Jul-14, ArXiv
PMID:40709302
|
研究论文 | 本研究利用基于Swin Transformer的深度学习框架，结合多壳层扩散MRI数据，旨在支持阿尔茨海默病的早期诊断和淀粉样蛋白积累的检测 | 首次将Swin Transformer应用于多壳层扩散MRI数据，并集成低秩适应技术以在有限标记神经影像数据上高效微调模型 | 研究在数据有限的生物医学环境中进行，可能影响模型的泛化能力 | 支持阿尔茨海默病的早期诊断和淀粉样蛋白积累的检测 | 阿尔茨海默病患者、轻度认知障碍患者和认知正常个体 | 计算机视觉 | 阿尔茨海默病 | 多壳层扩散MRI | Transformer | 图像 | 未明确说明具体样本数量 | PyTorch | Swin Transformer | 平衡准确率 | NA |
| 322 | 2025-12-01 |
An automated ATAC-seq method reveals sequence determinants of transcription factor dose response in the open chromatin
2025-Jul-27, bioRxiv : the preprint server for biology
DOI:10.1101/2025.07.24.666684
PMID:40777328
|
研究论文 | 开发自动化ATAC-seq平台RoboATAC，系统研究转录因子剂量对染色质可及性的定量影响 | 首次建立可扩展的自动化ATAC-seq平台，系统分析22种转录因子的剂量梯度对染色质可及性的定量影响，发现DNA序列可独立预测剂量敏感性 | 研究仅限于HEK293T细胞系，未在其他细胞类型中验证 | 揭示转录因子剂量与染色质可及性之间的定量关系 | HEK293T细胞中的22种转录因子 | 基因组学 | NA | ATAC-seq, 深度学习 | 深度学习模型 | 基因组测序数据 | 246个样本（22种TF的梯度过表达） | NA | NA | NA | NA |
| 323 | 2025-11-30 |
Sidechain conditioning and modeling for full-atom protein sequence design with FAMPNN
2025-Jul, Proceedings of machine learning research
PMID:41307002
|
研究论文 | 提出FAMPNN方法，在蛋白质序列设计中同时建模序列身份和侧链构象 | 首次在固定骨架蛋白质序列设计中显式建模侧链构象，通过联合分类交叉熵和扩散损失目标学习氨基酸身份和侧链构象的分布 | NA | 开发能够同时优化蛋白质序列和侧链构象的深度学习方法 | 蛋白质序列和三维结构 | 计算生物学 | NA | 深度学习 | 图神经网络 | 蛋白质结构数据 | NA | NA | MPNN（消息传递神经网络） | 序列恢复率，侧链包装精度，结合和稳定性预测 | NA |
| 324 | 2025-11-28 |
An ensemble deep learning model for author identification through multiple features
2025-Jul-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-11596-5
PMID:40691694
|
研究论文 | 提出一种结合多种特征的自注意力加权集成深度学习框架，用于提高作者身份识别的准确性和稳定性 | 通过自注意力机制智能整合多种写作风格特征表示，动态学习不同类型特征的重要性 | 仅在包含4位和30位作者的数据集上测试，未验证在大规模作者群体上的性能 | 提高自然语言处理中作者身份识别的准确性和鲁棒性 | 文本作者身份识别 | 自然语言处理 | NA | TF-IDF, Word2Vec | CNN, 自注意力机制 | 文本 | 两个数据集：数据集A（4位作者）和数据集B（30位作者） | NA | 卷积神经网络, 自注意力加权集成框架 | 准确率 | NA |
| 325 | 2025-11-28 |
Transformer-Based Decomposition of Electrodermal Activity for Real-World Mental Health Applications
2025-Jul-15, Sensors (Basel, Switzerland)
DOI:10.3390/s25144406
PMID:40732534
|
研究论文 | 本研究提出了一种基于Transformer架构的EDA信号分解方法，用于分离皮肤电活动的相位和紧张成分 | 首次将Transformer架构应用于EDA信号分解，设计了具有池化和趋势去除机制的无监督分解模型 | 未明确说明模型在极端噪声条件下的性能表现和计算效率 | 开发适用于真实世界数据的EDA信号分解方法，用于心理健康应用 | 皮肤电活动信号 | 机器学习 | 心理健康 | 皮肤电活动信号采集 | Transformer | 生物信号时间序列数据 | NA | PyTorch或TensorFlow（未明确指定） | Autoformer | SCR频率、SCR幅度、紧张斜率 | NA |
| 326 | 2025-11-25 |
RAPID-Net: Accurate Pocket Identification for Binding-Site-Agnostic Docking
2025-Jul-23, ArXiv
PMID:39975446
|
研究论文 | 提出RAPID-Net深度学习算法，用于精确预测结合口袋并实现与分子对接流程的无缝集成 | 开发了轻量级推理算法，在保持竞争力的准确度同时实现可扩展性，能识别远端功能位点为变构抑制剂设计提供新机会 | 姿态排序而非采样是主要精度瓶颈，在部分测试场景中性能仍低于AlphaFold 3 | 开发用于药物设计的结合口袋精确识别算法 | 蛋白质结合口袋和配体对接 | 计算生物学 | 传染病（如COVID-19） | 深度学习 | 深度学习网络 | 蛋白质结构数据 | PoseBusters基准测试数据集 | NA | RAPID-Net | RMSD, PoseBusters化学有效性标准, Top-1姿态准确率, 口袋-配体交集率 | NA |
| 327 | 2025-11-25 |
Report on the quantitative intra-voxel incoherent motion diffusion MRI reconstruction grand challenge
2025-Jul, Medical physics
IF:3.2Q1
DOI:10.1002/mp.17998
PMID:40665555
|
研究报告 | 介绍2024年体素内不相干运动扩散MRI重建挑战赛的结果和发现 | 首次组织针对IVIM-dMRI定量重建算法的基准测试挑战赛，采用真实数字体模模拟数据 | 基于模拟数据的方法虽然提供了受控环境，但需要解决真实世界的复杂性以确保临床适用性 | 评估和推进从扩散MRI数据提取定量组织参数的重建算法 | 体素内不相干运动扩散MRI数据 | 医学影像 | NA | 扩散MRI，体素内不相干运动模型 | 深度学习，传统优化方法 | 模拟k空间数据 | 42个团队参与，7个进入最终阶段 | NA | 级联U-Net | 相对均方根误差 | NA |
| 328 | 2025-11-23 |
Deep learning-based EEG source imaging is robust under varying electrode configurations
2025-Jul, Clinical neurophysiology : official journal of the International Federation of Clinical Neurophysiology
IF:3.7Q2
DOI:10.1016/j.clinph.2025.04.009
PMID:40318257
|
研究论文 | 本研究验证了基于深度学习的脑电源成像方法DeepSIF在不同电极配置下的鲁棒性能 | 首次系统评估深度学习脑电源成像方法在不同电极密度下的性能表现，证明其在低密度EEG下的有效性 | 研究样本量有限，仅包含27名耐药性癫痫患者 | 评估电极数量对深度学习脑电源成像性能的影响 | 计算机模拟数据和27名耐药性癫痫患者的临床数据 | 脑机接口, 生物医学工程 | 癫痫 | 脑电图(EEG), 源成像 | 深度学习 | 脑电信号 | 27名耐药性癫痫患者 | NA | DeepSIF | 空间离散度 | NA |
| 329 | 2025-11-23 |
Artificial intelligence-based parotid contouring for radiation oncology in head and neck cancers
2025-Jul-01, Indian journal of cancer
IF:0.9Q4
DOI:10.4103/ijc.ijc_473_23
PMID:41272860
|
研究论文 | 本研究开发了一种基于人工智能的自动腮腺轮廓分割方法，用于头颈癌放射治疗规划 | 采用U-Net架构实现腮腺自动轮廓分割，提高治疗规划的精确性和效率 | 仅使用20个匿名CT数据集，样本量较小 | 开发自动腮腺轮廓分割算法以改进头颈癌放射治疗规划 | 头颈癌患者的腮腺器官 | 数字病理 | 头颈癌 | CT扫描 | CNN | 医学图像 | 20个匿名CT数据集 | NA | U-Net | 准确率,精确率,召回率,损失函数,交并比 | NA |
| 330 | 2025-11-21 |
Parasitic diagnosis: A journey from basic microscopy to cutting-edge technology
2025 Jul-Dec, Tropical parasitology
DOI:10.4103/tp.tp_61_24
PMID:41244084
|
综述 | 本文综述了寄生虫诊断技术从基础显微镜到现代人工智能的发展历程 | 系统梳理了寄生虫诊断技术的演进，特别强调了人工智能和卷积神经网络在提升诊断准确性和效率方面的革命性作用 | 面临数据集多样性不足和低收入地区基础设施支持有限的挑战 | 改善寄生虫感染诊断方法以应对全球公共卫生挑战 | 寄生虫感染及其诊断技术 | 数字病理 | 寄生虫感染 | 显微镜检查、血清学诊断、ELISA、免疫印迹、PCR、多重检测、下一代测序 | CNN | 图像、分子数据 | NA | NA | NA | 灵敏度、特异性、准确性、效率 | NA |
| 331 | 2025-11-18 |
Benchmarking and Explaining Deep Learning Cortical Lesion MRI Segmentation in Multiple Sclerosis
2025-Jul-16, ArXiv
PMID:40969490
|
研究论文 | 提出一个用于多发性硬化症皮质病变MRI分割的深度学习基准测试框架 | 首次建立多中心皮质病变检测与分割基准，提出针对皮质病变检测优化的nnU-Net改进方案，并进行模型决策解释分析 | 数据来自四个机构，虽然多样化但仍可能存在泛化限制，病变模糊性和协议差异可能影响模型性能 | 开发标准化自动方法用于多发性硬化症皮质病变的MRI检测和分割 | 多发性硬化症患者的皮质病变 | 医学影像分析 | 多发性硬化症 | MRI, MP2RAGE, MPRAGE序列 | 深度学习 | MRI图像 | 656个MRI扫描，来自四个机构的临床试验和研究数据 | nnU-Net | nnU-Net | F1-score | NA |
| 332 | 2025-11-14 |
Surrogate modeling of Cellular-Potts Agent-Based Models as a segmentation task using the U-Net neural network architecture
2025-Jul-27, ArXiv
PMID:40386573
|
研究论文 | 本研究开发了基于U-Net架构的卷积神经网络替代模型，用于加速细胞-波特斯模型的仿真计算 | 首次将细胞-波特斯模型的替代建模构建为分割任务，并采用考虑周期性边界条件的U-Net架构 | 模型仅针对血管生成特定场景进行验证，通用性有待进一步测试 | 开发深度学习替代模型以加速计算密集的细胞-波特斯模型仿真 | 血管生成过程中的血管发芽、延伸、吻合和血管腔隙收缩等涌现行为 | 计算生物学 | 血管生成相关疾病 | 细胞-波特斯模型，偏微分方程 | CNN | 仿真数据 | NA | NA | U-Net | 仿真加速倍数 | NA |
| 333 | 2025-05-10 |
Deep learning model to identify and validate hypotension endotypes in surgical and critically ill patients. Comment on Br J Anaesth 2025; 134: 308-16
2025-Jul, British journal of anaesthesia
IF:9.1Q1
DOI:10.1016/j.bja.2025.03.025
PMID:40340157
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 334 | 2025-11-14 |
Retraction notice to "EnergyShare AI: Transforming P2P energy trading through advanced deep learning" [Heliyon 10 (2024) e36948]
2025-Jul, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2025.e43543
PMID:41216546
|
撤稿通知 | 这是一篇关于《EnergyShare AI: Transforming P2P energy trading through advanced deep learning》文章的正式撤稿声明 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 335 | 2025-11-09 |
Cross-level Cross-Scale Inference and Imputation of Single-cell Spatial Proteomics
2025-Jul-28, Research square
DOI:10.21203/rs.3.rs-7108570/v1
PMID:40766228
|
研究论文 | 提出scProSpatial深度学习框架，从单细胞RNA测序数据推断和填补高保真单细胞空间蛋白质组学数据 | 开发首个统一的多模态多尺度深度学习框架，能够在缺乏共享转录组特征的情况下准确预测蛋白质空间丰度，将蛋白质覆盖度提升50倍 | 未明确说明模型在更广泛生物系统中的泛化能力限制 | 解决跨生物层级和尺度的分子驱动因子识别及其相互作用分析的挑战 | 单细胞空间蛋白质组学数据 | 计算生物学 | 转移性乳腺癌 | scRNA-seq, 空间蛋白质组学 | 深度学习 | 单细胞RNA测序数据, 空间蛋白质组数据 | NA | NA | NA | 蛋白质空间丰度预测准确度, 分布外泛化能力 | NA |
| 336 | 2025-11-08 |
Integrated machine learning and deep learning-based virtual screening framework identifies novel natural GSK-3β inhibitors for Alzheimer's disease
2025-Jul-16, Journal of computer-aided molecular design
IF:3.0Q2
DOI:10.1007/s10822-025-00637-w
PMID:40668407
|
研究论文 | 开发集成机器学习和深度学习的虚拟筛选框架，从天然产物中识别新型GSK-3β抑制剂用于阿尔茨海默病治疗 | 结合可解释随机森林模型与深度学习分子对接平台的两阶段虚拟筛选框架，通过SHAP分析增强模型可解释性 | 当前发现仅限于计算研究，需要未来实验验证 | 识别新型天然GSK-3β抑制剂用于阿尔茨海默病治疗 | 天然化合物库中的GSK-3β抑制剂 | 机器学习, 深度学习 | 阿尔茨海默病 | 虚拟筛选, 分子对接, 药效团建模, 分子动力学模拟 | 随机森林, 深度学习 | 分子结构数据 | 25,000个天然化合物 | KarmaDock | 随机森林 | AUC, NEF% | NA |
| 337 | 2025-11-08 |
CoBdock-2: enhancing blind docking performance through hybrid feature selection combining ensemble and multimodel feature selection approaches
2025-Jul-13, Journal of computer-aided molecular design
IF:3.0Q2
DOI:10.1007/s10822-025-00629-w
PMID:40652425
|
研究论文 | 开发了一种基于机器学习的盲对接方法CoBDock-2，通过混合特征选择策略提升结合位点和配体姿态预测性能 | 采用集成和多模型混合特征选择方法，从9598个特征中识别关键分子特征，替代传统对接工具 | 与基于深度学习的对接方法比较仅进行了低偏差假设性对比 | 提升虚拟筛选中的盲对接性能，准确识别正构结合位点和预测小分子亲和力 | 蛋白质-配体复合物 | 计算生物学 | NA | 分子对接，腔体检测，特征选择 | 机器学习 | 蛋白质结构，配体结构，相互作用特征 | 多个基准数据集（PDBBind v2020-general，MTi，ADS，DUD-E，CASF-2016） | NA | NA | 结合位点识别准确率，配体姿态预测准确率，平均距离减少，平均姿态RMSD减少 | NA |
| 338 | 2025-11-07 |
[A deep learning method for differentiating nasopharyngeal carcinoma and lymphoma based on MRI]
2025-Jul, Lin chuang er bi yan hou tou jing wai ke za zhi = Journal of clinical otorhinolaryngology head and neck surgery
|
研究论文 | 开发基于常规MRI的深度学习模型，用于鼻咽癌和鼻咽淋巴瘤的自动分割与鉴别诊断 | 首次将预训练ResNet101模型应用于鼻咽癌与淋巴瘤的MRI影像鉴别诊断，并采用多序列图像组合策略提升性能 | 回顾性研究，样本量有限（434例），仅使用单一医疗机构数据 | 建立基于MRI的自动分割和鉴别诊断模型 | 鼻咽癌和鼻咽淋巴瘤患者 | 医学影像分析 | 鼻咽癌, 淋巴瘤 | MRI（T1WI, T2WI, T1CE） | CNN | 医学影像 | 434例患者（142例淋巴瘤，292例鼻咽癌） | PyTorch/TensorFlow（未明确指定） | ResNet101 | Dice系数, AUC | NA |
| 339 | 2025-11-05 |
Multimodal deep learning integration of cryo-EM and AlphaFold3 for high-accuracy protein structure determination
2025-Jul-03, bioRxiv : the preprint server for biology
DOI:10.1101/2025.07.03.663071
PMID:40631196
|
研究论文 | 提出一种融合冷冻电镜和AlphaFold3的多模态深度学习方法MICA，用于高精度蛋白质结构测定 | 在输入和输出层面同时整合冷冻电镜密度图和AlphaFold3预测结构，实现全自动多模态蛋白质结构建模 | NA | 提高从冷冻电镜密度图自动构建蛋白质结构的准确性和完整性 | 蛋白质结构，特别是大型蛋白质复合物 | 计算生物学 | NA | 冷冻电镜(cryo-EM)，深度学习 | 多任务编码器-解码器架构 | 冷冻电镜密度图，AlphaFold3预测结构 | NA | NA | 特征金字塔网络 | 模板建模得分(TM-score) | NA |
| 340 | 2025-11-04 |
OpenSpliceAI: An efficient, modular implementation of SpliceAI enabling easy retraining on non-human species
2025-Jul-11, bioRxiv : the preprint server for biology
DOI:10.1101/2025.03.20.644351
PMID:40166201
|
研究论文 | 开发了一个高效、模块化的开源SpliceAI实现OpenSpliceAI，支持跨物种剪接信号识别 | 使用PyTorch重新实现SpliceAI，支持从头训练和迁移学习，解决了原版对人类中心训练数据的依赖 | NA | 开发一个可训练、高效的剪接信号识别深度学习系统 | DNA序列中的剪接信号 | 机器学习 | NA | 深度学习 | 深度学习模型 | DNA序列数据 | NA | PyTorch | SpliceAI | 处理速度，内存使用量，模型一致性 | 单GPU |