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
721	2025-07-20	From high-throughput evaluation to wet-lab studies: advancing mutation effect prediction with a retrieval-enhanced model 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf189 PMID:40662802	研究论文	介绍了一种名为VenusREM的检索增强蛋白质语言模型，用于预测突变效应，并在酶工程中验证其性能	VenusREM模型能够在空间和时间尺度上捕捉局部氨基酸相互作用，并在ProteinGym基准测试中达到最先进性能	仅对30多个突变体进行了低通量事后分析，样本量相对较小	开发一种高性能的计算工具，用于预测突变效应并优化酶的性能	蛋白质序列、结构和功能之间的关系，特别是VHH抗体和DNA聚合酶的突变体	机器学习	NA	深度学习，湿实验验证	检索增强蛋白质语言模型	蛋白质序列数据	217个ProteinGym基准测试，30多个突变体，10个DNA聚合酶新突变体
722	2025-07-20	TCR-epiDiff: solving dual challenges of TCR generation and binding prediction 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf202 PMID:40662810	研究论文	提出了一种基于扩散的深度学习模型TCR-epiDiff，用于生成特定于表位的TCR序列并预测TCR与表位的结合	结合ProtT5-XL嵌入表位信息，并利用去噪扩散概率模型生成序列，同时开发了TCR-表位结合预测器	未提及模型在更大规模数据集上的泛化能力或计算效率的具体限制	解决TCR生成和结合预测的双重挑战，以促进疫苗和免疫疗法的设计	T细胞受体（TCRs）及其与表位的结合	机器学习	NA	深度学习、扩散模型	去噪扩散概率模型、ProtT5-XL	序列数据	未明确提及具体样本量，但使用了外部验证数据集
723	2025-07-20	Accurate PROTAC-targeted degradation prediction with DegradeMaster 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf191 PMID:40662822	研究论文	本文提出了一种名为DegradeMaster的半监督E(3)-等变图神经网络预测器，用于预测PROTACs的靶向降解能力	DegradeMaster利用E(3)-等变图编码器将3D几何约束纳入分子表示，并采用基于记忆的伪标签策略在训练过程中丰富标注数据，同时设计了互注意力池化模块以实现可解释的图表示	NA	开发更准确的计算方法来预测PROTACs的靶向蛋白降解能力，以加速药物发现	PROTACs（蛋白降解靶向嵌合体）	机器学习	NA	E(3)-等变图神经网络	GNN（图神经网络）	3D分子图数据	NA
724	2025-07-20	DivPro: diverse protein sequence design with direct structure recovery guidance 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf258 PMID:40662823	研究论文	介绍了一种名为DivPro的模型，用于设计能够折叠成相似结构的多样化蛋白质序列	DivPro通过学习概率序列空间而非固定序列表示，提高了序列多样性，并结合蛋白质结构预测结果作为训练指导	在处理远程同源蛋白质时，现有方法的局限性更为明显	提高蛋白质序列设计的多样性，同时保持结构恢复的高准确性	蛋白质序列和结构	生物信息学	NA	深度学习，蛋白质结构预测	DivPro	蛋白质序列和结构数据	三个序列设计基准测试
725	2025-07-20	OrgNet: orientation-gnostic protein stability assessment using convolutional neural networks 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf252 PMID:40662839	研究论文	介绍了一种名为OrgNet的新型深度学习模型，用于预测点突变对蛋白质热稳定性的影响	OrgNet通过3D卷积神经网络和空间变换技术，解决了现有模型中存在的方向偏差问题，实现了对蛋白质热稳定性变化的高精度预测	未提及具体的数据集大小限制或模型在其他类型蛋白质上的泛化能力	准确预测单点突变对蛋白质稳定性的影响，以阐明疾病的分子机制并推动蛋白质工程技术发展	蛋白质结构和点突变	机器学习	NA	3D卷积神经网络	CNN	蛋白质结构数据（体素网格）	在Ssym和S669等基准数据集上进行了评估
726	2025-07-20	Harnessing deep learning for proteome-scale detection of amyloid signaling motifs 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf200 PMID:40662825	研究论文	本研究开发了基于双向LSTM和BERT的深度学习模型，用于检测淀粉样信号基序（ASMs）	开发了定制化的双向LSTM和BERT架构，用于建模ASMs，并在大规模数据集中检测ASMs，包括新发现的基序	ASMs的广泛多样性可能影响模型在未知家族中的检测效果	开发能够在大规模蛋白质数据库中检测淀粉样信号基序的判别模型	淀粉样信号基序（ASMs）	机器学习	NA	深度学习	双向LSTM, BERT	蛋白质序列数据	多样化的基序家族和全局负样本集
727	2025-07-20	The impact of uncertainty estimation on radiomic segmentation reproducibility and scan-rescan repeatability in kidney MRI 2025-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.17995 PMID:40665574	研究论文	本研究探讨了在肾脏MRI中，通过考虑分割不确定性来提高放射组学特征的再现性和重复性，并评估了基于不确定性信息的分割是否能改善健康与病理受试者的分类	首次将不确定性量化整合到基于深度学习的放射组学分割中，以提高特征的稳健性和分类性能	不同方法和受试者群体中，关于分割变异性的再现性改进并不一致	提高放射组学分析在分割和扫描-重扫描变异性中的稳健性，并改善病理与健康受试者的分类能力	慢性肾脏病（CKD）患者和健康对照（HC）的肾脏MRI数据	数字病理	慢性肾脏病	MRI	U-Net, Monte Carlo dropout (MCD), test-time augmentation (TTA)	图像	公开可用的肾脏MRI数据集，包含CKD患者和健康对照
728	2025-07-20	Joint enhancement of automatic chest x-ray diagnosis and radiological gaze prediction with multistage cooperative learning 2025-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.17977 PMID:40665596	research paper	提出一种新型深度学习框架，用于联合胸部X光扫描的疾病诊断和放射科医生凝视显著性图预测	引入双编码器多任务UNet架构，结合DenseNet201和残差与Squeeze-and-Excitation块编码器，提出多阶段协作学习策略和对比学习特征编码预训练	未明确说明模型在多样化数据集上的泛化能力及临床部署的可行性	提升自动放射诊断质量并预测放射科医生凝视模式	胸部X光扫描图像及对应放射科医生眼动数据	digital pathology	lung cancer	deep learning	dual-encoder multitask UNet (DenseNet201 + Residual and Squeeze-and-Excitation blocks)	medical images (chest X-ray) + eye gaze tracking data	NA
729	2025-07-20	EUP: Enhanced cross-species prediction of ubiquitination sites via a conditional variational autoencoder network based on ESM2 2025-Jul, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013268 PMID:40668800	research paper	该论文介绍了一个名为EUP的在线网络服务器，用于多物种泛素化位点预测和模型解释	利用预训练语言模型ESM2提取赖氨酸位点依赖特征，并通过条件变分推断降低特征维度，提高了跨物种泛素化位点预测的性能和解释性	未提及具体的数据集大小或模型在极端情况下的表现	提高跨物种泛素化位点预测的准确性和解释性	动物、植物和微生物中的泛素化位点	machine learning	NA	conditional variational autoencoder	ESM2	protein sequences	NA
730	2025-07-19	Recognition and classification of facial expression using artificial intelligence as a key of early detection in neurological disorders 2025-Jul-28, Reviews in the neurosciences IF:3.4Q2 DOI:10.1515/revneuro-2024-0125 PMID:39829206	综述	本文综述了人工智能在面部表情识别与分类中的应用，及其在神经退行性疾病早期检测中的潜力	探讨了AI技术（如深度学习和计算机视觉）在识别与神经退行性疾病相关的微妙面部表情变化中的创新应用	面临技术挑战和伦理考量，且尚未广泛应用于临床实践	评估AI驱动的面部表情分析在神经退行性疾病早期检测和监测中的应用	神经退行性疾病（如阿尔茨海默病和帕金森病）患者的面部表情	计算机视觉	神经退行性疾病	深度学习和计算机视觉	深度学习模型	图像	NA
731	2025-07-19	Clinical Translation of Integrated PET-MRI for Neurodegenerative Disease 2025-Jul-18, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.70046 PMID:40679171	综述	本文综述了集成PET-MRI在神经退行性疾病临床实践和研究中的最新技术进展及其应用	介绍了MRI为基础的衰减校正和运动校正技术，以及深度学习在PET和MRI数据分析中的应用	证据等级为5，技术效能为阶段3，表明仍需更多临床验证	探讨集成PET-MRI在神经退行性疾病诊断和研究中的应用及其技术进展	阿尔茨海默病及其他痴呆症患者	数字病理学	神经退行性疾病	PET-MRI, 深度学习	NA	图像	NA
732	2025-07-19	Investigating brain tumor classification using MRI: a scientometric analysis of selected articles from 2015 to 2024 2025-Jul-18, Neuroradiology IF:2.4Q2 DOI:10.1007/s00234-025-03685-z PMID:40679613	研究论文	本文通过科学计量学方法研究了2015年至2024年间基于MRI的脑肿瘤分类研究	首次对2015年至2024年间基于MRI的脑肿瘤分类研究进行全面的科学计量分析	仅分析了Scopus数据库中的348篇同行评审文章，可能存在数据覆盖不全的问题	调查基于MRI的脑肿瘤分类研究现状和发展趋势	348篇同行评审文章	数字病理学	脑肿瘤	MRI	深度学习	图像	348篇论文
733	2025-07-19	Deep learning reconstruction for improving image quality of pediatric abdomen MRI using a 3D T1 fast spoiled gradient echo acquisition 2025-Jul-18, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-025-06313-3 PMID:40679617	research paper	该研究比较了传统重建方法和基于深度学习算法的原型重建方法在儿科腹部MRI图像质量上的差异	首次在儿科患者中应用深度学习重建方法改进腹部MRI图像质量	研究样本量较小（38例患者），且为回顾性研究	评估深度学习重建方法在儿科腹部MRI中的应用效果	儿科患者（年龄<18岁）的腹部MRI图像	医学影像分析	儿科疾病	3D T1快速扰相梯度回波采集（SPGR）	深度学习（AIR™ Recon DL）	MRI图像	38例儿科患者（23名男性，平均年龄8.6±5.7岁）
734	2025-07-19	Deep learning-based automatic detection of pancreatic ductal adenocarcinoma ≤ 2 cm with high-resolution computed tomography: impact of the combination of tumor mass detection and indirect indicator evaluation 2025-Jul-18, Japanese journal of radiology IF:2.9Q2 DOI:10.1007/s11604-025-01836-z PMID:40679757	research paper	本研究评估了三维卷积神经网络在自动检测小型胰腺导管腺癌（PDAC）中的诊断性能，结合了自动肿瘤质量检测和间接指标评估	结合肿瘤质量检测和间接指标（D/P比值）评估，提高了小型PDAC的检测准确性	研究样本量较小，且仅使用了高分辨率CT扫描数据	提高小型胰腺导管腺癌（PDAC）的自动检测准确性	181名PDAC患者和104名正常对照的高分辨率CT扫描数据	digital pathology	pancreatic cancer	high-resolution contrast-enhanced computed tomography (CT)	3D CNN	image	181名PDAC患者和104名正常对照
735	2025-07-19	Deep learning reconstruction enhances image quality in contrast-enhanced CT venography for deep vein thrombosis 2025-Jul-18, Emergency radiology IF:1.7Q3 DOI:10.1007/s10140-025-02366-x PMID:40679754	research paper	本研究评估并比较了深度学习重建（DLR）、混合迭代重建（Hybrid IR）和滤波反投影（FBP）在深静脉血栓（DVT）对比增强CT静脉造影中的诊断性能和图像质量	首次在DVT的CT静脉造影中应用DLR，并证明其在提高图像质量和解剖清晰度方面的优越性	样本量较小（51例患者），且为回顾性研究	评估和比较不同图像重建方法在DVT诊断中的效果	51例接受下肢CT静脉造影的患者（20例有DVT病变，31例无DVT病变）	digital pathology	cardiovascular disease	contrast-enhanced CT venography	deep learning reconstruction (DLR)	image	51例患者（20例DVT患者和31例非DVT患者）
736	2025-07-19	AI Prognostication in Nonsmall Cell Lung Cancer: A Systematic Review 2025-Jul-18, American journal of clinical oncology DOI:10.1097/COC.0000000000001238 PMID:40679809	系统综述	本文对人工智能（AI）算法在非小细胞肺癌（NSCLC）预后预测中的应用进行了系统性文献综述	比较了不同类型AI（如机器学习和深度学习）在NSCLC预后预测中的表现，并展示了深度学习相对于传统预后技术（如TNM分期）的优越性	需要进一步通过设计良好的临床试验进行彻底验证，才能完全应用于临床实践	评估AI在NSCLC预后预测中的应用效果	非小细胞肺癌（NSCLC）患者	数字病理学	肺癌	机器学习（ML）、深度学习（DL）	NA	组织学数据、遗传数据、CT、PET、MR影像	初始数据库3880项结果，筛选后纳入309项研究
737	2025-07-19	M4CEA: A Knowledge-guided Foundation Model for Childhood Epilepsy Analysis 2025-Jul-17, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3590463 PMID:40674185	研究论文	本文提出了一种知识引导的基础模型M4CEA，用于儿童癫痫分析的多任务处理	使用知识引导的掩码策略和时间编码器的时间嵌入，有效捕捉儿童EEG信号的多域表示	模型在特定任务上的性能可能依赖于预训练数据的质量和多样性	构建一个具有强泛化能力的基础模型，用于儿童癫痫的多任务分析	儿童癫痫患者的EEG信号	医疗分析	儿童癫痫	EEG信号分析	基础模型（Foundation Model）	EEG信号	超过1,000小时的儿童EEG记录
738	2025-07-19	BDEC: Brain Deep Embedded Clustering Model for Resting State fMRI Group-Level Parcellation of the Human Cerebral Cortex 2025-Jul-17, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3590258 PMID:40674200	研究论文	开发了一种基于深度学习的静息态功能磁共振成像(rs-fMRI)的群体水平大脑分区方法BDEC	BDEC模型采用设计损失函数以最大化类间分离和增强类内相似性，促进功能一致大脑区域的形成	NA	开发一种鲁棒的群体水平大脑分区方法	人类大脑皮层	数字病理学	NA	rs-fMRI	BDEC (Brain Deep Embedded Clustering)	功能磁共振成像数据	NA
739	2025-07-19	Automatic selection of optimal TI for flow-independent dark-blood delayed-enhancement MRI 2025-Jul-17, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30632 PMID:40674608	研究论文	提出并评估一种自动预测流独立暗血延迟增强（FIDDLE）采集最佳反转时间（TI）的方法	利用深度学习网络分割心肌和血池，并通过对数拟合确定T1恢复曲线，自动预测最佳TI	仅在3T和1.5T扫描仪上进行了评估，样本量有限	优化流独立暗血延迟增强（FIDDLE）采集的最佳反转时间（TI）预测	267名患者的TI-scout图像	医学影像	心血管疾病	MRI，深度学习	深度学习网络	图像	267名患者，64名临床受试者评估
740	2025-07-19	Deep Learning-Based Precision Cropping of Eye Regions in Strabismus Photographs: Algorithm Development and Validation Study for Workflow Optimization 2025-Jul-17, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/74402 PMID:40674714	研究论文	本研究开发了一种基于深度学习的预处理算法，用于自动裁剪斜视照片中的眼部区域，以提高临床工作流程和AI数据预处理的准确性和效率	提出了一种基于旋转边界框检测框架的预处理算法，能够自动校正头部倾斜，显著提高了图像质量和处理效率	研究主要针对斜视患者，可能不适用于其他眼部疾病	优化眼部区域裁剪的准确性和标准化，以支持AI模型开发和临床应用	斜视患者的眼部照片	计算机视觉	斜视	深度学习	faster R-CNN, 视觉变换器	图像	5832张图像，来自648名住院和门诊患者，以及500张来自IMDB-WIKI的外部数据集