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
21	2025-05-25	Deep learning models link local cellular features with whole-animal growth dynamics in zebrafish 2025-Aug, Life science alliance IF:3.3Q1 DOI:10.26508/lsa.202503319 PMID:40399066	research paper	该研究通过深度学习模型将斑马鱼幼虫的皮肤细胞图像与整体生长动态联系起来	首次证明仅需少量皮肤细胞图像即可预测斑马鱼的整体大小，并识别出影响模型决策的细胞特征	研究仅针对斑马鱼幼虫，尚未验证在其他生物或发育阶段的适用性	探索微观细胞特征与宏观动物生长状态之间的关联	斑马鱼幼虫的皮肤细胞	computer vision	NA	深度学习	Vision Transformer (ViT), Grad-CAM	image	722张皮肤细胞图像及对应的斑马鱼幼虫大小数据
22	2025-05-24	Label-free rapid diagnosis of jaw osteonecrosis via the intersection of Raman spectroscopy and deep learning 2025-Aug, Bone IF:3.5Q2 DOI:10.1016/j.bone.2025.117510 PMID:40320103	research paper	该研究通过结合拉曼光谱和深度学习技术，建立了一个无标记、快速诊断颌骨坏死的方法	结合拉曼光谱和ResNet18深度学习模型，显著提高了颌骨坏死的诊断准确率	样本量较小（90个骨组织样本），且仅针对特定类型的颌骨坏死	建立一种精确高效的诊断框架，用于区分药物相关性颌骨坏死、放射性颌骨坏死和正常骨组织	90个骨组织样本（30个MRONJ，30个ORN，30个对照）	digital pathology	jaw osteonecrosis	Raman spectroscopy	ResNet18	spectral data	90个骨组织样本（30 MRONJ，30 ORN，30对照），共采集900个光谱
23	2025-05-19	A high-throughput framework for predicting three-dimensional structural-mechanical relationships of human cranial bones using a deep learning-based method 2025-Aug, Journal of the mechanical behavior of biomedical materials IF:3.3Q3 DOI:10.1016/j.jmbbm.2025.107007 PMID:40328110	research paper	本研究提出了一种基于深度学习的高通量框架，用于预测人类颅骨的三维结构-力学关系	首次使用深度学习框架直接关联三维颅骨微观结构与宏观力学响应，克服了以往1D或2D方法的局限性	研究样本量相对有限（40个颅骨样本），且年龄分布集中在老年人群（平均82.5岁）	建立颅骨微观结构与宏观力学性能之间的关系模型，提高颅骨损伤诊断准确性	人类颅骨样本及其三维微观结构和力学响应	digital pathology	NA	micro-CT扫描，有限元模拟，准静态压缩实验	优化后的U-Net网络	三维医学影像数据	40个人类颅骨样本（平均年龄82.5岁），从中提取2000个代表性体积单元（RVE）
24	2025-05-15	Fingerprinting of Boletus bainiugan: FT-NIR spectroscopy combined with machine learning a new workflow for storage period identification 2025-Aug, Food microbiology IF:4.5Q1 DOI:10.1016/j.fm.2025.104743 PMID:40086983	研究论文	本研究通过FT-NIR光谱结合机器学习方法，开发了一种用于鉴定牛肝菌储存期的新工作流程	结合FT-NIR光谱与机器学习（特别是CNN和BPNN模型）来鉴定牛肝菌的储存时间，并首次应用DD-SIMCA模型完全区分新旧样品	研究仅分析了储存0、1和2年的样品，未涵盖更长的储存期	开发一种低成本、用户友好的方法，实时确定供应链中牛肝菌的储存期	牛肝菌（Boletus bainiugan）	机器学习	NA	高效液相色谱（HPLC）、傅里叶变换近红外光谱（FT-NIR）	CNN、BPNN、DD-SIMCA、PLSR	光谱数据	831份牛肝菌样品（储存0、1和2年）
25	2025-05-14	A comprehensive review of computational methods for Protein-DNA binding site prediction 2025-Aug, Analytical biochemistry IF:2.6Q2 DOI:10.1016/j.ab.2025.115862 PMID:40209920	review	本文全面回顾了蛋白质-DNA结合位点预测的计算方法	对14种最先进的DNA结合位点预测模型进行了基准测试，并展示了深度学习方法，特别是基于预训练大型语言模型的方法，优于其他两类方法	未提及具体方法的局限性	开发高效且准确的DNA结合位点预测计算方法	蛋白质-DNA结合位点	computational biology	NA	template detection, statistical machine learning, deep learning	pre-trained large language model	protein sequences	136 non-redundant proteins
26	2025-05-12	Stacked long and short-term memory (SLSTM) - assisted terahertz spectroscopy combined with permutation importance for rapid red wine varietal identification 2025-Aug-15, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.127650 PMID:40037161	research paper	该研究利用太赫兹时域光谱结合深度学习技术，快速无损地区分不同品种的红酒，以正确识别红酒标签	采用堆叠长短时记忆（SLSTM）模型结合排列重要性进行特征选择，提高了红酒品种识别的准确性和效率	基于排列重要性的1-st der-SLSTM模型在精度上略低于全频率模型，预测时间减少了2秒	开发一种快速、准确且无损的红酒品种鉴别技术，以维护市场秩序和消费者权益	不同品种的红酒	machine learning	NA	太赫兹时域光谱（THz-TDS）	SLSTM	光谱数据	NA
27	2025-05-12	Intelligent characterization multi-components in Yangxinshi tablet by online comprehensive two-dimensional liquid chromatography-quadrupole time-of-flight mass spectrometry combined with deep learning-assisted mass defect filtering classification and multidimensional data annotation strategy 2025-Aug-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.127821 PMID:40020613	研究论文	建立了一种用于养心氏片中多种化学成分智能分析的全面表征策略	开发了深度学习辅助质量缺陷过滤智能分类、优选离子捕获列表和主动排除（DLA-MDF-PIL-AE）数据采集模式	未明确提及具体限制	开发一种用于复杂天然产物中多种成分表征的集成策略	养心氏片中的化学成分	质谱分析与深度学习	NA	在线综合二维液相色谱-四极杆飞行时间质谱（2DLC-Q-TOF-MS/MS）	深度学习	质谱数据	228种化合物（包括80种黄酮类、52种生物碱、36种酚酸、15种萜类、17种皂苷和28种其他化合物）
28	2025-05-08	Aflatoxin detection in naturally contaminated peanuts based on vision transformer and multi-scale convolutional fusion 2025-Aug-15, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.144300 PMID:40220445	research paper	提出了一种结合Vision Transformer和多尺度卷积融合的改进1D-MCFViT模型，用于自然条件下花生中黄曲霉毒素的检测	结合Vision Transformer和多尺度卷积融合，使用自编码器网络和高斯重采样技术增强模型特征判别能力	未提及具体样本量或实验条件的局限性	提高自然条件下花生中黄曲霉毒素的检测准确率	自然污染的花生	computer vision	NA	autoencoder network, Gaussian resampling	1D-MCFViT, Vision Transformer, CNN	RGB图像, 光谱曲线	NA
29	2025-05-08	From prediction to design: Revealing the mechanisms of umami peptides using interpretable deep learning, quantum chemical simulations, and module substitution 2025-Aug-15, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.144301 PMID:40233511	研究论文	本研究利用深度学习模型和模块替换策略筛选和设计鲜味肽	结合预训练、增强特征和对比学习模块的预测模型，准确率达到0.94，比其他模型高出2-9%，并通过模块替换策略揭示鲜味肽的机制	NA	快速筛选和设计鲜味肽，并揭示其机制	鲜味肽	自然语言处理	NA	深度学习、量子化学模拟、模块替换	深度学习模型	NA	NA
30	2025-05-06	Physically grounded deep learning-enabled gold nanoparticle localization and quantification in photonic resonator absorption microscopy for digital resolution molecular diagnostics 2025-Aug-01, Biosensors & bioelectronics IF:10.7Q1 DOI:10.1016/j.bios.2025.117455 PMID:40233489	research paper	介绍了一种基于深度学习的LOCA-PRAM方法，用于在光子共振吸收显微镜中实现金纳米颗粒的数字化分辨率检测	结合深度学习与光子共振吸收显微镜，通过金纳米颗粒作为分子标签实现数字化分辨率检测，无需样品分区或酶扩增	未明确提及方法的局限性	实现数字化分辨率的分子生物标志物检测，用于疾病诊断和治疗研究	金纳米颗粒（AuNPs）作为分子标签	digital pathology	NA	Photonic Resonator Absorption Microscopy (PRAM), Scanning Electron Microscopy (SEM)	deep learning	image	未明确提及样本数量
31	2025-05-03	Robust DEEP heterogeneous ensemble and META-learning for honey authentication 2025-Aug-01, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.144001 PMID:40184746	研究论文	本研究提出了一种结合多种分析技术和深度学习模型的新框架，用于区分纯蜂蜜与掺假蜂蜜	通过元学习整合多种分析技术和深度学习模型，扩展了输入特征空间，提高了预测性能	未提及具体的数据来源和样本采集细节	解决蜂蜜掺假问题，保障消费者健康和经济诚信	纯蜂蜜与掺假蜂蜜（蔗糖糖浆、葡萄糖浆或焦糖味冰淇淋配料）	分析化学	NA	多种分析技术	CNN, 元学习	NA	NA
32	2025-04-24	Intelligent Recognition of Goji Berry Pests Using CNN With Multi-Graphic-Occlusion Data Augmentation and Multiple Attention Fusion Mechanisms 2025-Aug, Archives of insect biochemistry and physiology IF:1.5Q4 DOI:10.1002/arch.70060 PMID:40262026	研究论文	本文提出了一种改进的卷积神经网络（CNN）GojiNet，用于准确识别17种枸杞害虫	结合多图遮挡数据增强方法和多注意力融合机制，构建了GojiNet模型，提高了害虫识别的准确率	模型训练时间略有增加，且未提及在不同光照或环境条件下的泛化能力	解决枸杞害虫识别中传统人工检测方法的主观性、耗时和劳动密集型问题	17种枸杞害虫	计算机视觉	NA	多图遮挡数据增强方法	CNN（GojiNet，基于ResNet18改进）	图像	未明确提及具体样本数量，但涉及17种害虫的数据集
33	2025-04-23	Transcranial adaptive aberration correction using deep learning for phased-array ultrasound therapy 2025-Aug, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107641 PMID:40117699	研究论文	本研究探讨了使用深度学习方法校正颅骨引起的畸变，开发了一种用于安全超声治疗血脑屏障（BBB）开放的经颅自适应聚焦方法	提出了一种结合预分割、k-Wave模拟和基于3D U-net网络的方法，用于快速准确地预测相位校正，显著降低了计算成本和时间	研究仅基于模拟环境和小块颅骨样本，尚未在真实临床环境中验证	开发一种快速、精确且自适应的经颅畸变校正方法，用于通过超声治疗脑部疾病	256元相控阵、小块颅骨和水构成的非线性模拟环境	医学影像处理	脑部疾病	k-Wave模拟、3D U-net网络	3D U-net	模拟数据	NA
34	2025-04-22	DTF-diffusion: A 3D equivariant diffusion generation model based on ligand-target information fusion 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108392 PMID:40020563	research paper	本文提出了一种基于配体-靶标信息融合的3D等变扩散生成模型DTF-diffusion，用于生成与特定靶蛋白结合的药物分子	DTF-diffusion通过多模态特征融合模块融合配体和靶标的三维位置特征信息，并设计了化学规则判别模块以提高生成配体结构的合理性	未明确提及具体局限性	开发一种能够生成与特定靶蛋白结合的药物分子的深度学习模型	药物分子和靶蛋白	machine learning	NA	扩散模型	DTF-diffusion	3D分子结构数据	基于CrossDocket2020数据集进行评估
35	2025-04-22	Brain tumor segmentation and classification using MRI: Modified segnet model and hybrid deep learning architecture with improved texture features 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108381 PMID:40020564	研究论文	本文提出了一种基于MRI的脑肿瘤自动分割与分类方法，采用改进的Segnet模型和混合深度学习架构，结合增强的纹理特征	提出了改进的Segnet模型和混合深度学习架构(HDLA)，结合Bi-LSTM和改进的Linknet模型，以及新的纹理特征提取方法	未提及模型在不同类型脑肿瘤上的泛化能力，也未讨论计算复杂度问题	开发自动化的脑肿瘤分割与分类系统以提高诊断效率和准确性	MRI脑部扫描图像	数字病理学	脑肿瘤	MRI图像分析	改进的Segnet模型、Bi-LSTM、改进的Linknet模型、HDLA混合架构	医学影像(MRI)	未明确提及具体样本数量，但测试集占比为90%
36	2025-04-22	PocketDTA: A pocket-based multimodal deep learning model for drug-target affinity prediction 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108416 PMID:40073710	研究论文	提出了一种基于口袋的多模态深度学习模型PocketDTA，用于药物-靶标亲和力预测	引入了口袋图结构，编码蛋白质残基特征作为节点，边代表不同的蛋白质序列和空间距离，克服了传统模型仅依赖蛋白质序列输入缺乏空间信息的限制	未明确提及具体局限性	提高药物-靶标亲和力预测的准确性和泛化能力	药物和蛋白质	机器学习	NA	深度学习	关系图卷积网络（Relational Graph Convolutional Networks）	序列数据和结构数据	多个基准数据集（具体数量未提及）
37	2025-04-22	Multiple omics-based machine learning reveals specific macrophage sub-clusters in renal ischemia-reperfusion injury and constructs predictive models for transplant outcomes 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108421 PMID:40086342	研究论文	本研究通过多组学机器学习方法揭示了肾缺血再灌注损伤中特定的巨噬细胞亚群，并构建了移植结果的预测模型	创新性地将基因表达矩阵转化为独特的图形像素模块，并应用先进的计算机视觉处理算法构建DGF预测模型，同时使用10种机器学习算法的111种组合开发移植物存活的预测特征	研究主要基于GEO数据库的scRNA-Seq数据，可能需要更多独立队列验证模型的普适性	分析巨噬细胞在IRI中的发育和分化特征，识别IRI的特定分子亚型，并建立DGF和移植物存活的预测策略	肾缺血再灌注损伤中的巨噬细胞亚群和移植受者	数字病理	肾脏疾病	scRNA-Seq, bulk RNA-Seq, qRT-PCR, WB, IHC	深度学习算法, 随机生存森林算法	基因表达数据, 图像数据	GEO数据库中的scRNA-Seq数据和小鼠IRI模型
38	2025-04-22	On construction of data preprocessing for real-life SoyLeaf dataset & disease identification using Deep Learning Models 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108417 PMID:40086344	research paper	该论文构建了一个真实的大豆叶片数据集SoyLeaf，并应用深度学习模型进行叶片病害识别	开发了包含9786张高质量大豆叶片图像的真实数据集SoyLeaf，并比较了多种预训练深度学习模型在该数据集上的表现	未提及模型在实际田间环境中的泛化能力测试	解决大豆叶片病害识别中高质量样本不足的问题	大豆叶片（健康与病害叶片）	computer vision	soybean leaf diseases	transfer learning	ResNet50V2, ResNet101V2, ResNet152V2, InceptionV3, InceptionResNetV2, MobileNet, MobileNetV2, DenseNet121, DenseNet169	image	9786张大豆叶片图像
39	2025-04-22	Application of Machine Learning (ML) approach in discovery of novel drug targets against Leishmania: A computational based approach 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108423 PMID:40086345	review	本文提出了一种基于机器学习的计算流程，用于预测抗利什曼病药物的活性	利用先进的机器学习和深度学习方法构建计算流程，克服传统方法的局限性	面临数据收集、特征提取和选择等挑战，需要进一步优化	优化抗利什曼病药物的发现和设计过程	具有抗利什曼活性的分子	machine learning	leishmaniasis	machine learning, deep learning	NA	molecular structures	NA
40	2025-04-22	A critical address to advancements and challenges in computational strategies for structural prediction of protein in recent past 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108430 PMID:40121710	review	本文回顾了计算蛋白质结构预测领域的历史演变，分析了最新模型的优缺点	探讨了深度学习模型如AlphaFold2、RoseTTAFold和OpenFold在蛋白质结构预测中的革命性应用	需要大量训练数据、计算资源需求高，以及在建模蛋白质动力学、内在无序区域和蛋白质-蛋白质相互作用方面存在困难	探索计算蛋白质结构预测的进展与挑战	蛋白质结构预测的计算方法	computational biophysics	NA	homology modeling, threading, ab initio folding, deep learning	AlphaFold2, RoseTTAFold, OpenFold	protein sequences and structures	NA